Artefatos visuais em documentos gerados por IA: guia de detecção

Os artefatos visuais de geração por IA são inconsistências que os modelos generativos deixam em documentos sintéticos ou parcialmente alterados, mesmo quando o resultado parece perfeito a olho nu. Dividem-se em três famílias: padrões de textura e ruído repetitivos que denunciam a origem algorítmica dos pixels, incoerências de física de iluminação e sombras (sobretudo em carimbos, relevos e hologramas), e desalinhamento entre o campo visível e o que está codificado na MRZ, no código de barras ou no QR code. Detectar documentos gerados por IA exige olhar para esses três sinais em conjunto — nenhum, isoladamente, é conclusivo.

Este artigo é fornecido apenas para fins informativos e não constitui aconselhamento jurídico ou regulatório.

O que é um artefato visual de geração por IA em um documento

Um documento fraudulento gerado por IA pode ser totalmente sintético — a imagem inteira produzida por um modelo generativo, sem base fotográfica real — ou parcialmente alterado, quando uma fotografia ou digitalização genuína é editada com IA para trocar um nome, uma data de nascimento ou um valor. As duas abordagens deixam rastros diferentes na imagem.

As redes GAN (Generative Adversarial Networks) e os modelos de difusão, as duas famílias de arquitetura mais usadas para gerar imagens de documentos falsificados, produzem pixels de forma estatisticamente distinta de uma câmera ou scanner. Um sensor óptico captura ruído de origem física — variações de sensor, compressão da lente, granulação do papel; um modelo generativo sintetiza a imagem a partir de distribuições aprendidas no treinamento, deixando assinaturas de frequência que não correspondem a um sensor real. O artigo acadêmico "Beyond Natural Images: Rethinking AI-Generated Image Detection in Documents" (arXiv, https://arxiv.org/pdf/2609.14352) observa que documentos estruturados — com campos, grades e texto denso — se comportam de forma distinta das imagens naturais para as quais a maioria dos detectores foi treinada.

Um documento totalmente gerado mostra incoerências sistêmicas em toda a imagem; uma alteração pontual concentra os artefatos em uma zona específica, com transição visível entre a área editada e a original. Para um enquadramento mais amplo de deepfakes documentais, veja detecção de deepfakes em documentos.

Por que esse vetor de fraude está crescendo e quem é visado

A detecção puramente manual de fraude documental já era estruturalmente insuficiente antes de a IA generativa se tornar acessível. Segundo o Report to the Nations 2024 da ACFE (Association of Certified Fraud Examiners), a detecção manual capta apenas 37% dos casos de fraude, com atraso médio de 87 dias (https://legacy.acfe.com/report-to-the-nations/2024/) — tempo durante o qual um crédito, uma apólice ou um contrato de aluguel baseado em documento falso continua ativo. É um número internacional, mas ilustra a defasagem entre volume recebido e capacidade de revisão manual.

A ENISA (Agência da União Europeia para a Cibersegurança), no seu Threat Landscape 2024, identifica o conteúdo sintético gerado por IA como um vetor crescente de fraude documental desde 2024 (https://www.enisa.europa.eu/publications/enisa-threat-landscape-2024) — relatório europeu, mas a tendência que descreve não é geograficamente contida. No Brasil, o Bacen trata o tema com preocupação semelhante: o Relatório de Estabilidade Financeira, Volume 24, N. 2, de novembro de 2025, descreve o monitoramento de modelos de IA com potencial de explorar vulnerabilidades do sistema financeiro como ponto de atenção crescente, ainda que nenhum ataque integralmente conduzido por IA tivesse sido confirmado até a publicação (https://www.bcb.gov.br/content/publicacoes/ref/202510/RELESTAB202510-refPub.pdf).

Os setores mais expostos dependem de documentos submetidos pelo próprio requerente, sem verificação presencial sistemática:

• Financiamento e crédito ao consumidor — holerites e extratos bancários.
• Seguros — comunicações de sinistro com fotografias e documentos de suporte.
• Locação de imóveis — comprovantes de renda e de identidade exigidos por proprietários e imobiliárias.
• Recrutamento e seleção — documentos de identidade e comprovantes de qualificação submetidos remotamente.

