Home Blog

Como fazer a inovação perdurar nas organizações de seguros?

A inovação sustentável no setor de seguros exige que as organizações dominem a adoção de mudanças por meio da construção de uma cultura favorável e do desenvolvimento estratégico de programas de treinamento.

As organizações de seguros estão se tornando muito eficientes em introduzir novas soluções: sistemas, fluxos de trabalho, automação e recursos de inteligência artificial. Também estão adotando novas formas de capturar, analisar e movimentar dados. No entanto, introduzir essas mudanças é uma coisa; fazê-las perdurar é a parte mais difícil.

A tecnologia pode funcionar exatamente como foi projetada e, ainda assim, não se tornar parte da forma como a organização realmente opera. Os funcionários encontram soluções alternativas. Os produtores retornam ao processo que já conhecem. Os gestores utilizam o novo sistema de maneira diferente em cada equipe. Seis meses depois, todos estão tecnicamente usando a mesma ferramenta, mas não necessariamente da mesma forma ou pelo mesmo motivo.

Inovação significa mudança com efeito. Fazer a inovação perduras tem muito menos a ver com o que está mudando do que com quem a está adotando. O sucesso da inovação depende da capacidade da organização, enquanto entidade, de promover mudanças. Felizmente, essa capacidade não depende da sorte, mas é composta por um conjunto de habilidades que indivíduos e equipes podem dominar.

A mentalidade

O conceito de mentalidade de crescimento não é novo. Existe uma vasta literatura voltada a indivíduos sobre como cultivar uma mentalidade de crescimento e utilizá-la para alcançar objetivos pessoais. Um grupo também tem uma mentalidade, chamada de “cultura”, que existe independentemente de ter sido formada intencionalmente ou não.

O primeiro passo para construir uma cultura preparada para a inovação é eliminar os lemas contrários ao crescimento. Líderes, sejam CEOs, chefes de departamento, gerentes de vendas, líderes de treinamento ou qualquer pessoa em posição de influenciar uma equipe, precisam examinar seu próprio discurso em busca de formas pelas quais podem estar bloqueando seus objetivos ao impor verbalmente limitações sobre como suas equipes podem aprender. As pessoas fazem isso o tempo todo sem perceber, mas o crescimento de uma empresa não consegue superar por muito tempo o crescimento de seus profissionais, independentemente do nível hierárquico.

É necessário um esforço constante e consistente para construir confiança — uma confiança real de que o trabalho e a mudança são desejáveis, possíveis e valem a pena.

A dança

Fazer com que uma organização inteira, especialmente uma grande, se mova em conjunto e com agilidade é um pouco como dançar ballroom dance. Os melhores dançarinos não são apenas especialistas em uma série de movimentos pré-coreografados. Eles também são treinados em um sistema de percepção e resposta a sinais que comunicam um objetivo ou uma situação. Uma dupla de dançarinos é composta por um “condutor” e um “seguidor”: o condutor envia sinais relacionados aos objetivos e observa os sinais de situação enviados pelo seguidor.

Uma organização é um pouco diferente de uma dupla de dança. Obviamente, há mais pessoas envolvidas. Mais pessoas para pensar, mais pessoas para agir e mais pontos em que variáveis isoladas podem transformar energia em direções desconhecidas. Esse aspecto das organizações não pode ser alterado por nenhum nível de regulamentação mais rígido ou por disciplina maior, mas também tem suas vantagens — mais sobre isso adiante. Embora o movimento em meio à mudança seja um pouco mais complexo do que o de um único condutor e um único seguidor, nas organizações mais eficazes a direção e o tipo de sinais enviados são os mesmos.

Liderar do topo

A adoção bem-sucedida começa muito antes da implementação. As pessoas precisam entender o que a organização busca alcançar e como a mudança contribuirá para esse objetivo. Não se pode simplesmente instalar um novo sistema presumindo que todos compreenderão automaticamente essa conexão.

O papel do CEO ou líder é oferecer às pessoas algo em torno do qual possam se alinhar. Uma visão clara, apresentada na forma mais simples e concisa, é o resultado mais desejável. A visão não deve ser excessivamente detalhada ou prescritiva no nível operacional, por mais difícil que seja resistir a isso, mas precisa ser inquestionavelmente clara. O ideal é apresentá-la como um objetivo simples, acompanhado de contexto e, talvez, de um objetivo a ser evitado: Por causa de [contexto], nós vamos [objetivo]. Precisamos evitar [objetivo contrário] devido a [contexto adicional].

Esse é o “sinal de objetivo”.

Uma liderança clara precisa estabelecer o ponto de referência. Se a organização conseguir definir o que é sucesso, as equipes poderão tomar melhores decisões sobre como um novo processo se encaixa no panorama mais amplo. Essa é a vantagem mencionada anteriormente em relação ao caos provocado por tantas partes móveis em uma organização: à medida que o sinal do objetivo avança pela cadeia de comando e se aproxima do trabalho real, o objetivo pode permanecer tão simples e claro quanto antes, enquanto o contexto se amplia a cada camada hierárquica, até que fique evidente qual ação deve ser tomada.

Quando a ação necessária está clara, a organização está pronta para a invenção, a implementação e o treinamento.

Ensinar pelo topo

Há muito a dizer sobre como conduzir as etapas de invenção e implementação da inovação. O treinamento merece atenção especial neste artigo, pois é a contrapartida da liderança e é fundamental para a adoção sempre que uma pessoa interage com um produto ou processo.

Como deve ser o melhor treinamento? É suficiente reunir todos em um webinar, uma ou duas vezes, para apresentar o novo fluxo de trabalho? Existe uma linha de pensamento — e até mesmo um movimento — na área da educação que recomenda esse método para levar um grupo diversificado de estudantes ao melhor desempenho: ensinar no nível do topo e oferecer suporte gradual aos demais.

A verdade é que, dentro das organizações, há uma ampla diversidade de capacidades de desempenho. Há uma forte tentação de elaborar treinamentos voltados aos profissionais menos preparados, para que ninguém fique para trás. No entanto, o resultado geralmente é o oposto do desejado. Se os 20% de profissionais de alto desempenho, responsáveis por 80% da produção — segundo a distribuição de Pareto — forem apoiados para utilizarem o novo processo ou produto inovador em 100% de sua capacidade, a maior parte da mudança necessária já terá ocorrido.

Quando o princípio de “ensinar pelo topo” é aplicado corretamente, os profissionais de alto desempenho avançam rapidamente, e o nível mínimo de desempenho também se eleva graças ao objetivo ambicioso e ao suporte oferecido. Como é esse suporte? Alguns pontos para reflexão:

Instrução direta e rigorosa.
Aceleração pela profundidade, não pela velocidade.
Sequenciamento ideal dos conceitos.
Relações fortemente positivas.
Demonstrações de excelência.

Ensinar pelo topo não significa eliminar metade do conteúdo, pois se presume que ele já seja compreendido. Significa aprofundar um pouco mais cada nível.

Seres humanos no centro

A construção de uma cultura que apoie a agilidade e a capacidade de adaptação às mudanças não pode ocorrer apenas uma vez. Ela precisa continuar à medida que a organização aprende. A inovação bem-sucedida ocorre quando produtos e treinamentos são desenvolvidos com base na ideia de que a expansão da capacidade de pensamento das pessoas leva ao crescimento dos negócios.

A tecnologia, os processos e os dados são importantes. Mas, em qualquer processo de seguros que ainda envolva uma pessoa, o ser humano também importa. Essa é, muitas vezes, a diferença entre introduzir algo novo e criar uma mudança que realmente perdura.

Escrito por Abrianne Harmon, diretora de inovação da ALKEME Insurance, uma agência de seguros comerciais e pessoais, benefícios para funcionários e executivos, serviços de aposentadoria e gestão patrimonial.

ITC Vegas 2026 discute aposta no seguro paramétrico e ascensão dos drones

ITC Vegas: principais executivos falam sobre as tendências de transformação do seguro que impactam a evolução do setor e o que o futuro reserva

Milhares de profissionais de seguros se reuniram em Nevada nesta semana para o ITC Vegas, com o grande evento de inovação em seguros marcando um possível ponto de inflexão sísmico para o setor.

Principais executivos que falaram à Insurance Business America transmitiram uma mensagem enfática sobre o futuro: desde a ascensão de produtos paramétricos na distribuição comercial de pequeno porte até o papel dos dados de telemetria na avaliação de riscos, abraçar a transformação já não é opcional e as empresas dispostas a investir e inovar serão as que prosperarão nos próximos anos.

Inovação em sinistros e a lacuna de talentos

Henry Maley, vice-presidente sênior de vendas da Mid-America Catastrophe Services, disse à IBA que está vendo uma transformação significativa no lado de sinistros, principalmente na forma como os arquivos são produzidos, vistoriados e encerrados.

“Provavelmente o maior problema no setor de sinistros é produzir um arquivo com menos intervenções”, afirmou. Os drones estão sendo cada vez mais utilizados para preencher essa lacuna, enquanto o setor lida tanto com uma força de trabalho em processo de aposentadoria quanto com a demanda crescente após eventos catastróficos.

“A precisão dos drones aumentou em 100%”, disse Maley. “[Antes] eles não eram muito precisos. Suas imagens estavam pixeladas, o que causava diversos problemas. Além disso, a conformidade era um grande problema. Segurança, sigilo. Muitas pessoas não gostavam de drones voando ao redor de suas casas.”

