Fraude de reembolso no delivery. Tendências globais 2026.
A foto do pedido virou a principal prova para pedir um reembolso. E a IA generativa fez com que fabricar essa prova leve segundos. Neste relatório, revisamos os números globais da fraude e mostramos o que funciona para detectá-la.
Equipe Vouch14 de outubro de 2026Leitura de 11 minutos
Os números
dos comércios online sofreram abuso de reembolsos e de políticas no último ano: é o tipo de fraude mais difundido.1
Pesquisa com 1.278 profissionais de e-commerce de 37 países, nov–dez 2025.dos comércios viram o abuso de reembolsos crescer no último ano. 20% relataram aumentos de mais de 25%.1
Pesquisa com 1.278 profissionais de e-commerce de 37 países, nov–dez 2025.dos comércios sofreram falsas reclamações de “não chegou”, a forma mais comum de abuso de reembolsos.1
Mesma pesquisa.da fraude do lado do consumidor em plataformas de delivery e mobilidade foi abuso de reembolsos, empatado com o abuso de promoções.2
Casos detectados em 2024.Para dimensionar: no varejo em geral, a fraude e o abuso de devoluções geraram cerca de USD 100 bilhões em perdas evitáveis em 2025, 14,2% de todas as devoluções.3
1. O que mudou: a prova agora é fabricada
Durante anos, a reclamação falsa no delivery foi de baixa tecnologia: dizer que algo não chegou, que faltava um item ou que estava frio. As plataformas responderam pedindo uma foto. Hoje essa foto pode ser alterada com uma frase escrita em um aplicativo de IA, no próprio celular e sem saber editar.
Os casos documentados na imprensa e em fontes públicas mostram que o padrão já não é local.
- Abr 2025ChinaTaobao e Tmall eliminam a opção “só reembolso”, que devolvia o dinheiro sem exigir que o comprador devolvesse o produto.4
- Nov 2025ChinaNa temporada do Double 11, vendedores denunciam fotos alteradas com IA para reclamar de produtos danificados, sobretudo alimentos frescos. Em Suzhou, um comprador apresentou um vídeo falso de caranguejos mortos: a polícia descobriu e ele recebeu oito dias de detenção administrativa.54
- Nov 2025Estados UnidosSurgem fotos de comida retocadas com IA para parecer crua ou estragada, usadas para pedir reembolsos no DoorDash.6
- Nov 2025América LatinaVeículos do Chile e da Argentina alertam sobre clientes que editam com IA as fotos de seus pedidos para que a comida pareça crua, estragada ou com objetos estranhos, e assim pedir o reembolso.78
- Dez 2025Estados UnidosUm entregador do DoorDash em Austin marca um pedido como entregue e envia uma foto da porta do cliente gerada com IA. O DoorDash o bloqueou.9
- Jan 2026ÍndiaO CEO da Zomato conta que há clientes que adicionam insetos às fotos com IA e que cresceram as reclamações de bolos “amassados”.10
- Jan 2026ChinaTaobao e Tmall lançam um modelo próprio para detectar imagens falsas em reclamações de pós-venda. As maiores plataformas já tratam a foto da reclamação como um risco.11
- 2026BrasilNo Paraná, um cliente adiciona com IA uma barata à foto do seu lanche para pedir o reembolso. O restaurante só descobre porque conhece a própria receita: a maionese estava em outra posição e tinha uma cor que ele não usa.12
- Mai 2026MéxicoAs donas de um pequeno negócio descobrem que as fotos de produtos “danificados” enviadas por uma cliente para pedir reembolso foram geradas com IA.13
- Ago 2026União EuropeiaEntram em vigor as obrigações de transparência do AI Act. A marca d’água em conteúdo gerado com IA passa a ser exigível a partir de dezembro de 2026 para as ferramentas que já estavam no mercado.1415
2. Como a fraude funciona
A reclamação com foto alterada é a novidade, mas convive com outras táticas que se combinam entre si.
Foto alterada com IA
O pedido chega bem e a foto o mostra cru, queimado, com um inseto ou amassado. Ataca justamente onde as plataformas buscavam segurança: a prova visual.
