C2PA e marcas de água de IA: porque não bastam sozinhos

Um recibo de vencimento gerado por IA, depois fotografado com um telemóvel e reenviado como anexo, chega ao departamento de compliance sem uma única marca de origem. Não porque o ficheiro nunca teve uma — mas porque o circuito de captura de ecrã e reimpressão a apagou por completo. É este o ponto cego que o debate sobre C2PA, Content Credentials e marcas de água de IA raramente aborda quando a conversa se desloca do combate à desinformação para a deteção de 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 ficheiro de imagem, vídeo ou PDF, registando quem o criou, com que ferramenta e que 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 coligação (c2pa.org/specifications).

O manifesto viaja como metadados incorporados no próprio ficheiro — comparável a um EXIF reforçado e assinado digitalmente. Quando uma câmara, um gerador de imagem ou um editor compatível com C2PA produz um ficheiro, grava aí a cadeia de custódia: captura, edição, exportação. A Content Authenticity Initiative, liderada pela Adobe, disponibiliza um verificador público que lê esse manifesto e mostra o histórico ao utilizador (contentcredentials.org/verify).

O problema começa quando o ficheiro sai do ecossistema de origem. Um manifesto C2PA só sobrevive se a cadeia de ferramentas — câmara, editor, plataforma de partilha — preservar os metadados em cada etapa. Basta um único elo não compatível para que a credencial desapareça.

Porque o C2PA e as Content Credentials não travam a fraude documental

O C2PA foi concebido para provar a proveniência de conteúdo mediático publicado online, não para autenticar um documento de identidade submetido num formulário KYC. Um único passo de captura de ecrã, impressão e nova fotografia remove o manifesto C2PA por completo, sem deixar qualquer vestígio de que alguma vez existiu, uma limitação reconhecida na própria documentação técnica da especificação sobre a persistência de metadados (c2pa.org/specifications).

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

1. Remoção trivial de metadados. Qualquer conversão de formato, compressão para WhatsApp ou upload para um portal que reprocessa a imagem descarta o manifesto — sem intenção fraudulenta necessária, o simples fluxo normal de partilha já o faz.
2. O ciclo captura de ecrã → impressão → nova fotografia. É a técnica mais comum de evasão: fotografar um documento fabricado, imprimir, voltar a fotografar. Cada salto gera um ficheiro novo, sem histórico, indistinguível de uma fotografia original de um documento genuíno.
3. Nenhum mandato para emissores de documentos nem para hardware de digitalização. Não existe obrigação legal de que scanners de secretária, aplicações de digitalização móvel ou os próprios emissores de documentos oficiais (finanças, segurança social, seguradoras) implementem C2PA. Sem adoção na origem, a esmagadora maioria dos documentos legítimos nunca teve um manifesto para começar.
4. Modelos generativos open-source ignoram a marca de água por construção. Ferramentas como Stable Diffusion executadas localmente, ou pipelines de edição de código aberto, não têm qualquer obrigação técnica de incorporar C2PA ou uma marca de água como o SynthID da Google. O artigo do Observador sobre marcas de água em IA confirma que a tecnologia "não é fácil de contornar" nos sistemas fechados que a implementam voluntariamente — mas nada impede um modelo sem essa camada de a saltar inteiramente (observador.pt).

A publicação portuguesa Shifter resume bem o problema mais amplo: as marcas de água "não resolvem os problemas criados pela IA" porque dependem da cooperação voluntária de quem gera o conteúdo — precisamente o elo que falta quando o objetivo é enganar (shifter.pt).

O que o EU AI Act Artigo 50 exige — e o que não garante

O Artigo 50 do Regulamento (UE) 2024/1689 (AI Act) obriga os fornecedores de sistemas de IA generativa a marcar o conteúdo sintético de forma detetável por meios técnicos, com aplicação desde 2 de agosto de 2026. A obrigação de transparência do Artigo 50 recai sobre o fornecedor do sistema de IA, não sobre quem submete um documento a uma equipa de compliance, e não exige verificação em nenhum ponto da cadeia de receção, conforme o texto consolidado do regulamento (EUR-Lex, Regulamento (UE) 2024/1689).

Isto significa três coisas relevantes para quem faz verificação documental:

• A obrigação legal cobre a marcação na origem, não a deteção no destino. Uma organização que recebe um documento não tem garantia de que a marcação foi aplicada, nem meios legais para a exigir do remetente.
• O regulamento não impõe interoperabilidade entre sistemas de marcação — um manifesto C2PA da Adobe e um watermark SynthID da Google não são a mesma coisa nem se leem com a mesma ferramenta.
• O incumprimento por parte de modelos open-source ou de ferramentas fora da jurisdição da UE não tem mecanismo de fiscalização direta sobre o ficheiro final que chega a um formulário de onboarding.

Por outras palavras: o Artigo 50 melhora a rastreabilidade de conteúdo publicado em plataformas cooperantes, mas não fecha a lacuna documental descrita acima. A Comissão Europeia reconhece explicitamente que as obrigações de transparência do Artigo 50 "não afetam as obrigações e responsabilidades ao abrigo de outra legislação da União", nomeadamente no domínio antibranqueamento de capitais, deixando claro que o AI Act não substitui os controlos KYC/AML existentes (EUR-Lex, considerando 132).

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

A leitura da tabela é direta: C2PA e watermarking respondem bem a "este ficheiro específico, tal como saiu da plataforma X, tem proveniência verificável" — e respondem mal, ou nada, a "este documento que me foi submetido é genuíno".

O que funciona de facto: deteção forense em múltiplas camadas

A deteção fiável de documentos fabricados depende de sinais internos ao próprio ficheiro, 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 — uma assinatura típica de colagem ou edição localizada, mesmo sem qualquer manifesto de proveniência.

