A foto parece real: por que o olho humano não é um controlo

Este artigo tem uma finalidade meramente informativa. Não constitui aconselhamento jurídico nem uma recomendação regulatória, e não substitui o parecer de um advogado ou de um responsável de compliance qualificado.

Como detetar uma foto editada: não se consegue de forma fiável apenas a olho nu. É preciso combinar sinais forenses verificáveis — padrões de clonagem de píxeis, análise de nível de erro (ELA), metadados EXIF, coerência de iluminação e sombras, e pesquisa inversa de imagens — porque nenhum deles, isolado, prova uma manipulação, mas a convergência de vários sim. Uma equipa que confia apenas na inspeção visual de uma foto de documento, de sinistro ou de imóvel está, na prática, a usar um controlo com uma taxa de erro comprovadamente elevada.

Porque é que o olho humano não é um controlo fiável

O olho humano falha na deteção de edições de imagem porque o cérebro completa automaticamente padrões plausíveis em vez de analisar pixel a pixel, e porque uma edição competente elimina precisamente os indícios que a perceção visual sabe procurar — bordas serrilhadas, cores destoantes, proporções estranhas. Isto não é uma opinião: é um resultado replicado em investigação académica.

Um estudo de Nightingale, Wade e Watson, publicado na revista científica Cognitive Research: Principles and Implications e conduzido junto de 659 participantes, concluiu que as pessoas só identificam corretamente uma foto manipulada em 60% dos casos — e mesmo quando a identificam, só conseguem apontar exatamente o que foi alterado em 45% dessas deteções corretas (link.springer.com). Ou seja, mais de um terço das fotos manipuladas passam completamente despercebidas, e mesmo quando alguém desconfia, raramente sabe explicar porquê — o que torna essa desconfiança inútil como prova documentada num processo de decisão.

Um estudo conjunto da Adobe Research e da Universidade de Berkeley, publicado em 2019, mostrou que voluntários humanos só distinguiam corretamente um rosto editado no Photoshop de um rosto original em 53% dos casos — praticamente ao nível do acaso — enquanto o algoritmo desenvolvido pelas duas equipas atingia 99% de acerto no mesmo conjunto de imagens (blog.adobe.com). A diferença não está na atenção ou experiência de quem observa: está na natureza do sinal. Um algoritmo forense procura artefactos de compressão, padrões de ruído do sensor e inconsistências geométricas invisíveis à perceção humana; o olho humano procura apenas se "parece estranho".

Esta limitação tem uma consequência direta para qualquer equipa de onboarding, sinistros ou recrutamento que ainda decide "a olho": a confiança de um analista de que uma foto "parece autêntica" não é um dado de risco, é um ponto cego mensurável.

Sinal 1: clonagem e duplicação de píxeis

Um padrão de píxeis repetido dentro de uma imagem é quase sempre o rasto de uma ferramenta de clonagem, usada para ocultar um elemento original (uma marca de água, uma data, um defeito) ou para acrescentar um elemento inexistente (um dano, uma assinatura, um carimbo). A ferramenta copia uma textura de uma zona da imagem e cola-a noutra, o que produz uma repetição estatisticamente improvável numa fotografia real — uma textura de papel, um veio de tecido ou uma sombra que se repete de forma idêntica pixel a pixel não acontece por acaso na natureza.

Ferramentas forenses gratuitas como a Forensically ou o FotoForensics geram um mapa de deteção de clonagem que evidencia essas semelhanças. Numa foto de documento de identidade adulterada, por exemplo, esse tipo de padrão concentra-se tipicamente à volta da fotografia do titular ou do campo de data de validade — exatamente os elementos que compensa falsificar.

Sinal 2: análise de nível de erro (ELA)

Uma zona de uma fotografia JPEG com um nível de compressão diferente do resto da imagem foi, com grande probabilidade, reeditada depois da captura original — mesmo quando a diferença é invisível a olho nu. Isto acontece porque uma foto JPEG sem qualquer edição posterior apresenta um nível de compressão homogéneo, já que todos os seus píxeis passaram pelo mesmo processo de codificação no momento da captura. Assim que alguém edita uma zona específica e volta a guardar o ficheiro, essa zona parte de uma base de compressão diferente da do resto da imagem — uma diferença que a análise de nível de erro (error level analysis, ELA) torna visível através de um mapa de contraste.