Em todos esses fluxos, o documento chega em formato digital, muitas vezes como imagem ou PDF digitalizado, removendo a oportunidade de inspeção física do original.

Os três tipos de artefatos: decomposição técnica

Repetição de textura e ruído

Modelos de difusão tendem a gerar padrões de ruído com periodicidade artificial — repetições sutis de textura em zonas de fundo aparentemente uniformes, como o fundo de segurança de um documento de identidade ou o papel timbrado de um extrato bancário. Um scanner ou câmera real produz ruído aleatório de origem física; um modelo generativo produz ruído aprendido, que tende a se repetir em blocos ou apresentar frequência anômala.

Incoerência de física de iluminação e sombras

Documentos com elementos em relevo — carimbos secos, hologramas, relevos de segurança — dependem de uma fonte de luz coerente para produzir sombras fisicamente plausíveis. Um modelo generativo, ao sintetizar esses elementos sem simular a física da luz, produz sombras que apontam em direções inconsistentes, carimbos sem a profundidade esperada, ou reflexos de holograma desalinhados com a iluminação do resto do documento.

Incoerência entre o campo visível e a zona de leitura mecânica

Esta é uma das famílias de artefato mais exploráveis para detecção automatizada. Um documento de identidade genuíno mantém correspondência exata entre os campos visíveis (nome, data de nascimento, número de documento) e os dados codificados na MRZ (Machine Readable Zone), no código de barras ou no QR code. Um modelo generativo, focado em produzir uma imagem visualmente convincente, raramente reproduz a lógica de validação por trás desses códigos — o dígito verificador (checksum) da MRZ, calculado por um algoritmo definido na norma ICAO 9303, é matematicamente quase impossível de acertar por acaso. Um documento sintético pode ter MRZ com aspecto correto mas checksum inválido. No Brasil, o mesmo raciocínio vale para o QR code da CNH Digital e para o código bidimensional da Carteira de Identidade Nacional (CIN): a imagem pode parecer autêntica enquanto o conteúdo codificado diverge dos campos impressos.

Documento autêntico vs. sinais de artefato de geração por IA

Perguntas frequentes em fóruns de compliance e prevenção à fraude

Em fóruns especializados de compliance e prevenção à fraude é comum perguntar-se se um documento visualmente impecável pode, ainda assim, ter sido gerado por IA. A resposta é sim: a qualidade visual deixou de ser indicador confiável de autenticidade, porque os modelos generativos produzem imagens de alta fidelidade sem coerência estrutural nos níveis que um olho humano não avalia — distribuição de ruído a nível de pixel, checksum de MRZ, metadados do arquivo.

Outra dúvida recorrente é a diferença entre um documento retocado (fotografia real com um campo alterado por edição de imagem) e um documento totalmente gerado. Um retoque mostra transição localizada entre a zona editada e a original — um "salto" de textura ou compressão —, enquanto um documento sintético apresenta incoerências distribuídas por toda a imagem: a primeira lógica se aproxima do Error Level Analysis, a segunda da análise de artefatos de geração.

A terceira questão é operacional: como gerenciar isso em grande volume sem que uma pessoa examine cada documento com ampliação. A resposta passa por automatizar a triagem — sinalizando padrões de ruído, incoerências de MRZ e anomalias de metadados — e reservar a revisão humana para os casos sinalizados.

Enquadramento regulatório

No Brasil, a falsificação de documento é tipificada pelo Código Penal Brasileiro (Decreto-Lei 2.848/1940): o artigo 297 trata da falsificação de documento público, e o artigo 298, de documento particular, ambos com pena de reclusão. Um documento gerado por IA submetido para obter vantagem indevida — crédito, apólice de seguro, contrato de locação — enquadra-se nessa tipificação.

Instituições financeiras e demais entidades obrigadas operam sob o regime de prevenção à lavagem de dinheiro da Lei 9.613/1998, regulamentado para o setor bancário pela Circular Bacen 3.978/2020, com procedimentos reforçados de identificação de clientes. O COAF (Conselho de Controle de Atividades Financeiras) recebe as comunicações de operações suspeitas geradas por esses controles; a CVM (Comissão de Valores Mobiliários) e a SUSEP (Superintendência de Seguros Privados) exercem função equivalente de supervisão para o mercado de capitais e para o setor de seguros, respectivamente. O Bacen já trata o risco de uso indevido de IA como tema de estabilidade financeira, conforme o relatório citado acima — sem que isso implique estatística oficial específica sobre fraude documental gerada por IA no país, ainda inexistente de forma consolidada.

