Documentos falsos gerados por IA: quais camadas de verificação ainda funcionam?

Há dois anos, um holerite falso convincente exigia habilidade: um modelo, um editor de imagens e paciência. Em 2026, basta um prompt. Os modelos de imagem geram extratos bancários, contas de consumo e documentos de identidade que parecem corretos à primeira vista, e os modelos de linguagem os preenchem com salários, descontos e números de referência que fecham. Para quem aprova um empréstimo, uma locação, um sinistro de seguro ou uma nova conta empresarial com base em documentos, a pergunta já não é se documentos sintéticos chegam à fila. É quais controles ainda os pegam, e quais pararam de funcionar sem alarde.

Esta análise examina o que mudou, como as ferramentas de verificação estão se adaptando, onde estão os limites reais e como os principais fornecedores se posicionam hoje.

O que mudou: a falsificação virou um prompt de texto

Três famílias de modelos alimentam hoje a fraude documental, e cada uma deixa uma marca diferente.

• Os modelos de difusão e de imagem produzem visuais em alta resolução sob demanda: um documento de identidade com um retrato plausível, uma conta de consumo com o logo do fornecedor, um carimbo em um certificado. O resultado não tem ruído de scanner nem textura de papel, mas o layout pode ficar próximo do modelo real.
• Os grandes modelos de linguagem escrevem o conteúdo. Um holerite gerado assim pode trazer uma referência fiscal no formato correto, descontos coerentes com o salário declarado e totais acumulados no ano que batem. Não há artefatos de pixel para encontrar, porque nada foi editado: o documento foi escrito do zero.
• Os kits de modelos combinam as duas coisas. Um layout de PDF autêntico é reaproveitado e só os dados são substituídos, de modo que a estrutura parece autêntica enquanto os números são inventados.

O próprio guia do CheckFile sobre como os modelos generativos fabricam holerites, documentos de identidade e extratos bancários associa cada técnica aos tipos de documento que ela visa: GANs e difusão para documentos de identidade, modelos de linguagem com modelos prontos para holerites, extratos bancários, faturas e comprovantes de endereço. A consequência prática é que um controle calibrado para edições no Photoshop, como procurar pixels clonados ou fontes diferentes em um campo, tem pouco a encontrar em um documento gerado por inteiro.

As cinco camadas de detecção que importam em 2026

As ferramentas sérias já não dependem de um único teste. Elas empilham camadas, e cada uma pega um tipo diferente de falsificação.

1. Metadados e estrutura do PDF

Um extrato emitido pelo sistema de documentos de um banco carrega uma cadeia de produção: o software que o gerou, as datas de criação e de modificação, as fontes incorporadas e, às vezes, uma assinatura digital. Um arquivo gerado costuma citar uma ferramenta de consumo ou uma biblioteca de PDF no campo de produtor, mostrar criação e modificação com segundos de diferença ou não ter nenhum metadado XMP. Essa camada é rápida e barata. Seu ponto fraco: um fraudador que reaproveita um modelo autêntico herda uma estrutura autêntica.

2. Análise forense visual

Análise do nível de erro, mapas de compressão, verificações de alinhamento e de textura. Um papel impresso e digitalizado raramente fica perfeitamente reto; uma imagem gerada geralmente fica. Um carimbo real mostra irregularidades de tinta; um sintético costuma ser um círculo perfeito. Diferenças de resolução entre um logo nítido e um corpo de texto mais borrado são outro indício clássico. Essas verificações ainda pegam uma grande parte dos documentos editados, mas os modelos de imagem melhoram a cada versão, então os sinais visuais sozinhos perdem força com o tempo.

3. Coerência entre documentos

É aqui que estão hoje os sinais mais robustos. Um holerite, um extrato bancário e um contrato de trabalho enviados no mesmo pedido deveriam concordar: o salário creditado no extrato deveria corresponder ao valor líquido, o nome e o endereço do empregador deveriam ser idênticos em todos eles, as datas deveriam bater. Cada documento gerado pode ser internamente impecável e ainda assim contradizer os vizinhos, porque o modelo que escreveu um nunca viu os outros.

4. Verificação em registros e de dígitos de controle

Um modelo de linguagem consegue produzir um número de registro de empresa, um número de IVA ou um IBAN que passa na validação de formato. Ele não consegue fazer essa empresa existir no registro oficial, estar ativa na data do documento e corresponder ao endereço declarado. Verificar os identificadores no Companies House, nos sistemas de IVA ou nos registros nacionais, e validar os dígitos de controle, transforma um campo de aparência plausível em um fato verificável. A checklist do CheckFile com os sinais de que um documento foi gerado ou alterado por IA trata esse teste como o mais difícil de passar para um fraudador.

5. Sinais de mídia sintética

A camada mais recente: modelos treinados para sinalizar vestígios típicos de conteúdo gerado, como artefatos de frequência nas bordas das letras, ausência de ruído de sensor nos retratos ou texto estatisticamente uniforme demais. É útil, mas probabilística. Produz um sinal a ponderar, não um veredito em que confiar cegamente.

Por que a verificação de um único documento falha

A maior parte da verificação tradicional foi construída em torno de um documento por vez: este documento de identidade é autêntico, este holerite é legível, este PDF parece editado. A fraude generativa explora exatamente esse enquadramento. Um holerite gerado, examinado sozinho, pode passar pelos metadados, pelo OCR e pela revisão visual. Ao lado do extrato bancário do solicitante, o valor líquido pode nunca aparecer como crédito. Ao lado do registro de empresas, o empregador pode não existir, ou ter outro endereço registrado.

