Photos de sinistre retouchées par IA : le guide de contrôle pour les gestionnaires
La photo jointe à une déclaration de sinistre est longtemps restée une pièce secondaire, presque une formalité. Ce n'est plus le cas : dans son bilan 2025, l'ALFA range les photos de sinistre retouchées par IA parmi les fraudes documentaires, au même titre que les faux justificatifs. Ce guide détaille ce qu'une photo peut révéler, ce qu'elle cache, et les contrôles à mettre en place sans ralentir l'indemnisation.
Prenons un exemple type. Un assuré déclare un dégât des eaux et joint trois photos : un parquet gondolé, une plinthe noircie, une auréole sur le mur du couloir. Il y a quelques années, produire ces images sans sinistre réel demandait du temps et un certain talent de retouche. Aujourd'hui, un outil d'édition d'images grand public ajoute une auréole d'humidité en quelques secondes, avec un éclairage plausible.
Pourquoi la photo est devenue un document à contrôler
Les chiffres de l'ALFA donnent l'échelle. Selon l'Agence pour la lutte contre la fraude à l'assurance, ses membres ont identifié 946 millions d'euros de fraude en 2025, dont environ 627 millions en IARD. L'agence précise qu'il s'agit des résultats de ses adhérents, et non d'une mesure de la fraude totale, qu'elle estime à 2,5 milliards d'euros par an selon l'AFP, reprise par Autoactu.
Ce même rapport distingue trois familles de fraude : les fausses déclarations, l'exagération des préjudices et la fraude documentaire. C'est dans cette dernière que figurent désormais, à côté des faux justificatifs et des ordonnances falsifiées, les photos retouchées par IA.
Le phénomène n'est pas propre à la France. Au Royaume-Uni, l'assureur Aviva a détecté 233 millions de livres de fraude présumée en 2025 et signale, selon Insurance Times, un nombre croissant de déclarations appuyées par des images générées par IA et des documents manipulés, surtout en automobile. Son responsable de la lutte antifraude, Pete Ward, y décrit une fraude « plus sophistiquée, des réclamations exagérées jusqu'aux documents générés par IA ».
Que révèlent les métadonnées d'une photo, et que cachent-elles ?
Un fichier photo contient souvent, en plus de l'image, des métadonnées : date et heure de prise de vue, modèle d'appareil, logiciel utilisé, parfois coordonnées GPS. Quand elles sont présentes, elles sont précieuses. Une photo « prise le jour du sinistre » dont la date de création remonte à deux ans, ou dont le champ logiciel mentionne un éditeur d'images, mérite qu'on s'y arrête.
Mais il faut connaître leurs limites, sous peine de se tromper dans les deux sens :
- Elles disparaissent facilement. Une photo envoyée par messagerie, recompressée ou capturée à l'écran perd une grande partie de ses métadonnées. Leur absence n'est pas un aveu.
- Elles se modifient. Des outils gratuits permettent de réécrire une date ou un modèle d'appareil. Des métadonnées « propres » ne prouvent pas l'authenticité.
- Les marquages de provenance émergent, sans être généralisés. Le standard C2PA, soutenu notamment par Adobe, Google, Microsoft ou OpenAI, permet d'attacher à un fichier un historique de création et de modification. C'est une piste utile, mais ces informations se perdent elles aussi lors d'une recompression.
La bonne lecture consiste donc à traiter les métadonnées comme un signal parmi d'autres, jamais comme un verdict.
Comment contrôler une photo de sinistre ? 8 points de vérification
- Exigez le fichier d'origine. Une photo transmise via l'espace client ou l'application, en qualité maximale, conserve bien plus d'informations qu'une capture d'écran ou une image passée par une messagerie. C'est le levier le plus simple et le plus sous-estimé.
- Comparez la date de prise de vue à la déclaration. Un écart de quelques heures est normal ; une photo antérieure à la date du sinistre ne l'est pas.
- Confrontez la localisation à l'adresse du risque, quand des coordonnées GPS sont disponibles.
- Observez l'image elle-même. Les retouches par IA laissent souvent des traces : ombres incohérentes avec la source de lumière, textures répétées, bords flous autour de la zone abîmée, textes ou motifs déformés sur les objets voisins.
- Faites analyser les pixels. Une retouche ou une génération par IA modifie la structure fine de l'image : bruit irrégulier, zones recompressées différemment du reste, transitions anormalement lisses. Ces traces sont invisibles à l'œil, mais une analyse algorithmique des pixels peut les faire ressortir. C'est ce que fait la couche de détection IA de Flair, complétée par sa couche de cohérence par IA, qui confronte la photo aux autres pièces du dossier. Voyez l'analyse en démo.
- Comparez les photos d'une même série. Même pièce, même éclairage, intervalles de prise de vue réalistes, numérotation des fichiers continue : une photo « parachutée » dans une série se repère.
- Faites une recherche d'image inversée. Certaines photos de dégâts sont tout simplement récupérées sur internet ou issues d'un précédent sinistre.
- Recoupez avec les autres pièces. La facture du réparateur, le devis ou le rapport d'expertise décrivent-ils les mêmes dommages, au même endroit, avec la même ampleur ?
Aucun de ces points, pris seul, ne permet de conclure. C'est leur accumulation qui justifie une demande de pièces complémentaires ou l'envoi d'un expert.
Automatiser le tri sans déshumaniser la gestion
Appliquer ces huit contrôles à la main sur chaque déclaration n'est pas réaliste pour une équipe qui traite des centaines de dossiers par mois. L'enjeu est de laisser passer rapidement les sinistres sans anomalie et de concentrer l'attention humaine sur les dossiers qui présentent des signaux.
C'est la logique de Flair : chaque fichier passe en une trentaine de secondes en moyenne par l'analyse des métadonnées, de l'historique de modifications et des pixels, puis par un contrôle de cohérence avec le reste du dossier. Comme toute analyse d'image, elle est plus probante sur un fichier d'origine que sur une image fortement compressée, d'où l'importance du premier point. Vous pouvez tester l'analyse sur dix documents, ou planifier une démo avec notre équipe pour l'appliquer à vos flux de déclarations.
Ce qu'il faut retenir
- L'ALFA classe désormais les photos retouchées par IA dans la fraude documentaire : la photo de sinistre est une pièce justificative à part entière.
- Les métadonnées sont un signal utile mais fragile : elles disparaissent et se falsifient.
- Le fichier d'origine, transmis par un canal maîtrisé, est le premier rempart.
- Une anomalie justifie une vérification complémentaire, pas un refus d'indemnisation.
La photo de sinistre a changé de statut sans que les processus de gestion suivent toujours. Les assureurs qui l'intègrent dès maintenant à leur contrôle documentaire prennent de l'avance sur une fraude qui coûte de moins en moins d'efforts à produire.
Vous voulez mesurer la part de photos suspectes dans vos déclarations récentes ? Parlons-en lors d'un échange avec l'équipe Flair : nous analysons avec vous un échantillon de vos dossiers.