O tratamento dos dados pessoais envolvidos nesses processos é regido pela Lei Geral de Proteção de Dados (LGPD — Lei 13.709/2018, http://www.planalto.gov.br/ccivil_03/_ato2015-2018/2018/lei/l13709.htm), sob supervisão da ANPD (Autoridade Nacional de Proteção de Dados). Os documentos mais submetidos nesses fluxos — CPF, RG, CNH e, para pessoas jurídicas, CNPJ (Cadastro Nacional da Pessoa Jurídica) — são justamente os que mais aparecem em tentativas de fraude, por serem exigidos de forma quase universal em onboarding financeiro, contratação e locação.

Nesse contexto, a análise de artefatos visuais de geração por IA funciona em complemento aos controles existentes — nunca como substituto da verificação estrutural, documental e regulatória já em vigor. A detecção de conteúdo sintético gerado por IA como complemento aos controles estruturais já existentes no processo de verificação é a forma como a CheckFile posiciona essa camada: um sinal adicional, configurável ao perfil de risco de cada setor, não uma pontuação de "risco de fraude" isolada. Para KYC bancário, consulte /solutions/banque-kyc; para financiamento e leasing, /solutions/financement-leasing. Arquitetura de segurança em /securite, planos em /tarifs, e detecção de deepfakes em /detection-deepfake-ia.

Perguntas frequentes

Um documento gerado por IA pode passar despercebido a um revisor humano experiente?

Sim, quando a análise se limita à inspeção visual direta. Os artefatos mais confiáveis — ruído a nível de pixel, checksum da MRZ, metadados do arquivo — não são perceptíveis a olho nu e exigem análise técnica dedicada.

Qual é a diferença entre análise de artefatos visuais e Error Level Analysis?

O Error Level Analysis (ELA) é uma técnica forense de compressão que identifica zonas editadas após a compressão inicial, útil sobretudo para retoques localizados. A análise de artefatos visuais foca textura, iluminação e coerência de código, mais eficaz para imagens totalmente sintéticas. São complementares; veja também Error Level Analysis.

A MRZ de um documento de identidade é suficiente, por si só, para confirmar autenticidade?

Não isoladamente. Um checksum de MRZ válido é um sinal forte, mas deve ser combinado com a análise de textura, iluminação e metadados, porque um falsificador sofisticado pode calcular um checksum válido sem que o restante do documento seja autêntico.

Esse tipo de fraude está aumentando no Brasil especificamente?

O Bacen monitora, em seus relatórios de estabilidade financeira, o uso de modelos de IA com potencial de explorar vulnerabilidades do sistema financeiro, e a ENISA identifica o conteúdo sintético como vetor crescente de fraude documental na União Europeia desde 2024. Não existem dados nacionais brasileiros agregados e verificáveis sobre documentos gerados por IA; qualquer percentual divulgado deve ser tratado com cautela até confirmação por fonte primária como o Bacen.

Que obrigações legais existem no Brasil para quem detecta um documento fraudulento?

Os artigos 297 e 298 do Código Penal Brasileiro tipificam a falsificação de documento público e particular, respectivamente. Instituições sujeitas à Lei 9.613/1998 e à regulamentação do Bacen, da CVM ou da SUSEP têm deveres de comunicação ao COAF e de diligência reforçada ao identificar indícios de fraude documental.

Os artefatos visuais de geração por IA — textura e ruído, física de iluminação e sombras, incoerência entre campo visível e zona de leitura mecânica — formam uma camada de análise distinta da verificação de metadados, do Error Level Analysis e da análise tipográfica. Para equipes de compliance, fraude e risco que recebem documentos digitais em volume, combinar esses sinais com os controles estruturais existentes reduz a dependência de uma inspeção manual que, segundo a ACFE, só capta uma fração dos casos. Saiba mais em /detection-deepfake-ia, consulte os planos em /tarifs, ou explore o guia completo.