C2PA e marcas d'água de IA: por que não bastam sozinhos

Um holerite gerado por IA, fotografado com o celular e reenviado pelo WhatsApp, chega ao compliance sem uma única marca de origem. Não porque o arquivo nunca teve uma — mas porque o ciclo de print de tela e nova fotografia a apagou por completo. Esse é o ponto cego que o debate sobre C2PA, Content Credentials e marcas d'água de IA raramente aborda quando a conversa sai da desinformação e vai para a fraude documental em KYC e AML.

Este artigo é fornecido apenas para fins informativos e não constitui aconselhamento jurídico, financeiro ou regulatório. As referências regulatórias são exatas à data de publicação. Consulte um profissional qualificado para orientação adaptada à sua situação.

O que é o C2PA e como funciona na prática

O C2PA (Coalition for Content Provenance and Authenticity) é uma especificação técnica que anexa um manifesto criptográfico — as Content Credentials — a um arquivo de imagem, vídeo ou PDF, registrando quem o criou, com que ferramenta e quais edições sofreu. A especificação C2PA 2.2, publicada em 2025 e amplamente implementada ao longo de 2026 por Adobe, Google, Microsoft, OpenAI e Meta, assina esse histórico de proveniência com credenciais criptográficas verificáveis, segundo a documentação técnica da coalizão (c2pa.org/specifications).

O manifesto viaja como metadados incorporados no próprio arquivo — comparável a um EXIF reforçado e assinado digitalmente, registrando captura, edição e exportação. A Content Authenticity Initiative, liderada pela Adobe, disponibiliza um verificador público que lê esse manifesto (contentcredentials.org/verify).

O problema começa quando o arquivo sai do ecossistema de origem: o manifesto só sobrevive se toda a cadeia de ferramentas preservar os metadados em cada etapa. Basta um único elo incompatível para que a credencial desapareça.

Por que o C2PA e as Content Credentials não impedem a fraude documental

O C2PA foi concebido para provar a proveniência de conteúdo de mídia publicado on-line, não para autenticar um documento de identidade em um formulário de KYC. Uma única etapa de print de tela, impressão e nova fotografia remove o manifesto C2PA por completo, sem deixar vestígio de que ele existiu, limitação reconhecida na própria documentação técnica (c2pa.org/specifications).

Há quatro razões estruturais para essa falha, específicas ao contexto documental:

1. Remoção trivial de metadados. Qualquer conversão de formato, compressão para WhatsApp ou upload que reprocessa a imagem descarta o manifesto — sem intenção fraudulenta, o fluxo normal de compartilhamento já faz isso.
2. O ciclo print de tela → impressão → nova fotografia. A técnica mais comum de evasão: fotografar um documento fabricado, imprimir, fotografar de novo. Cada salto gera um arquivo novo, sem histórico, indistinguível de uma fotografia original.
3. Nenhuma obrigação para emissores nem para hardware de digitalização. Não há exigência legal de que scanners, apps móveis ou emissores oficiais (Receita Federal, INSS, bancos, seguradoras) implementem C2PA. Sem adoção na origem, a maioria dos documentos legítimos nunca teve manifesto.
4. Modelos generativos de código aberto ignoram a marca d'água por construção. Stable Diffusion rodando localmente, ou pipelines open source, não têm obrigação técnica de incorporar C2PA ou marca d'água como o SynthID do Google — nada impede que um modelo sem essa camada simplesmente a ignore, como confirmam reportagens brasileiras sobre marcação de conteúdo de IA (mundoconectado.com.br).

A Sumsub projeta crescimento de dois dígitos na fraude com documentos gerados por IA em 2026 e alerta que até marcas d'água já estão sendo contornadas por fraudadores (blog.dynadok.com) — a marcação voluntária não resolve o problema quando o objetivo é justamente enganar.

O panorama regulatório no Brasil: Marco Legal da IA, LGPD e o precedente do TSE

Diferentemente da União Europeia, o Brasil ainda não tem uma lei federal específica sobre inteligência artificial em vigor. O PL 2338/2023, o Marco Legal da Inteligência Artificial, foi aprovado por unanimidade no Senado em dezembro de 2024 e segue em tramitação na Câmara dos Deputados desde março de 2025, sob relatoria do deputado Aguinaldo Ribeiro. Uma votação em plenário chegou a ser cogitada para maio de 2026, mas o texto não avançou: em junho de 2026 outros projetos de IA foram apensados à proposta, adiando ainda mais a votação, e até setembro de 2026 o relatório do relator não havia sido apresentado à Comissão Especial (camara.leg.br, senado.leg.br). Em resumo: o texto propõe classificação de risco inspirada no AI Act europeu, mas, ao contrário deste, ainda não é lei.

