Home Blog

A IA pode responder corretamente, mas perder o contexto

A IA pode responder a perguntas corretamente e, mesmo assim, falhar quando não reconhece mudanças de tarefas, contexto ou consequências.

“A IA deveria se colocar no lugar do cliente?”

Essa ideia me pareceu inovadora na primeira vez que a ouvi. Mas quanto mais eu refletia sobre ela, menos parecia significar — se significar apenas apresentar resultados por meio de linguagem e interfaces com as quais os usuários já estão familiarizados, o retorno é fraco.

Olhando para trás, para os projetos de IA dos quais participei, cheguei a uma conclusão diferente: um modelo pode responder a uma pergunta corretamente e ainda não ter ideia de qual tarefa a pessoa está realmente tentando concluir — se o passo correto agora é continuar respondendo, fazer uma pergunta de acompanhamento, parar ou transferir para um humano. Para que a IA assuma um trabalho real, e não apenas responda a perguntas, as empresas precisam traduzir o que os profissionais experientes sabem sobre contexto, risco, tempo e consequência em algo que um sistema possa realmente reconhecer: sinais, estados de tarefas, protocolos de resposta e critérios de validação.

Este artigo começa a partir de um cenário que conheço bem — o teste de modelos — e percorre como essa tradução acontece, e por que ela forma dois limites decisivos entre a IA e a implantação real. As empresas de IA que entendem e superam esses limites estão melhor posicionadas para construir capacidades duradouras dentro de um domínio vertical, transformando o que aprendem em uma única implantação em capacidades de entrega repetíveis, verificáveis e escaláveis.

Além do teste de modelo: a IA ainda precisa entender a tarefa

Na maioria dos projetos de IA, as equipes técnicas criam uma bateria de prompts de teste e executam o modelo contra eles repetidamente. Ele identificou a intenção corretamente? Ele recuperou e aplicou o conhecimento correto? A resposta foi estável e livre de alucinações, violações de políticas ou erros lógicos? Essa é a maior parte dos testes e da depuração.

Eu vi isso acontecer nos projetos da minha própria empresa muitas vezes. Em um campo como a venda de seguros, no entanto, a equipe de testes geralmente também inclui especialistas no domínio experientes sentados ao lado dos engenheiros. Eles leem as mesmas conversas e sinalizam os mesmos tipos de problemas — mas estão olhando por uma lente inteiramente diferente.

A equipe técnica pergunta primeiro se o modelo acertou a resposta. O especialista no domínio pergunta outra coisa: essa resposta se adapta ao momento atual da conversa? Para onde ela leva o cliente? E o que deve acontecer a seguir — continuar respondendo, investigar mais a fundo, recuar ou trazer um humano?

Essa lacuna entre as duas lentes é exatamente o que a maioria dos projetos de IA enfrenta no momento em que passam do teste de modelo para um ambiente de negócios real.

O primeiro limite: reconhecer quando a tarefa mudou

Digamos que uma apólice de doenças graves inclua um período de carência de 90 dias — uma cláusula sob a qual a cobertura para doenças especificadas começa apenas após um período determinado, sujeito aos termos da apólice. Um cliente, no meio de uma conversa com um assistente de vendas, pergunta: “Qual é o período de carência desta apólice de doenças graves?”

A IA verifica a apólice e responde: “O período de carência é de 90 dias. Uma doença coberta diagnosticada pela primeira vez após esse ponto é elegível para um sinistro sob os termos da apólice.”

Julgando puramente com base no conhecimento do produto e na redação, não há nada de errado aqui. O modelo entendeu a pergunta, citou a cláusula correta e não fez nenhuma promessa além do que a apólice cobre. Pelos padrões comuns de garantia de qualidade (QA), isso conta como uma resposta limpa e bem-sucedida.

Mas um corretor de seguros experiente pode notar algo que uma análise convencional de QA perderia: por que esse cliente está perguntando sobre o período de carência exatamente agora?

Talvez ele esteja simplesmente comparando produtos. Ou talvez tenha acabado de fazer um exame, notado um sintoma ou esteja silenciosamente preocupado com um problema de saúde que ainda não foi diagnosticado. A mesma pergunta, feita em um contexto diferente, pode levar o restante da conversa em uma direção inteiramente diferente.

O que esse limite realmente testa é se a IA pode registrar que a própria tarefa mudou. O sistema precisa primeiro perceber o que está acontecendo: esta ainda é uma consulta rotineira de produto ou a tarefa já mudou para esclarecer riscos de saúde, obrigações de declaração e expectativas de cobertura?

Se o cliente estiver simplesmente comparando produtos, declarar o período de carência é suficiente. Mas se ele já mencionou algo como um resultado de exame anormal ou uma preocupação de saúde, essa mesma consulta de produto provavelmente mudou para um território diferente.

Se a IA, ainda otimizando para conversão, incentivar o cliente a comprar agora para que o período de carência comece a contar mais cedo — cada linha individual nessa troca ainda pode parecer defensável por si só, e os números de conversão de curto prazo podem até parecer bons. Mas, medido em relação ao trabalho real — uma venda sólida e em conformidade —, a direção já tomou o caminho errado. Esse desvio é difícil de capturar precisamente porque cada saída individual se sustenta bem sob sua própria análise; o problema só aparece quando você olha para onde as peças estão se direcionando juntas.

Do ponto de vista da interação humano-IA, o cliente começou com uma pergunta sobre o produto, mas a tarefa que realmente precisava ser tratada pode ter se transformado silenciosamente em outra coisa no meio da conversa. O modelo respondeu corretamente. Ele apenas nunca percebeu que a natureza do trabalho havia mudado.

O segundo limite: entender para que a tarefa realmente serve

Reconhecer que uma tarefa mudou responde apenas a “o que está acontecendo agora”. A IA ainda precisa entender o que a tarefa deve realizar e o que o próximo passo pode desencadear.

Esse tipo de falha é difícil de capturar apenas por verificações de precisão. Às vezes, o problema é a falta de uma investigação suficiente antes da resposta. Às vezes, é uma ação inadequada tomada após responder.

Um cliente que pergunta a um representante de atendimento sobre a política de reembolso pode já ter passado por várias tentativas fracassadas e realmente precisar de um encaminhamento, e não de uma repetição das regras. Um gerente de vendas que pede à IA para explicar uma queda nas receitas pode estar caminhando para uma decisão sobre quais segmentos de clientes cortar, qual processo da linha de frente alterar ou como realocar recursos. Um cliente que pergunta sobre uma cláusula de apólice específica pode simplesmente ter uma preferência — ou pode estar ponderando silenciosamente um risco que não disse em voz alta.

A linguagem e o conhecimento permitem que a IA produza uma resposta melhor. Mas assumir o trabalho real exige entender a tarefa em questão: seu estado atual, seu objetivo pretendido e as consequências da próxima ação.

Este limite testa se a IA entende o contexto e o objetivo por trás da tarefa — não apenas que a tarefa mudou, mas para onde ela se moveu, quais informações ainda estão faltando e o que deve acontecer a seguir.

Apenas com isso definido é que “a IA se colocar no lugar do cliente” significa algo concreto. Um tom natural, uma interface limpa, um painel flexível — tudo isso melhora como as informações são vistas e usadas. Entender a própria tarefa é uma questão totalmente diferente: alcança o tempo certo, os limites, a ação e quem é responsável pelo quê.

Como o julgamento profissional se torna uma capacidade do sistema

A lacuna entre os engenheiros e os especialistas no domínio não é realmente sobre quem conhece a tecnologia e quem conhece o negócio. A verdadeira diferença está na unidade básica que cada lado usa para julgar se uma saída é boa. Por “unidade”, quero dizer: quando você está decidindo se uma saída é aceitável, qual é a primeira coisa que você olha? A equipe técnica verifica o modelo em relação a um conjunto de dimensões de avaliação — reconhecimento de intenção, precisão de recuperação, qualidade da resposta, restrições de segurança, estabilidade de saída. O especialista no domínio coloca essa mesma resposta de volta em seu contexto completo: quando ela apareceu, onde o cliente está no processo e ao que ela pode levar?

