A foto chega anexada ao aviso de sinistro: para-choque dianteiro amassado, uma rachadura limpa na lataria, ângulo convincente, iluminação no ponto. O regulador abre, compara com as imagens da vistoria inicial e quase aprova. Quase. A rachadura nunca existiu no carro real. A imagem foi gerada por IA.

Essa cena deixou de ser hipótese. Em junho de 2026, a Aviva, uma das maiores seguradoras do Reino Unido, divulgou (segundo apuração do The Guardian, reproduzida no Brasil pelo CQCS) que identificou fraudes em sinistros somando £233 milhões em 2025, algo perto de R$ 1,59 bilhão. Foram mais de 18.400 pedidos de indenização suspeitos, o maior volume já registrado pela companhia. O seguro de automóvel concentrou mais de 70% dos casos, e o valor das fraudes nesse ramo subiu 39% em um ano. Boa parte da alta veio de documentos, laudos e imagens fabricados com ferramentas de IA generativa.

A reação natural do mercado é direta: precisamos de IA melhor para detectar IA. E está certo. Modelos de visão computacional e análise de padrões são hoje a linha de frente contra a fraude, e a própria Aviva relatou combinar IA com analytics avançado, mantendo supervisão humana na regulação dos sinistros. Investir nisso não é opcional.

Mas detectar é só metade do problema. E é a metade mais fácil.

Detecção, por natureza, é probabilística. O modelo lê o laudo, cruza o padrão, atribui um score de suspeita. Ótimo. A pergunta que define a exposição da seguradora vem depois: o que a operação faz com aquele score? Aprova, recusa, pede documento adicional, escala para análise humana?

Esse é o momento da decisão. E decisão de sinistro em mercado regulado não pode ser probabilística.

A diferença importa por dois motivos práticos. Primeiro, o mesmo modelo que sinaliza fraude pode responder de forma diferente para entradas quase idênticas, e o erro escala com o volume. Segundo, quando um pedido legítimo é recusado por um falso positivo e o cliente aciona o direito de revisão de decisão automatizada previsto no Art. 20 da LGPD, alguém precisa mostrar qual critério foi aplicado, em qual versão da regra, em qual data. "O modelo classificou como suspeito" não é resposta que passa numa contestação, num processo judicial ou numa auditoria da SUSEP.

É aqui que detectar e decidir se separam como duas camadas distintas de arquitetura.

A camada de IA faz o que faz bem: lê o laudo, interpreta o contexto, reconhece a imagem manipulada, sinaliza o padrão. Raciocínio probabilístico, no lugar certo.

A camada de decisão aplica a regra de aceitação ou recusa com versão, autor, critério e timestamp registrados em cada chamada. Auditável em segundos. Reversível sem novo deploy. Operada pela área de negócio, não pelo engenheiro que treinou o modelo.

Nada disso diminui o valor da IA na detecção. Pelo contrário: quanto mais a fraude usa IA para fabricar evidência, mais a seguradora precisa de IA para reconhecer o padrão. O ponto é outro. É não deixar o modelo ser o decisor final sobre o sinistro. A IA aponta o que é suspeito; a regra determinística define o que acontece a seguir, e deixa rastro de como aquilo foi decidido.

Acompanhamos esse padrão de perto em operações de seguros, financeiras e logística, e o gargalo de conformidade quase nunca está no modelo. Está na camada entre o score e a decisão, que na maioria das arquiteturas simplesmente não existe como objeto auditável.

O pipeline registra o dado de entrada e o resultado final. O critério que transformou um no outro fica implícito: dentro do código, perdido num notebook, ou na cabeça de quem configurou o fluxo. Quando o auditor pergunta "qual regra de recusa estava ativa em março, e por quê", a operação descobre que tem o resultado, mas não tem a decisão.

Fraude com IA é um problema novo. A resposta, do lado da decisão, é mais antiga do que parece: separar o que raciocina do que decide, e tornar a decisão rastreável por construção. A seguradora que faz isso não só recusa a fraude. Ela consegue explicar, meses depois, exatamente por que recusou.

Escrevemos sobre como essa camada determinística opera ao lado da IA em [IA em decisões críticas], e aprofundamos onde a regra de negócio deveria morar no e-book [Onde mora a regra de negócio].

‍

Fonte: CQCS | Livia Alves com informações do The Guardian|Fraudes em seguros com IA geram prejuízo de R$ 1,59 bilhão - CQCS