Mas essa resistência foi, em grande parte, dissipada nos últimos 18 meses, segundo ele, com os departamentos estaduais de seguros passando a aceitar inspeções por drone como prática padrão.

Em relação à evolução mais ampla da insurtech, ele disse que há uma mudança em curso nos ciclos de hype dos últimos anos, ou seja, as expectativas da indústria agora estão firmemente alinhadas com o que a tecnologia realmente consegue entregar.

“Acho que, provavelmente, há cinco anos, com insurtech, muitas pessoas inovadoras prometiam demais em relação a um produto”, disse. “E agora [o setor] está começando a prometer um produto — e há mais foco em entregar o que dizem.”

Seguro paramétrico: “uma boa aposta”

Peter Settel, presidente e CEO da plataforma de distribuição de seguros Bold Penguin, disse à IBA que vê o seguro paramétrico como uma das próximas grandes tendências que impactarão o setor.

“O paramétrico já se estabeleceu como realmente importante em questões de grande escala, no nível da sociedade, como as lacunas na proteção agrícola, a volatilidade climática e a política”, disse. “Estamos olhando para reduzir isso na distribuição, no pequeno comércio.”

Sem ampla conscientização sobre paramétrico entre proprietários de pequenas empresas e seus corretores, liderar com ele como uma conversa de vendas independente pode parecer uma proposta difícil. Mas, embutido em uma venda comercial primária, usando a inteligência da plataforma para isolar riscos por geografia e condição e apresentar uma oferta paramétrica sem perguntas adicionais, é outra história.

“Quando você reduz um produto complexo, como o paramétrico, para o mercado comercial de pequeno porte, é importante ter precisão no posicionamento, porque ainda não há ampla conscientização”, disse.

“Mas se você puder usar tecnologia e distribuição para posicioná-lo onde faz mais sentido, agora o corretor ou quem quer que esteja pensando nisso terá contexto, e isso facilitará para eles pensarem sobre isso.”

Ele vê o seguro paramétrico evoluindo para algo mais integrado: o que descreve como uma pilha híbrida de proteção, na qual as seguradoras primárias reconhecem o valor do paramétrico ao lado dos produtos tradicionais, potencialmente por meio de empacotamento de múltiplos produtos, compensações de cobertura ou créditos para clientes que possuem ambos.

“Você tem que estar na água antes que a onda quebre para conseguir surfá-la”, disse. “Acho que o paramétrico é uma boa aposta.”

A importância dos dados

William Powers [no centro da foto acima], cofundador e CEO da Cambridge Mobile Telematics (CMT), disse que uma única palavra definiria o futuro de seu setor: dados.

Para a CMT, isso significa expandir além da telemetria automotiva para o que Powers descreve como um mundo de mobilidade – extraindo sinais de telefones, dispositivos IoT, veículos de duas rodas e de pontos de dados da infraestrutura governamental.

“Você quer obter o máximo de sinal possível sobre qualquer coisa que esteja se movendo e, em seguida, usar isso para vários casos de uso para construir sua oferta”, disse durante um painel, ao lado do investidor do Shark Tank, Daymond John [à esquerda na foto].

Powers não tem dúvidas sobre o impacto que a inteligência artificial (IA) continuará a exercer no setor de seguros. “O que antes exigia 12 pessoas, agora você faz com seis”, disse. “E essas vagas abertas vão apoiar os principais talentos em IA.”

Quais as diferenças entre seguro contra inundações e seguro residencial?

Em um relatório recente, a Clearsurance explorou as diferenças entre o seguro residencial e o seguro contra inundações. O relatório responde à pergunta: “Se um porão alagar, o seguro residencial cobrirá?”

O seguro residencial padrão cobre alagamentos no porão causados por um cano estourado, uma banheira transbordando ou outro problema interno à residência. No entanto, se o porão alagar devido a um desastre natural ou a um evento climático, o seguro residencial padrão não oferecerá cobertura.

Cobertura do seguro residencial para inundações

O seguro residencial padrão pode cobrir danos causados por inundações em muitos casos. Os danos podem variar desde problemas com carpetes até o surgimento de mofo e de problemas estruturais.

Se a inundação decorrer de um evento coberto, o seguro residencial cobre os custos de reparo.

Em períodos de frio extremo, os canos podem congelar e estourar, causando alagamentos no porão. Esse tipo de inundação costuma ser coberto pelo seguro residencial.

Às vezes, aparelhos quebram e causam inundações. Por exemplo, uma falha na conexão da máquina de lavar louça pode provocar um alagamento. Nessa situação, se a má manutenção causou o problema, o seguro pode não cobrir o dano. Porém, se o aparelho estava em dia com a manutenção, o seguro residencial deve cobrir o dano.

Se a água transbordar acidentalmente de uma pia ou de uma banheira, o dano deve ser coberto. Por exemplo, se uma criança deixar a torneira da pia do banheiro aberta e a água transbordar, o dano resultante deve ser coberto.

Seguro que de fato cobre inundações

Se ocorrer uma enchente repentina na região do proprietário, o seguro residencial padrão não cobrirá os danos causados pela inundação. Se o proprietário tiver adquirido um seguro contra inundações, esse seguro deve cobrir os danos.

Se o proprietário tiver uma bomba de sucção (sump pump) e ela falhar, alagando o porão, nem o seguro residencial padrão nem o seguro contra inundações cobrirão os danos. Para cobrir esse tipo de dano, o proprietário precisaria de um endosso de retorno de água (water backup rider) em sua apólice de seguro residencial padrão.

Proprietários que sofrem inundações causadas por ondas de tempestade, como as que seguem furacões, podem ter cobertura por meio de um seguro contra inundações. No entanto, em áreas de alto risco, muitas seguradoras agora exigem que as casas sejam elevadas para se qualificarem para cobertura. Sem essas melhorias, desastres naturais podem desqualificar os proprietários do seguro.

Todos os proprietários devem comprar seguro contra inundações?

Proprietários em áreas de alto risco devem contratar seguro contra inundações, e as instituições financeiras podem até exigir essa contratação. Mas e quanto aos que estão em áreas de baixo risco? Segundo a Clearsurance, 20% dos eventos de inundação relacionados ao clima ocorrem em áreas não consideradas de alto risco.

Proprietários em áreas de baixo risco precisam comparar os custos do seguro contra inundações com o risco real. Se o risco for maior que a média, mas não for considerado alto, o seguro contra inundações tende a beneficiá-los mais do que alguém com risco quase nulo.

Melanie Musson, especialista em seguro residencial da Clearsurance, acrescenta: “Indivíduos em zonas de inundação de baixo risco podem esperar pagar menos por mês, e aqueles em áreas de risco extremamente alto devem esperar prêmios mensais mais altos.”

Comparar opções é uma das melhores formas de o proprietário encontrar o melhor preço para sua cobertura de seguro residencial.

Prevenindo inundações em casa

Mesmo com o mais alto nível de cobertura de seguro, prevenir inundações é melhor do que acionar a apólice.

As seguradoras de seguro residencial podem fornecer informações para ajudar os proprietários a decidir quais medidas de prevenção de inundações são mais eficazes e quais podem até gerar desconto no seguro.

Às vezes, evitar o alagamento do porão pode ser tão simples quanto criar um canal de escoamento que direcione a água para longe da casa, em vez de em direção a ela. Um interruptor inteligente de água é outra medida de prevenção simples para evitar que a água alague o porão. Os proprietários podem encontrar esses interruptores em lojas de materiais de construção.

Leia o relatório completo da Clearsurance aqui: “O seguro residencial cobre porões alagados?”

IA agêntica em seguros exige novos modelos de negócios

Seguradoras asiáticas mostram que o sucesso da IA agêntica requer reinventar as forças de mercado, e não apenas buscar ganhos de produtividade em casos de uso isolados.

E se seu computador não apenas ajudasse você a digitar ou a acessar o YouTube, mas também agisse como um assistente inteligente? É isso que chamamos, de modo geral, de IA agêntica. Alguns podem pensar que a IA está aqui para melhorar a produtividade e reduzir custos, mas a mudança é muito mais profunda . Ela define como será a indústria de seguros daqui a cinco anos e como sua organização deve se adaptar.

Vantagem do primeiro movimento na Ásia e primeiros erros
A Ásia é pioneira na adoção de IA entre instituições financeiras, em contraste com os mercados desenvolvidos, frequentemente travados por dívida tecnológica e burocracia. Os aprendizados aqui revelam que, para o setor, a IA agêntica representa uma mudança nas “regras do jogo”.

Instituições financeiras asiáticas inicialmente correram para a IA agêntica, tratando-a como um projeto com múltiplos casos de uso, priorizando “impacto versus viabilidade”. Essa abordagem busca vitórias rápidas, presumindo que a organização é a única a implementar IA, o que torna a jornada arriscada e custosa. Não é surpresa que tanto a academia, como o MIT , quanto consultorias, como a BCG , relatem que 95% das organizações têm dificuldades com a IA agêntica. Tais organizações esquecem que seus clientes e parceiros também estão implantando agentes de IA .

