Detecção de deepfakes em sinistros de auto: guia 2026 para seguradoras brasileiras

Os deepfakes em sinistros de automóvel representam uma ameaça crescente para as seguradoras brasileiras. O Brasil possui um dos maiores mercados de seguro automotivo do mundo e um dos índices mais altos de fraude em sinistros na América Latina. Segundo a CNSeg (Confederação Nacional das Empresas de Seguros Gerais), o ramo automóvel responde pela maior parcela das fraudes detectadas por volume no setor segurador. A SUSEP (Superintendência de Seguros Privados) tem intensificado as exigências de controle interno, incluindo a capacidade de identificar imagens manipuladas ou geradas por inteligência artificial. Ferramentas de geração de imagens por IA permitem fabricar fotografias fotorrealistas de danos em veículos sem que nenhum dano real tenha ocorrido — e detectar essas fraudes exige métodos forenses que vão além da análise visual humana.

Este artigo tem caráter exclusivamente informativo e não constitui aconselhamento jurídico, financeiro ou regulatório. Para questões específicas à sua organização, consulte um profissional qualificado.

O que é um deepfake em um sinistro de automóvel?

No contexto dos sinistros de automóvel, o termo deepfake abrange imagens, vídeos ou documentos visuais criados ou alterados por redes neurais generativas para simular danos inexistentes, supervalorizar danos reais ou fabricar evidências das circunstâncias do sinistro. Diferentemente da falsificação por Photoshop, os deepfakes utilizam modelos de difusão e redes adversariais generativas (GANs) que produzem resultados indistinguíveis de fotografias autênticas ao olho humano — mas detectáveis por análise forense especializada.

Segundo dados da SUSEP, a fraude no ramo automóvel é uma das principais preocupações do regulador, que exige controles progressivamente mais sofisticados para identificar adulteração de evidências fotográficas.

Por que os sinistros auto são particularmente vulneráveis no Brasil

Quatro fatores estruturais amplificam a exposição ao risco de deepfake no mercado brasileiro.

A penetração de smartphones — mais de 220 milhões de dispositivos ativos — faz com que praticamente todos os sinistros sejam registrados digitalmente pelo próprio segurado, sem presença de perito no local. O alto índice de roubo e furto de veículos alimenta um ecossistema de fraude experiente que adota métodos crescentemente sofisticados. A capilaridade da rede de oficinas, muitas sem padronização digital rigorosa, facilita a emissão de orçamentos compatíveis com danos fabricados. Por fim, o PIX criou expectativas de liquidação em horas, comprimindo o tempo disponível para análise forense. A CNSeg estima que entre 10% e 15% das comunicações de sinistro no ramo automóvel apresentam alguma irregularidade, e a parcela atribuível à adulteração de imagens tem crescido desde 2023.

Para uma visão abrangente dos vetores de fraude documental no setor segurador, consulte também fraude documental em seguros.

Métodos de detecção forense de imagens deepfake

A detecção eficaz exige múltiplas camadas de análise técnica.

Análise ELA (Error Level Analysis) identifica diferenças nos níveis de compressão JPEG dentro de uma mesma imagem. Regiões modificadas digitalmente apresentam níveis de erro distintos das áreas originais. Imagens geradas por IA apresentam padrões ELA homogêneos atípicos para fotografias reais.

Análise de ruído digital explora o padrão de ruído de sensor de cada câmera. Regiões fabricadas por IA carecem desse padrão ou o apresentam de forma inconsistente com o restante da cena.

Detecção de artefatos GAN e de difusão usa modelos de IA treinados para identificar assinaturas estatísticas de redes generativas — distribuições de frequência no espaço espectral que diferem das fotografias reais, mensurável mesmo sendo imperceptível ao olho humano.

Verificação de metadados EXIF é o método mais direto. Uma fotografia de danos sem metadados EXIF coerentes com o local e horário declarados do sinistro é um forte indicador de fraude. Metadados ausentes, GPS incompatível com o local do acidente ou timestamps que contradizem o boletim de ocorrência devem acionar revisão imediata. A SUSEP considera essa verificação uma prática mínima esperada no processo de gestão de sinistros.

Quadro regulatório brasileiro: SUSEP e LGPD

SUSEP e o Decreto-Lei nº 73/1966 — A SUSEP supervisiona o mercado segurador com base no Decreto-Lei nº 73/1966, que instituiu o Sistema Nacional de Seguros Privados (SNSP). A SUSEP, por meio da Circular 621/2021, exige que as seguradoras mantenham sistemas de prevenção à fraude proporcionais ao risco, incluindo a capacidade de detectar documentos e imagens manipulados ou gerados por inteligência artificial. A ausência de sistemas automatizados em contextos de elevado volume de sinistros digitais é crescentemente difícil de justificar em auditorias.

LGPD — Lei 13.709/2018 — O tratamento de fotografias e dados pessoais no processo forense está sujeito à LGPD, fiscalizada pela ANPD (Autoridade Nacional de Proteção de Dados). As seguradoras devem garantir base legal adequada e manter registros de atividade de tratamento conforme o art. 37 da LGPD.

Lei 9.613/1998 e COAF — Sinistros fraudulentos de alto valor podem caracterizar lavagem de dinheiro. O COAF recebe comunicações de operações suspeitas acima de limiares definidos. A Circular Bacen 3.978/2020 detalha os procedimentos de PLD/FT aplicáveis ao setor.