Foto reciclada
A mesma imagem é usada em várias reclamações, em várias contas, ou é baixada da internet ou de avaliações de outros clientes.
“Não chegou” ou “faltou algo”
Continua sendo a base do problema: é a forma mais comum de abuso de reembolsos relatada pelos comércios.1
Contas múltiplas
Uma mesma pessoa abre várias contas para multiplicar reembolsos e promoções. 73% das equipes de fraude da economia de plataformas dizem que freá-lo é sua prioridade.16 Uma mesma foto em reclamações de várias contas é um dos sinais mais claros.
Conluio
Entregador e cliente combinam declarar problemas que não existiram.
Fraude na prova de entrega
O entregador simula a entrega com uma foto gerada ou reutilizada. O caso de Austin mostra que a imagem falsa também serve para receber sem entregar.9
3. Quem paga
O reembolso raramente é absorvido por uma só parte. Conforme a política de cada plataforma, o custo recai sobre o restaurante que preparou bem o pedido, sobre a plataforma ou sobre o entregador. E há um custo menos visível: quando as regras ficam mais duras para todos, o cliente honesto também precisa provar mais e espera mais.
A regulação começa a definir quem responde. Na Califórnia, a lei AB 578 obriga as plataformas a reembolsar integralmente os pedidos não entregues ou errados, a menos que encontrem provas de que a reclamação é fraudulenta.17 Ou seja: sem prova, paga-se. Detectar bem deixa de ser uma melhoria operacional e passa a ser a única forma de recusar uma reclamação com respaldo.
Uma conta rápida
Perda por fraude = reclamações com foto × percentual fraudulento × reembolso médio. Troque os valores pelos da sua operação.
Perda estimadaUSD por mês · USD por ano
Valores de exemplo, não são dados de mercado. Não inclui o tempo de revisão nem o custo de refazer o pedido.
4. Por que os controles atuais não bastam
O olho humano
As ferramentas atuais geram texturas, luzes e sombras quase perfeitas. Os casos descobertos costumam depender da sorte: um detalhe que só o restaurante conhece, como a cor de um molho.12
A foto como prova suficiente
Muitas políticas de reembolso foram desenhadas quando uma foto era difícil de falsificar. Hoje, aceitá-la sem análise é aceitar a reclamação.
Depender de um único sinal
Taobao e Tmall, com uma das maiores equipes técnicas do mundo, informaram que seu modelo detectava cerca de metade das imagens falsas.11 A lição não é que detectar seja impossível, e sim que um único sinal não basta: é preciso cruzar a análise da imagem com o seu histórico e com o contexto da reclamação.
Controles que não olham a foto
86% das plataformas usam identificação de dispositivo e 52%, inteligência de localização.16 São sinais úteis, mas nenhum analisa a imagem que chega com a reclamação, que é justamente o que hoje se falsifica.
Mais trabalho para as mesmas equipes
52% dos profissionais de fraude dedicam cada vez mais tempo a gerenciá-la e só 13% conseguiram reduzi-lo.1 Revisar cada foto à mão não escala.
5. O que funciona: uma abordagem em camadas
Nenhum sinal sozinho basta. O que dá resultado é analisar cada foto com várias camadas ao mesmo tempo e reservar as pessoas para os casos duvidosos.
Análise da imagem
Buscar sinais de geração ou edição: bordas, reflexos, iluminação e texturas que não correspondem a uma foto real. Os metadados do arquivo ajudam, mas muitas vezes chegam apagados, então a análise não pode depender só deles.
Histórico da imagem
Saber se essa foto já apareceu antes: na internet, em outra reclamação ou em outra conta, mesmo que esteja cortada ou girada.
Contexto da reclamação
Cruzar a foto com o histórico do cliente, a frequência de reclamações e o que está sendo reclamado.
Revisão humana
Um especialista revisa só os casos cinzentos, com as provas já organizadas, e registra o critério para auditorias e disputas.
6. América Latina: o mesmo padrão, ao mesmo tempo
Os casos do Brasil, do Chile, da Argentina e do México apareceram quase em paralelo com os dos Estados Unidos e da China.