Quando ganhos de produtividade saem pela culatra: o caso do e-mail

O que acontece quando casos de uso de IA agêntica são avaliados sem contexto? Pegue a IA para e-mails, um caso de uso de produtividade implantado há três anos, que usava IA para ajudar a escrever ou resumir e-mails recebidos. Parecia uma vitória, mas faltou contexto: certos funcionários usavam agentes de IA para simular trabalho e garantir visibilidade, o que gerou um volume de e-mails.

Conteúdo gerado por IA é difícil (alguns pesquisadores dizem que é impossível) de distinguir, por humanos ou por algoritmos, de mensagens genuinamente importantes. Os destinatários precisavam utilizar agentes de IA para buscar informações. Tanto remetentes quanto receptores relatavam, de forma míope, ganhos com a IA, embora as seguradoras provavelmente tenham implementado um caso de uso que resultou em comunicações ruins e em perda de produtividade.

A nova realidade: todos têm agentes de IA

A abordagem correta para uma seguradora que implanta IA é aceitar que outros estão fazendo o mesmo; portanto, focar apenas na produtividade interna pode não ser suficiente. Pense em sinistros. Os agentes de IA de seus segurados e de seus provedores estão analisando apólices e preparando documentos para maximizar as chances de aprovação. Lembre-se de que sua apólice de seguro odontológico oferece reembolso apenas se certos sintomas, como dor de dente, estiverem presentes. O agente de IA garante que o sintoma seja declarado, mesmo quando o segurado vai ao dentista para check-ups de rotina.

Na subscrição, assim como o Mythos da Anthropic identifica vulnerabilidades de cibersegurança , os agentes de seus clientes podem estar identificando lacunas. Seguradoras cujos processos de subscrição não consideram solicitações geradas por IA podem acabar subprecificando riscos. Em gestão de patrimônio, por que um cliente com acesso a modelos de LLM pagaria consultores que usam LLMs genéricos para gerar ideias?

Pense na distribuição em que um corretor de seguros implanta agentes de IA para identificar e contatar prospects. Corretores concorrentes fazem o mesmo, levando prospects sobrecarregados a evitar a compra.

Isso é altamente ilustrativo e, inversamente, aplica-se a uma instituição financeira que pensa em sua estratégia agêntica. Avanços anteriores, como a eletricidade e a internet, aceleraram os negócios, mas a capacidade de tomar decisões inteligentes permaneceu praticamente inalterada. Agentes de IA geram grandes volumes de conteúdo persuasivo e crível, mas essa sobrecarga reduz a capacidade de decisão.

A abordagem “business first”: três pilares para o sucesso

Instituições financeiras asiáticas concluíram que, para ter sucesso, precisam migrar para a abordagem “negócios primeiro” ou “IA aplicada”, que combina três visões — domínio de negócios, transformação e tecnologia — sob um único líder . A McKinsey costumava chamar líderes com essas habilidades de “tradutores de analytics avançados” e, desde os primórdios da IA, tem pressionado as organizações a desenvolver líderes que “garantam que as organizações obtenham impacto real de suas iniciativas de analytics”.

Pilar 1: Domínio de negócios — reinventando as forças de mercado

O domínio de negócios redefine como as forças de mercado mudarão, como a indústria gerará valor e qual será o papel de uma organização no longo prazo. Este é o pilar menos discutido e exatamente o que coloca as organizações em risco.

A maioria das organizações asiáticas é de controle privado, o que implica menor dependência de ciclos de reporte e maior capacidade de priorizar necessidades de longo prazo. Mudanças econômicas rápidas nas últimas duas décadas levaram-nas a abraçar a praticidade e a desafiar o status quo. Por exemplo, em mercados desenvolvidos com altos custos de mão de obra, muitas seguradoras parecem priorizar a tecnologia de IA agêntica para melhorar a eficiência e reduzir custos.

A maioria dos mercados asiáticos, no entanto, tem baixos custos de mão de obra, e instituições locais questionaram corretamente a implantação de IA apenas para fins de eficiência operacional no contexto regional. Contudo, os jovens, o maior segmento da população da Ásia, adotam agentes de IA para suas necessidades financeiras mais rapidamente. Isso acelerou mudanças econômicas ainda não perceptíveis nos mercados desenvolvidos.

Como a IA generativa desestabiliza fundamentos dos seguros

Já discutimos como a IA generativa desestabiliza a teoria do sinal, fundamental para os seguros modernos. Em alguns casos, os compradores de apólices podem saber mais sobre a probabilidade de sofrer uma perda do que a seguradora. A teoria do “mercado de limões” mostra que apenas os compradores “piores” (que esperam perdas maiores e mais prováveis) podem se interessar por uma apólice.

A teoria do sinal explica como partes com informação superior (atores, por exemplo, segurados) transmitem atributos a partes com menos informação (tomadores de decisão, por exemplo, subscritores) para superar a assimetria de informação. Para que a indústria funcione, sinais críveis — pense em prontuários médicos para seguro de vida — devem ser custosos de imitar. A IA generativa capacitou qualquer ator a gerar sinais fortes, desestabilizando os fundamentos da assunção de riscos, com estudos empíricos já demonstrando erosão da confiança.

Como atores podem sinalizar qualidade de forma crível quando os sinais podem ser fabricados a baixo custo? Acreditamos que a resposta está ancorada no design de mecanismos , a disciplina econômica preocupada com um tomador de decisão que projeta regras para que atores racionais revelem atributos verdadeiros, mesmo quando seu interesse pode ser usar IA generativa.

O líder de IA aplicada precisa possuir profundo conhecimento do domínio de seguros e também uma perspectiva acadêmica prática. Esse líder analisa disrupções para chegar a uma visão sobre qual seria o papel da organização. O resultado poderia ser que a proposta de valor deveria estar na prevenção de riscos, em vez de na precificação de riscos; mudar os segmentos de clientes-alvo; integrar verticalmente, trazendo certos serviços para dentro da empresa; ou nivelar a IA para enfrentar riscos morais.

Pilar 2: Transformação — repensando processos e cultura

A transformação deve focar em agilidade, mudanças de processos, tomada de decisão e papéis humanos. “Um número crescente de estudos revela que sistemas humano–IA não necessariamente alcançam resultados melhores do que os obtidos pelo melhor entre humanos e IA sozinhos”. Muitas organizações baseiam a avaliação de desempenho de IA na eficiência, na precisão ou na produtividade. No entanto, “hoje, o ganho de produtividade não é mais o único critério de avaliação. Em muitas instâncias, espera-se que sistemas de computador ampliem nossa criatividade, revelem oportunidades e abram novas fronteiras inexploradas”.

Instituições legadas precisam desfazer certas culturas seguidas religiosamente por anos. Certos avanços garantiram que os funcionários sigam os manuais e os processos prescritos pela gestão. Como resultado, muitas organizações operam como fábricas, com processos equivalentes às linhas de produção do início dos anos 1900. Funcionários e gerência média têm pouca ou nenhuma discricionariedade além do prescrito. Essa prática pode ter sido apropriada antes, mas a economia da IA agêntica é imprevisível; manuais e processos ficam desatualizados num piscar de olhos.

Pilar 3: Tecnologia — construindo a infraestrutura para agentes de IA

A visão de tecnologia é a mais discutida e retrata como os recursos não humanos são ampliados por agentes de IA. O aprendizado com o progresso asiático em IA agêntica é a necessidade de líderes de IA aplicada adotarem uma visão ampla sobre a tecnologia na indústria financeira e fundamentarem temas quentes, como dívida tecnológica, qualidade de dados, MCP e A2A, e designs de fluxo de trabalho agêntico, etc.

Paisagem tecnológica única da Ásia

A Ásia abriga 5 bilhões de pessoas — cerca de 10 vezes a população combinada da Europa Ocidental e dos EUA — com interações entre diversos grupos étnicos que têm seus próprios idiomas, culturas e estilos de negócios. A Ásia responde por cerca de 50% das transações não monetárias globalmente , com a maioria dos países, incluindo Índia e China, já sem uso de dinheiro e com crescimento do PIB inimaginável em mercados desenvolvidos.

Instituições asiáticas lidam com volumes e diversidade de transações sem precedentes, então, escala e agilidade tradicionalmente foram priorizadas em detrimento da política e da oferta de produtos sofisticados. Além disso, muitos produtos de software excessivamente complexos, adotados em mercados desenvolvidos nas últimas duas décadas, tiveram pouca relevância na Ásia.

Antes dos LLMs e da IA agêntica, o ecossistema tecnológico asiático já estava focado no desenvolvimento de soluções de software locais para lidar com grandes volumes de dados. Provedores nativos de software dominaram designs de fluxo de trabalho agêntico usando Grafos Acíclicos Direcionados com gerenciamento de estado, permitindo que agentes “planejem, ajam, observem e reflitam”. MCP, o “USB-C para IA”, chegou à Ásia como uma interface padronizada, permitindo que agentes puxem contexto em tempo real de fontes como bancos de dados SQL, sistemas de CRM e core bancário.

Para mercados desenvolvidos, o MCP resolveria o ponto crônico de dor da dívida tecnológica ao criar uma camada de abstração sobre os sistemas legados centrais. Complementando isso está o protocolo A2A, que facilita a coordenação ponto a ponto, e o AP2, que capacita agentes a realizar transações financeiras com ou sem presença humana.

