À medida que o setor de seguros enfrenta uma série de desafios, como riscos em evolução, disrupções tecnológicas e mudanças nas expectativas dos clientes, as organizações que apostam em Inteligência Artificial vêm se destacando.

Elas já estão alcançando ganhos significativos de produtividade e redução de custos, ao mesmo tempo em que constroem as bases para uma inovação transformadora. Neste momento, essas empresas estão fortalecendo seus alicerces de dados e desenvolvendo uma compreensão mais profunda dos diferentes tipos de IA, seus benefícios e como aplicá-los para gerar impacto em toda a cadeia de valor do seguro.

Estamos trabalhando com uma seguradora global que projeta um aumento de US$ 100 milhões em Prêmios Emitidos como resultado da transformação do seu processo de subscrição, e essa jornada já começou. Muitas organizações agora entram na fase de escalar inovações impulsionadas por IA em toda a empresa.

Neste artigo, apresentamos nossa visão sobre a oportunidade da IA no setor de seguros, nossas principais recomendações para acelerar e ampliar sua adoção em sua organização, além das perguntas que você deve responder para escolher as iniciativas certas para o seu negócio. Mas antes, vamos contextualizar.

A maturidade em IA no setor de seguros

As seguradoras com as quais trabalhamos se enquadram, em geral, em três grandes categorias. 

• “Adotantes conservadores” costumam estar no chamado “vale da desilusão”. Após disponibilizarem o ChatGPT em nível corporativo, incentivarem experimentações e novos casos de uso por meio de comitês de IA, os resultados foram abaixo do esperado. Essa abordagem ampla foi útil para compreender os benefícios da IA generativa na criação de conteúdo, geração de linguagem, resumo de dados não estruturados (como documentos, áudios e imagens) e reconhecimento e extração de entidades, atributos e relacionamentos. No fim, isso gerou adesão de baixo para cima e ampliou o letramento em IA na organização.

• “Visionários” identificaram um número reduzido de aplicações de alto impacto, focando na automação de processos-chave com supervisão humana e aumentando significativamente a produtividade. Essas organizações foram mais estratégicas na aplicação da IA e estão entrando em uma fase de expansão. Ao adotarem uma abordagem metódica, desbloquearam oportunidades ainda maiores, capazes de enfrentar desafios estruturais do setor de forma mais profunda. Mesmo com os novos desafios que essa escala pode trazer, estão mais bem posicionadas para superá-los e continuar inovando.
• Por fim, alguns “inovadores” já constroem sistemas inteligentes que vão além da automação, retirando humanos de determinadas etapas e gerando resultados mais robustos, utilizando avanços iniciais relacionados a modelos de raciocínio (como o OpenAI o1) e IA baseada em agentes.

Vale destacar que, embora haja um foco desproporcional na IA generativa, técnicas tradicionais de aprendizado de máquina e aprendizado profundo também devem integrar qualquer estratégia abrangente de IA. Análises preditivas, classificação, agrupamento e segmentação, por exemplo, são úteis para prever cancelamentos, categorizar clientes ou aprimorar a avaliação de risco na subscrição. Técnicas de simulação e modelagem de cenários podem apoiar cálculos atuariais, como a modelagem de riscos climáticos.

O segredo é permitir que atuários, estatísticos e engenheiros tenham liberdade para experimentar, oferecendo plataformas que levem essas ideias para produção de forma segura, escalável e repetível.

Onde a IA impacta a cadeia de valor do seguro?

Ao observarmos a cadeia de valor do seguro, da criação de produtos à gestão de seu ciclo de vida, identificamos diversas oportunidades para aplicação de IA, tanto para redução imediata de custos quanto para crescimento de longo prazo, em seguros gerais e especializados.

Os quatro ingredientes essenciais para escalar a IA com sucesso

Como as seguradoras podem desbloquear essas oportunidades, seja no grupo dos “adotantes conservadores” ou dos “visionários”? O que os “inovadores” estão fazendo hoje?

Acreditamos que existem quatro ingredientes fundamentais para escalar a IA em nível corporativo:

• Construir casos de negócio abrangentes, preparando-se para IA baseada em agentes
• Criar mecanismos variados de financiamento para acelerar a adoção
• Iterar continuamente a estratégia de dados
• Desenvolver uma estrutura de ponta a ponta para levar a IA à produção e governá-la

1. Construir casos de negócio abrangentes, preparando-se para agentes de IA

Organizações que vão além da experimentação tática precisam estruturar casos de negócio que sustentem tanto valor imediato quanto capacidades futuras. Redução de custos tem limite. É essencial considerar benefícios adicionais, como novas fontes de receita, maior satisfação do cliente e mitigação de riscos.