Enquanto isso, é a LGPD (Lei 13.709/2018) que oferece o instrumento mais próximo de uma obrigação de transparência sobre decisões automatizadas. O artigo 20 garante ao titular o direito de solicitar revisão de decisões tomadas exclusivamente por tratamento automatizado, com explicação clara sobre os critérios usados. A ANPD publicou em maio de 2025 a Nota Técnica nº 12/2025/CON1/CGN/ANPD, consolidando 124 contribuições de consulta pública sobre IA e revisão de decisões automatizadas (gov.br/participamaisbrasil) — sinal do caminho a seguir, mas ainda etapa preliminar: o tema é eixo prioritário da agenda regulatória da ANPD para 2026-2027, sem norma final publicada.

O precedente mais concreto — e já em vigor — vem da Justiça Eleitoral. A Resolução TSE nº 23.610/2019, sobre propaganda eleitoral, foi atualizada pela Resolução nº 23.755, de 2 de março de 2026, que introduziu critérios para caracterizar deepfake para fins eleitorais. Em sessão de 1º de setembro de 2026, o TSE fixou, por 5 votos a 2, a tese de que a vedação só se aplica quando o material sintético tem realismo suficiente para simular a imagem, a voz ou a expressão de uma pessoa e, cumulativamente, é caracterizado como propaganda eleitoral — caricaturas e avatares estilizados ficam de fora (tse.jus.br, set. 2026). A resolução proíbe a divulgação de conteúdo sintético novo com imagem, voz ou expressão de candidatos entre 72 horas antes e 24 horas depois do encerramento da votação, mesmo identificado como produzido por IA, e exige que plataformas com mais de 5 milhões de usuários ativos mensais no Brasil apresentem planos de conformidade eleitoral (tse.jus.br, abr. 2026). É um exemplo de como regular conteúdo sintético fiscalizando o contexto de uso, sem depender de marca d'água.

Uma ressalva para empresas brasileiras com operações internacionais: o EU AI Act não se aplica ao Brasil, mas seu artigo 2º define escopo extraterritorial — o sistema de IA é colocado no mercado da UE ou seu resultado é usado na UE. Uma fintech brasileira com clientes europeus permanece sujeita ao artigo 50, em vigor desde 2 de agosto de 2026, mesmo sem estabelecimento na Europa (EUR-Lex, Regulamento (UE) 2024/1689).

Em resumo, para quem faz verificação documental no Brasil hoje: não há obrigação doméstica equivalente ao artigo 50 que force a marcação técnica de conteúdo sintético; a LGPD cobre apenas o ângulo da transparência de decisões automatizadas; e o TSE mostra que dá para regular conteúdo sintético fiscalizando o contexto de uso, sem depender de nenhuma marca d'água — modelo mais próximo do que a detecção forense documental precisa fazer.

O que o C2PA detecta bem — e onde falha em contexto documental

A leitura é direta: C2PA e watermarking respondem bem a "este arquivo tem proveniência verificável" — e respondem mal, ou nada, a "este documento que me foi enviado é genuíno".

O que funciona de fato: detecção forense em múltiplas camadas

A detecção confiável de documentos fabricados depende de sinais internos ao próprio arquivo, não de metadados externos que podem simplesmente não existir. A Análise de Nível de Erro (Error Level Analysis) identifica zonas de um documento com taxas de compressão distintas do resto da imagem — assinatura típica de colagem ou edição localizada, mesmo sem manifesto de proveniência.