Desafios arquiteturais: fazendo agentes de IA trabalharem juntos

A maioria dos sistemas legados foi arquitetada para fluxos de trabalho que funcionavam adequadamente em operações baseadas em regras. Enquanto isso, a IA agêntica exige interfaces abertas, em que os fluxos de trabalho não são codificados de forma rígida e em que qualquer processo pode ser decomposto, atribuído a um agente e remontado. Organizações estão adotando capacidades de IA em departamentos separados e de forma relativamente isolada. O confinamento limita o risco, permitindo que as equipes demonstrem valor; a questão real é como esses módulos funcionam como um todo coerente.

Loops de agentes, em que o Agente A aciona o Agente B, que reage ao Agente A, exigem arquiteturas modernas que incluam disjuntores para interromper cadeias que excedam limites definidos de profundidade ou duração. Desacordos entre agentes surgem quando dois agentes com mandatos complementares chegam a conclusões diferentes. Violações de limite de autoridade ocorrem quando agentes agem além de seu escopo definido.

Governança de dados e gerenciamento de esquema

Recomenda-se um modelo orientado a esquemas. Seguradoras devem adotar um configurador mestre de esquema que permita aos usuários governar o comportamento de agentes sem código. O setor de seguros é desafiador devido ao grande volume de dados não estruturados. Décadas de documentação em papel e de digitalização inconsistente deixaram as organizações com estados de dados que não podem ser consultados em tempo real.

Para que a IA agêntica funcione, três áreas são fundamentais. Bancos de dados vetoriais permitem a busca semântica em corpora de documentos, possibilitando a recuperação de contexto. Pipelines de extração estruturada convertem documentos não estruturados em registros consultáveis. O gerenciamento de dados mestres mantém conjuntos de dados de referência que podem ser usados para consulta, correspondência e julgamento em tempo real.

Salvaguardas regulatórias: garantindo responsabilidade e controle

Como reguladores, somos da opinião de que sistemas autônomos que tomam decisões com impacto no cliente devem ser auditáveis, explicáveis e interrompíveis . Para garantir que os agentes não ultrapassem a autoridade, devem ser incluídas salvaguardas. A pontuação de confiança exige que cada saída de IA inclua uma estimativa numérica de confiança, com escalonamento automático para funcionários humanos quando a confiança for baixa.

Fluxos de trabalho de revisão obrigatória bloqueiam decisões de alto risco, exigindo aprovação humana que não pode ser contornada. Loops de feedback contínuo significam que cada correção treina os modelos. Trilhas de auditoria abrangentes fornecem registros completos.

Um roteiro de modernização em cinco passos

Uma abordagem de modernização em cinco passos é necessária:

Passo 1: Comece com descoberta estruturada. A maioria das tentativas falha porque as organizações pulam direto para a engenharia. Seguradoras devem elaborar um blueprint claro de seus processos. Essa fase de descoberta deve identificar oportunidades de separar capacidades em componentes — unidades que podem se tornar serviços plug-and-play com APIs abertas, permitindo que futuros agentes e sistemas parceiros integrem-se de forma flexível.

Passo 2: Separe o design da validação da execução. Seguradoras devem introduzir uma fase de solução em que uma pequena equipe define o estado futuro, determinando quais capacidades serão reconstruídas ou substituídas e como os fluxos de trabalho devem operar. Somente após a validação do design, as equipes de engenharia devem começar a executar. Sistemas de IA podem ajudar a extrair padrões não documentados de entrevistas, traduzir requisitos em arquiteturas e simular modelos potenciais para testar pressupostos sob estresse.

Passo 3: Construa em paralelo. A plataforma-alvo deve ser desenvolvida de forma independente enquanto os sistemas legados continuam operando. Uma sequência específica é recomendada — carregue primeiro os dados mestres não voltados a membros, aceitando uma janela curta (tão breve quanto possível) durante a qual as atualizações possam precisar ser refletidas tanto em sistemas legados quanto nos novos. Uma vez carregado, valide a configuração executando apólices de teste.

Passo 4: Migre os dados por meio de processos controlados e incrementais. Um único cutover grande concentra risco e cria janelas de recuperação estendidas se as coisas derem errado. Portanto, uma estratégia de migração controlada é benéfica. Coloque o novo sistema online e migre os dados em lotes escalonados. Nem todos os dados precisam migrar; os dados históricos muitas vezes são mais adequados para armazenamento em arquivos ou em data lakes. Antes da migração, a nova plataforma deve ser testada em ambientes de menor nível. Uma vez validado, o sistema pode entrar em operação enquanto os sistemas legados continuam a gerenciar a carteira existente. Sistemas de IA apoiam isso ao inferir esquemas não documentados, mapear campos e extrair dados estruturados a partir de registros.

Passo 5: Desative sistemas legados. O passo final, frequentemente negligenciado, é descomissionar sistemas legados. Deixá-los parcialmente operacionais acarreta custos e riscos desnecessários. Em vez disso, as seguradoras devem arquivar dados históricos quando necessário, garantir a conformidade na retenção de registros e descomissionar totalmente a referida infraestrutura.

O momento Kodak: adaptar-se ou tornar-se obsoleto

Organizações focadas em casos de uso de produtividade perdem de vista o quadro geral, mas a indústria de seguros provavelmente não existirá na forma atual daqui a cinco anos. Pense na Kodak há 30 anos: uma líder em otimizar os custos de produção de filmes que perdeu quando a digitalização mudou as preferências. Nessa democratização, as seguradoras precisam migrar para modelos de negócios redesenhados para atender à mudança e estruturar suas jornadas de IA de acordo com ela.

Para o white paper completo do qual este artigo foi adaptado, clique aqui.

Escrito por:
Maxim Afanasyev, executivo sênior de IA, soluções e gestão de produtos no Google.
Tomas Holub, CEO e fundador da CoverGo, uma plataforma de IA para seguros de saúde, de vida e de danos.

Por que um histórico de incidentes limpo é um indicador ruim de prontidão cibernética

Um histórico sem incidentes pode dizer mais sobre a qualidade do monitoramento do que sobre o nível real de segurança

Um histórico com poucos incidentes é uma das primeiras métricas utilizadas pelas seguradoras cibernéticas para avaliar a postura de segurança de uma organização. A lógica é que menos incidentes indicam menor risco. Mas há uma falha nesse raciocínio: um registro silencioso pode mostrar apenas o que a organização detectou e optou por divulgar. Ele não revela o que chegou aos seus sistemas sem identificação.

Ashu Savani [foto], cofundador da TryHackMe, plataforma de treinamento em cibersegurança baseada em navegador, afirma que um histórico sem incidentes é um indicador ruim de prontidão cibernética. Nesta entrevista, ele explica o que gestores de riscos, seguradoras e equipes de segurança deveriam analisar.

O que um histórico silencioso não revela

O Payment Card Industry Data Security Standard (PCI DSS), criado pelas principais bandeiras de cartões para estabelecer requisitos básicos de segurança, apresenta um princípio que vale a pena considerar. Um baixo número de constatações em uma avaliação de segurança raramente comprova que a proteção é eficaz. Na maioria das vezes, isso significa que a avaliação foi excessivamente restrita para identificar os problemas existentes.

Savani aplica essa lógica ao histórico de incidentes como sinal de subscrição.

“Um histórico limpo pode significar resiliência real, mas também pode indicar que a organização delimitou seus testes de forma tão restrita que nada veio à tona, reduziu silenciosamente a gravidade do que encontrou ou simplesmente não informou o que aconteceu”, disse.

Savani aponta a detecção como a lacuna estrutural que agrava o problema. Segundo ele, o número de incidentes de uma organização é limitado apenas ao que seu monitoramento consegue identificar. Uma violação não detectada não pode ser divulgada. Assim, a seguradora interpreta um histórico limpo sem saber se a segurança funcionou ou se o monitoramento falhou completamente.

“Não é possível divulgar um incidente que nunca foi identificado”, disse Savani.

Isso cria um problema estrutural na subscrição. Tratar um baixo número de incidentes como um sinal confiável de baixo risco favorece organizações que podem ter mantido as estatísticas baixas por motivos errados. Um histórico limpo pode dizer mais sobre a qualidade do monitoramento do que sobre a verdadeira prontidão cibernética da organização.

A IA eliminou o limite de conhecimento técnico

A ameaça descrita por Savani não é um invasor mais habilidoso, mas um invasor menos qualificado com ferramentas melhores. Os grandes modelos de linguagem (LLMs) tornaram o conhecimento aprofundado sobre plataformas acessível sob demanda, em qualquer etapa de um ataque e em praticamente qualquer sistema corporativo.

A equipe de Savani encontrou um caso que ilustra esse cenário. O ataque começou com movimentos desajeitados, típicos de um operador inexperiente. De repente, o mesmo invasor demonstrou o domínio de quem conhecia profundamente a plataforma e avançou rumo à execução de uma fraude.

“Nós discutimos se era um intermediário de acesso inicial repassando o controle a um comprador mais avançado”, disse. “A perícia confirmou que se tratava da mesma pessoa durante todo o processo.”

Savani afirma que um modelo de IA de uso geral pode explicar como funciona o sistema de mensagens da Society for Worldwide Interbank Financial Telecommunication (SWIFT) ou como é estruturado um sistema de gestão de relacionamento com o cliente (CRM). Essas são perguntas técnicas e de domínio público, não solicitações de assistência para invasão; portanto, o modelo não tem motivo para recusá-las. A ameaça que isso representa para as organizações já tem gerado alertas de agências de inteligência dos Estados Unidos, do Reino Unido, da Austrália, do Canadá e da Nova Zelândia.

