A próxima onda de adoção de IA em sinistros de seguros começa pelas decisões, não pelos fluxos

A IA já ajuda a automatizar partes do processo de sinistros, mas transformar esse avanço em valor em escala continua difícil. A pesquisa de 2026 da Capgemini sobre P&C mostrou que 60% das seguradoras ainda estão na fase de exploração ou de prova de conceito, e apenas 10% conseguem escalar a IA com sucesso. A BCG chegou a uma conclusão semelhante: apenas 38% das seguradoras de P&C geram valor em escala com IA nos fluxos centrais.

Para sinistros mais simples e de baixa variância, o processamento direto (straight-through processing) é viável. Quando cobertura, evidências, responsabilidade e caminhos de liquidação estão claros, grande parte do sinistro pode avançar sem intervenção de especialistas.

O desafio maior está nos sinistros que fogem desse caminho. Ambiguidade, evidências conflitantes, falta de contexto ou a necessidade de julgamento especializado tornam a automação total menos confiável. Nesses casos, a pergunta mais útil não é quanto do fluxo pode ser automatizado com IA, e sim quais decisões dentro dele mais importam. Por decisões, entendemos os pontos do processo de sinistros que determinam o resultado.

Essas decisões são o ponto de partida mais útil para a otimização com IA.

Onde está o valor: as decisões que moldam o sinistro

No contexto de sinistros de seguros, as decisões podem ser entendidas como as definições concretas que determinam o que acontece a seguir. A perda está coberta? Para onde o sinistro deve ser encaminhado? Ele justifica um encaminhamento por suspeita de fraude? As evidências disponíveis são suficientes? Como o sinistro deve ser resolvido ao final?

Naturalmente, algumas dessas decisões pesam muito mais do que outras. A cobertura é um exemplo óbvio, porque aparece logo no início do sinistro, mas o mesmo vale para as decisões sobre encaminhamento, investigação, evidências, liquidação e recuperação.

O que torna essas decisões tão relevantes é o efeito que elas têm sobre tudo o que vem depois:

• Um encaminhamento melhor pode reduzir repasses desnecessários.
• Um encaminhamento de fraude mais preciso pode proteger a capacidade de investigação.
• Ter clareza mais cedo sobre as evidências pode evitar pedidos repetidos e atrasos.
• As decisões sobre reparo, liquidação e recuperação podem afetar de forma material a severidade e o custo do sinistro.

Olhar apenas para o fluxo pode esconder essa diferença de alavancagem. Um fluxo de sinistros pode ter dezenas de etapas, mas melhorar cada uma delas não gera o mesmo valor. Começar pela decisão ajuda a isolar os pontos em que informação melhor, intervenção mais cedo ou execução mais consistente podem mudar de forma material o que acontece depois.

É isso que faz da decisão uma unidade útil de otimização. Automatizar uma tarefa tira esforço dessa tarefa; melhorar uma decisão relevante pode influenciar o que acontece no restante do sinistro.

A IA agêntica pode mudar o trabalho em torno das decisões que mais importam

A IA agêntica é especialmente útil em torno de decisões relevantes porque o trabalho necessário para chegar a elas muitas vezes não é fixo. O que precisa ser investigado a seguir depende das evidências disponíveis, do que ainda não está claro e de a necessidade de informações adicionais. As partes mais previsíveis do processo podem continuar baseadas em regras ou em automação convencional.

O desafio costuma ser levar o processo a um estado em que uma decisão possa ser tomada com confiança. O contexto relevante pode estar espalhado entre o sistema de gestão de sinistros, o sistema de administração de apólices, repositórios de documentos, correspondências, fontes de dados de terceiros e ações anteriores no processo. Os agentes podem ajudar a reunir esse contexto, comparar evidências, investigar discrepâncias e concluir ações de acompanhamento aprovadas à medida que o quadro se desenvolve.

É fundamental destacar que isso não significa entregar a decisão relevante em si à IA. Nas decisões de maior risco, o agente pode produzir saídas estruturadas com as evidências relevantes, as conclusões e as questões em aberto. Regras determinísticas podem então consumir essas saídas para aplicar limites, emitir uma decisão ou encaminhar o sinistro para revisão humana.

Uma seguradora alemã usa agentes para classificar documentos de sinistros no contexto de suas próprias apólices e guardrails. Os agentes conseguem extrair dados relevantes, identificar discrepâncias nos documentos enviados pelos clientes, categorizar o sinistro e sinalizar os casos que exigem revisão humana adicional.

A oportunidade, portanto, está menos em tornar um fluxo inteiro agêntico e mais em usar agentes para preparar o contexto em torno das decisões relevantes. A lógica determinística e as pessoas continuam governando como as decisões são tomadas no fim das contas.