Dedicámos um artigo inteiro a este método, incluindo como aplicá-lo a documentos de identidade e comprovativos: análise de nível de erro (ELA). O princípio de base é sempre o mesmo, quer se trate de um documento, de uma foto de dano ou de uma selfie de verificação: se apenas uma zona específica se destacar no mapa ELA, uma edição localizada nessa zona é provável.

Sinal 3: metadados EXIF e o campo "Software"

O campo "Software" dos metadados EXIF de uma fotografia regista, na maioria dos casos, o nome do programa usado na última edição — Adobe Photoshop, GIMP, Lightroom ou uma aplicação móvel de retoque — a não ser que esse campo tenha sido deliberadamente apagado. Uma foto apresentada como "tirada agora mesmo com o telemóvel", cujos metadados mencionam um editor de imagem, é um sinal forte e fácil de verificar sem qualquer formação forense avançada: basta um leitor EXIF gratuito.

O nosso artigo dedicado detalha como ler estes campos em documentos e comprovativos, incluindo as diferenças entre DateTimeOriginal e ModifyDate: análise de metadados EXIF em documentos falsificados. Um aviso importante, porém: o inverso não é verdade. A ausência total de metadados não prova nada — aplicações de mensagens como o WhatsApp e a maioria das redes sociais removem automaticamente os EXIF no momento do envio, mesmo em fotos perfeitamente autênticas. Este sinal só tem valor quando está presente, nunca quando está ausente.

Sinal 4: iluminação e sombras que não batem certo

Um elemento acrescentado digitalmente a uma fotografia raramente projeta uma sombra fisicamente coerente com a fonte de luz do resto da cena, porque recriar uma sombra plausível em duas dimensões exige um domínio técnico que a maioria de quem edita uma foto de forma oportunista não possui. Os trabalhos do investigador Hany Farid, professor especializado em forense digital e autor do livro de referência Fake Photos (MIT Press), modelam a coerência de sombras como um problema de geometria solúvel: se não existir nenhuma posição de fonte de luz capaz de explicar simultaneamente todas as sombras visíveis numa imagem, essa cena não é fisicamente coerente. Este método já foi usado como prova pericial em processos judiciais nos Estados Unidos para questionar a autenticidade de fotografias.

Aprofundámos este sinal especificamente aplicado a fotos de dano em iluminação, ângulo e enquadramento numa foto de dano real: uma fissura ou mancha desenhada sobre uma foto de produto existente quase nunca interage corretamente com os reflexos já presentes na imagem original.

Sinal 5: pesquisa inversa de imagens

Uma imagem idêntica a uma fotografia de stock, uma imagem de catálogo ou uma publicação anterior noutro contexto é a prova mais direta de fraude disponível, porque elimina qualquer ambiguidade sobre se a imagem foi captada especificamente para o processo em causa. A pesquisa inversa de imagens — através do Google Imagens ou do TinEye — permite verificar em segundos se uma fotografia já circula online associada a outro produto, outro imóvel ou outra identidade.

Este sinal tem um limite claro: só deteta reutilização de imagens já indexadas por um motor de pesquisa. Uma foto composta de raiz para um caso específico, nunca publicada noutro sítio, não aparecerá em nenhuma pesquisa inversa — o que o torna um complemento útil, nunca uma prova suficiente por si só.

E quando a foto não foi editada, mas gerada por IA?

Uma imagem inteiramente gerada por inteligência artificial — um rosto sintético para uma selfie de verificação, um "comprovativo" de dano fabricado do zero — não deixa os mesmos rastos que uma edição tradicional, porque não existe uma fotografia original por trás para comparar níveis de compressão ou sombras herdadas. Este tipo de conteúdo exige sinais próprios: inconsistências nos padrões de ruído do sensor (que uma imagem gerada por IA simplesmente não tem, por não ter passado por um sensor real), artefactos característicos dos modelos de difusão em zonas de detalhe fino como dentes, orelhas ou fundos texturados, e ausência total de metadados de câmara coerentes.