Portanto, o primeiro passo do engenheiro é verificar a própria resposta. O especialista no domínio se importa mais com o lugar onde essa resposta se encaixa em todo o trabalho: ela se adapta ao momento, pode ser mal interpretada e como afeta a confiança, a conformidade e o resultado final do negócio? Essa diferença na unidade de julgamento tem consequências reais para o quão bem o humano e a IA trabalham juntos. Um modelo pode parecer ótimo em um relatório de teste e ainda assim continuar produzindo a resposta errada quando estiver em execução — e o problema muitas vezes não é o conteúdo da resposta. É que o sistema nunca percebeu que a tarefa já havia mudado.

Um bom especialista no domínio pode, com frequência, sinalizar um problema instantaneamente: “Isso não é algo que se diga aqui.” Para uma equipe de IA, essa frase é apenas um ponto de partida. Ela levanta questões que ainda precisam de respostas: qual sinal o especialista percebeu? Qual resultado o deixava preocupado? Quais situações são adequadas para continuar e quais precisam de uma pergunta de acompanhamento ou de uma transferência? E a quem pertence esse conhecimento — ao prompt do sistema, ao contexto, a uma regra, a um fluxo de trabalho ou a um limite rígido de permissão no próprio sistema?

Não importa o quão afiado seja o julgamento profissional de alguém, se ele permanecer trancado dentro de sua própria intuição, nunca poderá se tornar uma capacidade do sistema que escala. Portanto, a verdadeira questão — aquela que determina se uma equipe supera ambos os limites — é como transformar o instinto do especialista em estruturas que o sistema possa reconhecer, executar e validar.

Trazer a expertise do domínio para um sistema de IA tende a seguir um caminho bastante consistente:

Começa com a identificação de casos reais em que o modelo respondeu corretamente, mas a tarefa ainda saiu do rumo. A partir daí, a equipe desdobra exatamente qual sinal o especialista captou e usa isso para definir o estado da tarefa apontado por esse sinal. Só então a equipe formula uma hipótese concreta sobre qual intervenção pode ajudar — e só depois disso qualquer parte disso é escrita no sistema, testada contra resultados reais e refinada de acordo com os resultados.

Esse processo tem que começar a partir de um caso concreto. Pergunte a um especialista em abstrato o que observar durante uma venda e você obterá principalmente princípios. Coloque uma conversa real — ou simulada — na frente dele e pergunte onde o problema começou, e os instintos que ele acumulou ao longo dos anos, aqueles que nunca colocou em palavras, finalmente têm algo a que se apegar.

Tome o caso do período de carência. Um cliente mencionando um exame recente, um sintoma físico, perguntando “é muito tarde para comprar agora” ou tratando o período de carência como algum tipo de garantia de um pagamento futuro — todos esses são sinais que valem a pena sinalizar. Mas um sinal é apenas uma observação. Muitas pessoas que perguntam sobre um período de carência não têm nenhum problema de saúde, e o modelo não deve tirar conclusões precipitadas de uma única palavra. A equipe ainda precisa descobrir em quais condições um determinado sinal indica que a tarefa mudou.

Uma vez definida essa mudança — uma consulta rotineira de produto mudando para uma conversa sobre risco de saúde e declaração de informações —, o sistema pode mudar como responde: em vez de seguir em frente, ele esclarece o risco e transfere para um humano, se necessário.

Por meio desse processo, o instinto de um especialista gradualmente se transforma em sinais e estados de tarefa que o sistema pode reconhecer. Uma vez definido o estado da tarefa, a equipe ainda precisa responder a algo mais fundamental:

Para um cliente que mostra uma possível preocupação de saúde, uma pergunta adicional de esclarecimento — em vez de responder diretamente e empurrar a venda para a frente — melhora a integridade da declaração de saúde e reduz disputas futuras?

Essa pergunta ainda vive no nível de uma hipótese de negócio e do design de uma intervenção — ainda não se tornou um prompt ou uma regra de sistema. Ela define a quem se aplica, qual ação testar, com o que compará-la e qual resultado visa melhorar. Nesse ponto, a equipe passou de “o que a IA deve dizer” para “mudar o que a IA faz realmente altera o resultado do negócio?”

A partir daí, a equipe técnica precisa projetar a própria hipótese. Primeiro: quais sinais devem disparar o caminho de esclarecimento de risco. Depois: o que o sistema deve fazer uma vez disparado. Por exemplo — quando um cliente pergunta sobre o período de carência e também menciona um exame recente, um sintoma ou a temporalidade da compra, a IA deve primeiro entender por que ele está perguntando, sinalizar a importância de uma declaração honesta e da análise de subscrição, evitar implicar que um sinistro é garantido e encaminhar para um humano quando necessário.

Parte disso pertence ao prompt do sistema. Outras partes exigem contexto, anotação, regras, gerenciamento de estado e suporte ao fluxo de trabalho para funcionarem juntas. Onde linhas de conformidade, autoridade de compromisso ou decisões de alto risco estão envolvidas, barreiras de proteção mais rígidas no nível do sistema também costumam ser necessárias.

Trazer o julgamento especializado para um sistema, em outras palavras, não pode ser feito com um único bloco de texto de prompt. A equipe precisa determinar, peça por peça, a qual camada pertence cada parte do conhecimento, experiência e restrição — é isso que limita com segurança o comportamento do modelo e melhora a consistência tanto das saídas quanto das ações.

Uma vez que o design do sistema muda, o padrão de teste deve mudar com ele. Em uma comparação de produtos de rotina, a IA pode simplesmente declarar o período de carência. Quando um cliente menciona um resultado de exame anormal e pergunta se é tarde demais para comprar, o sistema precisa reconhecer um estado de tarefa diferente e ajustar seu tratamento de acordo. Se o cliente então pedir à IA para ajudar a ocultar um problema de saúde, ela deve parar, explicar a exigência de declaração e direcionar a conversa para um humano qualificado.

E, no final, tudo volta aos resultados reais. A pergunta adicional melhorou a integridade da declaração e reduziu as disputas? Criou atrito, interrompendo uma grande parcela de consultas de rotina que nunca precisaram disso? A transferência humana realmente melhorou a compreensão do cliente e a qualidade da subscrição?

Essas perguntas só são respondidas com base em dados reais ao longo do tempo. É somente quando o julgamento especializado entra nesse ciclo — testar, implantar, medir, refinar — que ele tem a chance de se estabilizar em algo sólido e repetível.

Conclusão: a colaboração entre humanos e IA começa com uma compreensão compartilhada da tarefa

O que um determinado projeto precisa entregar molda como a colaboração entre humanos e IA acaba parecendo. Se um parceiro se importa principalmente com o resultado final de vendas, a interface do usuário (UI/UX) pode não ser o foco principal da entrega. Mas onde a aquisição de clientes, a análise operacional ou a tomada de decisão direta pela própria equipe do cliente estão envolvidas, um painel capaz de alternar flexivelmente entre segmentos, ajustar fluxos de trabalho e destacar resultados costuma importar bastante.

Este artigo começou a partir de uma versão da mesma pergunta: a IA deve apresentar sua saída na linguagem e nos formatos que o cliente já conhece bem? Essa pergunta merece um peso real — informações que ninguém pode usar, por mais precisas que sejam, nunca entram no trabalho real. Mas avance um pouco mais e uma imagem diferente surge. A interface e a apresentação moldam como as pessoas entendem e usam o que a IA produz. O problema mais profundo na colaboração entre humanos e IA é se a IA entende de qual tarefa ela realmente faz parte.

A mesma pergunta pode ser de rotina ou pode marcar uma virada na tarefa. A mesma resposta, entregue em um momento diferente ou em um contexto diferente, pode levar a consequências totalmente diferentes. A IA precisa reconhecer quando o estado da tarefa mudou, entender o objetivo que está servindo atualmente e saber como agir sobre o que vem a seguir.

Esse tipo de compreensão — de um domínio vertical e seus contextos operacionais específicos — não surge do modelo por si só. Vem de equipes técnicas e especialistas no domínio desconstruindo repetidamente casos reais juntos, transformando os sinais, contexto, respostas e riscos espalhados pela experiência profissional em algo que um sistema possa reconhecer, agir e verificar.

Neste momento, a maioria dos projetos de IA pede a especialistas do domínio para verificar se as respostas estão corretas — se uma linha específica deveria ter sido dita ou se um número está preciso. Isso subestima o valor que eles trazem. O que eles realmente contribuem é a compreensão da tarefa e o julgamento profissional: como uma tarefa muda, quando a intervenção é necessária, qual forma essa intervenção deve tomar e quais resultados não podem ser avaliados apenas por métricas de curto prazo. A equipe técnica deve então decompor essa expertise e codificá-la nas camadas apropriadas do sistema — o prompt do sistema, contexto, regras, fluxos de trabalho, limites de permissão e os mecanismos mais amplos que regem a interação entre humanos e IA.

