Jak AI podrabia dokumenty — i jak to wykryć

Ostatnia aktualizacja: 2026-07-09

Przez większość ostatniej dekady wykrycie sfałszowanego dokumentu było kwestią uważnego spojrzenia. Amatorskie podróbki miały nierówne czcionki, błędne logo albo kolumny salda, które się nie zgadzały. Wyszkolone oko, kilka minut i kalkulator zwykle wystarczyły.

Generatywna AI zmieniła tę podstawę. Fałszerz nie potrzebuje już umiejętności graficznych ani cierpliwości — wystarczy podpowiedź i kilka sekund. W efekcie powstaje dokument, który na pierwszy rzut oka — i często na drugi — wygląda dokładnie jak oryginał. Zrozumienie sposobu, w jaki powstają te podróbki, to pierwszy krok do ich wykrycia.

Co AI potrafi, a czego jeszcze nie

Współczesne modele językowe i obrazowe potrafią z dużą dokładnością odwzorować wizualną strukturę wyciągu bankowego, faktury czy zaświadczenia o zarobkach. Logo wychodzi mniej więcej poprawnie, wiersze transakcji są wiarygodne, a formatowanie liczb spójne. Czego modele nie potrafią jeszcze wiarygodnie odtworzyć — to dokładna wewnętrzna struktura pliku PDF generowanego przez konkretny system bankowy.

Prawdziwy PDF tworzony przez system core banking banku nosi specyficzny odcisk cyfrowy: pola Producent i Aplikacja w metadanych, sposób osadzenia czcionek, układ drzewa obiektów i ustawienia kompresji — wszystko to odzwierciedla konkretny stos oprogramowania tego banku. Dokumenty generowane przez AI są zazwyczaj tworzone przez model renderujący do ogólnej biblioteki PDF, która zostawia własny zestaw odcisków.

Dlaczego wygląd to za mało

Zasadniczy problem polega na tym, że inspekcja wizualna zawsze była skrótem, nie metodą. Sprawdzała się, gdy podrobienie dokumentu było trudne. Teraz, gdy jest proste, wygląd nie mówi prawie nic o autentyczności.

Dokument wyglądający perfekcyjnie może być fałszywy. Odwrotnie — dokument z drobną nierównością formatowania może być w pełni autentyczny: banki aktualizują szablony, użytkownicy drukują i skanują ponownie, a różne oddziały używają nieznacznie różnych wersji oprogramowania. Poleganie wyłącznie na wyglądzie oznacza, że oceniasz konkurs fałszerstw według własnych warunków podróbki. Poradniki weryfikacyjne na tej stronie wskazują to samo: patrz na metadane i strukturę, nie na powierzchnię.

Kontrole, które wciąż działają

Metadane i ślady oprogramowania. Narzędzia AI generujące pliki PDF zazwyczaj zostawiają rozpoznawalne pole Producent — bibliotekę Pythona, renderer headless, czy ogólny zestaw narzędzi PDF. Otwórz właściwości pliku i porównaj pola Producent i Aplikacja z tym, czego oczekujesz od banku. Wyciąg rzekomo z dużego polskiego banku powinien wskazywać system tego banku, nie ogólną bibliotekę. W pełnym poradniku o metadanych znajdziesz, jak odczytać te pola.

Znaczniki czasu tworzenia i modyfikacji. Dokumenty generowane przez AI są tworzone w chwili generowania, więc data utworzenia może przypadać po okresie objętym wyciągiem. Wyciąg ze stycznia stworzony przez AI w kwietniu będzie miał datę utworzenia z kwietnia — chyba że fałszerz ręcznie edytował metadane, co samo w sobie pozostawia ślady w strumieniu obiektów.

Odciski czcionek. Banki osadzają w swoich plikach PDF konkretne, licencjonowane czcionki. Dokument generowany przez AI używa czcionek dostępnych w silniku renderującym, które rzadko są identyczne. Przy dużym powiększeniu kształty liter w podróbce AI mogą nieznacznie różnić się od oryginału. Bardziej wiarygodnie narzędzie forensyczne może bezpośrednio odczytać tabele osadzonych czcionek i porównać je z oryginalnymi plikami z tego samego banku.

Spójność matematyczna. Modele AI mogą generować wiarygodnie wyglądające, ale arytmetycznie błędne liczby. Sprawdź, czy saldo początkowe + uznania − obciążenia = saldo końcowe. Sprawdź, czy pozycje faktury sumują się do podanej wartości i czy VAT jest naliczony według wskazanej stawki. W poradniku jak rozpoznać fałszywą fakturę omówiono dokładniej to sprawdzenie.