“Um invasor não precisa mais de anos de experiência em uma determinada plataforma para operar nela com eficiência”, afirmou. “Ele pode se tornar um especialista razoável sob demanda, durante o próprio ataque, em praticamente qualquer sistema corporativo, por mais especializado que seja.”

Savani diferencia a maneira como diferentes grupos de ameaças utilizam essa capacidade. Grupos focados em reconhecimento usam a IA para compreender discretamente o alvo antes de agir. Grupos de ransomware e de crimes digitais perdem a paciência e recorrem à tecnologia para automatizar e ampliar suas operações.

“As organizações e os funcionários disponibilizam gratuitamente uma grande quantidade de informações úteis nas redes sociais ou em páginas corporativas. Por isso, muitas vezes, os invasores não precisam procurar muito: simplesmente se deparam com esses dados”, disse. “A IA eliminou o limite de habilidade e de esforço que antes restringia o que um único invasor podia fazer.”

Da atestação à validação

Segundo Savani, o problema da maioria das avaliações de risco cibernético é que elas medem a presença dos controles, e não o desempenho deles.

“É preciso partir do fato de que os seguros querem organizar os riscos em categorias claras e mensuráveis, mas a preparação não funciona dessa maneira”, disse.

A distinção que ele estabelece é entre atestação e validação.

“Atestação é uma organização que afirma possuir seis administradores de domínio. Validação é mostrar como se chegou a esse número.”

O mesmo teste deve ser aplicado a qualquer controle, afirma Savani. As regras do firewall são verificadas ou apenas registradas? As regras de detecção são testadas ou apenas documentadas em um questionário? A resposta indica se o programa está funcionando ou se existe apenas formalmente.

Avaliações pontuais agravam o problema, segundo ele. Uma única medição mostra o que a organização possui em determinado momento. Duas ou mais medições ao longo do tempo revelam se os programas de gestão de exposição, de resposta a incidentes e de ameaças internas estão realmente evoluindo.

“É como comparar ver fotos de uma casa em um anúncio com percorrer cada cômodo pessoalmente”, disse Savani. “Um modelo de subscrição melhor exige que as seguradoras realizem essa inspeção diretamente.”

Na prática, ele defende que as seguradoras acompanhem exercícios de simulação e verifiquem se um teste de intrusão abrange aquilo que afirma abranger. Aceitar um relatório sem questionamentos é uma característica do modelo antigo.

“Existe algo semelhante em outras áreas dos seguros”, disse Savani. “Seguradoras comerciais instalam sensores nos equipamentos de um cliente e oferecem um prêmio menor em troca dos dados. Da mesma forma, seguradoras de automóveis reduzem a tarifa quando o cliente permite que observem como ele realmente dirige. O seguro cibernético poderia funcionar da mesma maneira, incentivando a transparência e a validação proativa da capacidade.”

Como é a prontidão sob pressão

Organizações fortes, com poucos incidentes reais, enfrentam um paradoxo, afirma Savani. Quanto melhores são os controles, menos prática a equipe tem sob pressão. Isso reduz as evidências concretas de que a resposta funcionará quando necessário.

“Equipes maduras contornam esse problema presumindo que houve uma violação”, disse. “Elas realizam exercícios reais nos quais determinados controles são deliberadamente desligados, e a equipe precisa responder, a partir daquele momento, como se fosse uma situação real. Não é igual a um incidente verdadeiro, mas é o mais próximo disso que existe. É assim que programas sólidos desenvolvem prática sem esperar que um invasor ofereça essa oportunidade.”

“As organizações que nos preocupam são aquelas que ignoram essa etapa, nas quais a confiança depende inteiramente de que os controles funcionem e é testada pela primeira vez no dia em que um deles falha”, acrescentou Savani.

A verdadeira prontidão cibernética, argumenta Savani, não é um estado binário, mas uma escala. Em uma extremidade, há um exercício básico de simulação. Na outra, uma simulação completa de toda a organização, que testa a resposta técnica, a continuidade dos negócios e a recuperação de desastres, além da capacidade da empresa de continuar operando enquanto tudo isso acontece.

As organizações não precisam começar pelo nível mais avançado, segundo Savani.

“O ponto de partida envolve três questões: os responsáveis pela resposta realmente têm as habilidades que o plano pressupõe? As premissas do plano se sustentam quando são testadas, em vez de apenas parecerem adequadas no papel? O fluxo de trabalho consegue resistir ao contato com um incidente real?”

A diferença entre o que parece pronto e o que está pronto é a única coisa que vale a pena medir, acrescenta.

“Treinamento não é o mesmo que estar pronto”, disse Savani. “A implementação de um controle não significa que ele esteja funcionando. Prontidão é o que resta depois que se eliminam as premissas e o plano é efetivamente testado sob pressão.”

Tecnologia acelera a regulação de sinistros de incêndios florestais, mas ainda há lacunas

De imagens de propriedades feitas antes dos sinistros a avaliações de danos com apoio de inteligência artificial, as seguradoras contam com mais ferramentas para acelerar a regulação de sinistros causados por incêndios florestais.

Os sinistros relacionados a incêndios florestais estão cada vez mais orientados por dados, à medida que as seguradoras utilizam imagens aéreas, inteligência artificial e informações históricas das propriedades para avaliar os danos mais rapidamente após uma catástrofe.

A mudança ficou mais evidente após grandes eventos na Costa Oeste. Os incêndios de Palisades e Eaton, na Califórnia, ocorridos no ano passado, resultaram em um evento de sinistros excepcionalmente grave devido à escala da destruição em comunidades densamente povoadas e de alto valor.

Os incêndios florestais de Spokane, neste ano, representaram outro teste para as seguradoras e os fornecedores de tecnologia para sinistros, embora o perfil das perdas tenha sido diferente.

O uso crescente de inteligência sobre propriedades está mudando a velocidade com que os clientes recebem uma avaliação inicial, a forma como os sinistros são classificados após um grande evento e o tipo de evidência disponível quando surgem dúvidas sobre danos preexistentes.

Como os sinistros de incêndios florestais evoluíram

Andrew McCallum, vice-presidente de operações especiais da Sedgwick, afirmou que a dimensão dos incêndios de Palisades e Eaton, no ano passado, foi excepcional devido à extensão das áreas atingidas pelas chamas.

“Eu definitivamente chamaria de um momento único, porque houve uma quantidade muito grande de danos”, disse McCallum. “Estamos falando de residências inteiras avaliadas em milhões de dólares e de bairros inteiros sendo destruídos.”

Os incêndios florestais deste ano, em geral, foram diferentes porque não atingiram áreas metropolitanas importantes na mesma proporção. A densidade populacional, os valores segurados e a concentração de seguradoras podem influenciar a gravidade e a complexidade dos sinistros decorrentes de incêndios florestais.

O ambiente de sinistros também mudou junto com o risco. Mesmo quando um incêndio deixa pouca parte da estrutura para ser inspecionada, os reguladores agora têm acesso a informações sobre a propriedade que, uma década atrás, levariam dias ou semanas para serem obtidas.

As equipes de sinistros podem obter medidas e outras informações sobre uma residência mesmo quando a estrutura foi completamente destruída pelo fogo. Os bancos de dados digitais também aceleram as pesquisas sobre histórico de propriedade, gravames e outras questões que podem complicar o pagamento.

“Existe a possibilidade de observar a residência antes mesmo do incêndio florestal ocorrer”, disse McCallum. “Há apenas dez anos, você não tinha todos esses recursos digitais e essa biblioteca de informações que as pessoas reuniram e armazenaram para que pudéssemos usá-la e dizer: ‘Certo, como era o edifício antes?’ Como ele está hoje?’”

A velocidade é importante quando as seguradoras lidam simultaneamente com centenas ou milhares de perdas. Isso pode resultar em jornadas de sinistros muito diferentes para clientes afetados pela mesma catástrofe, com perdas simples avançando mais rapidamente, enquanto sinistros complexos ainda exigem uma regulação mais detalhada.

Incêndios de Spokane colocam imagens aéreas em ação

Os incêndios florestais de Spokane, neste ano, também demonstraram a rapidez com que as imagens aéreas podem ser utilizadas após uma catástrofe.

David Tobias, diretor de produtos da Nearmap, afirmou que a empresa foi uma das primeiras a sobrevoar a região após os incêndios, capturando imagens poucas horas após o início do evento. Segundo ele, diferentemente de um tornado, em que a trajetória dos danos é praticamente definida assim que o evento termina, os incêndios florestais podem continuar avançando, exigindo voos repetidos e imagens atualizadas.

As seguradoras também podem comparar imagens recentes, obtidas antes da catástrofe, com fotografias capturadas após o evento. Isso ajuda a estabelecer quais danos já existiam antes do incêndio florestal e quais foram causados pela perda mais recente. Segundo Tobias, essa comparação histórica pode ser especialmente importante quando os sinistros envolvem dúvidas sobre a possibilidade de a deterioração ou o dano ser anteriores ao evento.

A tecnologia poderá, futuramente, levar muito mais informações aos estágios iniciais de um sinistro. Medidas da propriedade, características do telhado e dados sobre preços de materiais podem ser reunidos antes mesmo de um regulador visitar fisicamente o edifício danificado.