Cinco camadas complementares, nenhuma dependente da cooperação do emissor original:

• Análise forense de metadados e EXIF. Software de criação, datas de modificação, ausência de campos que um scanner genuíno preenche — sinal, não prova isolada.
• Verificação estrutural e tipográfica. Inconsistências de fonte, espaçamento e alinhamento de campos, conforme descrito nas técnicas de detecção com IA.
• Validação cruzada entre documentos. Cruzamento entre o comprovante de endereço, o extrato bancário e o documento de identidade do mesmo dossiê — técnica que não depende de marca d'água e expõe fabricações mesmo bem executadas.
• Sinais de geração por IA. Padrões estatísticos de conteúdo sintético, indo além do que uma marca d'água ausente indicaria, com análise forense de conteúdo gerado por IA disponível como opção, de acordo com o nível de risco do setor — entender como os modelos generativos fabricam documentos falsos ajuda a calibrar o que procurar.
• Análise de Nível de Erro (ELA) e inspeção de pixel. Detecta manipulações localizadas — texto sobreposto, carimbos clonados — que uma marca d'água global nunca assinalaria, pois a alteração ocorreu depois da geração original.

Segundo o ACFE Report to the Nations 2024, a detecção manual de fraude tem taxa de sucesso de apenas 37%, com atraso médio de 87 dias (acfe.com) — tempo em que um documento fabricado já produziu o efeito pretendido. No Brasil, o custo desse atraso é crescente: entre janeiro e junho de 2026 foram identificadas cerca de 2,86 milhões de tentativas de fraude em cadastro e validação de identidade, alta de 32,9% frente a 2025 (cryptoid.com.br). A automação forense em múltiplas camadas busca comprimir esse atraso, não substituí-lo por uma dependência de metadados que a maioria dos documentos nunca teve.

Como isso se aplica a fluxos de KYC e AML no Brasil

Um processo de onboarding bancário ou de leasing recebe documentos de origens heterogêneas — fotos de celular, scanner de mesa, PDFs de portais governamentais — e nenhuma delas garante metadados de proveniência intactos, ponto de partida que qualquer guia prático de verificação de documentos deveria assumir como regra, não exceção. A abordagem que resiste a esse cenário combina verificação estrutural do documento com validação cruzada de dados e, quando configurado dessa forma, a CheckFile implementa uma camada adicional de sinais de geração por IA, configurada de acordo com as necessidades do cliente, sempre como complemento aos controles existentes, nunca como substituto.

Isso é relevante tanto para KYC bancário quanto para financiamento e leasing, onde o volume de documentos torna a revisão manual isolada inviável a prazo. O crescimento de fraude de identidade documentado acima reforça a necessidade de controles que não dependam da boa vontade de quem gera o arquivo fraudulento — nem de marca d'água que a lei brasileira ainda não exige.

Perguntas frequentes

O C2PA consegue detectar um documento de identidade fabricado por IA?

Não de forma confiável. O manifesto só sobrevive se preservado até a verificação, e a maioria dos documentos de KYC passa por print de tela, impressão ou compressão — etapas que o removem sem rastro.

As marcas d'água como o SynthID resolvem o problema da fraude documental?

Só parcialmente, e apenas para conteúdo de sistemas que as implementam voluntariamente. Modelos open source locais não têm obrigação técnica de incorporar marca d'água, o que deixa boa parte do conteúdo fraudulento fora do alcance dessa tecnologia.

O Marco Legal da IA vai obrigar as empresas brasileiras a verificar a marcação de IA nos documentos que recebem?

Ainda não há resposta definitiva: o PL 2338/2023 segue sem relatório nem votação na Câmara. Mesmo aprovado, o texto tende a obrigar quem fornece IA generativa a marcar o conteúdo, não quem o recebe a verificar — desenho semelhante ao artigo 50 europeu.

Que sinais devo procurar quando um manifesto de proveniência está ausente?

Inconsistências estruturais e tipográficas, anomalias de compressão por Análise de Nível de Erro, metadados EXIF residuais e discrepâncias entre documentos do dossiê — sinais independentes de qualquer marca d'água ou manifesto C2PA.

A detecção forense automatizada substitui a revisão humana?

Não deve. As técnicas descritas complementam — não substituem — os processos de revisão e os controles regulatórios já existentes.

---

A CheckFile analisa seus processos e sinaliza indícios de geração por IA, oferecendo detecção de conteúdo sintético como complemento aos controles estruturais existentes, sem depender de manifestos de proveniência ou marcas d'água que a maioria dos documentos nunca teve. A plataforma cobre mais de 3.200 tipos de documentos, 24 idiomas de OCR e 32 jurisdições. Descubra a detecção de deepfakes e conteúdo gerado por IA, veja os detalhes de segurança ou peça uma demonstração pelo contato. Para comparar planos, veja as tarifas.