Foto de dano gerada por IA: a nova ameaça aos reembolsos

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 conformidade qualificado.

Uma foto de dano gerada por IA não é uma foto editada de um produto real: é uma imagem que um modelo de texto para imagem produziu a partir de uma simples descrição, sem que alguma vez tenha existido uma câmara ou um produto real por trás. Essa diferença inverte a lógica habitual de deteção: a pesquisa inversa de imagens, o sinal mais eficaz contra uma foto real manipulada, não encontra nada para comparar, enquanto os sinais mais fiáveis contra uma imagem sintética são a ausência de uma proveniência de captura autêntica, os artefactos próprios dos modelos de geração e as pontuações de classificadores de IA dedicados.

Por que este problema é diferente de uma foto adulterada

Uma foto de dano sintética salta o passo do qual toda a fraude por edição ainda depende: partir de algo real. Um caso relatado pelo meio jurídico brasileiro ConJur descreve uma vistoria de danos automóvel submetida inteiramente através de imagens e vídeo gerados por IA, descoberta apenas porque os metadados do envio situavam o remetente na China em vez do endereço registado do veículo. O nosso artigo sobre fotos de dano falsas e os sinais de edição detalha as verificações de clonagem, compressão localizada e metadados que desmascaram uma foto real modificada — verificações que aqui não se aplicam, porque não existe uma imagem original com que comparar a imagem gerada.

Um inquérito da Verisk citado em março de 2026 aponta que 99% das seguradoras afirmam já ter encontrado documentação de sinistros manipulada ou alterada por IA, e 98% concordam que as ferramentas de edição e geração por IA estão a alimentar um aumento mensurável da fraude digital em seguros, segundo a cobertura da SAS sobre esta mudança para a fraude com imagens sintéticas. No Brasil, as devoluções fraudulentas representam cerca de 15% de um problema estimado em 1,3 mil milhões de dólares em devoluções segundo dados do setor, conforme reportado pelo ConJur, com fraudadores a recorrer cada vez mais a imagens de produtos danificados geradas por IA em vez de fotografar um dano real.

Sinal 1: nunca houve uma captura real — a proveniência falta ou foi fabricada

Uma foto tirada por uma câmara real incorpora cada vez mais um manifesto do tipo Content Credentials — um registo assinado do dispositivo ou software que produziu a imagem —, manifesto que, numa imagem sintética, está ausente, é genérico ou foi fabricado. A Coalition for Content Provenance and Authenticity (C2PA) é a norma técnica por trás deste mecanismo: os smartphones recentes, assim como geradores importantes como o Adobe Firefly ou a ferramenta de imagem do ChatGPT/DALL-E da OpenAI, incorporam agora um manifesto assinado que regista a origem de captura ou geração. Nos termos do artigo 50 do Regulamento europeu da IA, os fornecedores de sistemas de IA que geram conteúdo de imagem sintética devem garantir que as suas saídas são marcadas num formato legível por máquina e detetáveis como geradas artificialmente — uma obrigação em vigor desde 2 de agosto de 2026.

Mantém-se uma limitação operacional relevante: o Midjourney e várias implementações abertas de Stable Diffusion ainda não assinam todas as suas saídas, e a maioria das aplicações de mensagens e plataformas remove o manifesto existente ao voltar a carregar a imagem. A ausência de um marcador não prova nada por si só — mas um manifesto que identifica positivamente um gerador de IA constitui uma prova quase definitiva, o que torna a verificação de proveniência um primeiro filtro, não uma solução completa.

Sinal 2: artefactos de geração que um modelo de difusão não consegue evitar

Um gerador de imagens por difusão constrói uma cena a partir de ruído em vez de captar luz através de uma lente, e esse processo deixa padrões que uma câmara não consegue produzir fisicamente: texturas repetidas que não encaixam corretamente no bordo de um tecido "rasgado", reflexos que não convergem para nenhuma fonte de luz coerente, e um nível de detalhe superficial — costuras, grão, riscos — plausível à primeira vista mas que não resiste a um exame ao nível do pixel. Trabalhos académicos de referência como o Visual Counter Turing Test documentam que as famílias de geradores variam muito na capacidade de ocultar estes vestígios, com alguns modelos de difusão a revelarem-se claramente mais difíceis de detetar apenas pelo conteúdo da imagem do que outros.

Os indícios específicos do dano agravam esta lacuna: um ecrã "rachado" ou uma costura "rasgada" gerados por um modelo treinado sobretudo com fotos de produtos intactos costuma representar a quebra com uma simetria anómala ou uma textura que não corresponde ao material envolvente — uma incoerência que, paradoxalmente, uma edição por clonagem sobre uma foto real produz com menos frequência.

Sinal 3: não se encontra em lado nenhum, e é precisamente esse o problema

A pesquisa inversa de imagens é o melhor sinal disponível contra uma foto real reutilizada, e torna-se quase inútil perante uma imagem totalmente sintética, porque uma imagem gerada nunca foi publicada, indexada ou associada a um anúncio anterior em lado nenhum. As equipas que confiam em ferramentas como o Google Imagens ou o TinEye como principal defesa — a abordagem que o nosso artigo sobre fotos de sinistro duplicadas descreve para provas reutilizadas — obtêm zero correspondências numa foto de dano sintética e podem interpretar isso como um sinal tranquilizador, quando um resultado sem correspondências é exatamente tão coerente com "gerada por IA há pouco" como com "autêntica e nunca publicada".

Esta é a distinção operacional mais clara entre os dois tipos de fraude: uma foto real editada desmascara-se provando que existia noutro sítio antes do sinistro; uma foto gerada desmascara-se provando que nunca foi real em lado nenhum.

