Zdjęcie nadal jest dowodem — tylko nie powinno być jedynym dowodem[2]
W e-commerce obraz ma konkretną funkcję operacyjną. Potwierdza stan produktu, rodzaj uszkodzenia, opakowanie, zgodność wariantu, czasem sposób zabezpieczenia przesyłki. Dzięki temu wiele spraw można zamknąć bez odsyłania towaru do ekspertyzy.
Problem polega na tym, że koszt modyfikacji obrazu gwałtownie spadł. Narzędzia generatywne potrafią lokalnie zmienić fragment fotografii bez budowania całej sceny od zera. Osoba nie musi umieć profesjonalnie retuszować zdjęć; wystarczy opis, maska i kilka prób.
FBI zwraca uwagę, że przestępcy używają generowanych obrazów m.in. do tworzenia wiarygodnych profili, dokumentów identyfikacyjnych i innych materiałów wspierających oszustwa. Nie jest to dowód, że reklamacje e-commerce są masowo fałszowane przez AI. Jest to natomiast mocny powód, aby przestać traktować pojedynczy plik JPEG jako automatycznie neutralne źródło prawdy.
Co właściwie może zostać sfałszowane w materiale reklamacyjnym[3][4]
Najprostszy scenariusz to lokalna modyfikacja: dodanie rysy, pęknięcia, plamy, rozdarcia lub odkształcenia. Bardziej zaawansowany obejmuje podmianę fragmentu produktu, etykiety, numeru seryjnego albo tła. Możliwe jest także wygenerowanie całej fotografii przedmiotu, który nigdy nie znajdował się przed aparatem.
Z perspektywy procesu nie ma dużego znaczenia, czy użyto modelu generatywnego, klasycznego Photoshopa czy prostego montażu. Pytanie biznesowe brzmi: czy obraz jest wiarygodnym odwzorowaniem stanu przedmiotu w chwili deklarowanego zdarzenia?
Dlatego system wykrywający wyłącznie „AI-generated” nie rozwiązuje całego problemu. Potrzebne są również sygnały lokalnej manipulacji, provenance, spójność metadanych oraz porównanie z innymi elementami sprawy.
NIST stosuje podobną zasadę w znacznie bardziej wrażliwym procesie: zdalnym potwierdzaniu tożsamości[1]
NIST SP 800-63A opisuje ryzyko digital injection i forged media podczas zdalnego identity proofing. Generatywna AI może tworzyć lub modyfikować obrazy i wideo osób oraz dokumentów, aby oszukać automatyczną walidację, biometrię lub człowieka prowadzącego weryfikację.
Wymagania NIST są interesujące także poza sektorem tożsamości: media powinny być analizowane pod kątem śladów modyfikacji i fałszerstwa, algorytmy muszą być testowane na prawdziwych i spreparowanych materiałach, a automatyczne decyzje powinny być uzupełniane ręcznym review ze względu na false positives i false negatives.
To dokładnie rozsądny wzorzec dla reklamacji. Detektor nie ma „odrzucać klienta”. Ma wskazać ryzyko, które zmienia ścieżkę obsługi sprawy.
Wysokie ryzyko manipulacji powinno uruchamiać dodatkową weryfikację, a nie automatyczne oskarżenie klienta o oszustwo.
Proces dowodowy zaczyna się przed analizą AI
Najlepszy model nic nie pomoże, jeśli firma przechowuje tylko pomniejszony screenshot z panelu obsługi. Warto zadbać o pozyskiwanie oryginalnego pliku, zachowanie nazwy, czasu wpływu, rozmiaru i skrótu SHA-256. Jeżeli klient wysyła kilka zdjęć, traktuj je jako zestaw — relacje między ujęciami są często bardziej informacyjne niż pojedynczy wynik.
Kolejny krok to kontekst operacyjny: SKU, wariant, zdjęcia magazynowe, waga przesyłki, dane z pakowania, numer seryjny, historia zgłoszenia, poprzednie reklamacje oraz — gdy to zasadne — fotografie z procesu wysyłki lub zwrotu. Analiza obrazu ma uzupełnić ten kontekst, a nie go zastępować.
Dopiero na takim fundamencie warto uruchamiać analizę techniczną.
Sześć warstw, które mają więcej sensu niż jeden „AI score”[3][4]
Praktyczny system może łączyć kilka odrębnych klas dowodu. Po pierwsze: provenance i C2PA, jeżeli są dostępne. Po drugie: EXIF/XMP i struktura kontenera. Po trzecie: analiza pikselowa, kompresja i anomalie lokalne. Po czwarte: kilka niezależnych detektorów generatywności lub deepfake. Po piąte: porównanie wielu zdjęć w tej samej sprawie. Po szóste: kontekst biznesowy.
