تا چند سال پیش، جعل یک صحنه تصادف یا ساختن اسناد قابلقبول برای دریافت خسارت، به مهارت، زمان و امکانات مشخصی نیاز داشت. امروز یک تصویر نسبتاً واقعی از خودروی آسیبدیده، فاکتور تعمیر، گزارش پزشکی یا حتی صدای فرد بیمهشده را میتوان در چند دقیقه تولید یا دستکاری کرد.
این تحول، یکی از مهمترین پیشفرضهای فرایند خسارت را زیر سؤال برده است: آیا تصویر، سند یا صدایی که از طریق مسیر دیجیتال دریافت شده، واقعاً به حادثهای در دنیای واقعی تعلق دارد؟
برای صنعت بیمه، هوش مصنوعی فقط ابزاری برای صدور سریعتر، قیمتگذاری دقیقتر یا پاسخگویی خودکار نیست. همین فناوری در حال تبدیل شدن به ابزاری برای طراحی تقلبهای ارزانتر، سریعتر و مقیاسپذیرتر است.
نتیجه، شکلگیری رقابتی تازه است: هوش مصنوعی در برابر هوش مصنوعی؛ یک سوی آن متقلبانی قرار دارند که اسناد و هویتهای مصنوعی تولید میکنند و در سوی دیگر، شرکتهای بیمهای که برای تشخیص ناهنجاریها، ارتباط پروندهها و اعتبارسنجی شواهد به الگوریتمها متوسل شدهاند.
چرا تقلب بیمهای وارد مرحله تازهای شده است؟
تقلب بیمهای پدیده جدیدی نیست. تصادفهای ساختگی، بزرگنمایی خسارت، اعلام سرقت غیرواقعی، فاکتورهای جعلی و پنهانکردن اطلاعات هنگام خرید بیمهنامه، سالهاست بخشی از ریسک عملیاتی شرکتهای بیمه محسوب میشوند.
تفاوت اصلی هوش مصنوعی مولد، کاهش هزینه و زمان تولید شواهد جعلی است. ابزارهایی که برای تولید محتوا، طراحی یا افزایش بهرهوری ساخته شدهاند، میتوانند برای ایجاد تصاویر خسارت، تغییر جزئیات اسناد و جعل هویت نیز مورد سوءاستفاده قرار گیرند.
گزارش «ریسکبارومتر ۲۰۲۶» آلیانز نشان میدهد هوش مصنوعی با انتخاب ۳۲ درصد از پاسخدهندگان، از رتبه دهم در سال قبل به دومین ریسک مهم کسبوکارها صعود کرده است. ریسکهای سایبری نیز با ۴۲ درصد در جایگاه نخست قرار دارند. این نظرسنجی بر اساس دیدگاه ۳۳۳۸ متخصص مدیریت ریسک از ۹۷ کشور و قلمرو تهیه شده است.
این تغییر جایگاه نشان میدهد نگرانی درباره هوش مصنوعی دیگر فقط به آینده شغلی یا کیفیت پاسخ مدلها محدود نیست؛ مسئولیت حقوقی، جعل دیجیتال، اطلاعات نادرست، امنیت داده و سوءاستفاده مجرمانه نیز به بخش مهمی از مسئله تبدیل شدهاند.
تصاویر جعلی چگونه وارد پرونده خسارت میشوند؟
تصاویر، یکی از مهمترین ورودیهای خسارت دیجیتال هستند. بیمهگذار میتواند بدون مراجعه حضوری، عکس آسیب خودرو، ساختمان یا تجهیزات را بارگذاری کند و ارزیابی اولیه نیز بر اساس همان تصاویر انجام شود.
این روش تجربه مشتری را سادهتر و هزینه رسیدگی را کمتر میکند، اما یک نقطه آسیبپذیر نیز ایجاد میکند. ابزارهای هوش مصنوعی میتوانند:
- آثار تصادف یا فرورفتگی را به تصویر خودرو اضافه کنند؛
- شدت خسارت واقعی را بیشتر از مقدار واقعی نشان دهند؛
- یک وسیله یا ساختمان سالم را آسیبدیده نمایش دهند؛
- پلاک، تاریخ، محل یا اجزای تصویر را تغییر دهند؛
- چند تصویر ظاهراً متفاوت از یک صحنه غیرواقعی تولید کنند؛
- رسید خرید، فاکتور تعمیر یا گزارش کارشناسی جعلی بسازند.