Sinal 4: classificadores de IA dedicados, pontuados por família de gerador

Os modelos de deteção especializados — APIs comerciais como o Sightengine e o Hive são dois exemplos amplamente utilizados — devolvem uma pontuação de probabilidade acompanhada de uma estimativa do gerador mais provável, em vez de uma simples resposta binária genérica. Esta decomposição por gerador é importante porque a precisão de deteção varia muito entre ferramentas: um classificador calibrado em saídas do DALL-E ou do Firefly não se transpõe automaticamente para o Midjourney ou para um modelo open source reajustado, o que impede ler uma única pontuação de classificador como veredito final.

Aplicam-se dois limites práticos: uma recompressão, um redimensionamento ou uma edição ligeira após a geração podem reduzir de forma mensurável a confiança de um classificador sem eliminar todos os vestígios subjacentes, e nenhum benchmark público mostra um detetor comercial a manter uma precisão estável e independente do gerador em todas as principais ferramentas ao mesmo tempo — razão pela qual a pontuação de um classificador é um elemento da análise, nunca um motivo de rejeição por si só.

O que já está a aparecer em sinistros e devoluções

Um em cada três consumidores admite que consideraria alterar digitalmente a imagem ou o documento de uma reclamação de seguro para reforçar o seu caso, e essa percentagem sobe para 55% entre a Geração Z, segundo dados do setor segurador citados por reportagens sobre o tema. Um caso relatado pelo meio jurídico brasileiro ConJur descreve uma vistoria automóvel submetida integralmente como imagens e vídeo gerados por IA, descoberta apenas porque os metadados do envio situavam o remetente na China em vez do endereço registado do veículo — um lembrete de que a proveniência e a geolocalização dos metadados frequentemente revelam o que a análise de pixels por si só não deteta.

O que as equipas de sinistros e apoio ao cliente realmente perguntam

As discussões entre especialistas antifraude em fóruns do setor centram-se sobretudo em limiares operacionais, longe do discurso de marketing sobre "deteção a 100%".

"Se o nosso detetor assinalar uma imagem como gerada por IA, isso basta para recusar o processo?" Nenhuma ferramenta deve assumir sozinha essa responsabilidade. Um alerta do classificador documenta um motivo para uma revisão humana — idealmente associado ao pedido de fotos de outros ângulos, de um objeto de referência no enquadramento ou de uma videochamada em direto —, não uma recusa automática, sobretudo porque o desempenho dos detetores varia muito consoante o gerador.

"Uma foto real de telemóvel pode ser assinalada como gerada por IA só porque uma plataforma a recomprimiu?" Acontece, e é exatamente por isso que as pontuações do classificador devem ser lidas em conjunto com os sinais de proveniência e de conteúdo, e não isoladamente; uma recompressão intensa pode degradar em qualquer direção os indícios ao nível do pixel dos quais um classificador depende.

Integrar estes sinais num fluxo de revisão, não num veredito único

Nenhum destes sinais deve, por si só, desencadear uma recusa automática: um processo sem sinal detetado segue o tratamento padrão, um sinal isolado — manifesto ausente, pontuação de classificador limítrofe — encaminha para uma revisão humana documentada, e vários sinais convergentes justificam pedir provas adicionais ou uma inspeção em direto antes de qualquer decisão. O nosso artigo sobre a revisão de fotos de sinistros em grande escala detalha esta estrutura de três níveis, aplicável tanto a devoluções de e-commerce como a sinistros de seguros. Para uma visão geral dos controlos documentais relacionados, consulte o nosso guia de verificação de documentos.

Perguntas frequentes

A pesquisa inversa de imagens consegue desmascarar uma foto de dano gerada por IA?

Raramente. A pesquisa inversa funciona encontrando uma publicação anterior da mesma imagem, e uma foto gerada nunca foi publicada em lado nenhum antes do sinistro; um resultado sem correspondências não prova nada em nenhum dos sentidos.

A ausência de um manifesto Content Credentials prova que uma foto é autêntica?

Não. Vários geradores importantes, incluindo o Midjourney e algumas implementações open source de Stable Diffusion, ainda não assinam todas as suas saídas, e a maioria das plataformas remove os manifestos ao carregar a imagem, seja qual for a sua origem.

Os detetores comerciais de imagens IA são suficientemente fiáveis para recusar um processo automaticamente?

Não sozinhos. A precisão de deteção varia consoante o gerador e degrada-se após recompressão ou edição ligeira; um alerta deve desencadear uma revisão humana documentada, nunca uma recusa automática.

Uma foto de dano gerada por IA é sempre mais bem cuidada do que uma real?

Não. As renderizações específicas de danos mostram muitas vezes uma simetria anómala ou incoerências de textura à volta da zona "danificada", o que pode torná-la menos convincente do que uma foto real de telemóvel, não mais.

As devoluções de e-commerce e os sinistros de seguros precisam de limiares de deteção de IA diferentes?

Sim, na prática. Os perfis de fotos legítimas variam consoante o contexto, pelo que o limiar de revisão adequado para uma devolução de eletrónica não é necessariamente o mesmo para um sinistro habitação.

---

Os sinais descritos aqui somam-se aos controlos de deteção de edição apresentados no nosso artigo sobre fotos de dano falsas, combinando coerência estrutural, proveniência de metadados e, quando a configuração do cliente o permite, deteção de conteúdo gerado por IA como complemento aos controlos existentes — nunca um veredito autónomo, nunca um substituto de uma revisão documentada. Nenhum método atinge uma deteção a 100%. A CheckFile integra estes controlos nos fluxos de devoluções e sinistros, tanto para plataformas de e-commerce como para seguradoras; consulte a nossa página de segurança ou os nossos preços para mais detalhes.