Revisão de fotos de sinistros em grande escala: sinais, não veredictos

Rever fotos de sinistros em grande escala significa deixar a IA gerar sinais acionáveis — inconsistências de metadados, imagens duplicadas, artefactos de geração — que um gestor formado valida antes de qualquer decisão, em vez de deixar um modelo emitir sozinho um veredicto de aceitação ou rejeição. Esta distinção define como as seguradoras portuguesas organizam hoje a revisão fotográfica, à medida que as apps de participação de sinistros multiplicam o número de fotos por processo muito além do que as equipas manuais conseguiam gerir há poucos anos. Em carteiras de grande volume, este modelo operacional reduz o prazo de instrução sem transferir a decisão de indemnização para um algoritmo.

O que significa realmente "sinais, não veredictos"

Uma revisão baseada em sinais atribui a cada foto de sinistro uma pontuação segundo critérios objetivos — coerência de metadados, resolução, artefactos de edição reveladores — sem que essa pontuação, por si só, desencadeie um pagamento ou uma rejeição. A pontuação alimenta uma fila de priorização; é o gestor quem decide.

Isto contrasta diretamente com um veredicto totalmente automatizado, em que um sistema aceita ou rejeita o processo sem qualquer etapa humana documentada. O ACFE 2024 Report to the Nations situa a taxa de deteção apenas com controlos manuais em 37%, com um atraso médio de deteção de 87 dias — uma diferença que explica por que as seguradoras querem acelerar a triagem sem abdicar da revisão humana nos casos que realmente importam.

Um sinal nunca é, por si só, prova de fraude. Uma foto tirada em interior com luz artificial pode mostrar uma inconsistência de sombras sem que exista qualquer manipulação; um telemóvel recondicionado pode remover metadados EXIF por razões puramente técnicas. A revisão por sinais parte deste princípio: cada anomalia precisa de ser interpretada por um humano formado, não validada automaticamente como rejeição.

Por que o volume de fotos ultrapassa a capacidade de revisão manual

A gestão de sinistros representa a maior rubrica de custo operacional para a maioria das seguradoras, e as apps móveis de participação multiplicaram o número de fotos por processo — as seguradoras pedem agora sistematicamente vários ângulos por sinistro para reduzir a fraude, o que multiplica mecanicamente o volume a rever (Orchestra Intelligence, 2026). Um gestor que analisava entre 15 e 20 processos fotográficos por dia em modo manual enfrenta agora uma fila que duplicou ou triplicou sem um aumento proporcional de efetivos.

A Autoridade de Supervisão de Seguros e Fundos de Pensões (ASF) identificou a proliferação de documentos sintéticos como uma ameaça prioritária no seu plano de supervisão para 2025-2027. Este contexto empurra as direções de sinistros a industrializar a triagem sem degradar a qualidade da deteção. A tentação é automatizar tudo. É exatamente essa falha que a revisão por sinais evita: absorve o volume na camada de triagem, não na camada de decisão.

Que sinais a IA consegue realmente detetar numa foto de sinistro

Um motor de revisão fotográfica fiável combina várias camadas de sinais, cada uma com um nível de confiança diferente — nenhuma é suficiente isoladamente.

• Coerência dos metadados EXIF: hora, coordenadas GPS e modelo do dispositivo comparados com a participação do sinistro. A nossa análise dedicada aos metadados EXIF detalha os casos em que estes dados faltam legitimamente.
• Deteção de duplicados e reutilização: hash percetual para localizar uma foto já usada noutro processo ou encontrada online.
• Artefactos de compressão e edição: vestígios de recorte, clonagem de zonas ou múltiplas recompressões incompatíveis com uma captura direta de câmara.
• Sinais de geração sintética: padrões de textura típicos de modelos de difusão (Midjourney, DALL-E, Stable Diffusion), contornos de objetos anormalmente lisos, sombras ou reflexos fisicamente inconsistentes.
• Coerência entre documentos: correspondência entre a foto, a declaração amigável e o orçamento de reparação associado.

A CheckFile aplica uma camada adicional de sinais de geração por IA, implementada junto dos controlos estruturais existentes conforme o nível de risco setorial — estes sinais somam-se aos controlos de metadados e coerência, não os substituem.

Por que um veredicto totalmente automatizado é arriscado

Uma rejeição de sinistro é uma decisão com peso jurídico: deve ser fundamentada e contestável pelo tomador do seguro. O Regulamento (UE) 2024/1689 relativo à inteligência artificial exige, no seu artigo 14.º, supervisão humana efetiva para sistemas de IA de risco elevado, e classifica explicitamente no anexo III os sistemas usados na avaliação de risco e tarificação em seguros de vida e saúde. O processamento automatizado de fotos de danos materiais não entra automaticamente nesse perímetro estrito, mas a lógica de rastreabilidade e contestabilidade que o regulamento estabelece aplica-se na prática assim que uma decisão afeta a indemnização de um tomador de seguro.