دفتر ملی جرائم بیمهای آمریکا، NICB، هشدار داده است که هوش مصنوعی مولد میتواند تصاویر باورپذیری از خودروها و املاک آسیبدیده، ویدئوهای تصادف و حتی رویدادهای آبوهوایی تولید کند. این نهاد همچنین به استفاده از صدای شبیهسازیشده برای جعل هویت در تماس با شرکتهای بیمه اشاره کرده است.
در چنین شرایطی، مشاهده ظاهری تصویر دیگر برای تأیید اصالت آن کافی نیست. حتی کارشناسان باتجربه نیز ممکن است در برابر تصاویر تولیدشده یا دستکاریهای ظریف، با خطا مواجه شوند.
تجربه آویوا؛ افزایش استفاده از تصاویر و اسناد تولیدشده با AI
شرکت بیمه آویوا در ژوئن ۲۰۲۶ اعلام کرد که در سال ۲۰۲۵ بیش از ۱۸۴۰۰ پرونده خسارت مشکوک به تقلب، به ارزش ۲۳۳ میلیون پوند، در مجموعه برندهای خود شناسایی کرده است. این شرکت تأکید کرده که برای نخستینبار آمار برندهای Direct Line نیز در گزارش تجمیعی قرار گرفتهاند.
بیش از هفت مورد از هر ده تقلب شناساییشده به بیمه خودرو مربوط بوده است. آویوا همچنین از افزایش استفاده متقلبان از تصاویر تولیدشده با هوش مصنوعی و اسناد دستکاریشده برای ساخت صحنه تصادف یا بزرگنمایی خسارت خبر داده است.
این شرکت در مقابل، از تحلیل داده، ابزارهای مبتنی بر هوش مصنوعی و تیمهای تخصصی تحقیق استفاده میکند. نکته مهم این است که تصمیم نهایی صرفاً به الگوریتم سپرده نشده و نظارت انسانی همچنان بخشی از فرایند باقی مانده است.
تجربه آویوا نشان میدهد تقلب مبتنی بر هوش مصنوعی دیگر یک سناریوی آزمایشگاهی نیست. تصاویر و اسناد مصنوعی اکنون به پروندههای واقعی خسارت راه پیدا کردهاند و بیمهگران ناچارند فرایند اعتبارسنجی خود را متناسب با این شرایط تغییر دهند.
هویت مصنوعی؛ فردی که وجود خارجی ندارد
تهدید فقط به جعل عکس خسارت محدود نیست. یکی از پیچیدهترین کاربردهای مجرمانه هوش مصنوعی، ساخت «هویت مصنوعی» است.
در این روش، بخشی از اطلاعات واقعی افراد مانند شماره شناسایی، تاریخ تولد یا اطلاعات تماس، با دادههای جعلی ترکیب میشود تا هویتی تازه ساخته شود. این هویت میتواند برای خرید بیمهنامه، ایجاد سابقه، ثبت هزینه درمان، معرفی ذینفع یا دریافت خسارت مورد استفاده قرار گیرد.
NICB در سپتامبر ۲۰۲۵ پیشبینی کرد استفاده از سرقت هویت در جرائم بیمهای تا پایان همان سال ۴۹ درصد افزایش پیدا کند. بررسی این نهاد نشان داد نزدیک به یکچهارم پروندههایی که بهدلیل وجود نشانههای سرقت هویت به آن ارجاع شده بودند، با هویتهای مصنوعی ارتباط داشتند.
این نهاد در حال آزمایش یک ابزار یادگیری ماشین است که میتواند تناقضهایی مانند اتصال چند تاریخ تولد به یک شناسه را پیدا کند و هویتهای مشکوک را برای بررسی بیشتر علامتگذاری کند.
هویت مصنوعی برای رشتههایی مانند بیمه درمان، زندگی، باربری و مسئولیت اهمیت ویژهای دارد؛ زیرا خسارت ممکن است بر اساس مجموعهای از مدارک ظاهراً سازگار اما متعلق به فرد یا کسبوکاری غیرواقعی ثبت شود.
هوش مصنوعی چگونه تقلب را شناسایی میکند؟
همان فناوری که جعل را آسانتر کرده، میتواند ابزارهای مقابله با آن را نیز تقویت کند. مدلهای تحلیلی قادرند حجم زیادی از اطلاعات را در زمانی کوتاه بررسی و ارتباطهایی را پیدا کنند که ممکن است از دید یک کارشناس پنهان بماند.
مهمترین کاربردها عبارتاند از:
بررسی اصالت تصویر
سامانه میتواند فراداده تصویر، نوع دستگاه، زمان ثبت، الگوی فشردهسازی، سایهها، بازتاب نور و نشانههای ویرایش را بررسی کند. مقایسه تصویر با عکسهای قبلی همان خودرو یا ملک نیز میتواند تناقضها را آشکار سازد.