A colaboração entre humanos e IA é, portanto, uma parceria centrada na tarefa. As pessoas definem os objetivos, restrições e responsabilidades e, em última análise, são donas do resultado; a IA participa da análise, investigação, julgamento e ação. As organizações então refinam tanto a divisão do trabalho quanto o design do sistema em resposta aos resultados do mundo real.

Para uma empresa de IA, esse também é o verdadeiro obstáculo para se aprofundar em qualquer setor vertical. Modelos de uso geral e ferramentas técnicas estão se tornando amplamente disponíveis, mas a expertise de domínio construída em uma única implantação não se transforma em capacidade escalável por si só. Essa experiência se torna escalável apenas quando uma empresa de IA pode traduzir continuamente a expertise de domínio em estados de tarefas, mecanismos de sistema e um ciclo de validação funcional. Só então um único sucesso pode ser reproduzido com segurança em mais clientes e mais cenários.

Acertar a resposta apenas prova que o modelo entendeu a pergunta à sua frente. Capturar uma mudança na tarefa no momento em que ela acontece, entender o que vem a seguir e saber quando responder, perguntar, parar ou devolver a tarefa a uma pessoa — é aí que a IA começa a fazer o trabalho.

David Lien, sócio da Lingxi (Beijing) Technology e autor de “Decoding New Insurance” (2020).

Onde as seguradoras estão realmente lucrando com IA?

A Liberty Mutual atribui à IA um fator-chave por trás do seu aumento de 43% nos lucros. A Manulife espera US$ 717 milhões em valor gerado por IA até 2027 por meio de seu trabalho com a Microsoft. Mas nem toda história de IA é um sucesso. O que essas empresas estão fazendo de certo que outras estão errando?

Na Liberty Mutual, a resposta é tratar a IA como uma integração profunda, em vez de uma série de iniciativas isoladas. A Manulife também está apostando alto e eliminou mais de 400.000 tarefas manuais de triagem e indexação em suas operações de sinistros nos EUA. Mas esses podem ser pontos fora da curva; 77% dos líderes de serviços financeiros dizem que seus investimentos em IA não têm um ROI mensurável, de acordo com uma pesquisa da PwC.

A estratégia de IA embutida da Liberty Mutual impulsiona salto de 43% nos lucros

A Liberty Mutual relatou US$ 2,6 bilhões em lucro líquido para o segundo trimestre de 2026, uma alta de 42,8% em relação ao ano anterior, e US$ 13,3 bilhões em receita, um aumento de 6%, com o ceo Timothy Sweeney atribuindo à IA integrada o papel de um principal direcionador operacional. Em vez de tratar a IA como uma iniciativa isolada, a seguradora a integrou diretamente nos fluxos de trabalho de subscrição, sinistros e atendimento, apoiada por validação de modelos, estruturas de governança e estruturas de responsabilidade humana. A abordagem oferece um modelo para os pares: a IA ampliada sem integração em toda a empresa e sem infraestrutura de governança arrisca entregar resultados abaixo do esperado. As ferramentas da Liberty Mutual incluem um assistente interno de IA generativa e um aplicativo de cotação conversacional voltado ao consumidor lançado em maio de 2026.

Manulife busca US$ 717 mi em valor com IA até 2027 em parceria com a Microsoft

A expansão de cinco anos da parceria da Manulife com a Microsoft oferece um modelo baseado em dados para a implantação de IA em grande escala em serviços financeiros. A seguradora está disponibilizando o Microsoft 365 Copilot para mais de 30.000 funcionários e implantando o Microsoft Agent 365 para governança corporativa de IA.

Resultados já relatados: desenvolvedores que usam o GitHub Copilot aumentaram a produtividade em aproximadamente 30%, e a IA eliminou mais de 400.000 tarefas manuais de triagem e indexação nas operações de sinistros nos EUA. A Manulife relatou aproximadamente US$ 213 milhões em valor corporativo de IA até o final de 2025 e projeta cerca de US$ 717 milhões até 2027. O lançamento combina programas de adoção com princípios de IA responsável publicados em quatro pilares de governança.

77% dos investimentos em IA carecem de ROI mensurável, aponta PwC

Apesar da ampla adoção de IA, 77% dos líderes de serviços financeiros relatam que seus investimentos em IA não estão entregando um ROI mensurável, de acordo com uma pesquisa da PwC com mais de 1.000 executivos. A desconexão decorre do monitoramento de métricas erradas. Em vez de medir apenas a automação de tarefas, as seguradoras obtêm retornos mais claros ao monitorar prêmios emitidos por subscritor, sinistros processados por regulador, tempos de resposta para cotações e receita por funcionário. A prática de consultoria em seguros da PwC também adverte que automatizar tarefas repetitivas cria valor apenas quando os funcionários são redirecionados para trabalhos de maior valor. As empresas que estabelecem linhas de base de desempenho e definem metas financeiras claras antes da implantação superarão aquelas que adotam IA puramente para acompanhar os concorrentes.

MMM impulsionado por IA reduz desperdício em publicidade e aumenta prêmios em 30%

As seguradoras que dependem de atribuição baseada no último clique ou em regras estão errando sistematicamente na alocação de orçamentos que podem chegar a centenas de milhões anualmente. Com alguns modelos de atribuição superestimando a contribuição de canais em mais de 40%. O modelo moderno de mix de marketing (MMM), alimentado por regressão bayesiana, pipelines de dados automatizados e IA agêntica, está corrigindo isso. As primeiras implementações de seguradoras relatam ganhos de 10% a 30% em prêmios incrementais com os mesmos orçamentos, quando realocados corretamente. A implantação eficaz exige uma base de dados unificada de gastos por apólice, medição triangulada entre MMM, testes de incrementalidade e atribuição, e governança de modelos construída para resistir ao escrutínio regulatório desde o primeiro dia.

Auditabilidade é fundamental à medida que a IA enfrenta erros em dados imobiliários

As seguradoras estão implantando visão computacional, geração de dados sintéticos e IA baseada em regras para reconciliar dados imobiliários conflitantes: coordenadas divergentes, terminologia inconsistente e valores espaciais derivados que podem distorcer as avaliações de risco. Especialistas recomendam codificar regras de obtenção de dados, como hierarquias de “fonte da verdade” e regras de recência, para garantir que as decisões permaneçam consistentes e transparentes. Dados sintéticos podem preencher lacunas criadas por riscos emergentes e perigos secundários vinculados a eventos climáticos. De forma crítica, os processos usados para produzir e transformar dados imobiliários devem ser totalmente documentados: sem uma trilha de auditabilidade, os usuários finais, sejam humanos ou IA, não podem determinar se um determinado ponto de dados é adequado para a finalidade pretendida.

Perícia em metadados pode ajudar a fechar a lacuna de detecção de fraudes por IA

Com 99% das seguradoras relatando encontros com documentações de sinistros manipuladas ou alteradas por IA e apenas 32% confiantes em sua capacidade de detectar imagens deepfake, de acordo com a Verisk, a pressão para modernizar a detecção de fraudes é urgente. A perícia em metadados, examinando datas de criação de imagens, dados de localização e carimbos de data/hora de modificação de arquivos, oferece uma primeira linha de defesa escalável.

As seguradoras estão construindo sistemas de pontuação repetíveis que sinalizam anomalias automaticamente e acionam revisões manuais ou no local. Aplicativos proprietários que capturam fotos de danos em tempo real embutem metadados verificáveis na fonte. Uma abordagem equilibrada, combinando tecnologia com treinamento de agentes e comunicação com os segurados, evita criar atritos que desaceleram sinistros legítimos.

94% das pequenas empresas confiam em conselhos de seguros por IA, aponta pesquisa

Os proprietários de pequenas empresas estão chegando às conversas com corretores mais bem informados do que nunca. De acordo com uma pesquisa da ERGO NEXT com 501 proprietários de pequenas empresas nos EUA, 36% usaram ferramentas de IA para pesquisar seguros empresariais, contra 31% que consultam um corretor primeiro. Notavelmente, 94% confiam nas informações geradas por IA que recebem.