A ASF supervisiona o cumprimento do Regime Jurídico de Acesso e Exercício da Atividade Seguradora e Resseguradora (RJASR) e espera que as seguradoras disponham de dispositivos de controlo interno proporcionais ao risco, incluindo a deteção de fraude documental. Uma rejeição baseada apenas numa pontuação algorítmica, sem revisão humana documentada, expõe a seguradora a uma reclamação junto do provedor do cliente e, em caso de inspeção, a uma observação da ASF sobre a governação do algoritmo. O RGPD acrescenta uma restrição adicional: o seu artigo 22.º regula as decisões individuais automatizadas com efeitos jurídicos, o que inclui uma recusa de indemnização.

Construir um fluxo de triagem em três níveis

O método mais robusto observado entre seguradoras que processam vários milhares de processos fotográficos por mês assenta em três níveis explícitos e documentados.

Esta segmentação evita duas falhas simétricas: sobrecarregar os gestores com processos de baixo risco real, e deixar passar processos com sinais fortes por falta de tempo. Para equipas focadas em reduzir o prazo de instrução sem abdicar desta salvaguarda, o nosso artigo sobre acelerar a tramitação de sinistros com IA detalha os ganhos de tempo medidos em processos de baixo risco.

O que os gestores de sinistros realmente perguntam

As conversas com profissionais do setor — em fóruns especializados e no feedback de clientes da CheckFile — trazem à superfície perguntas recorrentes, mais concretas do que o discurso comercial habitual.

"Isto substitui o gestor de sinistros?" Não — numa arquitetura de sinais, a ferramenta nunca decide sozinha o resultado de um processo. Reordena a fila de trabalho e documenta por que um processo merece uma análise mais atenta, mas a decisão de pagar ou rejeitar continua inteiramente humana.

"Qual é a taxa de falsos positivos em fotos legítimas?" É a pergunta mais frequente e mais legítima: um sistema que escala demasiados processos limpos satura a equipa exatamente como o volume que devia absorver. A solução prática consiste em calibrar os limiares por linha de produto — automóvel, habitação, saúde — em vez de aplicar um limiar único, porque os perfis de fotos legítimas diferem bastante consoante o tipo de sinistro.

"Como justificamos uma rejeição baseada num sinal de IA quando o tomador contesta?" A rejeição nunca deve citar a pontuação algorítmica como motivo: deve assentar na revisão humana que examinou o sinal e confirmou a anomalia, com o detalhe factual correspondente. É essa rastreabilidade documentada — não a pontuação — que resiste a uma reclamação.

Para aprofundar a comparação entre captura fotográfica integrada na app e upload de ficheiro externo — um fator que afeta diretamente a fiabilidade dos metadados disponíveis — consulte o nosso comparativo captura in-app vs upload de ficheiro.

Indicadores a acompanhar para pilotar a revisão à escala

Três indicadores mostram se um dispositivo de triagem está realmente a funcionar, para além do volume bruto tramitado:

1. Idade média da acumulação (backlog) em processos escalados — uma tendência crescente indica que o nível de investigação está subdimensionado.
2. Taxa de escalada por linha de produto — uma taxa anormalmente elevada numa linha costuma indicar um limiar mal calibrado em vez de um aumento real da fraude.
3. Taxa de confirmação humana de sinais fortes — uma taxa baixa significa que os critérios de deteção geram demasiados falsos positivos e precisam de recalibração.

Consulte o nosso guia de verificação de documentos para uma visão mais ampla dos métodos de controlo documental aplicáveis para além das fotos de sinistros.

A verificação documental da CheckFile integra-se neste tipo de fluxo através de uma solução dedicada a seguradoras, apoiada num dispositivo de segurança documentado para auditorias ASF. Para as seguradoras que veem crescer o conteúdo gerado por IA nos seus processos de sinistros, a nossa página de deteção de deepfakes e conteúdo gerado por IA explica como estes sinais de geração se integram junto dos seus controlos existentes, sem pretender detetar sozinhos a totalidade das falsificações possíveis.

Perguntas frequentes

Uma foto de sinistro sinalizada pela IA deve ser automaticamente rejeitada?

Não. Um sinal indica uma anomalia a examinar, não uma fraude confirmada. A decisão de rejeição continua a ser humana e deve assentar numa análise documentada, sobretudo para se manter defensável caso o tomador do seguro apresente reclamação.

Quantos sinais justificam uma investigação aprofundada?

Não existe um limiar universal: a prática habitual combina dois sinais convergentes — por exemplo, metadados inconsistentes e um duplicado detetado — antes do encaminhamento para a célula antifraude, em vez de agir sobre um único sinal isolado.

A revisão por sinais atrasa a tramitação de processos limpos?

Não, é o contrário: os processos sem anomalia detetada são tramitados mais rapidamente do que numa revisão totalmente manual, o que liberta tempo do gestor para os processos que realmente comportam risco.

O RGPD limita o uso de sinais de IA em fotos de sinistros?

Sim. O artigo 22.º do RGPD regula as decisões individuais automatizadas com efeitos jurídicos. Enquanto a decisão final continuar a ser humana e documentada, um fluxo de sinais mantém-se fora do âmbito estrito desse artigo, mas a rastreabilidade tem de ser mantida.

São necessárias ferramentas diferentes para automóvel e habitação?

Não necessariamente uma ferramenta diferente, mas limiares de calibração diferentes: os perfis de fotos legítimas — ângulos, condições de luz, contexto — variam significativamente entre um sinistro automóvel e um sinistro de habitação.