“Estou entusiasmado com a forma como reunir dados de inteligência sobre propriedades em um único local pode afetar esse tipo de fluxo de trabalho, reduzindo o que poderia levar 30 dias a apenas horas ou minutos”, disse Tobias.

Onde as imagens aéreas ainda falham

Uma inteligência mais rápida sobre as propriedades pode permitir que as seguradoras identifiquem perdas totais simples, priorizem sinistros mais complexos e comecem a efetuar alguns pagamentos mais cedo.

No entanto, há limitações. McCallum afirmou que as aeronaves nem sempre podem sobrevoar as propriedades enquanto um incêndio florestal estiver ativo, o que pode causar atrasos na obtenção de imagens detalhadas. A copa das árvores também pode ocultar estruturas e reduzir a qualidade das informações disponíveis após algumas perdas.

“O momento de obter as informações e de colocar um drone no ar também pode ser problemático”, acrescentou McCallum. “É preciso levar todos esses fatores em consideração.”

A existência de ferramentas sofisticadas de imagens aéreas e de inteligência artificial não significa, necessariamente, que informações detalhadas sobre cada propriedade estarão disponíveis enquanto o evento estiver em andamento.

Ao mesmo tempo, as seguradoras estão avançando com cautela no uso de inteligência artificial e de outras ferramentas digitais no tratamento de sinistros. McCallum citou preocupações relacionadas à cibersegurança e à proteção de informações pessoais, além da necessidade de estabelecer quais tecnologias produzem resultados úteis de forma consistente. Assim, as seguradoras precisam equilibrar o potencial de acelerar significativamente a regulação de sinistros catastróficos com a confiabilidade, o momento e a segurança dos dados que fundamentam essas decisões.

À medida que os sinistros de incêndios florestais se tornam mais orientados pela tecnologia, a velocidade das ferramentas será importante, mas também será essencial saber quando as informações são suficientemente confiáveis para embasar uma decisão.

O novo mundo da reconstrução de acidentes

Evidências digitais de dashcams, drones e gravadores de dados veiculares agora complementam a análise física de colisões na reconstrução moderna de acidentes.

Não faz muito tempo que a reconstrução de acidentes dependia principalmente das evidências físicas deixadas após uma colisão. Marcas de pneus, sulcos na pista, danos aos veículos, medições da cena e depoimentos de testemunhas formavam a base da maioria das investigações.

Esses elementos continuam essenciais hoje. A diferença é que agora são acompanhados por uma coleção cada vez maior de evidências digitais que podem fornecer informações adicionais sobre como o acidente se desenrolou.

De dashcams e câmeras de frotas comerciais a drones, gravadores de dados de evento (EDRs) e sistemas de infoentretenimento dos veículos, os engenheiros forenses têm acesso a mais informações do que nunca. O desafio não é apenas coletar os dados, mas também validá-los, interpretá-los corretamente e integrá-los às evidências físicas para desenvolver conclusões cientificamente embasadas.

Câmeras estão mudando o cenário

Evidências em vídeo tornaram-se cada vez mais comuns em investigações de acidentes.

De acordo com uma pesquisa recente, quase 30% dos motoristas nos EUA usam dashcams, um número que continua a crescer a cada ano. As frotas comerciais adotaram a tecnologia ainda mais rapidamente. Um relatório do setor apontou que 84% dos motoristas de empresas têm dashcams instaladas em seus veículos de trabalho, um aumento de 29 pontos percentuais em relação ao ano anterior. Quase 65% dos motoristas comerciais também relataram que seus empregadores exigem o uso de dashcam.

Esses números ilustram uma tendência importante para engenheiros forenses: muitos acidentes graves são capturados em vídeo. Além disso, os investigadores podem ter acesso a gravações de múltiplas fontes, incluindo dashcams pessoais, câmeras de frotas comerciais, câmeras de tráfego, sistemas de segurança e até smartphones de transeuntes.

Embora múltiplos pontos de vista possam fornecer informações valiosas, cada gravação captura apenas uma perspectiva. Posicionamento da câmera, taxa de quadros, distorção de imagem, condições de iluminação e sincronização afetam o que um vídeo pode e não pode demonstrar de forma confiável.

Por essa razão, as evidências em vídeo nunca são avaliadas isoladamente. Engenheiros comparam cada gravação com as evidências físicas e os princípios de engenharia estabelecidos antes de chegar a conclusões.

Preservando cenas de acidente antes que desapareçam

Ao contrário das evidências digitais, as cenas físicas de acidentes são temporárias.

Veículos são removidos, destroços são limpos e o clima ou o tráfego podem alterar rapidamente as marcas na pista. Evidências importantes podem desaparecer em poucas horas.

Drones e scanners laser 3D tornaram-se ferramentas cada vez mais valiosas para documentar cenas de acidente antes que essas mudanças ocorram. Scanners a laser 3D permitem capturar dezenas de milhões de pontos individuais no espaço 3D, possibilitando a preservação digital de ambientes 3D em nível de milímetros, com detalhes completos e coloridos. Em conjunto com dados de scanner a laser 3D, drones permitem capturar, em minutos, centenas de fotografias sobrepostas de alta resolução de uma cena de acidente, com detalhes. Usando fotogrametria, essas imagens podem ser convertidas em um modelo tridimensional preciso e em imagens em escala, de qualidade cartográfica, da via, dos veículos e do entorno.

Em vez de depender apenas de fotografias tiradas do nível do solo, os investigadores podem preservar toda a cena de cima, criando um registro digital permanente que pode ser analisado muito tempo depois de a via ser reaberta.

Construindo uma reconstrução tridimensional

Um modelo tridimensional fornece muito mais do que apenas uma representação visual da cena do acidente. Uma vez que a cena foi documentada com precisão, engenheiros forenses podem integrar evidências adicionais ao modelo digital, incluindo gravações de dashcam, filmagens de vigilância e outras fontes de vídeo.

Isso permite aos investigadores:

Medir distâncias, declividades da via e posições dos veículos com precisão.
Analisar as velocidades dos veículos e o timing ao longo da sequência de eventos.
Avaliar as linhas de visão do motorista, a visibilidade e a geometria da via.
Comparar evidências em vídeo com medições físicas.
Revisitar virtualmente a cena do acidente muito tempo depois de as evidências físicas terem sido removidas.

O resultado é uma reconstrução abrangente baseada em dados mensuráveis, não em suposições.

Veículos atuais geram mais dados do que nunca

Muitos veículos modernos registram muito mais informações do que a maioria dos motoristas imagina.

Gravadores de dados de evento (EDRs), também conhecidos como “caixa preta” do veículo, podem capturar informações como a severidade da colisão, a velocidade do veículo, o acionamento dos freios, a posição do acelerador, as entradas de direção, o status do cinto de segurança e outros parâmetros de operação do veículo imediatamente antes e durante uma colisão. De fato, o Knott Laboratory pode recuperar e analisar informações de EDR de 57 marcas e 700 modelos de veículos.

Em muitos casos, os investigadores também podem ter acesso a dados armazenados em sistemas de infoentretenimento, dispositivos conectados ou plataformas de telemática. Dependendo do veículo, esses sistemas podem fornecer contexto adicional sobre a atividade de navegação, as comunicações, os dispositivos conectados ou as operações do veículo antes da colisão.

Cada fonte contribui com mais uma peça do puzzle, mas nenhuma conta a história inteira sozinha.

No Knott Laboratory, engenheiros avaliam informações digitais, inspeções veiculares, evidências da via, documentação da cena e depoimentos de testemunhas para determinar se todas as evidências disponíveis sustentam uma reconstrução consistente.

Tecnologia apoia a ciência

À medida que os veículos se tornam mais conectados e o vídeo se torna cada vez mais comum, a reconstrução de acidentes continua a evoluir. Evidências digitais ampliaram as ferramentas disponíveis para engenheiros forenses, mas não alteraram os princípios científicos que orientam cada investigação.

O papel do engenheiro forense é analisar objetivamente cada fonte disponível de evidência, compreender as forças e limitações de cada uma, e determinar se os fatos sustentam uma conclusão particular.

Seja na reconstrução de acidentes envolvendo veículos de passeio, motocicletas, caminhões comerciais, pedestres ou bicicletas, o Knott Laboratory combina décadas de experiência em engenharia forense com tecnologias investigativas avançadas de hoje para fornecer análises objetivas e cientificamente embasadas a diversos clientes, desde provedores de seguros até advogados.

A tecnologia captura a evidência e a ciência dá significado a ela.

Escrito por Seth Behrens, P.E., DFE, diretor de engenharia em reconstrução de acidentes no Knott Laboratory.

Por que data centers de IA impulsionam a demanda por seguro paramétrico

A demanda por seguro paramétrico para data centers construídos para atender à IA deve aumentar em breve, segundo especialistas em seguradoras comerciais que atuam nesse produto relativamente novo.

O seguro paramétrico paga quando ocorre um evento de perda e é precificado com base na probabilidade desse evento, ao passo que o seguro convencional cobre o valor real da perda. Esse tipo de cobertura atrai grandes empresas de tecnologia como forma de proteger os data centers de IA que constroem.