O Regulamento europeu sobre Inteligência Artificial (AI Act) já trata este problema como uma questão de transparência regulatória, e não apenas técnica: a partir de 2 de agosto de 2026, os fornecedores de sistemas de IA generativa capazes de produzir ou manipular conteúdo de imagem, vídeo ou áudio são obrigados a garantir que esse conteúdo é identificável como gerado ou manipulado por IA, através de marcação técnica legível por máquina (artificialintelligenceact.eu). Na prática, isto significa que, nos próximos anos, cada vez mais conteúdo sintético deverá trazer um sinal técnico embutido — mas essa marcação depende do cumprimento por parte de quem gera a imagem, não é uma garantia universal, e continuará a haver ferramentas e utilizadores que a contornam.

Para processos que já lidam com este risco — onboarding bancário, seguros, arrendamento —, a deteção de conteúdos gerados por IA funciona como uma camada complementar às verificações estruturais tradicionais aqui descritas, nunca como substituto integral: nenhum método, humano ou automatizado, deteta a totalidade das falsificações possíveis.

Onde isto aparece: KYC, seguros, arrendamento, RH e crédito

A mesma foto suspeita muda de nome consoante o setor, mas o mecanismo forense por trás é idêntico em todos:

• Onboarding bancário e KYC — a selfie de verificação de identidade e a fotografia do documento (bilhete de identidade, cartão de cidadão, passaporte) são os dois pontos mais visados, porque uma correspondência falsa entre rosto e documento é a base de uma conta aberta com identidade sintética. O nosso guia sobre soluções para banca e KYC detalha este fluxo de verificação completo.
• Sinistros de seguros — uma foto de dano editada para exagerar um sinistro, ou uma foto de um imóvel ou veículo que já circula noutro sítio associada a outro sinistro, é uma das fraudes mais baratas de executar e mais rentáveis por tentativa. As soluções para seguradoras da CheckFile aplicam esta lógica de deteção às fotos e documentos de um processo de sinistro.
• Arrendamento e imobiliário — fotografias de imóveis reutilizadas de outro anúncio, comprovativos de rendimento com valores alterados ou fotos de um imóvel "disponível" que na realidade já foi arrendado são fraudes recorrentes neste setor, detalhadas nas soluções para imobiliário.
• RH e recrutamento — fotografias de diplomas ou certificados fotografados e depois editados para alterar uma nota, uma data de emissão ou um nome, um risco abordado nas soluções para recursos humanos.
• Crédito e financiamento — comprovativos de rendimento ou de propriedade fotografados e depois retocados para melhorar um perfil de risco, uma variante do mesmo problema de base: uma foto que parece um documento fidedigno, mas foi alterada depois da captura original.

O que perguntam nos fóruns sobre deteção de fotos editadas

Fora do discurso comercial sobre "deteção a 100%", as perguntas mais frequentes em fóruns especializados e comunidades de fotografia forense tendem a repetir-se, e vale a pena responder-lhes diretamente.

"Comprimir uma foto ao enviá-la por WhatsApp ou email apaga os sinais de edição?" Atenua-os, mas não os elimina. Os padrões de clonagem e as incoerências de sombra mais evidentes costumam continuar visíveis mesmo depois de uma compressão moderada; só uma recompressão muito agressiva e repetida consegue ocultar os sinais mais subtis, como as diferenças de ELA mais ténues.

"Se a foto tiver boa qualidade e estiver bem enquadrada, isso já é suspeito?" Não, por si só. Um telemóvel recente produz por defeito fotos nítidas e bem expostas; o sinal a procurar não é a qualidade da imagem, é uma incoerência dentro dela — uma textura repetida, uma zona de compressão diferente, uma sombra desalinhada com a fonte de luz.

"Existe uma ferramenta gratuita e fiável para verificar uma foto sozinho, sem saber nada de forense?" Existem ferramentas gratuitas acessíveis, como a Forensically ou um leitor EXIF online, mas nenhuma delas substitui a interpretação de quem sabe o que está a procurar — os mapas de ELA e de clonagem produzem falsos positivos com frequência suficiente para exigirem sempre uma segunda leitura humana antes de qualquer decisão.