با این حال، نبود فراداده یا تشخیص دستکاری بهتنهایی نباید معادل اثبات تقلب تلقی شود؛ زیرا پیامرسانها، شبکههای اجتماعی و ابزارهای ویرایش معمولی نیز ممکن است اطلاعات فنی تصویر را تغییر دهند.
تحلیل اسناد
هوش مصنوعی میتواند فاکتورها، گزارشهای پزشکی، رسیدها و فرمهای خسارت را استخراج و با اطلاعات پرونده مقایسه کند. تغییر فونت، ناهماهنگی مبلغها، شمارههای تکراری یا ارتباط یک فروشنده با چند پرونده مشکوک، از جمله نشانههای قابل بررسی هستند.
تحلیل ارتباط میان پروندهها
یک پرونده ممکن است بهتنهایی طبیعی به نظر برسد، اما ارتباط آن با شماره حساب، تلفن، تعمیرگاه، پزشک، آدرس یا وسیله نقلیهای که در چند پرونده دیگر تکرار شده، الگوی متفاوتی ایجاد کند.
تحلیل شبکهای به بیمهگر کمک میکند بهجای بررسی هر خسارت بهصورت جداگانه، ارتباط میان افراد، واسطهها و پروندهها را مشاهده کند.
احراز هویت پویا
تطبیق چهره، آزمون زندهبودن تصویر، تأیید دستگاه و درخواست ثبت عکس یا ویدئو با دستورهای لحظهای میتواند استفاده از تصاویر آماده و هویتهای جعلشده را دشوارتر کند.
امتیازدهی ریسک تقلب
در این مدل، هر خسارت بر اساس مجموعهای از شاخصها امتیاز میگیرد. پروندههای کمریسک میتوانند سریعتر پرداخت شوند و پروندههای دارای ناهنجاری برای بررسی تخصصی ارجاع داده شوند.
هدف مناسب از این امتیازدهی، جلوگیری از پرداخت خودکار پرونده مشکوک است؛ نه رد خودکار خسارت مشتری.
چرا حذف انسان از فرایند خطرناک است؟
خطر تقلب نباید بهانهای برای مشکوک دانستن تمام مشتریان یا دشوارتر کردن تجربه خسارت شود. الگوریتمها ممکن است بهدلیل کیفیت پایین تصویر، نقص داده، شرایط غیرمعمول حادثه یا سوگیری موجود در اطلاعات گذشته، یک پرونده واقعی را مشکوک تشخیص دهند.
سازمان ناظر بیمه و بازنشستگی شغلی اروپا، EIOPA، در فوریه ۲۰۲۶ اعلام کرد نزدیک به دوسوم شرکتهای بیمه بررسیشده در اروپا از هوش مصنوعی مولد استفاده میکنند. با این حال، بیشتر کاربردها همچنان در مرحله آزمایشی قرار دارند و شرکتها بر نظارت انسانی تأکید میکنند.
این گزارش که پاسخ ۳۴۷ شرکت در ۲۵ کشور را بررسی کرده، نشان میدهد ۶۴ درصد کاربردهای اعلامشده به ابزارهای داخلی مانند استخراج اطلاعات از فاکتورها، فایلهای صوتی و گزارشهای پزشکی مربوط است. خطای اطلاعاتی، امنیت سایبری و حفاظت از داده نیز از مهمترین نگرانیهای بیمهگران بودهاند.
بنابراین، مدل مناسب برای مدیریت خسارت را میتوان «تصمیمگیری تقویتشده» دانست: هوش مصنوعی شواهد و ناهنجاریها را پیدا میکند، اما کارشناس با درنظرگرفتن مجموعه اطلاعات درباره ارجاع پرونده به تحقیق، درخواست مدارک بیشتر یا پرداخت خسارت تصمیم میگیرد.
تقلب هوشمند چه اثری بر بیمهگذاران دارد؟
تقلب بیمهای فقط مسئلهای میان متقلب و شرکت بیمه نیست. هزینه خسارتهای غیرواقعی در نهایت میتواند بر هزینه عملیاتی، زمان رسیدگی و حقبیمه مشتریان اثر بگذارد.
از سوی دیگر، واکنش افراطی شرکت بیمه نیز هزینهساز است. اگر کنترلهای ضدتقلب به درخواستهای مکرر مدرک، تأخیر طولانی یا رد اشتباه خسارت منجر شوند، مشتریان واقعی اعتماد خود را از دست میدهند.
چالش اصلی صنعت بیمه، ایجاد تعادل میان دو هدف است:
- شناسایی سریع تقلبهای پیچیده؛
- پرداخت سریع و کمدردسر خسارتهای واقعی.