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

• Análise forense de metadados e EXIF. Mesmo quando incompletos, os metadados residuais de um ficheiro — software de criação, datas de modificação, ausência de campos que um scanner genuíno normalmente preenche — são um sinal, não uma prova isolada.
• Verificação estrutural e tipográfica. Deteção de inconsistências de fonte, espaçamento, alinhamento de campos e artefactos característicos de geração por modelos de difusão ou GAN, conforme descrito em detalhe nas técnicas de deteção com IA.
• Validação cruzada entre documentos. Cruzamento de dados entre o comprovativo de morada, o extrato bancário e o documento de identidade de um mesmo dossiê — uma técnica que não depende de nenhuma marca de água e que expõe fabricações mesmo tecnicamente bem executadas.
• Sinais de geração por IA. Padrões estatísticos característicos de conteúdo sintético, indo além do que uma marca de água ausente ou removida conseguiria indicar — área em que compreender como os modelos generativos fabricam documentos falsos ajuda a calibrar o que procurar.
• Análise de Nível de Erro (ELA) e inspeção ao pixel. Deteta manipulações localizadas — texto sobreposto, carimbos clonados — que uma marca de água global do ficheiro nunca assinalaria, porque a alteração ocorreu depois da geração original.

Segundo o ACFE Report to the Nations 2024, a deteção manual de fraude tem uma taxa de sucesso de apenas 37%, com um atraso médio de deteção de 87 dias (acfe.com) — um intervalo de tempo em que um documento fabricado já produziu o efeito pretendido, seja a abertura de uma conta ou a aprovação de um crédito. A automação forense em múltiplas camadas visa precisamente comprimir esse atraso, não substituí-lo por uma dependência de metadados de proveniência que a maioria dos documentos nunca teve.

Em fóruns especializados, os responsáveis de compliance perguntam frequentemente se basta verificar a presença de uma Content Credential para confiar num documento, e se os detetores de conteúdo de IA disponíveis publicamente são fiáveis o suficiente para uso operacional. A resposta curta à primeira pergunta é não — a ausência de manifesto é a norma, não a exceção, mesmo para documentos genuínos. À segunda, os testes práticos amplamente discutidos mostram que ferramentas de deteção isoladas são fáceis de contornar com edição mínima do conteúdo, o que reforça a necessidade de cruzar vários sinais em vez de confiar num único indicador (seohappyhour.substack.com).

Como isto se aplica a fluxos de KYC e AML

Um processo de onboarding bancário ou de leasing recebe documentos de origens heterogéneas — fotografias de telemóvel, digitalizações de scanner de secretária, PDFs exportados de portais governamentais — e nenhuma delas garante metadados de proveniência intactos, um ponto de partida que qualquer guia prático de verificação de documentos para empresas deveria assumir como regra, não como exceção. A abordagem que resiste a este cenário combina verificação estrutural do documento com validação cruzada de dados e, consoante a configuração do cliente, uma camada adicional de sinais de geração por IA implementada como complemento aos controlos existentes, e não como substituto de nenhum deles.

Isto é relevante tanto para instituições financeiras sujeitas a KYC bancário como para operações de financiamento e leasing, onde o volume de documentos processados torna a revisão manual isolada inviável a prazo. A PwC Global Economic Crime Survey 2025 situa a fraude documental entre os vetores de fraude económica com crescimento mais consistente nas organizações europeias inquiridas, o que reforça a necessidade de controlos automatizados que não dependam da boa vontade de quem gera o ficheiro fraudulento.

A ENISA Threat Landscape 2024 identifica ainda a facilitação de conteúdo sintético por ferramentas de IA acessíveis como um vetor de ameaça em crescimento na União Europeia, alinhado com o padrão de contornar marcas de água através de modelos sem essa camada incorporada (enisa.europa.eu).

Perguntas frequentes

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

Não de forma fiável. O C2PA prova proveniência quando o manifesto sobrevive intacto até à verificação, mas a maioria dos documentos submetidos em processos KYC passa por captura de ecrã, impressão ou compressão, etapas que removem esse manifesto sem deixar rasto.

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

Apenas parcialmente, e só para conteúdo gerado por sistemas que as implementam voluntariamente. Modelos generativos open-source executados localmente não têm qualquer obrigação técnica de incorporar uma marca de água, o que deixa uma parte significativa do conteúdo fraudulento fora do alcance desta tecnologia.

O Artigo 50 do AI Act obriga as empresas a verificar a marcação de IA nos documentos que recebem?

Não. O Artigo 50 obriga os fornecedores de sistemas de IA generativa a marcar o conteúdo que produzem, mas não impõe às organizações recetoras nenhuma obrigação de verificação, nem lhes dá mecanismo legal para exigir essa marcação de quem submete um documento.

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

Inconsistências estruturais e tipográficas, anomalias de compressão localizadas detetáveis por Análise de Nível de Erro, metadados EXIF residuais e discrepâncias entre documentos do mesmo dossiê são sinais independentes da presença de qualquer marca de água ou manifesto C2PA.

A deteção forense automatizada substitui a revisão humana?

Não deve. As técnicas descritas neste artigo funcionam como uma camada adicional de sinais que complementa — não substitui — os processos de revisão e os controlos regulatórios já existentes numa organização.

---

A CheckFile analisa os seus processos e sinaliza indícios de geração por IA em complemento aos seus controlos existentes, sem depender de manifestos de proveniência ou marcas de 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 como funciona a deteção de deepfakes e conteúdo gerado por IA, consulte os detalhes de segurança ou peça uma demonstração através da página de contacto. Para comparar planos, veja os tarifários.