Para corretores e seguradoras, a implicação é uma mudança na estratégia de engajamento: liderar com análises complexas de cobertura e construção de relacionamentos, em vez de educação básica. Os dados também sinalizam uma lacuna de proteção persistente, 25% das pequenas empresas não possuem seguro e 64% das que possuem cobertura estão subseguradas, com custo e confusão citados como as principais barreiras.

Organize os dados agora para obter vantagem com IA, diz CEO de insurtech

O CEO da Go Abacus, David Moscatelli, cuja empresa sediada em Chicago captou uma rodada Série A de US$ 5 milhões em novembro de 2025, argumenta que a prioridade mais urgente das seguradoras é a prontidão dos dados, não a adoção da IA em si.

Executivos que centralizarem e organizarem os dados institucionais primeiro estarão posicionados para capitalizar a precisão da IA na precificação de riscos e em previsões atuariais. Moscatelli alerta que a cautela excessiva quanto à adoção de tecnologia é, por si só, um risco material.

As oportunidades de curto prazo incluem vendas cruzadas auxiliadas por IA, segurados de veículos automotores que também possuem casas, barcos ou rvs, e a melhoria da explicabilidade da cobertura para reduzir o atrito no atendimento ao cliente. A Go Abacus implanta infraestrutura de IA local (on-premise) para evitar o envio de dados sensíveis para plataformas de nuvem de terceiros.

Desvio de IA ameaça sinistros e subscrição à medida que a receita atinge US$ 1 tri

Com a receita de IA não monitorada projetada para disparar de US$ 150 bilhões para US$ 1 trilhão até 2028, o desvio de modelo (model drift) representa uma ameaça direta à precisão dos sinistros e à integridade da subscrição. O desvio ocorre quando consultas idênticas geram resultados inconsistentes, uma variação de 2% nas taxas de rejeição de sinistros pode sinalizar um problema que exige revisão imediata.

Para combatê-lo, as seguradoras devem realizar testes A/B para verificar se os agentes de IA estão buscando informações de fontes de dados consistentes, construir “conjuntos de ouro” (golden sets) de casos de subscrição pré-revisados cobrindo casos de borda, variados tipos de risco e demografias, e rastrear versões de resultados para identificar alterações nas entradas. A supervisão humana dos fluxos de trabalho de IA continua sendo essencial em todo o processo.

Mantenha os humanos responsáveis à medida que a IA acelera os fluxos de trabalho de seguros

A rápida adoção da IA arrisca deslocar a responsabilidade profissional que as seguradoras devem aos clientes, corretores, reguladores e acionistas. A abordagem mais produtiva: mapear primeiro os pontos de atrito (tarefas repetitivas, lentas ou de baixo julgamento) e depois implantar a IA nesses locais, mantendo as decisões finais com profissionais credenciados. Na Managing Success Insurance (MSI), a IA reduziu o tempo de resposta das cotações de portfólio imobiliário de quatro a cinco dias para menos de um dia, e reduziu a revisão de arquivos de risco residencial de alto padrão de 20 a 30 minutos para poucos minutos, sem remover a aprovação do subscritor. As seguradoras que criam grupos internos de defensores da IA, formados por equipes de linha de frente em vez de comitês executivos, convertem o entusiasmo geral em melhorias operacionais testáveis mais rapidamente.

Incidentes químicos expõem lacunas na cobertura de responsabilidade por poluição

Emergências recentes em usinas químicas em Washington e na Califórnia, incluindo a falha de um tanque que matou 11 pessoas e um incidente de superaquecimento que provocou evacuações em massa, estão motivando um renovado escrutínio sobre a cobertura de responsabilidade por poluição. A maioria das apólices de responsabilidade civil geral contém exclusões totais para poluição, embora muitas empresas expostas a produtos químicos não possuam cobertura autônoma para poluição.

Apólices combinadas de responsabilidade geral e poluição oferecem proteção parcial, mas compartilham limites agregados, deixando os segurados vulneráveis quando surgem grandes sinistros. Uma apólice autônoma para poluição fornece limites dedicados e a proteção mais ampla. Os corretores têm agora uma oportunidade para auditar a cobertura existente dos clientes, identificar lacunas e iniciar conversas sobre tolerância ao risco antes que o próximo incidente ocorra.

Cytix capta US$ 7 milhões para gerenciar riscos de segurança no desenvolvimento de software impulsionado por IA

A startup de cibersegurança Cytix captou US$ 7 milhões em uma rodada de financiamento Série A para expandir sua plataforma de gestão de risco de mudanças, à medida que o desenvolvimento de software assistido por IA acelera o ritmo e o volume de alterações de código.

A rodada foi liderada pela Northern Gritstone, com participação dos investidores existentes Auriga Cyber Ventures e NPIF II – PXN Equity Finance, gerido pela PXN Ventures.

A Cytix foca em uma lacuna que identifica nas ferramentas tradicionais de cibersegurança, que tendem a identificar vulnerabilidades, mas fornecem menos visibilidade sobre o risco de negócios criado por mudanças individuais de software.

A empresa afirmou que a codificação assistida por IA, fluxos de trabalho agênticos e entrega contínua estão permitindo que as mudanças de software ocorram em velocidade cada vez maior, tornando mais difícil para as equipes de segurança manterem a visibilidade e o controle.

“O desenvolvimento assistido por IA significa que a mudança agora acontece na velocidade da máquina”, disse Ben Armstrong, CEO da Cytix. “As ferramentas existentes podem dizer quais vulnerabilidades você tem, mas não podem informar sobre o risco.”

A plataforma da Cytix monitora continuamente as alterações de software, avalia os riscos de segurança que elas criam e determina a resposta adequada. Ela também valida como os riscos foram abordados e cria uma trilha de evidências para dar suporte aos requisitos regulatórios e de conformidade.

A plataforma se posiciona entre as equipes de desenvolvimento de software e as funções de segurança, risco e conformidade de uma organização, fornecendo uma visão centralizada do que mudou, o impacto potencial nos negócios e como os riscos resultantes foram tratados.

O financiamento apoiará a expansão da Cytix em grandes empresas e organizações reguladas, onde a governança sobre alterações de software está se tornando cada vez mais importante à medida que o código gerado por IA se torna mais prevalente.

A plataforma está disponível diretamente pela Cytix e por meio de parcerias de serviços gerenciados com o NCC Group e a KPMG.

Perdas por incêndio em data centers expõem riscos que os corretores não podem se dar ao luxo de ignorar

Análise da Allianz Commercial aponta que incêndios causam mais da metade das perdas de US$ 800 milhões enquanto a infraestrutura de IA se expande pela América do Norte

A corrida pela infraestrutura de inteligência artificial está produzindo um dos maiores desafios de seguros de uma geração, e os novos dados de sinistros da Allianz Commercial mostram que a indústria ainda está calibrando sua resposta.

Um relatório publicado pela Allianz Commercial conclui que o investimento anual em data centers está a caminho de quase dobrar de cerca de US$ 500 bilhões em 2024 para mais de US$ 1 trilhão já em 2027. O mercado global de seguros para data centers tem previsão de crescimento de cerca de US$ 11 bilhões hoje para mais de US$ 24 bilhões até 2030. Espera-se que os EUA e a China representem aproximadamente 62% das novas adições de capacidade global até 2030, tornando a América do Norte o campo de batalha mais consequente para a forma como o mercado de seguros se adapta.

A escala da expansão já está gerando sinistros, e os dados mostram que o risco está mais concentrado e mais interconectado do que muitos no mercado haviam presumido.

Incêndio domina a severidade, o risco de catástrofes naturais está se espalhando

A análise da Allianz Commercial sobre sinistros de data centers na indústria de seguros descobriu que incêndios representam bem mais de 50% dos cerca de € 700 milhões (US$ 800 milhões) em perdas analisadas, tornando-se o principal impulsionador da severidade. A atividade de catástrofes naturais ocupa o segundo lugar, seguida por atos deliberados — incluindo crimes e incidentes cibernéticos — e falhas de energia. Os danos causados pela água são a causa mais frequente de sinistros em volume, enquanto a interrupção de negócios é o principal impulsionador da severidade por linha de seguro.

A exposição a catástrofes naturais está crescendo à medida que a construção se espalha além dos polos estabelecidos. Em 2026, 64% da capacidade de data centers em construção nos EUA fica fora de mercados tradicionais, como o norte da Virgínia, empurrando os projetos para mercados do interior com elevada exposição a tornados, granizo e tempestades convectivas. A Allianz Commercial conclui que cerca de 79% da capacidade global de data centers está localizada em áreas com elevado risco de catástrofes naturais, enquanto 54% enfrentam estresse crônico por calor e seca. A exposição aguda a inundações, incêndios florestais e ventos é maior nas Américas, afetando 86% da capacidade.