Comece pelas decisões em que as condições são favoráveis

Um bom ponto de partida para aplicar IA agêntica ao processo de sinistros é avaliar as decisões importantes a partir de quatro perguntas:

• Quanto a decisão impacta o resultado? Decisões que afetam o tratamento posterior, a perda, o resultado para o cliente ou o envolvimento de especialistas oferecem mais valor potencial do que aquelas cujo impacto termina na tarefa imediata.
• Quão variável é o caminho até a decisão? Decisões que exigem várias fontes, evidências não estruturadas, investigação ou ações de acompanhamento diferentes conforme o que for encontrado são candidatas mais fortes ao apoio agêntico. Quando a sequência já é previsível, a automação convencional pode bastar.
• Quanto esforço de especialistas é gasto na preparação da decisão? Se profissionais experientes de sinistros gastam tempo repetidamente reconstruindo o histórico, coletando informações ou resolvendo incertezas rotineiras antes de aplicar sua expertise, pode haver uma oportunidade de antecipar mais desse trabalho.
• O que o agente pode fazer de forma independente? Algumas decisões podem ser preparadas ou recomendadas por um agente, enquanto a execução continua sob regras determinísticas, limites, aprovações ou responsabilidade humana. Negativas de cobertura, pagamentos de maior valor, alterações de reserva e outras ações relevantes podem exigir controles diferentes, conforme a seguradora e a jurisdição.

Juntas, essas perguntas ajudam a distinguir o trabalho que deve continuar em processamento direto ou baseado em regras das decisões em que a IA agêntica pode agregar mais valor. Elas também criam uma base mais clara para priorizar do que simplesmente começar pelo fluxo mais manual ou mais complexo.

O resultado é um roadmap de IA mais deliberado: comece pelas decisões que importam, entenda o que as torna difíceis hoje e, só então, determine quais partes do trabalho ao redor são mais bem tratadas com regras, automação, IA ou uma abordagem agêntica.

Por exemplo, uma seguradora usa agentes para padronizar evidências e aplicar verificações consistentes. Os casos simples avançam, enquanto as questões mais sutis são encaminhadas para revisão de especialistas. Cada etapa continua rastreável até a evidência original, e o feedback dos especialistas pode refinar prompts, regras e lógica de decisão ao longo do tempo, dentro de guardrails definidos.

Em um setor regulado, cada etapa precisa poder ser revisada

Para as seguradoras reguladas, preparar uma decisão é apenas parte da exigência. Também deve ser possível entender o que a embasou, quais ações foram tomadas, quais regras ou limites foram aplicados e em que ponto a supervisão humana entrou no processo.

Essas expectativas existem dos dois lados do Atlântico. Por exemplo, na Europa, o Consumer Duty da FCA exige que as empresas ajam para entregar bons resultados aos clientes de varejo. Nos EUA, o setor de seguros continua sendo regulado principalmente pelos estados. O Model Bulletin sobre IA da NAIC define expectativas de governança, gestão de riscos, testes, documentação e supervisão regulatória para decisões de seguros apoiadas por IA.

Nos processos de sinistros agênticos, isso torna a arquitetura em torno do modelo especialmente importante.

Um agente pode investigar um sinistro, reunir evidências ou recomendar o próximo passo. Mas não deve necessariamente ter autorização para, de forma independente, negar cobertura, liberar um pagamento de alto valor ou tomar outra decisão relevante. Esses limites devem ficar fora do modelo e permanecer explícitos.

Decisões melhores em sinistros geram valor além do processo individual

Sinistros é um dos lugares em que a seguradora vê com mais clareza como o risco se comporta na prática. Questões de cobertura, padrões de fraude, resultados de responsabilidade, comportamento de liquidação e resultados de recuperação revelam onde as premissas se sustentam e onde começam a mudar.

Quando o contexto e os resultados dessas decisões são registrados com mais consistência, esse aprendizado passa a ser útil além da área de sinistros. A subscrição vê onde o risco pode estar mudando, as equipes de produto identificam atritos recorrentes no desenho das apólices, as equipes de fraude refinam os sinais que importam, e as equipes de portfólio ou de resseguro respondem mais cedo a padrões emergentes de perda.

Isso dá à otimização no nível da decisão um valor estratégico mais amplo. O benefício imediato é um tratamento melhor dos sinistros complexos e um uso mais eficaz da expertise especializada. Com o tempo, ela também cria um ciclo de feedback mais forte entre sinistros e o restante da seguradora.

Os fluxos continuarão importando. É assim que as operações de sinistros funcionam. Mas nem sempre são o melhor ponto de partida para decidir onde a IA pode gerar mais valor. Começar pela decisão facilita identificar onde contexto melhor, investigação adaptativa, controles determinísticos e expertise humana precisam se encontrar.

Para os líderes de sinistros, essa é a mudança: otimizar o fluxo em torno das decisões que importam, em vez de tratar o próprio fluxo como a unidade da transformação com IA.