Reembolsos quase automáticos
Segundo a imprensa da região, em muitos casos a devolução é aprovada sem uma verificação rigorosa, com a foto como única prova.8
A reclamação chega pelo chat
Muitas reclamações são resolvidas por chat ou WhatsApp, que comprime as imagens e apaga boa parte dos metadados. Um controle que depende só dos metadados fica cego: é preciso analisar a imagem em si.
Restaurantes sem equipe de fraude
Boa parte do delivery da região depende de restaurantes e pequenos negócios sem uma área de prevenção à fraude. Os casos são descobertos quando o dono reconhece o próprio produto.12
Menos disputas ganhas
Os comércios da América Latina são os que menos ganham disputas por fraude: 12,2% dos seus chargebacks e disputas, contra 16,7% da média global.1 Sem provas organizadas, cada reclamação é mais difícil de recusar.
7. O que vem por aí
A falsificação fica mais barata
Cada nova geração de ferramentas de imagem torna a edição mais rápida e mais realista. Uma análise da AI Incident Database concluiu que a fraude com deepfakes já opera em escala industrial, com ferramentas baratas e fáceis de usar.18 O custo de fabricar uma reclamação convincente tende a zero.
Mais investimento em detecção
O mercado de detecção de imagens falsas é estimado em USD 1,87 bilhão em 2026 e pode chegar a USD 7,43 bilhões em 2031, com crescimento anual próximo de 32%.19 Verificar imagens passa a fazer parte da operação, não de um experimento.
Mais marcação, mas não em todo lugar
O AI Act europeu obriga a informar o conteúdo gerado com IA desde agosto de 2026, e a marca d’água passa a ser exigível para as ferramentas que já estavam no mercado a partir de dezembro.1514 Ajuda, mas não alcança quem usa ferramentas que não cumprem a regra, e uma marca pode se perder ao editar ou reenviar a imagem.
Fotos assinadas no momento da captura
Alguns celulares já assinam as fotos com o padrão C2PA.20 Por enquanto são poucos aparelhos, a assinatura costuma se perder ao reenviar ou cortar a imagem e uma foto sem assinatura não prova nada. É um complemento da análise, não um substituto.
Mais reembolsos obrigatórios
Leis como a AB 578 protegem o consumidor e obrigam a justificar cada recusa com provas.17
Políticas mais rígidas
As plataformas ajustam suas regras, como fizeram Taobao e Tmall ao eliminar o “só reembolso”.4 Mas endurecer as regras pune todo mundo; detectar bem permite aprovar rápido o cliente honesto.
8. O que perguntar a um fornecedor
Se você vai avaliar uma ferramenta para revisar fotos de reclamações, estas perguntas separam uma solução completa de uma parcial.
Analisa a imagem, seu histórico e o contexto da reclamação?
Cada sinal isolado deixa lacunas: uma foto nova e editada não aparece em nenhuma busca, e uma foto reciclada pode não ter rastros de edição.
Explica o motivo de cada resultado?
Para recusar uma reclamação com respaldo, você precisa saber por que ela é suspeita. Um número sem explicação não serve como prova.
Há uma pessoa para os casos duvidosos?
A revisão humana nos casos cinzentos evita recusar clientes honestos e deixa o critério registrado.
Dá para usar sem integrar nada?
Se a única opção é uma integração técnica, o teste leva meses. Com uma ferramenta web, você começa em dias.
Funciona com fotos da galeria, capturas de tela e WhatsApp?
É assim que as reclamações reais chegam: comprimidas, cortadas e sem boa parte dos metadados.
Detecta a mesma foto mesmo cortada ou girada?
É a forma mais simples de encontrar fotos recicladas entre reclamações e contas.
Posso testar com meus próprios casos?
Um piloto com suas reclamações reais mostra o resultado antes de contratar.
9. Checklist para equipes de operações e fraude
- Meça qual porcentagem dos seus reembolsos é aprovada só com uma foto.
- Analise todas as fotos de reclamação, não só as que parecem suspeitas.
- Peça a foto pela câmera do app, na hora, e não da galeria.
- Guarde cada imagem de reclamação para detectar se ela se repete em outros casos.
- Revise o histórico do cliente e da conta antes de aprovar.
- Defina que prova você precisa para recusar uma reclamação e deixe isso registrado.