Código Penal Brasileiro — A apresentação de imagens fabricadas configura estelionato (art. 171, reclusão de 1 a 5 anos) e falsificação de documentos (arts. 297 a 299). A Polícia Federal investiga fraudes de maior complexidade. Seguradoras devem documentar as evidências técnicas para eventual Boletim de Ocorrência.

Validação cruzada de documentos no sinistro

A maior força forense está na validação cruzada entre imagens e o conjunto documental do sinistro. Os vetores prioritários em sinistros automotivos são:

• Placa do veículo nas fotografias versus CRLV: placa e características do veículo (modelo, cor, ano) devem coincidir. Deepfakes frequentemente apresentam inconsistências sutis na placa.
• Danos no boletim de ocorrência versus orçamento da oficina: natureza e localização dos danos descritos devem corresponder às imagens e ao orçamento de reparo.
• CPF do segurado: deve ser consistente em todos os documentos — apólice, CRLV, boletim de ocorrência e formulário de sinistro.
• Metadados EXIF versus local e horário declarados: verificação cruzada de maior rendimento forense e custo operacional praticamente zero.

A metodologia CheckFile cobre mais de 3.200 tipos documentais em 32 jurisdições, com validação cruzada automática em segundos. Saiba mais em /securite.

Implementação no workflow de sinistros

A integração da detecção pode ser estruturada em três etapas, compatíveis com a velocidade de liquidação via PIX e com as exigências da SUSEP Circular 621/2021.

Etapa 1 — Triagem automática na recepção: todas as imagens passam por análise forense (ELA, ruído de sensor, EXIF, artefatos GAN) em 3 a 8 segundos por documento. Sinistros sem alerta seguem o fluxo padrão sem impacto no tempo de liquidação.

Etapa 2 — Validação cruzada documental: os documentos do sinistro são validados automaticamente, gerando alertas graduados (baixo, médio, alto) que priorizam a revisão humana nos casos de maior risco.

Etapa 3 — Revisão humana seletiva: apenas sinistros com alertas médios ou altos são encaminhados a peritos, que recebem relatório forense detalhado. Toda a cadeia de verificação é registrada com carimbo temporal para a trilha de auditoria exigida pela SUSEP.

Conheça os planos disponíveis em /tarifs ou fale com a equipe sobre implementação em /contact.

Perguntas frequentes

Apresentar um deepfake em um sinistro constitui crime no Brasil?

Sim. Configura no mínimo estelionato (art. 171 do Código Penal, reclusão de 1 a 5 anos e multa). Se as imagens forem apresentadas como documentos, os arts. 297 a 299 (falsificação de documento público ou particular) também se aplicam. Em casos de organização criminosa, as penas são agravadas. A SUSEP pode ainda sancionar a seguradora que não dispuser de controles adequados de detecção.

Os deepfakes atuais são detectáveis visualmente por peritos de sinistros?

Em geral, não. Imagens produzidas pelos modelos de difusão de última geração são fotorrealistas ao ponto de enganar profissionais experientes. A detecção eficaz requer análise forense técnica: ELA, ruído de sensor, metadados EXIF e identificação de assinaturas estatísticas de modelos generativos. Confiar exclusivamente na inspeção visual humana é uma fragilidade que dificilmente resistiria a uma auditoria da SUSEP em 2026.

A SUSEP exige ferramentas específicas para detectar deepfakes?

A SUSEP Circular 621/2021 não especifica ferramentas concretas, mas exige sistemas de prevenção à fraude proporcionais ao perfil de risco. Com sinistros submetidos digitalmente e geração de imagens por IA amplamente acessível, a ausência de qualquer mecanismo automatizado de detecção é crescentemente difícil de justificar em auditorias. A SUSEP avalia a proporcionalidade dos controles com base no porte e na exposição ao risco de cada seguradora.

Como integrar a detecção sem atrasar a liquidação dos sinistros com PIX?

A análise forense automática leva entre 3 e 8 segundos por documento — imperceptível no fluxo operacional. A detecção é integrada antes da autorização de pagamento: apenas sinistros com alertas de risco médio ou alto passam por revisão adicional. A grande maioria dos sinistros legítimos é liberada sem atraso, mantendo a agilidade do PIX. O impacto no tempo médio de liquidação é inferior a 1%.

Qual a diferença entre um deepfake e uma falsificação com Photoshop?

São vetores técnicos distintos com assinaturas forenses diferentes. Manipulações por Photoshop deixam traços em compressão JPEG (detectáveis por ELA) e bordas irregulares nas regiões editadas. Deepfakes gerados por redes neurais produzem imagens sintéticas com padrões estatísticos de frequência que diferem de fotografias reais. Ambos são detectáveis com ferramentas adequadas, mas requerem abordagens de análise complementares — razão pela qual soluções robustas combinam múltiplas camadas de análise.

---

Seguradoras que construírem agora a capacidade forense de detecção — integrada ao workflow, em conformidade com a SUSEP Circular 621/2021 e a LGPD — estarão melhor posicionadas para conter perdas por fraude e demonstrar controles adequados ao regulador. Conheça as capacidades do CheckFile.ai e consulte o guia de verificação por setor para entender como a detecção forense se aplica ao seu contexto.