As seguradoras gastaram bilhões ensinando a IA a detectar fraudes. Os sinistros que passam não estão enganando o detector, estão enganando a investigação.
As seguradoras passaram os últimos três anos ensinando a IA a detectar fraudes. Funcionou, em parte. Os modelos estão mais precisos, e sinistros suspeitos são sinalizados com mais frequência do que antes.
Então por que as perdas não diminuíram?
Porque sinalizar um sinistro e provar a fraude são dois trabalhos diferentes. E o setor só automatizou o primeiro.
A fraude raramente está no documento
A maioria das conversas sobre detecção de fraude erra aqui: os documentos costumam ser reais.
O orçamento de reparo é genuíno. A nota fiscal confere. O sinistro ocorreu. Mas alguém contratou três apólices para o mesmo imóvel em três seguradoras diferentes — perfeitamente legal — e registrou o sinistro completo nas três. A papelada de cada seguradora parece limpa isoladamente. A fraude só aparece quando os sinistros são lidos em conjunto.
Ou o custo foi inflado. Ou a cronologia não se sustenta quando comparada. O documento não está mentindo. A história é que está.
Como Stephen Applebaum e Alan Demers observaram em seu comentário de abril, quando qualquer pessoa pode produzir um recibo convincente em segundos, o documento prova quase nada. O que importa é se a história se sustenta — ao longo do tempo, entre as partes e entre as apólices. Isso exige investigação.
Todo sinistro conta uma história. A maioria nunca é lida.
Sinistros de baixo risco são pagos automaticamente, o que faz sentido quando a história é genuinamente simples. Mas a IA generativa facilitou disfarçar uma história ruim com documentos limpos. O limite para sinistros de baixo risco precisa se atualizar.
Para todo o resto, o fluxo de trabalho atual é familiar: pontuar, sinalizar e encaminhar para um investigador. Mas os investigadores são um gargalo. O Insurance Information Institute, citando o Estudo de Benchmarking de SIU de 2022 da Coalition Against Insurance Fraud, constatou que o quadro de SIU cresceu apenas 1,4% de 2021 a 2022. As sinalizações estão se multiplicando. Os investigadores, não. Como resultado, muitos sinistros sinalizados são encerrados sem uma análise real.
Um bom investigador lê a história completa: o histórico do segurado, se a oficina de reparo aparece em outros sinistros, se a data do sinistro bate com quando a apólice foi contratada. Esse panorama, não a pontuação, é o que captura a fraude.
Contextualizando os sinistros
A IA de detecção produz uma pontuação. A investigação exige um panorama. Uma diz quais sinistros analisar; a outra ajuda a determinar o que realmente aconteceu. Uma sem a outra é meio sistema.
Algumas equipes de TI de seguradoras agora se referem à próxima etapa como investigação agêntica ou autônoma. Independentemente do rótulo, a questão prática é se a IA pode ajudar investigadores a trabalharem em mais sinistros, com mais contexto e sem perder o rastro do raciocínio.
O trabalho é o mesmo que um bom investigador faz: ler documentos pelo que dizem e pelo que omitem, verificar cronologias com base em sinistros anteriores e partes entre seguradoras, consultar registros públicos e identificar inconsistências que um regulador atarefado poderia ignorar. O que deve resultar disso não é apenas uma pontuação, mas um dossiê que explica o que foi encontrado e por quê.
Essa é a lacuna em 2026.
O que as seguradoras devem perguntar
A próxima fase da modernização antifraude deve ser julgada pela utilidade investigativa, não apenas pela detecção.
O sistema consegue ler entre fontes? Um sistema que só lê o arquivo do sinistro perde grande parte da história. Os investigadores precisam de contexto de registros públicos, sinistros relacionados e atividades anteriores.
Ele se explica? Cada conclusão precisa de uma cadeia clara de raciocínio que um regulador possa auditar. Uma pontuação sozinha não é suficiente.
Consegue lidar com toda a variedade de sinistros? Processamento automático, revisão de rotina e encaminhamentos complexos não devem ser tratados da mesma forma. A abordagem investigativa deve se adaptar à complexidade do sinistro.
Ele se encaixa no ambiente de sinistros? Uma ferramenta que não se conecta à plataforma central de sinistros cria trabalho manual, não reduz.
A exigência regulatória já pressupõe investigação. O NAIC Model Act 680, em vigor em 48 estados, exige programas antifraude calculados para detectar, processar judicialmente e prevenir fraudes. As partes de processar e prevenir não decorrem da detecção isolada. A regulamentação californiana 10 CCR 2698.36 vai além: quando uma seguradora decide não investigar completamente um sinistro sinalizado, deve documentar o motivo — o que só faz sentido se a investigação for o padrão esperado.
A segunda metade da corrida armamentista
A escala não está em disputa. A Coalition Against Insurance Fraud estima as perdas anuais com fraudes nos EUA em US$ 308,6 bilhões, incluindo US$ 45 bilhões apenas em seguros de propriedade/acidentes, mesmo com as implantações de IA no setor tendo saltado 87% em 2025. O investimento está lá. As perdas não estão caindo.
As seguradoras que saírem na frente em 2026 não terão simplesmente o melhor detector. Terão construído a segunda metade do sistema — a parte que lê a história e transforma uma sinalização em uma conclusão. É aí que os números de perdas realmente se movem.
Escrito por Nitish Badu, cofundador e COO da Hesper AI
Gostou desse conteúdo? Então este evento é para você.
O Insurtech Brasil 2026 é o maior encontro da comunidade de inovação e tecnologia em seguros e acontece no dia 28 de maio, em São Paulo. Use o cupom INSURGLOBAL10 e garanta sua inscrição com desconto clicando aqui!