“O mercado se uniu para desenvolver soluções”, disse James Nelson, líder da prática de data centers e infraestrutura digital dos EUA na Lockton Companies, uma corretora global de seguros, em um webcast recente. “O mercado de seguros talvez nem sempre seja o mais rápido a se adaptar a novos desenvolvimentos, mas, neste caso, todo mundo está se movendo muito, muito rápido.”

A cobertura paramétrica para data centers concentra-se principalmente em eventos de catástrofes naturais e em questões relacionadas aos acordos de nível de serviço (SLAs) entre os proprietários dos centros e seus inquilinos. Grandes empresas de tecnologia que constroem ou apoiam os data centers, como Microsoft, Amazon e Google, são especialistas em gerenciar esses centros e em minimizar riscos operacionais, segundo Sharon Haran, diretora comercial da Parametrix Solutions, que oferece cobertura paramétrica para infraestrutura digital.

Embora catástrofes naturais afetem significativamente a infraestrutura que sustenta os data centers, a probabilidade de um evento desse tipo atingir um data center é baixa o suficiente para ser considerada um risco aceitável pelas seguradoras, disse Haran.

“Não vemos aqui uma frequência de 10% ou 20% ao ano, o que tornaria o produto extremamente caro e não lucrativo do ponto de vista do seguro”, disse ele. “Mas vemos uma frequência que faz sentido tanto para o segurado quanto para a seguradora.”

Como ativos físicos, os data centers são bem projetados e bem construídos, disse Nelson. “Não houve uma perda superior a US$ 1 bilhão por aí que testasse o mercado de seguros, que testasse toda a interconectividade dos contratos”, disse ele.

Os SLAs são o maior risco para os data centers, e o seguro paramétrico pode mitigar esse risco, segundo Haran. Para data centers, os SLAs definem as obrigações de desempenho do proprietário perante os inquilinos em aspectos como o fornecimento de energia, os níveis de temperatura e a conectividade à internet. Cada um desses elementos é mensurável e quantificável em relação aos parâmetros estabelecidos em um SLA, que servem como benchmarks para a cobertura paramétrica, disse Haran.

Os SLAs frequentemente estabelecem percentuais do aluguel que os inquilinos podem reter ou receber de volta se os critérios do acordo não forem atendidos, o que representa perdas que o proprietário poderia recuperar por meio de um seguro paramétrico. Um proprietário que perde receita de aluguel terá dificuldades para honrar suas dívidas e pagar salários.

“Essa instabilidade, flutuação ou potencial flutuação no fluxo de caixa da organização é exatamente o ponto em que o seguro de SLA tenta trazer certeza aos operadores, investidores e credores”, disse Haran.

O seguro paramétrico para data centers é um produto relativamente novo, que começou há cerca de dois anos, segundo Nelson. No entanto, os credores que financiam a construção de data centers estão exigindo cobertura de seguro, o que está impulsionando o crescimento da cobertura paramétrica, acrescentou ele.

O produto está ganhando força, embora não vá ser a única opção de seguro para data centers, segundo Martin Hotz, chefe de paramétrico nat cat na Swiss Re Corporate Solutions.

“Ele vai desempenhar o papel de uma peça de um quebra-cabeça”, disse Hotz. “A tendência é favorável, mas há muito em andamento. O quadro será muito diferente daqui a três a cinco anos.”

CLARA Analytics apresenta plataforma de inteligência de sinistros com agentes de ponta a ponta

A CLARA Analytics lançou a Agentic Intelligence, que se descreve como a primeira força de trabalho de IA de ponta a ponta do setor, desenvolvida para lidar com sinistros complexos de responsabilidade civil e acidentes de trabalho. Integrada à plataforma CLARAty.ai, ela aloca uma equipe de agentes de IA a cada sinistro, desde a primeira notificação de perda até a resolução, enquanto os ajustadores mantêm o controle de cada decisão.

O lançamento transforma a CLARA de um sistema que gera insights em um que recomenda os próximos passos e ajuda a executá-los. Incorporados diretamente ao arquivo do sinistro, o ponto crítico em que são decididas as perdas por acidentes de trabalho e de responsabilidade civil, os agentes da CLARA utilizam um conjunto de dados proprietários com 10 anos de resultados históricos.

Heather H. Wilson, diretora-executiva da CLARA Analytics, disse que os agentes avaliam continuamente a evolução de um sinistro.

“Nossos agentes avaliam continuamente como um sinistro está evoluindo, identificando questões de exposição antes que se tornem um problema”, disse Wilson. “Criamos a Agentic Intelligence para dar aos ajustadores um parceiro que analisa dados e documentos de sinistros e destaca, em tempo real, mudanças na gravidade, no potencial de litígio, no risco de fraude e nas oportunidades de encerramento.”

Wilson acrescentou: “Passamos de um sistema de inteligência para um sistema de ação ao nos tornarmos uma plataforma completa de agentes de sinistros. Trabalhando em conjunto, os agentes sintetizam todas as informações relevantes, fornecem raciocínio transparente e inteligência adaptativa, destacam oportunidades e constroem a ponte necessária entre a inteligência e a ação.”

A nova força de trabalho dá aos ajustadores acesso instantâneo à origem de uma pontuação e à atualidade dos dados subjacentes, para que não precisem buscar documentos de origem para confiar em um número. Os agentes adicionam contexto e raciocínio à inteligência entregue aos profissionais de sinistros e de atuária.

As principais capacidades incluem linhagem completa e “verdade fundamental” dos resultados, com acesso instantâneo a definições de glossário, propriedade das métricas e versionamento; atualidade e qualidade dos dados, com visibilidade em tempo real da saúde dos dados subjacentes e validação da fonte; e contextualização de coortes, com detalhamento instantâneo de grupos específicos de cobertura, exclusões e coortes de sinistros contribuintes. A plataforma também oferece justificativa transparente, vinculando a lógica de pontuação diretamente aos documentos e aos campos subjacentes do sinistro, e análises interativas aprofundadas, baseadas em dados estruturados e não estruturados, por meio de um agente conversacional.

Alimentada por pipelines de dados de autoaprendizagem e um conjunto de dados de 10 anos com mais de 7 milhões de sinistros, a CLARA resolve dados ausentes em tempo real, substituindo regras rígidas por consultas dinâmicas para entregar inteligência precisa e personalizada. A plataforma elimina a codificação manual para acelerar a implantação, permitindo que equipes de sinistros fatiem, analisem e testem dados imediatamente. Os ajustadores mantêm a decisão, enquanto a CLARA detém o rastro de evidências por trás dela.

A CLARA Analytics, patrocinadora Gold, demonstrará a plataforma na ITC Vegas de 29 de setembro a 1º de outubro. Em 30 de setembro, a CLARA e a Nationwide subirão ao palco para uma sessão intitulada “Pare de deixar o risco de sinistros sobre a mesa”.

Mubbin Rabbani, diretor de produtos da CLARA Analytics, disse que a plataforma entrega resultados mensuráveis.

“Não estamos apenas entregando tecnologia mais rápida; estamos entregando resultados financeiros e de negócios mensuráveis e quantificáveis”, disse Rabbani. “As seguradoras obtêm acesso imediato ao uso de uma força de trabalho avançada de IA, respaldada por salvaguardas robustas e validação humana.”

Como avaliamos a segurabilidade da IA?

À medida que os agentes de IA ganham autonomia, as seguradoras estão tornando as práticas de governança uma condição para a cobertura, transformando a gestão de riscos em um fator de precificação.

Quando a IA faz algo errado, quem arca com a perda?

Nos últimos anos, essa pergunta tem aparecido principalmente em discussões sobre governança de IA e responsabilidade legal. Mas, à medida que a IA avança para processos empresariais centrais — e à medida que os agentes começam a executar tarefas de forma autônoma — outro mercado está sendo forçado a enfrentar a mesma questão: o de seguros.

Um artigo da IT Pro sobre seguros de IA observa que uma nova categoria de cobertura está começando a surgir em torno de riscos relacionados à IA. Esses podem incluir perdas financeiras causadas por conselhos alucinados, discriminação algorítmica, violação de direitos autorais, modelos que não atingem os níveis de desempenho prometidos e até mesmo perdas causadas por ações autônomas de agentes de IA.

Esse ainda não é um produto de seguro maduro ou padronizado. A cobertura ainda está dispersa entre apólices independentes, endossos e exclusões. Mas o desenvolvimento mais importante não é simplesmente que as seguradoras estão começando a cobrir a IA. É que, uma vez que as seguradoras concordam em absorver perdas causadas pela IA, elas devem responder a uma pergunta mais difícil:

Quando um agente pode agir de forma autônoma, a seguradora está subescrevendo risco de modelo, risco de sistema ou risco de governança de tarefas?

Que tipo de IA merece ser segurada? Essa pergunta revela uma mudança mais profunda: a governança de IA está se tornando parte da infraestrutura da segurabilidade. E isso pode, por sua vez, mudar a forma como as empresas governam a IA. À medida que os agentes ganham maior autonomia, a capacidade de uma empresa de demonstrar que seus riscos podem ser compreendidos, mitigados e rastreados determinará cada vez mais se esses sistemas são seguráveis.

Para as seguradoras dispostas a subescrever riscos de IA, esse desafio também está se tornando uma oportunidade de mercado.

1. Da governança de riscos à segurabilidade

Em mercados de riscos maduros, as seguradoras primeiro perguntam se um risco pode ser identificado, controlado e estimado. Só então elas podem decidir se o seguram e a que preço.