Brak jednego źródła nie powinien automatycznie zerować wartości pozostałych. C2PA może nie być obecne, EXIF może zostać usunięty przez komunikator, a jeden detektor może mieć awarię. Liczy się to, ile niezależnych warstw jest dostępnych i czy ich wnioski są zgodne.
Jednocześnie system powinien jawnie pokazywać niedostępne warstwy. Raport z czterech źródeł nie powinien udawać raportu z sześciu. Transparentność jest częścią wiarygodności analizy.
Jak zbudować regułę decyzyjną dla reklamacji
Najgorszym rozwiązaniem jest prosta reguła „AI > 50% = odrzucamy”. Wyniki detektorów nie są prawdopodobieństwem winy klienta, a różne narzędzia mają inne charakterystyki błędów. Lepszy jest model trzech ścieżek operacyjnych.
- Niskie ryzyko: brak silnych sygnałów manipulacji, spójne pliki i kontekst — sprawa idzie standardową ścieżką.
- Niejednoznaczne: pojedyncze anomalie lub rozbieżne detektory — poproś o dodatkowe zdjęcia, oryginał pliku albo zwrot produktu do oględzin.
- Wysokie ryzyko: kilka niezależnych warstw wskazuje manipulację lub występuje bezpośredni ślad provenance/generatora — wstrzymaj automatyczną decyzję i uruchom ręczny review.
- Spór formalny: zachowaj pliki, hashe, raport techniczny i pełną historię sprawy; nie formułuj twierdzeń o intencji, których analiza obrazu nie dowodzi.
Dlaczego dodatkowe zdjęcia są tak użyteczne
Jedno zdjęcie można przerobić tak, aby wyglądało przekonująco. Seria wykonana z różnych kątów wymaga zachowania geometrii uszkodzenia, światła, faktury i kontekstu w wielu ujęciach. Dlatego prośba o dwa dodatkowe kadry nie jest biurokracją — zwiększa ilość informacji dostępnej do porównania.
Warto precyzować, czego potrzebujesz: całego produktu, zbliżenia problemu, etykiety/seryjnego detalu i zdjęcia w innym oświetleniu. Nie chodzi o utrudnianie reklamacji, lecz o uzyskanie materiału, który faktycznie pozwala ocenić sprawę.
Jeżeli dodatkowe pliki pochodzą bezpośrednio z aparatu, odzyskujesz też część metadanych i struktury, których często brakuje w pierwszym załączniku przesłanym przez platformę.
Granica techniczna i prawna: czego raport nie powinien twierdzić[1][3]
Raport techniczny może wykazać silne oznaki syntetycznego pochodzenia, lokalnej manipulacji, niespójnego kontenera czy bezpośredniego provenance. Nie może sam ustalić, kto wykonał zmianę, kiedy dokładnie to zrobił ani z jaką intencją.
To rozróżnienie jest szczególnie ważne w obsłudze klienta. Komunikat „materiał zawiera techniczne anomalie, dlatego potrzebujemy dodatkowej weryfikacji” jest czymś zupełnie innym niż „sfałszował Pan zdjęcie”. Pierwszy opisuje stan dowodu, drugi przypisuje zachowanie i intencję.
Dobry system antyfraudowy zmniejsza koszt błędów w obie strony: ogranicza straty z fałszywych roszczeń, ale również ryzyko niesłusznego odrzucenia uczciwej reklamacji.
Minimalny standard dla e-commerce na 2026 rok[1][3][4][5]
Nie każda firma potrzebuje laboratorium forensic. Nawet prosty standard znacząco poprawia jakość decyzji: przechowuj oryginały, wymagaj dodatkowego materiału przy niejasnych sprawach, używaj kilku sygnałów technicznych i dokumentuj, z czego wynika decyzja.
W miarę upowszechniania Content Credentials coraz więcej plików będzie niosło weryfikowalne informacje o historii. Jednocześnie generatory i narzędzia edycji będą się poprawiać, więc detekcja pozostanie ruchomym celem. Proces musi być odporny na zmianę konkretnego narzędzia, a nie przywiązany do jednego detektora.
To jest największa zmiana, którą AI wnosi do reklamacji: zdjęcie nie przestaje być wartościowym dowodem, ale jego wiarygodność coraz częściej wymaga sprawdzenia, tak jak sprawdzamy płatność, numer przesyłki czy historię zamówienia.