Daí decorrem três implicações práticas para quem compra:

1. Avalie as ferramentas com dossiês, não com amostras. Peça aos fornecedores que processem um dossiê de pedido completo, com todos os documentos, em vez de um lote de documentos de identidade isolados.
2. Verifique quais registros estão conectados. A cobertura de registros por país costuma ser o verdadeiro diferencial, mais do que o modelo forense.
3. Exija uma saída explicável. Uma pontuação única de fraude é difícil de auditar. Uma lista de sinais, cada um ligado a um documento e a uma regra, é o que um revisor de conformidade e um regulador conseguem acompanhar.

O limite real: ninguém detecta tudo

Nenhum fornecedor sério afirma pegar todos os documentos gerados por IA, e os compradores devem desconfiar de quem afirma. Os modelos de detecção são treinados com os geradores de ontem; os de amanhã vão fechar algumas das brechas das quais eles dependem. O CheckFile diz isso com clareza na própria página do produto: sua camada de sinais de IA “ajuda a revelar mídias sintéticas sem prometer 100% de detecção”, e ela é posicionada como complemento aos controles existentes, não como substituto. Esse é o enquadramento certo. A defesa duradoura é em camadas: verificações estruturais, coerência entre documentos e consultas a registros que não dependem de identificar um artefato visual, além de um caminho de revisão humana para os dossiês sinalizados.

Panorama de fornecedores

O mercado se divide em três grupos: plataformas de validação do dossiê completo, especialistas em fraude documental e suítes de verificação de identidade (IDV). A tabela abaixo reflete o posicionamento público de cada fornecedor em setembro de 2026.

CheckFile: nossa escolha para a validação do dossiê completo

Colocamos o CheckFile em primeiro lugar porque seu desenho acompanha a direção em que a detecção está indo. Ele vai além do OCR ao cruzar cada documento de um dossiê, verificar os dados em registros oficiais e sinalizar indícios de geração por IA ou de deepfakes, e cada veredito pode disparar um workflow. Sua camada de detecção de IA e de deepfakes é descrita como três camadas de análise que levam a uma única decisão: coerência estrutural, sinais de geração por IA e, por fim, validação cruzada e regras de negócio configuráveis por cliente. Segundo o CheckFile, ele suporta mais de 3.200 tipos de documento em 32 jurisdições, hospeda os dados na França e na Alemanha com criptografia AES-256 e exclui os documentos após a análise. Os planos são públicos: Starter com 100 dossiês por mês, Business com 500, Enterprise ilimitado, e a página de preços oferece um piloto gratuito nos seus próprios documentos, com resultados em 48 horas. A contrapartida: ele foi feito para dossiês com vários documentos, então uma equipe que só precisa verificar selfie e documento de identidade vai achar uma suíte de IDV mais direta.

Resistant AI

A Resistant AI se concentra em pegar documentos falsos, adulterados e gerados por IA, como extratos bancários, faturas, holerites e contas de consumo, e acrescenta o monitoramento de transações. Ela anuncia verificação de documentos de KYB em menos de 20 segundos. É uma opção forte para fintechs que querem fraude documental e risco transacional em um único fornecedor.

Inscribe

A Inscribe foi feita especificamente para serviços financeiros e aponta os documentos deepfake como sua principal batalha. Ela combina análise forense, de metadados, semântica e perceptiva, e seu assistente raciocina sobre um pedido inteiro para conectar sinais entre documentos. É uma escolha madura para credores e fintechs da América do Norte.

Onfido, Veriff e Sumsub

São plataformas de verificação de identidade. A Onfido, hoje parte da Entrust, é conhecida pela biometria facial, pela prova de vida e pela ampla cobertura de documentos de identidade, com SDKs móveis maduros. A Veriff verifica documentos e biometria em mais de 230 países e sinaliza identidades sintéticas e deepfakes. A Sumsub reúne KYC, KYB, prova de vida, detecção de deepfakes e monitoramento AML. Elas se destacam quando o risco é a identidade. Têm menos foco nos documentos comprobatórios, como holerites, extratos e contas, onde está grande parte da fraude gerada atual.

Ocrolus

A Ocrolus é uma plataforma de análise para credores, especializada em extratos bancários, contracheques e formulários fiscais, com uma detecção de fraude que identifica documentos falsos e inconsistências de dados. Ela se encaixa em equipes de financiamento imobiliário e de crédito para pequenas empresas nos EUA que querem a análise de renda e de fluxo de caixa na mesma ferramenta.

Como escolher

• O seu risco está na pessoa (abertura de conta, verificação de idade): comece por uma suíte de IDV.
• O seu risco está no dossiê (empréstimos, locações, sinistros, onboarding de fornecedores): priorize o cruzamento do dossiê completo e a cobertura de registros nos seus países.
• Você opera na Europa com restrições de residência de dados: verifique cedo o local de hospedagem e a política de retenção.
• Seja qual for a escolha: faça um piloto com os seus próprios dossiês históricos, incluindo fraudes conhecidas, e mantenha um caminho de revisão humana para os casos sinalizados.

A mudança de 2026 não é que as falsificações ficaram perfeitas. É que o ponto fraco passou dos pixels para a coerência. As ferramentas que leem o dossiê inteiro e o confrontam com o mundo exterior são as que estão acompanhando o ritmo.