Fraude em seguros: detetar documentos de sinistros gerados por IA

Os documentos de sinistros gerados por inteligência artificial representam o vetor de fraude de crescimento mais rápido no setor segurador português. Os modelos de difusão de imagens e os modelos de linguagem produzem orçamentos de reparação, faturas médicas e atestados que passam a inspeção visual humana na maioria dos casos. As seguradoras sem mecanismos de deteção automatizada expõem-se a perdas financeiras crescentes e a sanções da Autoridade de Supervisão de Seguros e Fundos de Pensões (ASF).

Por que razão a fraude com IA em sinistros cresce em 2026

A proporção de fraude documental gerada por IA aumentou de 3 % em 2024 para 12 % em 2025, de acordo com os dados operacionais da CheckFile. Esta quadruplicação num único ano reflete a democratização de ferramentas como Stable Diffusion, DALL-E 3 ou modelos de linguagem que não exigem conhecimentos técnicos. Um burlão pode produzir um orçamento de oficina realista ou um relatório médico plausível em menos de dois minutos.

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. A fraude ao seguro em Portugal representa perdas estimadas em várias centenas de milhões de euros anuais, afetando diretamente o rácio de sinistralidade das seguradoras e a tarificação dos seguros para os consumidores legítimos.

Os documentos mais falsificados nos processos de sinistros são:

Como a IA generativa produz documentos convincentes

Três métodos concentram a maior parte da fraude documental com IA nos processos de sinistros de seguros.

Replicação com modelos de difusão de imagens

O burlão fotografa um documento legítimo — por exemplo, um orçamento de uma oficina real — e introduz-o num modelo de difusão com instruções para gerar uma variante com montantes e datas alterados. O resultado mantém o design, a tipografia e a identidade visual do original. Estudos internacionais do setor indicam que os documentos gerados pelos modelos atuais enganam revisores humanos experientes em mais de 80 % dos casos.

Manipulação de camadas em documentos PDF

A técnica mais generalizada consiste em modificar um PDF auténtico. O burlão altera apenas os campos financeiros — montantes, datas, números de apólice ou processo — mantendo os metadados estruturais do ficheiro. Sem análise de camadas e de metadados, esta manipulação é invisível nos visualizadores PDF padrão e numa revisão humana casual.

Geração de documentação médica por LLM

Os sinistros corporais e de saúde são particularmente vulneráveis. Um modelo de linguagem pode gerar um relatório de fisioterapia, uma nota de alta hospitalar ou uma referenciação a especialista que imita com precisão a terminologia e o formato dos documentos clínicos reais. O sistema português de verificação de títulos de saúde não contempla a autenticação em tempo real de documentos clínicos individuais, o que amplia a janela de exposição.

Técnicas de deteção adaptadas ao setor segurador

A análise da CheckFile de mais de 95 000 processos de sinistros revela que 4,7 % contêm documentos falsificados ou manipulados. A deteção eficaz requer análise em múltiplas camadas complementares.

A análise de metadados do ficheiro é o primeiro e mais rápido filtro. Um PDF auténtico gerado por um software de gestão médica, um sistema de faturação ou uma ferramenta de escritório contém metadados precisos: nome do software, versão, data e hora de criação. Um documento produzido por um modelo de difusão de imagem terá metadados ausentes ou incoerentes. Esta verificação realiza-se em menos de 100 milissegundos e elimina uma proporção significativa da fraude básica.

Análise de coerência tipográfica e de camadas

Os documentos autênticos utilizam um conjunto limitado e internamente consistente de tipos de letra. Os documentos gerados por IA ou manipulados apresentam artefactos característicos:

• Kerning variável entre letras em diferentes zonas do documento
• Junções visíveis ao nível do píxel nas fronteiras da manipulação
• Diferenças de resolução entre o fundo e o texto sobreposto
• Artefactos de interpolação visíveis a 400 % de zoom

Cotejo com registos comerciais e bases de dados de referência

Um orçamento de uma oficina registada na Conservatória do Registo Comercial com um NIF ativo, mas cuja formatação não coincide com nenhuma das faturas anteriores desse estabelecimento, constitui um sinal de alerta. O cotejo cruzado com dados do registo comercial e com o histórico de envios anteriores deteta burlões que utilizam identidades empresariais legítimas com documentos falsificados.

Deteção de artefactos neurais

Os modelos de difusão deixam assinaturas estatísticas na distribuição do ruído de píxeis, particularmente nas zonas de fundo uniforme. Os classificadores treinados em conjuntos de dados mistos de documentos autênticos e sintéticos atingem uma precisão de deteção superior a 94 % nos conjuntos de teste atuais.