Porównanie z wzorcem referencyjnym to najskuteczniejsza kontrola. Jeśli masz prawdziwy wyciąg z tego samego banku z tego samego okresu, staranne zestawienie struktury obiektów PDF — nie tylko wyglądu — ujawni rozbieżności, których podróbka AI nie zdoła ukryć.

Wyścig zbrojeń: detektory kontra generatory

Narzędzia do wykrywania AI szukające statystycznych wzorców w generowanym tekście lub treści obrazu ulegają poprawie — ale podobnie generatory. Detektor wytrenowany na jednej generacji modeli może nie wychwycić następnej. To nie powód, by rezygnować z detekcji — to powód, by nie polegać na żadnej pojedynczej metodzie.

Trwalsze podejście polega na sprawdzaniu właściwości, których generatory mają strukturalne trudności z podrabianiem: wewnętrzny układ obiektów PDF generowanego przez konkretne oprogramowanie banku, dokładne osadzenie czcionek i parametry kompresji, a także strumienie metadanych, których ogólna biblioteka PDF nie jest w stanie dokładnie odtworzyć bez znajomości precyzyjnej konfiguracji oprogramowania banku.

Weryfikacja forensyczna samego pliku

Najbardziej solidną obroną przed oszustwami dokumentowymi z AI jest przestać patrzeć na obraz i przeczytać sam plik. Analiza forensyczna odczytuje wewnętrzną strukturę dokumentu — drzewo obiektów PDF, historię modyfikacji przyrostowych, tabele osadzonych czcionek i strumienie metadanych — i sprawdza, czy to wszystko się ze sobą zgadza: czy plik powstał w jednym przebiegu jednego generatora, czy czegoś nie dopisano później i czy liczby na stronie się domykają. Dokument generowany przez AI może wyglądać wizualnie perfekcyjnie, a mimo to rozsypać się pod kilkunastoma względami strukturalnymi.

Metoda jest uniwersalna i nie zależy od tego, czy mamy wzorzec danej instytucji — wyciąg z małego banku regionalnego czytamy równie dokładnie jak z dużego: badanie drzewa obiektów pod kątem warstw edycji, weryfikacja tabel czcionek i oznaczanie anomalii w historii tworzenia i modyfikacji. Wynik zawiera ocenę pewności i podsumowanie tego, co było, a co nie było spójne z oryginalnym dokumentem.

Co to oznacza dla pożyczkodawców i wynajmujących

Każdy, kto podejmuje decyzję finansową na podstawie dokumentu — udziela pożyczki, podpisuje umowę najmu, zwalnia towar — działa teraz w środowisku, gdzie dopracowana podróbka powstaje w kilka sekund. Praktyczną odpowiedzią jest wbudowanie weryfikacji dokumentów w proces, a nie traktowanie jej jako opcjonalnego kroku na wypadek podejrzeń. Pożyczkodawcy i wynajmujący, którzy weryfikują rutynowo, mają strukturalną przewagę: wykrywają oszustwo wcześniej, przed stratą, i zmniejszają motywację do prób ze strony wnioskodawców.

Twoje dokumenty obsługiwane są zgodnie ze ścisłymi zasadami bezpieczeństwa i RODO i usuwane po weryfikacji. Weryfikacja to nie wyraz nieufności wobec wnioskodawcy — to standardowy element odpowiedzialnego due diligence.

Często zadawane pytania.

Czy dokumenty podrobione przez AI da się wykryć?

Tak. Narzędzia generatywne odtwarzają wygląd dokumentu, ale nie jego pochodzenie. Wewnętrzna struktura PDF, odciski generatora i ślady edycji wciąż zdradzają fałszywkę podczas analizy forensycznej.

Dlaczego ocena wzrokowa już nie wystarcza?

Bo AI w kilka sekund tworzy poprawne logotypy, wiarygodne liczby i czysty układ. Wygląd nie odróżnia już prawdziwego od fałszywego — dowody siedzą w metadanych, strukturze obiektów i kontrolach krzyżowych, których przeglądarka nie pokazuje.

Które kontrole wciąż działają przeciw fałszywkom z AI?

Te zakotwiczone poza obrazem: metadane PDF i historia edycji, matematyka sald, zgodność struktury pliku z oprogramowaniem, na które się powołuje, oraz niezależne potwierdzenie — telefon do pracodawcy, rejestr, zaksięgowanie środków.