IA em seguros: sinistros, subscrição e antifraude com governança

Inteligência artificial em seguros não é um tema de inovação. É um tema de operação. Sinistro, subscrição, antifraude e renovação são processos com volume alto, regra densa e regulador atento, e é exatamente nesse tipo de processo que um modelo bem colocado paga a conta. O problema é que a maioria das iniciativas de IA em seguradoras brasileiras nasce no lugar errado: no chatbot do site, longe de onde o dinheiro e o risco estão.

Este texto percorre as quatro frentes em que vimos IA para empresas de seguros funcionar de verdade e mostra, em cada uma, onde SUSEP e LGPD moldam a solução. A tese é simples. Em seguros, governança não é o freio do projeto. É a especificação.

Sinistro: triagem, documentos e regulação automática

O sinistro é o processo mais caro e mais visível da seguradora. Cada aviso chega com um pacote de documentos heterogêneo: boletim de ocorrência, laudo, fotos, nota fiscal, orçamento de oficina, relatório médico. Um analista gasta boa parte do dia lendo, conferindo e devolvendo pendência. IA em sinistros ataca exatamente essa parte, e é por isso que é o melhor lugar para começar.

A arquitetura que funciona tem três camadas. A primeira extrai e valida documentos: o modelo lê o laudo, confere se os campos obrigatórios estão presentes, cruza com a apólice e devolve a pendência ao segurado em minutos, não em dias. A segunda faz triagem: classifica o sinistro por complexidade e valor e roteia. Os simples seguem para regulação automática, os complexos vão para o analista com o dossiê já montado. A terceira é a regulação em si, restrita a casos de baixo valor e baixa ambiguidade, com limite de alçada definido pela área técnica e revisado por amostragem.

O erro comum é começar pela terceira camada. Regulação automática sem triagem confiável gera pagamento indevido e negativa indevida ao mesmo tempo, e a negativa indevida tem prazo regulatório e reclamação no órgão de defesa do consumidor. O ganho está na primeira e na segunda camada, e ele já é grande: o tempo de ciclo cai porque a pendência documental deixa de ser o gargalo, e o analista passa a trabalhar em cima de um caso organizado em vez de montar o caso.

Se a sua seguradora está avaliando por onde começar, uma consultoria de IA com histórico em mercados regulados vai insistir nessa ordem. Não por cautela. Por aritmética: o custo de uma regulação automática errada é maior que o ganho de uma regulação automática certa, e a triagem é o que muda essa razão.

Subscrição: risco com explicabilidade

Subscrição é onde inteligência artificial em seguros encontra o limite mais claro. Um modelo pode precificar risco melhor que uma tabela. Mas o subscritor precisa saber por que o modelo chegou àquele preço, e o regulador pode perguntar o mesmo. Modelo que acerta e não explica não entra em produção em seguradora séria.

A solução não é abrir mão de modelo. É escolher a arquitetura pela explicabilidade. Modelos de árvore com contribuição por variável, faixas de risco documentadas e regras de negócio explícitas por cima do score entregam a maior parte do ganho com rastreabilidade completa. O modelo propõe; a política de subscrição decide; o subscritor humano revisa as exceções. Redes neurais opacas com ganho marginal de precisão não compensam o que custam em auditoria.

Há um segundo limite, esse legal. A LGPD veda o tratamento de dado sensível para fins discriminatórios ilícitos e garante ao titular o direito de revisão de decisões automatizadas. Em subscrição de vida e saúde isso é central: o dado que alimenta o modelo precisa de base legal clara, e o segurado precisa ter um caminho para contestar. Isso se projeta no sistema, não se resolve com um parágrafo na apólice.

O que a explicabilidade precisa entregar

• Quais variáveis mais pesaram naquela cotação, em linguagem que o subscritor entenda.
• Qual versão do modelo e qual política estavam vigentes na data da decisão.
• Qual regra de negócio eventualmente sobrescreveu o score e por quê.
• Como o segurado contesta, quem revisa e em quanto tempo.

Antifraude: modelo próprio ou regras?

Fraude em seguros tem duas famílias. A oportunista, em que o segurado infla um sinistro legítimo. E a organizada, em que redes de oficinas, clínicas ou intermediários fabricam sinistros. Regras pegam a primeira razoavelmente bem. Regras não pegam a segunda, porque a rede muda de tática mais rápido do que o comitê aprova regra nova.

É aqui que modelo próprio faz diferença. Um modelo treinado no histórico da própria seguradora, combinando comportamento do sinistro, relacionamento entre partes e padrões de documento, encontra o que a regra não vê. E, ao contrário de um fornecedor de prateleira, a seguradora controla o limiar de bloqueio e o custo de falso positivo, que em seguros é um cliente legítimo com sinistro atrasado e uma reclamação a caminho.