Quadro regulatório português: obrigações ASF e Banco de Portugal

O Regime Jurídico de Acesso e Exercício da Atividade Seguradora e Resseguradora (RJASR), aprovado pelo Decreto-Lei n.º 2/2009, de 5 de janeiro, e atualizado pela transposição de Solvência II, obriga as seguradoras a implementar procedimentos de controlo interno que incluam a deteção de fraude documental. A ASF supervisiona o cumprimento destas obrigações e tem vindo a incluir a auditoria dos processos antifraude nas suas inspeções regulares.

As entidades seguradoras sujeitas à Lei n.º 83/2017, de 18 de agosto — que transpõe a 4.ª Diretiva Antibranqueamento — têm obrigações específicas de comunicação ao Banco de Portugal e à Unidade de Informação Financeira (UIF) quando detetam fraude documental associada a indícios de branqueamento de capitais. A CNPD estabelece os requisitos de tratamento de dados pessoais no contexto dos sistemas de deteção de fraude.

Fluxo de trabalho operacional: integrar a deteção na gestão de sinistros

A integração da deteção de IA na gestão de sinistros requer um processo em três fases que não atrasa os processos legítimos.

1. Triagem automática na receção: cada documento recebe uma pontuação de risco em cinco segundos com base em metadados, coerência tipográfica e cotejo de dados. Os documentos com pontuação inferior a 20/100 são processados normalmente; os que superam 60/100 entram na fila de revisão reforçada.

2. Revisão reforçada por um gestor de sinistros: o gestor recebe um relatório estruturado com as anomalias detetadas e a sua localização precisa no documento. Pode solicitar documentação adicional ou contactar diretamente o prestador declarado.

3. Escalada e comunicação: os casos confirmados alimentam a base de dados interna de fraudes e, quando se atingem os limiares da Lei n.º 83/2017, geram uma comunicação de operação suspeita à UIF.

Com este modelo, o tempo médio de processamento dos sinistros legítimos reduz-se em 12 dias, pois a triagem automática liberta os gestores das verificações de rotina. Consulte também a nossa análise sobre deteção de fraude documental em seguros e o guia de deteção de fraude documental por IA em 2026.

Como escolher uma solução de deteção adequada

As ferramentas disponíveis no mercado diferenciam-se pela cobertura documental, pela integração com os sistemas de gestão de sinistros (SGS) e pela capacidade de adaptação às novas gerações de fraude.

A CheckFile oferece verificação documental com trilha de auditoria e atualizações em tempo real das assinaturas de fraude. Consulte o nosso guia de preços ou o guia de verificação setorial para benchmarks por setor.

Perguntas frequentes

Como pode uma seguradora saber se um documento foi gerado por IA?

Os sistemas de deteção analisam os metadados do ficheiro, a consistência tipográfica, os artefactos ao nível do píxel e cruzam os dados declarados com registos comerciais e históricos de envios anteriores. A combinação destas sinalizações atinge uma precisão superior a 94 % nos benchmarks atuais. Nenhum indicador isolado é suficiente: é a análise multicamada que torna a deteção fiável à escala.

Quais são as obrigações das seguradoras portuguesas em matéria de fraude documental?

O RJASR e o desenvolvimento regulatório de Solvência II obrigam as seguradoras a implementar controlos internos que incluam a deteção de fraude no processo de gestão de sinistros. As entidades sujeitas à Lei n.º 83/2017 devem ainda estabelecer procedimentos de comunicação à UIF quando a fraude documental esteja relacionada com indícios de branqueamento de capitais.

O fraude por IA afeta apenas os sinistros de maior valor?

Não. Os burlões visam cada vez mais os sinistros de pequeno valor precisamente porque recebem menos escrutínio manual. Os ataques por volume — muitos sinistros fraudulentos de valor reduzido — são particularmente eficazes contra sistemas que só aplicam controlos reforçados acima de determinados limiares monetários.

Os gestores humanos conseguem detetar documentos gerados por IA sem ferramentas especializadas?

Não de forma fiável. Os estudos do setor indicam que os documentos produzidos pelos modelos de difusão atuais enganam revisores humanos experientes em mais de 80 % dos casos. Os gestores de sinistros não estão formados em análise forense documental ao nível do píxel, e o volume de processos torna impossível uma verificação aprofundada de cada documento manualmente.

Que consequências têm as seguradoras que não detetam a fraude documental?

Para além das perdas económicas diretas, as seguradoras expõem-se a sanções da ASF por deficiências nos controlos de fraude, a reclamações de resseguro negadas por ausência de devida diligência e a uma deterioração do rácio de sinistralidade que afeta a tarificação. A rastreabilidade documental é também um requisito nas auditorias externas de Solvência II.

---

Este artigo é produzido pela equipa editorial da CheckFile. Os dados de plataforma (processos tratados, taxas de deteção) são verificados pela equipa de análise interna. As referências regulatórias estão atualizadas à data de publicação. Consulte um advogado ou consultor de conformidade para questões específicas da sua organização.