O norte da Virgínia — o maior mercado de data centers do mundo — está entre os polos de crescimento mais expostos ao clima identificados no relatório, ao lado de Johor, na Malásia, e Marselha, na França.

O mercado de trabalho está adicionando outra camada de risco de construção. Apenas nos EUA, a indústria enfrenta uma escassez de cerca de 439.000 trabalhadores qualificados, com uma estimativa de 349.000 trabalhadores adicionais necessários em 2026. Prazos apertados e a concorrência por pessoal especializado podem afetar a qualidade da construção e aumentar a probabilidade de sinistros por defeito de execução, que já figuram de forma proeminente nos históricos de perdas.

Um evento, múltiplas linhas

O moderno data center de hiperescala não é um risco de propriedade convencional. Um único campus pode reunir vários inquilinos, obras de construção, servidores de alto desempenho, serviços de utilidade pública de suporte e infraestrutura no local em um espaço físico ou operacional, o que significa que um único evento pode acionar sinistros simultaneamente através das linhas de propriedade, construção, interrupção de negócios, responsabilidade civil, cibernética e financeira.

A análise de sinistros da Allianz Commercial mostra que, em instalações de hiperescala, danos a sistemas de resfriamento externos, danos por incêndios relacionados a trabalhos a quente e atrasos na inicialização relacionados a distúrbios de energia geraram perdas na faixa de US$ 50 milhões a US$ 100 milhões cada. Os custos de construção de um único campus de IA podem ultrapassar US$ 20 bilhões, com os valores segurados aumentando substancialmente assim que os equipamentos de computação de alto desempenho são instalados.

Christian Kolbe, chefe global de sinistros de construção da Allianz Commercial, disse que a questão da subscrição mudou do valor dos edifícios para a concentração de valor. “Para as seguradoras, a questão fundamental não é apenas o valor do edifício, mas a concentração de valor e dependência dentro e ao redor dele”, disse ele. “Energia, resfriamento, baterias, rotas de fibra, testes e comissionamento, e planejamento de continuidade de negócios fazem parte do mesmo quadro de risco.”

Os corretores que trabalham com clientes de data centers enfrentam um cenário de cobertura que abrange várias linhas simultaneamente. A Aon expandiu seu Programa de Seguro de Ciclo de Vida de Data Centers para US$ 5 bilhões em capacidade, integrando construção, danos à propriedade, interrupção de negócios, cobertura cibernética e de responsabilidade civil ao longo de todo o ciclo de vida do ativo. A S&P Global Ratings estimou que o seguro para data centers representa US$ 10 bilhões em novos prêmios apenas para 2026, aproximadamente o dobro do tamanho de todo o mercado global de seguros de aviação.

O papel do corretor em um mercado em rápida evolução

Thomas Lillelund, CEO da Allianz Commercial, disse que o seguro se tornou estruturalmente incorporado ao financiamento de infraestrutura de IA. “Uma cobertura de seguro abrangente se tornou um pré-requisito para o financiamento de muitos projetos de infraestrutura de IA de grande escala”, disse ele. “O sucesso dependerá cada vez mais da resiliência: acesso à energia, cadeias de suprimentos confiáveis, controles de construção robustos, bem como seleção de locais com consciência climática e programas de seguro que reflitam o verdadeiro risco de acumulação.”

Para os corretores, a implicação prática é que o risco do data center não pode ser alocado por meio de programas de propriedade convencionais sem deixar lacunas materiais. A Willis alertou que algumas instalações estão, na verdade, com excesso de seguro no agregado, enquanto permanecem com falta de cobertura em áreas específicas — um descompasso que se torna visível apenas no momento do sinistro. Alastair Swift, chefe do grupo global de infraestrutura digital da Willis, disse que o foco deve mudar da garantia de capacidade para a compreensão do que realmente está sendo coberto. “Quando os riscos são devidamente modelados, compreendidos e mitigados, os clientes podem construir programas de seguro mais eficientes e resilientes que refletem suas exposições reais”, disse ele.

O relatório sigma insights de julho de 2026 do Swiss Re Institute sobre o seguro de riscos em data centers de IA observou que grandes data centers às vezes são apresentados às seguradoras por meio de programas separados — cobrindo edifícios, equipamentos e usinas de energia de forma independente —, o que dificulta o rastreamento da exposição geral por parte das operadoras. Quando um único evento de perda ocorre, ele pode impactar vários programas simultaneamente.

A mensagem central da Allianz Commercial é que a resiliência deve ser incorporada desde o estágio inicial de planejamento. Para os corretores que atendem clientes em construção, tecnologia, imobiliário e serviços financeiros, a janela para se antecipar a essa conversa está se estreitando.

Como o desvio do modelo de IA vai piorar à medida que as receitas de IA chegam a US$ 1 trilhão

Um boom na receita de IA pode causar uma falta de responsabilidade pelo desvio do modelo de IA, de acordo com as projeções do Gartner.

A empresa de consultoria projeta que a receita produzida por IA não monitorada aumentará de US$ 150 bilhões atualmente para US$ 1 trilhão em 2028. À medida que essa receita aumenta, os protocolos de modelo e a coordenação de agentes de IA permitirão aos agentes de IA mais autonomia, conectividade e velocidade, mas sem mostrar se o processo de decisão está alinhado com as intenções de um negócio, afirmam os autores de um relatório do Gartner.

O diretor analista sênior do Gartner, Mario Capellari, definiu o desvio comportamental da IA como os resultados da IA divergindo do comportamento originalmente testado, validado e esperado.

Para impedir que o desvio de IA rejeite muitos sinistros e distorça os riscos de subscrição, as seguradoras devem conduzir revisões humanas do trabalho da IA, verificar quais informações a IA está buscando e de onde, e monitorar de forma consistente e persistente os resultados do trabalho da IA, de acordo com executivos de provedores de serviços de insurtech.

Para fluxos de trabalho de subscrição de seguros e sinistros que usam IA agêntica, o desvio acontece quando as mesmas consultas acabam gerando respostas diferentes, disse Grace Apea, vice-presidente assistente de marketing de produto e insights de mercado da Equisoft, um provedor de serviços de insurtech especializado em funções de seguro de vida.

“E se toda vez que você pedir ao agente para fazer algo, ou e se toda vez que você esperar que ele faça algo, isso mudar? Mesmo que a mudança seja muito pequena, uma fração de um por cento de mudança, qual será esse impacto?”

O desvio de IA também pode ser causado pela IA operando com base em diferentes fontes ou terceiros, de acordo com James Hannay, diretor de receita da Sapiens, uma plataforma de software de IA que atende seguradoras. Hannay descreveu o desvio de IA usando o sistema nervoso humano como ilustração.

“Se o cérebro disser para levantar a mão direita, fazer um círculo com ela e abaixá-la novamente, ele fará a mesma coisa todas as vezes”, disse Hannay. “Se a mão não estivesse conectada ao cérebro, toda vez que fosse solicitada a realizar essa ação, você obteria uma variação. Em um minuto, é um quadrado. No minuto seguinte, é um círculo. Ou pode ser oblongo ou um retângulo.” A IA precisa estar conectada à mesma fonte de instruções e informações para evitar o desvio dos resultados, acrescentou ele.

Seguradoras que estudam como usar agentes de IA não os estão conectando diretamente às fontes de conhecimento, disse Hannay. Isso contribui para o desvio de IA que Capellari e o relatório do Gartner descrevem, acrescentou ele. O uso de testes A/B de diferentes conjuntos de dados em uma plataforma de IA pode determinar se ela está navegando diretamente para fontes de dados ou se precisa de informações inseridas, disse Hannay.

Da mesma forma, um “conjunto de ouro”, um grupo de casos de teste de subscrição já revisados por uma pessoa, que depois passa por um grande modelo de linguagem ou IA, pode mostrar se a IA está desviando, disse Apea da Equisoft. “Um bom conjunto de ouro tem que cobrir casos extremos, não apenas os casos de subscrição comuns”, disse ela. “Você quer ter certeza de que está realmente medindo o desvio corretamente. Você precisa ter certeza de que está cobrindo diferentes tipos de riscos, diferentes tipos de demografia, diferentes tipos de produtos também. O mais importante, o mais importante, revise as versões dos resultados para saber se há uma mudança nas entradas de dados e ser capaz de rastrear isso.”