Não é uma escolha binária. A configuração que funciona é regras como piso e modelo como camada de detecção acima do piso, com o mesmo registro de auditoria para os dois. Tratamos esse desenho em detalhe na página de IA para antifraude; a lógica em seguros é a mesma de pagamentos, com uma diferença a favor: o ciclo é mais longo, e o dado histórico rotulado costuma ser melhor.

Atendimento e renovação

Atendimento é onde a maioria começa e onde a maioria decepciona. O motivo é que um chatbot que só responde perguntas sobre cobertura não resolve nada. O segurado liga para saber do sinistro dele, para mudar a forma de pagamento ou para entender por que o prêmio subiu. Isso exige acesso ao sistema de apólice, ao sistema de sinistro e a uma política do que o agente pode ou não fazer sozinho.

Agentes de IA com essas integrações mudam o atendimento, mas trazem uma exigência que o chatbot não tinha: limite claro de ação. Consultar status, sim. Alterar dado cadastral, com confirmação. Prometer cobertura, nunca. Cada uma dessas fronteiras é uma decisão de negócio e de compliance, não de tecnologia, e precisa estar escrita antes de o agente entrar no ar.

Renovação é o caso mais subestimado. Modelo de propensão a cancelar, combinado com um agente que aciona o corretor ou o cliente na janela certa e com a oferta certa, melhora retenção de forma mensurável. E é um caso de uso onde o erro custa pouco: uma abordagem mal calibrada vira, no máximo, um contato desperdiçado. Por isso é um bom candidato a rodar em paralelo ao projeto de sinistro.

SUSEP, LGPD e trilha de auditoria

Aqui está a parte que diferencia inteligência artificial em seguros de IA em varejo. A SUSEP espera que a seguradora tenha controle sobre seus processos, incluindo os automatizados: governança de risco, continuidade de negócio, gestão de terceiros. A LGPD exige base legal, minimização e direito de revisão. Nenhuma das duas proíbe modelo. As duas exigem que a seguradora consiga responder, para qualquer decisão, o que foi decidido, por quem, com que dado e com que versão do sistema.

Isso define a trilha de auditoria como requisito de arquitetura, não como relatório gerado depois. Cada decisão automatizada, seja uma regulação, uma cotação ou um bloqueio por suspeita de fraude, deve gerar um registro imutável com entrada, saída, versão do modelo, regras aplicadas e identificação de quem revisou, se alguém revisou. Quando o registro existe, a auditoria é uma consulta. Quando não existe, é uma reconstrução.

Checklist mínimo de governança para IA em seguradoras

• Inventário de decisões automatizadas, com dono de negócio para cada uma.
• Base legal documentada para cada fonte de dado que alimenta modelo, com atenção especial a dado de saúde.
• Relatório de impacto à proteção de dados para os casos que tratam dado sensível ou tomam decisão sobre o titular.
• Registro de auditoria por decisão, com versão de modelo e de política, retido pelo prazo regulatório.
• Canal de contestação e fluxo de revisão humana com prazo definido.
• Monitoramento de drift e critério para retreinar, aprovado pela área técnica.
• Gestão de terceiros: se há fornecedor de modelo ou de nuvem, o contrato cobre acesso, retenção e auditoria.

Seguradoras que tratam esse checklist como pré-requisito colocam IA em produção mais rápido do que as que o deixam para o fim. Parece contraintuitivo. Não é. O que atrasa projetos de IA para empresas de seguros não é o modelo. É a conversa com jurídico, compliance e atuária que acontece tarde demais, quando a demo já criou expectativa e o desenho já está errado.

Por onde começar com inteligência artificial em seguros

A ordem que recomendamos é a ordem do risco. Sinistro primeiro, pela combinação de volume, dor e ganho mensurável com risco controlado. Antifraude em seguida, quando há histórico rotulado suficiente. Subscrição depois, porque exige a maturidade de explicabilidade que os dois anteriores ajudam a construir. Atendimento e renovação correm em paralelo, com escopo restrito e alçada clara.

Em cada frente, a métrica de sucesso é definida antes do primeiro modelo, com baseline medido. Sem isso, a seguradora vai discutir se o projeto deu certo com base em impressão, e impressão não passa por comitê de risco.

Se você quer ver como isso se traduz em arquitetura, prazos e resultados por linha de negócio, a página de IA para seguros detalha o que fazemos em sinistro, subscrição e antifraude e o que o regulador olha em cada caso.