Perguntas importantes incluem:

1. Como a IA pode transformar processos operacionais centrais? Considere áreas em que o processamento manual cria gargalos ou imprecisões em sinistros, subscrição ou administração de apólices.
2. Onde os clientes enfrentam fricção em sua jornada? Garanta que você consiga medir/quantificar e depois reflita sobre os momentos que geram insatisfação ou levam a volumes negativos ou elevados de contato.
3. Quais abordagens de avaliação de risco podem se beneficiar da incorporação de fontes alternativas de dados? Pense em onde os modelos atuais têm dificuldades com riscos emergentes.
4. Quais conjuntos de dados exclusivos a organização possui e como podem ser explorados por meio de inteligência automatizada? Esses conjuntos de dados exclusivos podem ser amadurecidos o suficiente para serem monetizados no mercado? Ou eles proporcionam uma vantagem competitiva?
5. Como o caso de negócio leva em consideração os benefícios acumulativos de uma plataforma corporativa de IA? Quanto mais “motores” de IA e produtos de dados forem desenvolvidos em toda a organização, menor será o custo marginal da próxima iniciativa de IA.
6. O que as insurtechs estão fazendo que pode ser aplicado?

Olhando para o futuro, considere como as capacidades individuais de IA de hoje podem evoluir para sistemas baseados em agentes mais sofisticados. Isso exige refletir sobre:

1. Como componentes modulares de IA desenvolvidos hoje podem se combinar em soluções mais abrangentes amanhã?
2. Quais habilidades e transferência de conhecimento ajudarão especialistas de domínio a colaborar de forma eficaz com equipes técnicas?
3. Como você vai equilibrar automação com expertise humana, especialmente em decisões complexas ou sensíveis? Onde a automação pode tomar decisões melhores por meio do processamento de um conjunto (muito) mais amplo de dados? Como você vai incorporar feedback humano no ciclo (“human-in-the-loop”) aos seus modelos para aprimorá-los?
4. Quais processos atualmente automatizados dentro da organização podem se tornar parte de um fluxo de trabalho mais amplo, impulsionado por agentes com capacidade de raciocínio?

Agentes de IA trazem uma dimensão adicional ao que foi feito até agora com a IA generativa: a capacidade de tomar decisões de forma autônoma sobre o curso de ação ideal, executando diversas tarefas ao utilizar sistemas corporativos. Essa autonomia no planejamento precisa ser organizada com os controles adequados para garantir resultados consistentes, éticos e alinhados ao negócio — mas abre caminho para casos de uso e resultados mais ambiciosos, que vão além da simples automação. 

2. Criar mecanismos variados de financiamento para escalar a adoção com velocidade

Modelos tradicionais de investimento costumam ter dificuldade para acomodar a natureza experimental e o impacto transversal da IA. Além disso, o ritmo da inovação é sem precedentes.

Isso entra em conflito com ciclos anuais de orçamento. Uma abordagem alternativa é necessária:

1. Como criar estruturas de financiamento que permitam exploração sem exigir retorno imediato?
2. Como equilibrar ganhos rápidos e oportunidades transformadoras?
3. Como promover colaboração entre áreas na construção de capacidades compartilhadas?
4. Como democratizar o acesso à IA dentro da organização?
5. Que investimentos em pessoas ampliam a capacidade de gerar mais com menos?

Essas decisões precisam partir da liderança executiva. Caso contrário, o risco é ficar para trás.

3. Desenvolver uma estrutura de ponta a ponta para levar a IA à produção e governá-la

Uma estrutura completa para transformar ideias em produtos é essencial para levar casos de uso de IA à produção com segurança e reaproveitamento de componentes.

Essa estrutura deve considerar:

1. Como padronizar desenvolvimento e implantação de modelos mantendo flexibilidade?
2. Como avaliar implicações éticas?
3. Como monitorar sistemas em produção e conectar desempenho técnico a métricas de negócio?
4. Como desenhar IA que amplie, e não substitua, o julgamento humano?
5. Como promover colaboração multidisciplinar ao longo do ciclo de vida?

A governança de IA e a gestão dos riscos relacionados ao seu uso ainda são campos em estágio inicial, com novos padrões do setor, estruturas e regulamentações sendo desenvolvidos e aprimorados ao redor do mundo. Encontrar uma resposta proporcional a esse desafio é fundamental, equilibrando garantia suficiente da robustez e confiabilidade dos sistemas de IA, a gestão adequada dos riscos relacionados aos dados utilizados nesses sistemas e a possibilidade de a inovação seguir seu ciclo sem burocracia desnecessária.

Algumas perguntas sobre o nível de maturidade em IA de uma seguradora podem ajudar a orientar as respostas adequadas:

1. Os dados já fazem parte da taxonomia oficial de riscos e são revisados regularmente para incluir novos riscos trazidos pela IA?
2. O uso de IA está restrito a provas de conceito e experimentos ou já existem casos de uso em produção?
3. Dados sensíveis, como informações pessoais e informações relevantes não públicas, estão sendo utilizados para treinar ou operar sistemas de IA?
4. Em que medida os modelos de IA são desenvolvidos e hospedados internamente, utilizados a partir de bibliotecas de código aberto ou adquiridos de terceiros? E quanto ao uso de complementos de IA, como softwares como serviço e ferramentas de produtividade que oferecem transcrição, resumo e outras tarefas de geração de conteúdo?
5. Você possui os processos de governança adequados para evitar o uso de ferramentas imaturas ou até perigosas, ao mesmo tempo em que promove experimentação e inovação e as leva rapidamente à produção?