Para sinistros de seguros, Apea disse, uma regra geral é que se um cenário específico de sinistros normalmente leva a uma taxa de aprovação de 98%, e a taxa de rejeição sobe para 5%, o uso da IA deve ser revisado.

Baixa em sinistros climáticos nos últimos 6 anos mascara riscos crescentes para 2º semestre

Um primeiro semestre tranquilo mascara perdas por incêndios florestais que se acumulam entre 8 e 11% ao ano e um período de furacões ainda por vir. Eis por que os corretores não devem interpretar os números do primeiro semestre na precificação de renovação

As perdas globais seguradas por catástrofes naturais caíram bem abaixo da tendência no primeiro semestre de 2026. O Swiss Re Institute está alertando o setor para não confundir seis meses tranquilos com evidências de que o risco está diminuindo.

As perdas seguradas por catástrofes naturais atingiram cerca de US$ 42 bilhões no primeiro semestre de 2026, de acordo com o Swiss Re Institute. Esse número está 16% abaixo da média de 10 anos e é o menor total do primeiro semestre desde 2020. Tempestades convectivas severas foram o principal impulsionador, estimadas em US$ 28 bilhões, também abaixo da tendência de longo prazo.

O resultado abaixo da tendência foi em parte uma função da geografia, e não da redução do perigo. A atividade de tempestades nos EUA permaneceu acima da média, mas relativamente poucos dos eventos de maior impacto atingiram o Texas, as Planícies do Sul ou o Sudeste. Essas regiões normalmente geram as maiores perdas seguradas porque as tempestades combinam alta frequência com altas concentrações de ativos segurados.

O que o índice de sinistralidade revela

O seguro cobriu aproximadamente 42% das perdas econômicas do primeiro semestre, acima da média de 30 anos de 33%. Essa proporção reflete a concentração de danos em mercados altamente segurados, em vez de uma melhoria estrutural na cobertura global.

O contraste com a Venezuela ilustra diretamente a lacuna de proteção. Uma sequência de terremotos lá causou cerca de US$ 20 bilhões em perdas econômicas. A baixa penetração de seguros significa que apenas uma pequena parte desse dano deve ser segurada.

Balz Grollimund, chefe de riscos de catástrofes da Swiss Re, disse que o número abaixo da tendência não deve ser lido como um sinal de que o risco diminuiu. “Um primeiro semestre menos custoso não significa que o risco desapareceu”, disse Grollimund. “Um grande furacão, terremoto ou incêndio florestal pode mudar o cenário rapidamente.”

Incêndio florestal: o risco climático de crescimento mais rápido

O Swiss Re Institute identifica os incêndios florestais como o risco climático de crescimento mais rápido globalmente. As perdas seguradas por incêndios florestais na Europa cresceram cerca de 8% a 11% ao ano em termos reais desde 1970, de acordo com a pesquisa. A Europa agora experimenta 64% mais dias quentes, definidos como dias que atingem 30°C ou mais, do que na década de 1950.

O calor recorde de junho e as condições de seca persistentes na Europa Ocidental prepararam uma temporada ativa de incêndios florestais. Grandes incêndios afetaram a França e a Espanha em julho.

“Os recentes incêndios florestais na Europa destacam como as condições mais quentes e secas estão tornando grandes incêndios florestais mais prováveis e, com mais casas, empresas e infraestrutura construídas em áreas expostas a riscos, também mais caros”, disse Grollimund. As perdas por incêndios florestais na Europa cresceram de 8 a 11% ao ano desde 1970, e a lacuna de precificação e modelagem que isso cria para os corretores com clientes de propriedades europeias está aumentando mais rápido do que os modelos previam.

O Swiss Re Institute observou que as temporadas de incêndios estão se tornando mais longas e que as condições de incêndios florestais estão agora afetando regiões historicamente menos expostas ao perigo, um padrão já visível bem além da Europa em partes da América do Norte, Austrália e Ásia.

O segundo semestre é onde as perdas historicamente se concentram

O primeiro semestre tranquilo não reduz o risco de um ano inteiro custoso. Historicamente, o segundo semestre responde por uma média de 58% das perdas globais seguradas por catástrofes naturais, impulsionadas principalmente por furacões no Atlântico Norte.

Embora as condições do El Niño tendam a suprimir a atividade de furacões no Atlântico, elas não eliminam o risco de chegada à terra firme. Cerca de 22% das chegadas de furacões nos EUA desde 1950 ocorreram durante anos de El Niño. O El Niño também pode deslocar o risco para o Pacífico Central e Leste e alterar a dinâmica de inundações e incêndios florestais em outros lugares.

Espera-se que o El Niño se fortaleça até o final de 2026, com uma probabilidade de 97% de que persista até o início de 2027, redistribuindo o risco de catástrofes do Atlântico para o Pacífico, secas e incêndios florestais.

Os impulsionadores de custos de longo prazo, a crescente exposição em áreas propensas a riscos e o aumento dos custos de reconstrução permanecem em vigor, independentemente das condições sazonais. O Swiss Re Institute disse que o fortalecimento da resiliência e a redução do risco subjacente se tornariam cada vez mais importantes para manter a acessibilidade e a disponibilidade de seguros.

O que isso significa para os corretores, onde quer que estejam colocando riscos

Os números específicos neste relatório são globais, mas a lição subjacente se aplica a todos os mercados: um primeiro semestre tranquilo não é evidência de que a precificação de renovação deva suavizar, e tratar dessa forma corre o risco de uma desconexão real com os subscritores que estão precificando contra a tendência de várias décadas de incêndios florestais e furacões, não apenas os últimos seis meses.

Para corretores com clientes que possuem propriedades expostas a incêndios florestais, seja no sul da Europa, no oeste dos EUA, na Austrália ou em outro lugar, o número de crescimento de 8 a 11% ao ano em termos reais de Grollimund é um valor diretamente utilizável quando um cliente questiona um aumento de prêmio que parece desconectado de uma temporada local tranquila. Isso reformula a conversa de “por que minha taxa está subindo quando nada aconteceu aqui este ano” para “esta é uma tendência estrutural e cumulativa que uma única temporada tranquila não pausa”.

Para corretores com clientes em regiões expostas a furacões no Atlântico, a concentração de 58% de perdas no segundo semestre é um motivo para tratar qualquer suavização de taxas no meio do ano com cautela, em vez de travar decisões de programas de longo prazo com base apenas nas condições do primeiro semestre. E para corretores que assessoram clientes em regiões expostas ao Pacífico ou propensas a secas, vale a pena levantar proativamente o padrão de fortalecimento do El Niño agora, já que ele redistribui o risco em direção a perigos e geografias que podem não ter figurado com destaque no histórico recente de perdas do próprio cliente.

Risco de clima extremo começa muito antes da tempestade chegar, diz especialista

Jeff Lang da Trucordia explica por que o planejamento para o clima extremo não pode esperar por uma previsão

O clima extremo faz mais do que danificar edifícios. O furacão Ian gerou entre US$ 50 bilhões e US$ 65 bilhões em perdas seguradas quando atingiu a Flórida em setembro de 2022, de acordo com o Swiss Re Institute, tornando-se o segundo evento segurado mais caro já registrado, depois do Katrina. Grande parte desse dano percorreu cadeias de suprimentos e redes de distribuição a centenas de quilômetros da tempestade.

Para gerentes de risco e proprietários de empresas, essa distinção reformula o problema. O clima extremo é uma questão de cadeia de suprimentos, uma preocupação com a força de trabalho e um problema de lacuna de cobertura, em vez de apenas um problema de propriedade. Jeff Lang (na foto), vice-presidente sênior e líder da plataforma da Califórnia na Trucordia, explica como é uma abordagem genuína para o ano todo.

Quando a previsão já é tarde demais

A maioria das empresas consulta as previsões do tempo quando uma tempestade se aproxima. A essa altura, argumenta Lang, a janela para as decisões que importam já se fechou.

“O maior erro que as empresas cometem é tratar o clima como um evento em vez de um risco contínuo para os negócios”, disse ele. “Quando uma tempestade está no radar, as decisões importantes já devem ter ficado para trás.”