- Separe os casos claros dos duvidosos, e que só os duvidosos cheguem a uma pessoa.
- Meça quanto tempo você leva para resolver cada reclamação e quanto disso é revisão manual.
- Revise suas regras à luz da regulação do seu mercado.
Como a Vouch resolve
A Vouch analisa cada foto de reclamação em menos de 30 segundos com três camadas: detecção de imagens geradas ou editadas com IA, busca da imagem na internet e em reclamações anteriores, e o contexto do cliente. Entrega um score de risco de 0 a 100 com o motivo, e os casos cinzentos vão para um especialista. Funciona pela Vouch Web, sem integrar nada, ou via API.
Perguntas frequentes
O que é fraude de reembolso no delivery?
É pedir a devolução do dinheiro de um pedido com uma reclamação falsa: que não chegou, que faltou algo ou que chegou estragado. Cada vez mais, essa reclamação vem acompanhada de uma foto alterada ou reutilizada.
Como detectar uma foto de comida alterada com IA?
A olho nu é cada vez mais difícil. O que funciona é combinar a análise técnica da imagem, a busca dessa mesma foto na internet e em reclamações anteriores, e o contexto do cliente, com revisão humana para os casos duvidosos.
Que ferramentas detectam fotos de comida editadas com IA em reclamações de delivery?
Há detectores gerais de imagens feitas com IA, mas para reclamações convém uma ferramenta que combine a análise da imagem, a busca de fotos repetidas e o contexto do cliente. A Vouch, por exemplo, analisa cada foto de reclamação em menos de 30 segundos, entrega um score de risco de 0 a 100 com o motivo e encaminha os casos duvidosos a um especialista.
Quem paga um reembolso fraudulento?
Depende da política de cada plataforma: pode ser absorvido pelo restaurante, pela plataforma ou pelo entregador. Em mercados como a Califórnia, a lei obriga a reembolsar, a menos que haja prova de fraude.
Fontes
Este relatório se baseia apenas em fontes públicas; todos os dados são verificáveis.
- Merchant Risk Council. 2026 Global eCommerce Payments & Fraud Report (mar 2026)
- Incognia. Frontline Report: Gig Economy Edition (fev 2025)
- Appriss Retail. 2026 Total Retail Loss Benchmark Report (fev 2026)
- China Daily. AI-driven refund scams spur calls for stronger e-platform protection (dez 2025)
- South China Morning Post. China consumers use AI to alter product photos, claim refunds for goods that appear damaged (2025)
- The Daily Dot. AI-generated refund scams are tricking DoorDash with fake “undercooked” food photos (nov 2025)
- Infobae. Alerta por nuevo fraude con IA: usuarios crean imágenes falsas de productos “defectuosos” para obtener devoluciones (dez 2025)
- T13 (Chile). La nueva estafa que golpea al delivery: así usan IA para editar fotos de comida y pedir reembolsos (nov 2025)
- TechCrunch. DoorDash says it banned driver who seemingly faked a delivery using AI (jan 2026)
- Outlook Business. Inside Zomato’s Karma Score: What Deepinder Goyal Reveals About Fraud, Refunds (jan 2026)
- OECD.AI (AI Incidents Monitor). Taobao and Tmall Deploy AI to Combat Fraudulent Refunds with Fake Images (jan 2026)
- Giro News. Cliente usa IA para simular barata em lanche e tentar reembolso no Paraná (2026)
- Infobae México. Emprendedora se viraliza al detectar imágenes falsas creadas con IA y evita presunta estafa (mai 2026)
- William Fry. EU AI Act Omnibus Deal Reached: Postponed Deadlines, Watermarking Compromise, and the Nudification Prohibition (mai 2026)
- Jones Walker LLP. The EU approved a high-risk AI delay, but most transparency obligations remain (2026)
- Incognia. The State of Fraud in the Gig Economy 2025 (out 2025)
- California State Assembly. AB 578: consumer protections on food delivery platforms (2025)
- The Guardian. Deepfake fraud taking place on an industrial scale, study finds (fev 2026)
- Mordor Intelligence. Fake Image Detection Market Size and Share Research Report, 2031 (2026)
- Google Security Blog. Pixel and Android: trusted images with C2PA Content Credentials (set 2025)