سامانه ضدتقلب موفق الزاماً سامانهای نیست که بیشترین تعداد هشدار را تولید کند؛ بلکه باید بتواند پروندههای پرریسک را با دقت مناسب جدا کند و تعداد هشدارهای اشتباه را پایین نگه دارد.
بازار ایران از کجا باید شروع کند؟
با گسترش اعلام خسارت غیرحضوری، بارگذاری آنلاین مدارک و استفاده از پیامرسانها برای دریافت تصاویر، مسئله اصالت محتوای دیجیتال برای صنعت بیمه ایران نیز اهمیت بیشتری پیدا میکند.
شروع کار الزاماً به خرید یک سامانه پیچیده یا واگذاری کامل تصمیمها به هوش مصنوعی نیاز ندارد. یک نقشه راه عملی میتواند بر چند اقدام مشخص استوار باشد:
استانداردسازی دریافت مدارک
تصاویر خسارت تا حد امکان از طریق اپلیکیشن یا وبسایت رسمی و با ثبت زمان، موقعیت، مشخصات دستگاه و شماره پرونده دریافت شوند. درخواست ثبت تصاویر از زاویههای مشخص نیز امکان استفاده از عکسهای آماده را کاهش میدهد.
اتصال اطلاعات خسارت
دادههای مربوط به بیمهنامه، خودرو، زیاندیده، حساب بانکی، تعمیرگاه، کارشناس و خسارتهای قبلی باید در چارچوب ضوابط حریم خصوصی قابل مقایسه باشند. تقلبهای سازمانیافته معمولاً در ارتباط میان چند پرونده آشکار میشوند.
تشکیل تیمهای مشترک
کشف تقلب فقط مسئولیت واحد فناوری اطلاعات نیست. کارشناسان خسارت، حقوقی، امنیت، تحلیل داده و شبکه فروش باید در طراحی شاخصها و بررسی پروندههای مشکوک مشارکت داشته باشند.
نظارت انسانی و مسیر اعتراض
هیچ خسارتی نباید صرفاً به دلیل امتیاز یک مدل رد شود. بیمهگذار باید بتواند علت درخواست بررسی بیشتر را بداند و امکان ارائه توضیح یا مدرک تکمیلی داشته باشد.
اشتراکگذاری الگوهای تقلب
ایجاد سازوکار قانونی و امن برای اشتراکگذاری الگوها و نشانههای تقلب میان شرکتهای بیمه میتواند از جابهجایی یک شبکه متقلب از شرکتی به شرکت دیگر جلوگیری کند. این همکاری باید با حفاظت از اطلاعات شخصی و تعیین دقیق سطح دسترسی همراه باشد.
آموزش کارشناسان و مشتریان
کارشناسان باید با قابلیتها و محدودیتهای محتوای تولیدشده توسط هوش مصنوعی آشنا شوند. مشتریان نیز باید بدانند ارائه تصویر یا سند ساختهشده، حتی برای بزرگنمایی بخشی از یک خسارت واقعی، میتواند اعتبار کل پرونده را تحت تأثیر قرار دهد.
آینده خسارت دیجیتال به «اعتماد قابلسنجش» وابسته است
دیجیتالی شدن خسارت بدون سازوکار اعتبارسنجی، میتواند سرعت را افزایش دهد اما همزمان مسیر تازهای برای سوءاستفاده ایجاد کند. در مقابل، کنترلهای سنگین و غیرشفاف نیز مزیت اصلی خدمات دیجیتال را از بین میبرند.
راهحل، بازگشت کامل به ارزیابی حضوری نیست. صنعت بیمه باید مفهوم اعتماد را از یک فرض اولیه به مجموعهای از نشانههای قابلسنجش تبدیل کند: اصالت تصویر، اعتبار هویت، هماهنگی اطلاعات، سابقه پرونده و ارتباط آن با سایر خسارتها.
در این رقابت، برنده الزاماً شرکتی نیست که بیشترین ابزار هوش مصنوعی را خریداری کرده باشد. برنده، بیمهگری است که بتواند فناوری، داده، تجربه کارشناسان و حقوق مشتری را در یک فرایند منسجم کنار هم قرار دهد.
هوش مصنوعی ممکن است تشخیص مرز میان واقعیت و جعل را دشوارتر کرده باشد، اما همین فناوری میتواند صنعت بیمه را به سمت مدیریت خسارت دقیقتر هدایت کند؛ مشروط بر آنکه تصمیمگیری مسئولانه، نظارت انسانی و اعتماد بیمهگذار در مرکز این تحول باقی بمانند.