As empresas que navegam por grandes eventos climáticos com o mínimo de interrupção não são sortudas, argumenta Lang. São elas que mapearam fornecedores críticos, estabeleceram planos de contingência, definiram a autoridade de tomada de decisão e testaram a continuidade operacional sob pressão.

A tempestade de inverno Uri, em fevereiro de 2021, ilustra o ponto. O dano comercial mais significativo da tempestade não teve nada a ver com edifícios.

“Muitas empresas não foram fechadas porque seus edifícios foram danificados”, disse Lang. “Elas foram fechadas porque a energia falhou, o transporte parou, os fornecedores não puderam entregar e os funcionários não puderam trabalhar. Isso é continuidade de negócios, não danos à propriedade.

“O clima extremo não é apenas algo que acontece com seus edifícios. Ele acontece com todo o seu negócio.”

Essa distinção tem implicações diretas sobre como os gerentes de risco e proprietários de empresas abordam o planejamento climático, observa Lang. Isso muda a questão da proteção física para a resiliência operacional.

“Hoje, o risco climático vai muito além de proteger edifícios. Ele afeta sua força de trabalho, sua cadeia de suprimentos, sua tecnologia, transporte, serviços públicos e, em última análise, sua capacidade de atender aos clientes. É por isso que a resiliência se tornou uma questão de liderança, não apenas uma questão de instalações.”

Onde os planos de continuidade desmoronam

A maioria dos planos de continuidade de negócios é construída para proteger um edifício. Lang argumenta que esse é o ponto de partida errado.

“A maior lacuna é que muitas empresas ainda constroem planos de continuidade em torno de suas próprias instalações”, disse ele. “Não é mais aí que os negócios falham.”

A interrupção hoje, explica Lang, se move através de cadeias de suprimentos, redes de transporte, serviços públicos e mercados de trabalho. Um edifício totalmente operacional oferece proteção limitada se os fornecedores não puderem enviar as mercadorias ou os funcionários não puderem chegar ao trabalho.

“O furacão Ian provou isso”, disse ele. “Empresas a centenas de quilômetros da tempestade sofreram atrasos porque fornecedores, portos e redes de distribuição foram interrompidos. A lição é simples: o seu maior risco pode não ser onde você está localizado. Pode estar em algum lugar bem fundo na sua cadeia de suprimentos. A continuidade dos negócios não para mais na sua porta da frente.”

O problema é mais profundo do que as lacunas de planejamento, observa Lang, acrescentando que muitos planos de continuidade nunca foram testados.

“Eles ficam bem em uma pasta, mas o primeiro exercício de simulação de mesa geralmente expõe lacunas de comunicação, tomada de decisão e dependências operacionais.”

Manufatura, transporte, construção, saúde, varejo e distribuição de alimentos estão entre os setores mais expostos, de acordo com Lang. Todos dependem de redes logísticas e de fornecedores interconectadas que condições climáticas extremas podem interromper em qualquer época do ano.

Quando os dados históricos não são mais suficientes

Os gerentes de risco há muito confiam em dados históricos de perdas para entender a exposição futura. Lang diz que essa abordagem tem um ponto cego crescente.

“Os dados históricos ainda são importantes, mas não podem mais ser o único insumo”, disse ele. “Durante anos, as empresas olharam para trás para entender os riscos futuros. Isso funcionou quando os padrões climáticos eram relativamente previsíveis.”

Hoje, eventos severos estão ocorrendo em lugares que tradicionalmente não eram considerados de alto risco. A pergunta que os gerentes de risco precisam fazer mudou, argumenta Lang.

“Os gerentes de risco precisam fazer uma pergunta diferente. Não ‘O que aconteceu antes?’, mas sim ‘O que acontece se isso acontecer amanhã?'”

Essa mudança exige um conjunto de ferramentas diferente. Lang aponta a modelagem de catástrofes, o planejamento de cenários, a análise geoespacial e os testes de estresse como ferramentas que devem complementar os dados históricos.

Seus exemplos são baseados no comportamento de mercado observado. A fumaça de incêndios florestais interrompeu as operações a centenas de quilômetros do próprio incêndio. As inundações atingiram áreas que historicamente não eram consideradas propensas a inundações.

“O ambiente está mudando, e nossas suposições precisam mudar com ele”, disse Lang. “As organizações que vencerão não serão as que preverem todos os eventos. Serão aquelas que estão preparadas para a incerteza.”

Lacunas de cobertura e os limites do seguro

Muitas empresas presumem que seu programa de seguro as guiará através de um desastre climático. Lang diz que essa suposição é onde o problema começa.

“Uma das conversas mais difíceis que temos é após uma perda, quando uma empresa descobre que a cobertura que achava que tinha não é a cobertura que realmente comprou”, disse ele. “Os sinistros relacionados ao clima raramente são tão simples quanto as pessoas presumem.”

A cobertura depende da linguagem da apólice, exclusões, franquias, períodos de carência e da causa real do sinistro. Inundações e interrupção de negócios contingente são duas áreas em que as expectativas falham mais frequentemente em corresponder à realidade da apólice, observa Lang.

“O seguro é incrivelmente importante, mas não é um plano de continuidade de negócios”, disse ele. “É uma parte de uma estratégia de resiliência muito maior. O melhor momento para descobrir uma lacuna de cobertura é durante uma reunião de renovação, não depois de uma catástrofe.”

Para empresas que não testaram o estresse de seus planos, o ponto de partida de Lang é direto. Coloque a equipe executiva em uma sala e percorra um cenário realista.

“Presuma que você ficou sem energia. Presuma que seu fornecedor principal está offline. Presuma que seus funcionários não conseguem chegar ao trabalho”, disse ele. “Então faça uma pergunta: E agora? Quem toma as decisões? Como vocês se comunicam? Os clientes ainda podem ser atendidos? O que acontece se a interrupção durar uma semana em vez de um dia?”

Os exercícios trazem à tona problemas que são administráveis antes de um evento e muito mais difíceis de resolver durante um. Lang viu empresas descobrirem que o seu local de backup ficava na mesma zona de inundação que a sede. Outras descobriram que um funcionário detinha um conhecimento crítico que ninguém mais tinha.

“A continuidade dos negócios não é medida pelo plano que você escreveu”, disse ele. “É medida pelo desempenho da sua organização quando o inesperado acontece. Um plano de continuidade é tão bom quanto o primeiro dia em que você realmente precisa usá-lo.”

Os riscos vão muito além da perda imediata, argumenta Lang.

“A conversa mudou. Dez anos atrás, o risco climático era basicamente sobre a proteção de ativos físicos. Hoje, é sobre proteger o próprio negócio. Os edifícios podem ser consertados. Os clientes podem não voltar. As cadeias de suprimentos levam tempo para serem reconstruídas. As reputações podem levar ainda mais tempo.

“As organizações que se destacarão na próxima década não experimentarão necessariamente menos interrupções. A interrupção é parte de fazer negócios hoje. A diferença será a rapidez com que elas se adaptam, se recuperam e continuam atendendo aos seus clientes. A resiliência tornou-se uma vantagem competitiva. As empresas que se recuperarem mais rapidamente serão as que liderarão os seus setores.”

Financiamento em insurtechs atinge maior nível em quatro anos com IA atraindo 99% do investimento no 2º trimestre de 2026

O financiamento global de insurtechs atingiu seu nível trimestral mais alto em quatro anos durante o segundo trimestre de 2026, impulsionado quase inteiramente por investimentos em empresas focadas em inteligência artificial, de acordo com o mais recente Relatório Global de Insurtechs da Gallagher Re.

O financiamento de insurtechs totalizou US$ 2,44 bilhões no 2º trimestre de 2026, o resultado trimestral mais forte desde o 2º trimestre de 2022. No entanto, o aumento foi impulsionado em grande parte por várias grandes rodadas de financiamento, com o investimento se tornando cada vez mais concentrado entre as empresas focadas em inteligência artificial.

Empresas focadas em inteligência artificial foram responsáveis por 99,1% do financiamento total, atraindo US$ 2,42 bilhões durante o trimestre. Todas as rodadas de financiamento acima de US$ 5 milhões foram destinadas a empresas focadas em inteligência artificial, destacando o interesse contínuo dos investidores em aplicações dessa tecnologia em todo o setor de seguros.

Infraestrutura de inteligência artificial cria novas oportunidades de seguros

O relatório mais recente da Gallagher Re foca na infraestrutura que apoia a adoção da inteligência artificial, particularmente a rápida expansão dos data centers que alimentam as cargas de trabalho de computação avançada.

