Artefactos visuais em documentos gerados por IA: guia de deteção

Os artefactos 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 traem a origem algorítmica dos píxeis, 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. Detetar documentos gerados por inteligência artificial exige olhar para estes três sinais em conjunto — nenhum, isoladamente, é conclusivo.

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

O que é um artefacto visual de geração por IA num 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 rastos diferentes.

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 píxeis de forma estatisticamente distinta de uma câmara ou scanner. Um sensor ótico captura ruído de origem física — variações de sensor, compressão da lente, granulação do papel; um modelo generativo sintetiza a imagem a partir de distribuições de probabilidade aprendidas no treino, deixando assinaturas de frequência que não correspondem a um sensor real. O artigo académico "Beyond Natural Images: Rethinking AI-Generated Image Detection in Documents" (arXiv, https://arxiv.org/pdf/2609.14352) descreve essas diferenças estatísticas e nota que documentos estruturados — com campos, grelhas e texto denso — se comportam de forma distinta das imagens naturais para as quais a maioria dos detetores foi originalmente treinada.

Um documento totalmente gerado mostra incoerências sistémicas em toda a imagem; uma alteração pontual concentra os artefactos numa zona específica, com transição visível entre a área editada e a original. Este artigo foca-se na deteção por artefacto visual; para um enquadramento mais amplo de deepfakes documentais, ver deteção de deepfakes em documentos.

Porque este vetor de fraude está a crescer e quem é visado

A deteção puramente manual de fraude documental já era estruturalmente insuficiente antes da IA generativa se tornar acessível. Segundo o Report to the Nations 2024 da ACFE (Association of Certified Fraud Examiners), a deteção manual capta apenas 37% dos casos de fraude, com um atraso médio de deteção de 87 dias (https://legacy.acfe.com/report-to-the-nations/2024/) — o tempo durante o qual um crédito, uma apólice ou um contrato de arrendamento baseado num documento falso continua ativo.

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). O acesso generalizado a ferramentas de geração de imagem baixou a barreira técnica para produzir um recibo de vencimento, um extrato bancário ou um documento de identidade sintético.

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

• Financiamento e crédito ao consumo — recibos de vencimento e extratos bancários.
• Seguros — participações de sinistro com fotografias e documentos de suporte.
• Arrendamento — comprovativos de rendimento e identidade exigidos por senhorios.
• Recrutamento — documentos de identidade e habilitações submetidos remotamente.

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

Os três tipos de artefactos: decomposição técnica

Repetição de textura e ruído

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

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 o ângulo de iluminação do resto do documento.

Incoerência entre o campo visível e a zona de leitura mecânica

Esta é uma das famílias de artefacto mais exploráveis para deteção 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 de controlo (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 aspeto correto mas checksum inválido, ou dados que não correspondem aos campos visíveis.

Documento autêntico vs. sinais de artefacto de geração por IA

Perguntas frequentes em fóruns de compliance e prevenção da fraude

Em fóruns especializados de compliance e prevenção da fraude é frequente perguntar-se se um documento visualmente impecável pode, ainda assim, ter sido gerado por IA. A resposta é sim, e esse é o problema central deste vetor: a qualidade visual deixou de ser indicador fiável de autenticidade, porque os modelos generativos atuais produzem imagens de alta fidelidade sem coerência estrutural nos níveis que um olho humano não avalia — distribuição de ruído a nível de píxel, checksum de MRZ, metadados do ficheiro.

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. Exigem métodos parcialmente distintos: 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 deteção de zona editada, mais próxima da lógica de Error Level Analysis, é mais eficaz para retoques localizados; a análise de artefactos de geração, para imagem totalmente sintética.

A terceira questão é operacional: como gerir isto em grande volume, sem que uma pessoa examine cada documento com ampliação. A resposta estrutural passa por automatizar a triagem — sinalizar padrões de ruído, incoerências de MRZ e anomalias de metadados sistematicamente — e reservar a revisão humana para os casos sinalizados, em vez de inspeção manual a 100% do volume recebido.

Enquadramento regulatório

O Regulamento de IA da União Europeia, (UE) 2024/1689, em vigor desde 1 de agosto de 2024, regula os sistemas de IA de risco elevado, incluindo no setor financeiro (https://eur-lex.europa.eu/eli/reg/2024/1689/oj/eng), e é diretamente aplicável a Portugal como Estado-Membro.

Em direito penal português, o artigo 256.º do Código Penal tipifica a falsificação de documento, com pena de prisão até três anos ou multa; se o agente for funcionário público no exercício de funções ou notário, a pena pode ser agravada. Um documento gerado por IA submetido para obter uma vantagem indevida — crédito, apólice, contrato de arrendamento — enquadra-se nesta tipificação.

O Banco de Portugal, como autoridade de supervisão prudencial, publica regularmente alertas sobre esquemas de fraude que utilizam a sua identidade ou a de entidades supervisionadas — por exemplo, sobre fraude associada à reativação de falsas carteiras de criptoativos (https://www.bportugal.pt/comunicado/banco-de-portugal-alerta-para-tentativas-de-fraude-associadas-reativacao-de-falsas) e sobre fraude através da alteração do IBAN do beneficiário (https://www.bportugal.pt/comunicado/banco-de-portugal-alerta-para-situacoes-de-fraude-atraves-da-alteracao-do-iban-do). Estes alertas ilustram um padrão mais amplo: fraude documental e fraude de identidade evoluem em conjunto, e as instituições enfrentam pressão crescente para reforçar controlos, incluindo obrigações de prevenção de branqueamento de capitais. A CNPD (Comissão Nacional de Proteção de Dados) enquadra o tratamento dos dados pessoais envolvidos nesse processo.

Neste contexto, a análise de artefactos visuais de geração por IA funciona em complemento aos seus controlos existentes — nunca como substituto da verificação estrutural, documental e regulatória já em vigor. A deteção de conteúdo sintético gerado por IA como complemento aos controlos estruturais já existentes no processo de verificação é a forma como a CheckFile posiciona esta 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. Para deteção de deepfakes e conteúdo gerado por IA em documentos, veja /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 artefactos mais fiáveis — distribuição de ruído a nível de píxel, checksum da MRZ, metadados do ficheiro — não são percetíveis a olho nu e exigem análise técnica dedicada.

Qual é a diferença entre análise de artefactos 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 artefactos visuais foca-se em textura, iluminação e coerência de código, mais eficaz para imagens totalmente sintéticas. São complementares; consulte também o artigo sobre 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 positivo forte, mas deve ser combinado com a análise de textura, iluminação e metadados, porque um falsificador sofisticado pode calcular um checksum válido manualmente sem que o resto do documento seja autêntico.

Este tipo de fraude está a aumentar em Portugal especificamente?

O Banco de Portugal publica alertas regulares sobre esquemas de fraude relacionados com identidade e transações financeiras, e a ENISA identifica o conteúdo sintético gerado por IA como vetor crescente de fraude documental na UE desde 2024. Não existem dados nacionais portugueses agregados especificamente sobre documentos gerados por IA.

Que obrigações legais existem em Portugal para quem deteta um documento fraudulento?

O artigo 256.º do Código Penal tipifica a falsificação de documento. Entidades reguladas por obrigações de prevenção de branqueamento de capitais têm deveres de comunicação e diligência reforçada ao identificar indícios de fraude documental, no âmbito da supervisão do Banco de Portugal.

Os artefactos 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 equipas de compliance, fraude e risco que recebem documentos digitais em volume, combinar estes sinais com os controlos 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 em /blog/guia-verificacao-documentos.