Construir um fluxo de trabalho, não um veredito automático

Nenhum dos sinais descritos acima deve, isoladamente, produzir uma rejeição automática de um processo de onboarding, um sinistro ou uma candidatura: um documento sem qualquer anomalia detetada segue o tratamento padrão, um único sinal isolado deve ser encaminhado para revisão humana documentada, e vários sinais convergentes — por exemplo, clonagem confirmada junto de metadados suspeitos e ausência de resultados na pesquisa inversa — justificam uma investigação mais aprofundada antes de qualquer decisão final. A nossa metodologia assenta numa análise multicamada — estrutural, de metadados e de coerência entre documentos — que cruza vários destes sinais em vez de avaliar uma foto isolada a partir de um único indício.

Esta arquitetura em camadas não é apenas uma boa prática de engenharia; é também uma necessidade estatística. O relatório ACFE 2024 Report to the Nations situa em 37% a taxa de deteção de fraude documental através de controlo manual exclusivo, com um atraso médio de deteção de 87 dias (acfe.com). Um controlo unicamente visual — a mesma limitação descrita no início deste artigo — deixa, na prática, uma margem de vários meses para que uma foto manipulada atravesse múltiplas etapas de um processo antes de ser identificada.

O nosso artigo sobre revisão de fotos em grande escala detalha esta estrutura de três níveis — sem anomalia, sinal isolado, sinais convergentes — aplicada especificamente a sinistros de seguros, mas o mesmo raciocínio serve qualquer processo com grande volume de fotos a rever. Para um panorama mais amplo da verificação documental, incluindo tipografia e estrutura de ficheiro, consulte o nosso guia de verificação de documentos. Consoante o nível de risco do setor e a configuração do cliente, pode ainda ser ativada uma camada adicional de deteção de conteúdos sintéticos, complementar aos controlos estruturais descritos neste artigo.

Perguntas frequentes

Um perito consegue sempre distinguir uma foto editada de uma original?

Não sempre. Uma edição muito competente, combinada com uma recompressão agressiva do ficheiro final, pode reduzir a maioria dos sinais forenses abaixo do limiar de deteção fiável. É por isso que a convergência de vários sinais, e não um único método infalível, é a base de qualquer processo de verificação sério.

Vale a pena treinar uma equipa para "aprender a ver" fotos editadas?

Tem um valor limitado. Os estudos académicos citados neste artigo mostram que mesmo observadores atentos só identificam corretamente uma imagem manipulada em cerca de 60% dos casos, e raramente conseguem explicar o que viram de errado. É mais eficaz treinar a equipa a usar corretamente as ferramentas forenses — leitor EXIF, mapa de ELA, pesquisa inversa — do que a confiar apenas na perceção visual.

Uma foto sem metadados EXIF é automaticamente suspeita?

Não. A maioria das aplicações de mensagens e redes sociais remove os metadados automaticamente no momento do envio, mesmo em fotografias perfeitamente autênticas. Este sinal só tem valor quando existem vestígios de edição presentes nos metadados, nunca quando estão simplesmente ausentes.

A pesquisa inversa de imagens funciona sempre?

Não. Só deteta a reutilização de uma imagem já indexada por um motor de pesquisa como o Google Imagens ou o TinEye. Uma fotografia composta de raiz para um caso específico e nunca publicada noutro local não aparecerá em nenhuma pesquisa inversa, o que a torna um complemento útil, mas insuficiente por si só.

Como se distingue uma foto editada de uma foto gerada inteiramente por IA?

Uma foto editada parte de uma imagem real e mantém, nas zonas não alteradas, os metadados e o ruído do sensor original; uma imagem gerada por IA não teve nunca um sensor real por trás, pelo que lhe faltam esses vestígios de captura de forma sistemática. Os sinais a procurar também diferem: numa edição procuram-se zonas de compressão ou clonagem localizadas, numa imagem sintética procuram-se artefactos característicos dos modelos de geração, sobretudo em detalhes finos como dentes, orelhas ou texturas de fundo.

---

Os sinais descritos neste artigo cobrem a generalidade das edições feitas a partir de uma fotografia real. Quando o risco do setor o justifica, vale a pena complementá-los com uma camada dedicada à deteção de conteúdos gerados por IA, sem nunca esperar que qualquer combinação de métodos, humana ou automatizada, atinja uma deteção de 100% — a decisão final deve continuar a assentar num conjunto de indícios documentado e auditável. A CheckFile integra estes controlos no onboarding, na gestão de sinistros e na verificação documental entre setores; consulte a nossa página de segurança ou os nossos preços para mais informação.