Reflita se seus atuais modelos de governança tecnológica abordam adequadamente as características específicas da IA. Considere como a governança e os testes tradicionais de tecnologia da informação podem precisar evoluir para acomodar a natureza probabilística dos resultados da IA. E invista em uma estratégia de LLMOps para apoiar a implementação da estratégia de IA em escala, permitindo que as equipes coloquem modelos continuamente em produção, de forma segura e alinhada à estratégia.

4. Continuously Iterate Over The Data Strategy

Uma estratégia sólida de dados é fundamental para aproveitar com sucesso o poder da IA, estabelecendo as bases para casos de uso mais avançados, reduzindo o tempo até a geração de insights e trazendo valor mensurável para o negócio. Algumas das principais considerações para uma estratégia de dados preparada para IA:

1. O alinhamento com a estratégia de negócio é essencial para priorizar casos de uso de IA que estejam conectados aos objetivos organizacionais e possam ser medidos de forma eficaz. As capacidades de dados podem ser elevadas gradualmente como parte da entrega desses casos de uso, conectando o trabalho estrutural ao valor real para o negócio.
2. A implementação de estruturas sólidas de qualidade e governança de dados ajudará a levar os dados certos para as aplicações de IA certas, no momento certo — com rastreabilidade completa, auditabilidade das fontes de dados e responsabilização sobre os próprios dados. Isso é especialmente importante para dados não estruturados ou dados obscuros, que tendem a ser capturados de fontes e repositórios dispersos e de e-mails, muitas vezes sem controle adequado.
3. Os dados necessários para modelagem de risco frequentemente precisam abranger várias décadas: a estratégia de dados deve oferecer uma solução para manter a qualidade dessas informações ao longo do tempo, mesmo quando hospedadas em plataformas legadas.
4. A integração e harmonização de dados, seja de forma física ou virtual, vão acelerar a entrega de casos de uso de IA, como a criação de perfis de risco mais abrangentes que levem a decisões de subscrição mais precisas ou à capacidade de precificar de forma mais dinâmica.

Os pontos acima poderiam ser verdadeiros para uma estratégia de dados escrita há 15 anos. No entanto, o ritmo recente dos avanços tecnológicos traz a necessidade de agilidade e iteração, não apenas nos casos de uso, mas na própria estratégia. Novos sistemas de IA, novos paradigmas de arquitetura e novos conjuntos de dados estão surgindo em um ritmo sem precedentes. Isso exige uma estratégia de dados viva e dinâmica, pronta para ser adaptada ou até redirecionada à medida que novas regulamentações ou avanços tecnológicos surgem.

Uma estratégia de dados que torne dados de alta qualidade mais acessíveis a quem precisa deles permite que as seguradoras aproveitem as técnicas mais recentes de IA com maior agilidade, desenvolvendo a capacidade contínua de inovar e resolver problemas complexos com tecnologia.

O tempo de experimentar com cautela já passou 

O setor de seguros está em um ponto de inflexão no qual a adoção de IA vai diferenciar cada vez mais lideranças de mercado daqueles que vão ficar para trás. Se você não está liderando esse movimento, seus concorrentes estão. Como você viu, as seguradoras mais bem-sucedidas estão indo além de implementações experimentais de IA e avançando para uma adoção estratégica em nível corporativo, capaz de enfrentar desafios estruturais do setor.

Seguradoras com visão de futuro estão construindo casos de negócio abrangentes que equilibram retornos imediatos com posicionamento estratégico para um futuro impulsionado por IA. Estão criando mecanismos de financiamento inovadores que aceleram o desenvolvimento e a adoção, ao mesmo tempo em que gerenciam o risco do investimento. Suas estratégias de dados evoluem continuamente para incorporar novas fontes e capacidades, mantendo padrões de governança. E estão implementando estruturas de ponta a ponta que garantem que soluções de IA avancem com segurança do conceito à produção, com governança adequada.

O caminho à frente exige excelência técnica e transformação organizacional. Líderes do setor de seguros precisam promover culturas que adotem decisões informadas e orientadas por dados, sem abrir mão do julgamento humano e do foco em relacionamento que sempre diferenciaram as grandes seguradoras.

Aqueles que conduzirem essa transformação com sucesso criarão vantagens competitivas relevantes: avaliação de risco mais precisa, experiências personalizadas para clientes, operações mais eficientes e agilidade para responder a um ambiente cada vez mais volátil. A revolução da IA no setor de seguros não se resume à adoção de tecnologia, se trata de repensar as formas fundamentais pelas quais as seguradoras criam valor para clientes e acionistas.

Daqui para frente, as seguradoras mais bem-sucedidas serão aquelas que enxergarem a IA não como uma capacidade isolada, mas como uma força transformadora integrada a todo o modelo de negócio, à cultura e às operações. O tempo de experimentar com cautela ficou para trás. A era da reinvenção abrangente impulsionada por IA começou.