A IA está começando a entrar nesse processo.

Em 2026, a Gartner previu que, até 2030, as seguradoras de propriedade e acidentes (P&C) podem exigir controles robustos de risco de IA como condição para fornecer cobertura afirmativa de responsabilidade por IA. Empresas com capacidades mais fortes em governança de IA e gestão de riscos podem não apenas achar mais fácil obter cobertura, mas também obter uma precificação mais favorável.

Isso significa que as empresas que constroem governança de IA precisarão responder a mais do que apenas “Como gerenciamos a IA?” Elas também podem precisar responder: Podemos provar a uma seguradora que realmente temos a IA sob controle?

Isso não é um exercício de papel. Uma política de IA, um conjunto de princípios éticos ou mesmo um comitê de governança de IA não são suficientes para demonstrar que o risco está realmente sob controle. O que as seguradoras devem considerar é se essas práticas de governança se tornaram mecanismos operacionais antes que um incidente ocorra — e o que, na prática, a empresa mudou por causa delas.

Para avaliar o risco de IA, as seguradoras precisarão saber quais modelos uma empresa usa, quais decisões esses modelos influenciam e quem é responsável por essas decisões; se ações automatizadas são registradas; se situações de alto risco acionam intervenção humana; se desvios de modelo e anomalias são detectados; e se incidentes podem ser reconstruídos depois que algo dá errado.

Como disse um especialista citado pela IT Pro, a governança que existe apenas no papel, sem ser traduzida em mecanismos operacionais, não satisfará um subscritor prudente.

A governança de IA está, portanto, assumindo uma função que recebeu muito menos atenção: tornar-se parte da infraestrutura da segurabilidade da IA.

2. O que as seguradoras subescrevem irá além do modelo

Ainda há um problema não resolvido. Grande parte da gestão de riscos de IA hoje permanece centrada no modelo. As empresas mantêm inventários de modelos, testam a precisão, monitoram vieses e desvios do modelo e preservam registros de saída. Para a IA generativa, alucinações, vieses discriminatórios e saídas incorretas podem causar perdas financeiras diretas.

Mas, uma vez que a IA se torna um agente capaz de executar tarefas de forma autônoma, a natureza do risco muda. Um agente pode executar corretamente uma tarefa que já se tornou irrelevante. Pode continuar perseguindo o objetivo original depois que novas informações mudarem a situação. Ou cada ação individual pode cumprir as regras, enquanto o resultado combinado ainda é algo que a empresa não pode aceitar.

Nesse ponto, a capacidade do modelo, por si só, não é mais suficiente para avaliar o risco. A exposição que as seguradoras precisam compreender começa a se estender do risco de modelo ao risco de governança de tarefas.

A pergunta de subscrição, portanto, torna-se:

Sob quais condições esta IA tem permissão para fazer o que faz? E se o contexto mudar, ela saberá quando parar?

Para as empresas, isso levanta outra pergunta: como elas estabelecem a segurabilidade de um agente de IA?

3. A segurabilidade do agente exige evidências

Imagine uma empresa que permite que um agente de IA processe reembolsos de clientes de forma autônoma. De uma perspectiva de governança de modelos, podemos testar se suas respostas estão corretas, se os dados estão seguros e se suas saídas apresentam viés. Mas uma seguradora também pode precisar saber:

Quanto dinheiro o agente pode reembolsar? Quando ele deve reavaliar o que o cliente realmente precisa? Se houver suspeita de fraude, uma nova reclamação ou uma transação anormal, a tarefa original ainda é válida? Quem determina se o agente pode continuar, pausar ou encaminhar o caso para um humano? E que evidências mostram que a tarefa foi realmente concluída conforme o pretendido?

Essas perguntas vão além da governança convencional de modelos. Elas apontam para quatro mecanismos de governança de tarefas que também podem servir como evidência de subscrição:

Design da tarefa — define o que a IA está realmente autorizada a fazer. Para um subscritor, ajuda a estabelecer onde a exposição começa e onde termina.
Limites de permissão — definem quais dados, sistemas, ativos e ações a IA pode acessar ou alterar e até onde se estende sua autoridade. Esses limites moldam diretamente a escala da perda potencial.
Loop de compreensão — determina se novos sinais levam o sistema a reavaliar a própria tarefa, em vez de simplesmente continuar executando o objetivo original. Isso é crítico quando uma mudança de contexto deve acionar uma pausa, um escalonamento ou uma intervenção humana.
Verificação de resultado — define o que conta como conclusão da tarefa: simplesmente concluir um processo ou produzir o resultado de negócios pretendido. Também cria a evidência necessária para a auditabilidade e a rastreabilidade.

As empresas podem pensar nesses mecanismos principalmente como formas de controlar agentes. De uma perspectiva de seguro, no entanto, eles servem a outro propósito: são evidências de que o risco de um agente pode ser compreendido, limitado e rastreado.

4. O seguro está se tornando uma restrição externa à governança de IA

A governança interna de IA tem um problema familiar: raramente gera receita diretamente. Sob pressão para avançar mais rápido, aumentar a eficiência e entregar resultados de negócios, ela pode facilmente se reduzir a políticas, listas de verificação e documentos de conformidade.

O seguro pode mudar os incentivos para que as empresas gerenciem bem a IA.

Um estudo de seguro de IA de 2026, aceito pela Harvard Data Science Review, aponta uma diferença fundamental entre as seguradoras e os provedores comuns de garantia de IA: as seguradoras realmente arcam com os custos das reivindicações relacionadas à IA. Isso lhes dá um incentivo econômico direto para exigir testes, monitoramento e validação mais rigorosos — e, por meio de prêmios e condições de subscrição, incentivar uma governança de IA mais segura.

Esse mecanismo não é novo. A proteção contra incêndio, a segurança automotiva, os controles de risco industrial e a segurança cibernética foram todos moldados pela precificação de seguros e pelos requisitos de subscrição, transformando gradualmente as práticas de segurança em padrões verificáveis pelos mercados.

A IA pode estar entrando agora em um estágio semelhante. Se uma empresa não consegue explicar os limites de tarefa de um agente, as permissões operacionais, os mecanismos de intervenção, os registros de resultados e a rastreabilidade pós-incidente, ela pode enfrentar mais do que apenas o escrutínio regulatório. Uma seguradora pode simplesmente concluir:

“Não consigo precificar esse risco.”

Ou:

“Posso segurá-lo, mas com um prêmio mais alto, limites mais baixos e certas ações autônomas dos agentes excluídas.”

Uma vez que a capacidade de governança de IA começa a afetar se uma empresa pode obter cobertura, os termos dessa cobertura e o prêmio que paga, a governança entra na precificação dos riscos da empresa. Esse pode ser um dos futuros mais importantes para o seguro de IA.

Conclusão: as seguradoras estão prontas para avaliar a segurabilidade da IA?

As discussões sobre responsabilidade de IA frequentemente terminam com um princípio familiar: não importa quão avançada a IA se torne, os humanos permanecem, em última instância, responsáveis.

O princípio é sólido. Mas, à medida que os agentes ganham maior autonomia, a pergunta mais difícil não é mais se alguém pode ser encontrado para arcar com a responsabilidade depois do fato. É se a empresa pode demonstrar, antecipadamente, que a responsabilidade humana foi traduzida em mecanismos operacionais de controle no sistema.

Quem define a tarefa? Quem configura as permissões? Quais sinais exigem que o sistema reavalie? Sob quais condições ele deve parar ou devolver o controle a um humano? E como provamos que a IA concluiu a tarefa certa — e não apenas que a executou corretamente?

Essas perguntas antes pertenciam principalmente à governança de IA. O seguro de IA está transformando-as em perguntas de subscrição.

Isso pode marcar uma mudança importante. Uma vez que o mercado de seguros comece a precificar a capacidade de governança de IA, a governança não será mais algo que uma empresa simplesmente acredita que “deve fazer”. Pode determinar cada vez mais se a empresa tem o direito de conceder maior autonomia a um agente, se terceiros podem confiar em sua IA e se o risco de negócios resultante pode ser transferido.

O que, finalmente, diferencia a capacidade empresarial de IA pode, portanto, ser mais do que a força do modelo ou o número de tarefas que um agente pode executar. Pode ser que uma empresa possa provar que, mesmo quando a IA passa a agir de forma autônoma, o risco resultante permanece compreensível, controlável e segurável.

Visto de outro lado, o seguro na era da IA não se trata apenas de cobrir perdas causadas pela IA. É também sobre avaliar se uma empresa pode transformar o risco de IA em algo compreensível, precificável e passível de intervenção.

Isso traz a pergunta de volta às próprias seguradoras: à medida que o risco passa dos modelos para agentes autônomos, as seguradoras já têm a capacidade de avaliar se esses agentes são seguráveis? Se não, o seguro de IA terá dificuldade em avançar além do estágio conceitual.

Essa capacidade não é apenas um pré-requisito para que o seguro de IA se torne um mercado real. Também pode se tornar uma das próximas áreas essenciais de especialização do setor de seguros.

Escrito por David Lien, sócio da Lingxi (Beijing) Technology e autor de “Decoding New Insurance” (2020), que figurou entre os livros mais vendidos da JD.com.

12 3...105 Page 1 of 105