Os data centers estão se tornando uma parte crítica da economia digital, mas a velocidade de desenvolvimento e a complexidade do hardware de inteligência artificial estão criando novos desafios para as seguradoras que avaliam esses riscos.

A Gallagher Re disse que o crescimento da infraestrutura de inteligência artificial apresenta tanto desafios quanto oportunidades para o setor de (res)seguros, à medida que os subscritores desenvolvem abordagens para esta classe emergente de negócios.

Financiamento em estágio inicial declina

Apesar dos fortes níveis gerais de financiamento, o investimento em estágio inicial declinou durante o trimestre.

O financiamento em estágio inicial caiu 51,8% trimestre a trimestre, de US$ 548 milhões no 1º trimestre de 2026 para US$ 264,19 milhões no 2º trimestre de 2026. O mercado ainda registrou 54 negócios em estágio inicial, sugerindo uma atividade contínua entre as empresas mais jovens, apesar dos menores volumes de financiamento.

Os resultados indicam que os investidores estão priorizando cada vez mais empresas com capacidades estabelecidas de inteligência artificial e tração comercial.

Seguradoras mantêm atividade de investimento em tecnologia

As empresas de seguros e resseguros concluíram 27 investimentos em tecnologia no 2º trimestre de 2026, abaixo dos 32 no 1º trimestre de 2026.

As empresas em estágio inicial foram responsáveis por 51,9% dos investimentos apoiados por seguradoras, mostrando um interesse contínuo em tecnologia emergente, apesar de um ambiente de investimento mais seletivo.

A Gallagher Re afirmou que o trimestre reflete um mercado onde a inteligência artificial está absorvendo uma parcela crescente do capital, enquanto o pipeline de inovação mais amplo, particularmente para soluções direcionadas a seguradoras tradicionais, pode estar se estreitando.

Liberty Mutual registra trimestre de US$ 2,6 bi com queda em catástrofes, mas aumento de custos primários

Prêmio emitido líquido da GRS cresce enquanto carteira de varejo encolhe – a divisão que importa para os corretores

O lucro líquido do segundo trimestre da Liberty Mutual saltou 42,8%, atingindo US$ 2,634 bilhões, em comparação com US$ 1,845 bilhão no ano anterior, mas o ganho teve mais a ver com um trimestre mais calmo em termos de catástrofes do que com qualquer melhoria nos custos de sinistros subjacentes.

As perdas por catástrofes (CAT) caíram 43,7% no 2º trimestre, para US$ 455 milhões, representando 4,2 pontos do índice combinado, contra 7,3 pontos há um ano. Nos primeiros seis meses, as perdas por catástrofes diminuíram 61%, passando de US$ 2,629 bilhões para US$ 1,024 bilhão.

O índice combinado consolidado melhorou para 86,4% no 2º trimestre, ante 87,2%, e para 87,3% no acumulado do ano, ante 91,9%. O índice combinado subjacente, que exclui perdas por catástrofes e a evolução de reservas de anos anteriores, ampliou-se em 2,4 pontos, indo para 84,5% no 2º trimestre, acima dos 84,1% do primeiro trimestre. Essa trajetória aponta para uma modesta pressão sobre os custos de sinistros primários, mesmo com a melhoria nos resultados consolidados.

GRS cresce e varejo recua

Para os corretores que colocam riscos comerciais e especiais, a divisão mais relevante é entre os segmentos. O prêmio emitido líquido (NWP) da Global Risk Solutions (GRS) subiu 3,5% no 2º trimestre, para US$ 4,439 bilhões, e 4,4% no primeiro semestre, para US$ 9,393 bilhões. Dentro da GRS, a retenção caiu para 85,5%, ante 89,8% no 1º trimestre, e o prêmio de novos negócios declinou para US$ 894 milhões, vindo de US$ 1,06 bilhão. Essa métrica indica uma desaceleração no volume, embora o NWP do período tenha se mantido firme.

O US Retail Markets (USRM), segmento que cobre linhas pessoais e de pequenos negócios comerciais, registrou um índice combinado de 82,3%, uma melhoria de 2,9 pontos devido às menores perdas por catástrofes. Seu NWP encolheu 4,1%, para US$ 6,627 bilhões, impulsionado por um prêmio médio emitido menor por apólice de linhas pessoais. O reajuste de preços na renovação do seguro auto desacelerou para 0,5%, ante 4,5% no ano anterior, com a taxa agregada de renovação do USRM caindo de 5,5% para 1,2%. A retenção nas linhas pessoais melhorou, com a retenção do ramo automotivo se recuperando de 67,6% para 74%, sugerindo que os corretores estão retendo melhor os negócios à medida que a pressão sobre os preços diminui.

Resultado de investimentos impulsiona lucro

A receita consolidada total subiu 6% no 2º trimestre, atingindo US$ 13,251 bilhões, com o lucro operacional antes dos impostos aumentando 29,8%, para US$ 3,259 bilhões. Uma grande parcela da melhoria nos ganhos veio de receitas de sociedades em comandita (limited partnerships / LP), e não do resultado operacional de subscrição. Os rendimentos de LP mais que dobraram no 2º trimestre, subindo 107,3%, para US$ 850 milhões, contra US$ 410 milhões há um ano, e avançaram 88,7%, para US$ 1,466 bilhão, no primeiro semestre.

O CEO Tim Sweeney atribuiu o resultado aos “excelentes resultados de investimentos da LMI tanto em ativos tradicionais quanto alternativos”. O lucro operacional antes dos impostos subjacente (excluindo rendimentos de LP) foi de US$ 2,613 bilhões no 2º trimestre, queda de 2% em relação ao ano anterior, com o valor acumulado no ano também ligeiramente menor, atingindo US$ 5,204 bilhões contra US$ 5,378 bilhões.

Balanço patrimonial e capital

O patrimônio líquido total atingiu US$ 44,071 bilhões em 30 de junho, uma alta de 10,5% em comparação com os US$ 39,887 bilhões no final de 2025. O fluxo de caixa das atividades operacionais foi de US$ 1,886 bilhão no trimestre, aumento de 6,9%. “Com o balanço patrimonial mais forte de nossa história, estamos bem posicionados para buscar um crescimento lucrativo e para atender nossos segurados com a força financeira e a flexibilidade necessárias a longo prazo”, disse Sweeney.

A Liberty Mutual também revelou que, em 30 de julho, recebeu uma sentença arbitral favorável de US$ 1,570 bilhão contra a República Bolivariana da Venezuela. A indenização não foi registrada nas demonstrações financeiras do período encerrado em 30 de junho, de acordo com as regras contábeis sobre contingências ativas. A cobrança envolve etapas processuais adicionais.

Root divulga resultados do 2º trimestre de 2026

A Root Insurance, insurtech de seguro auto, divulgou seus resultados do 2º trimestre de 2026, encerrando o período com aproximadamente 484 mil apólices vigentes, um aumento de 6% em comparação com o 2º trimestre de 2025. O número de apólices da Root caiu em 11.508 durante o trimestre. A empresa afirmou que administrou o crescimento com disciplina em um mercado direto competitivo.

A Root registrou prêmios brutos emitidos de US$ 340 milhões no trimestre, uma queda de 2% em relação ao ano anterior.

O índice líquido de perdas e despesas de regulação de sinistros no trimestre foi de 66%, e o índice combinado líquido foi de 92,1%.

A empresa gastou US$ 25 milhões em vendas e marketing durante o trimestre, em comparação com aproximadamente US$ 37 milhões no 2º trimestre de 2025.

A Root gerou lucro líquido de US$ 25 milhões durante o trimestre, um aumento de 15% em relação ao ano anterior.

A empresa recomprou mais de US$ 20 milhões em ações no âmbito de sua autorização de recompra de US$ 75 milhões.

Em 30 de junho de 2026, a Root tinha US$ 509,6 milhões em caixa e equivalentes de caixa, dos quais US$ 239,5 milhões estavam mantidos fora das entidades de seguros reguladas.

“No longo prazo, acreditamos que a melhor estratégia de crescimento é construir o melhor produto de seguros do mundo, e isso começa pela precificação. Uma melhor seleção de riscos permite preços melhores, uma economia unitária mais sólida e um produto que mais clientes escolhem e adoram”, disse a Root.

12 3...101 Page 1 of 101