Líderes do setor de seguros devem deixar a automação provar seu valor antes de alterar os planos de quadro de pessoal. Seguradoras, corretoras e MGAs (agências de subscrição com poderes delegados) correm para aplicar IA em sinistros, subscrição, fraude e tarefas administrativas, mas é a prontidão operacional que determina quanto trabalho essas ferramentas conseguem absorver com confiabilidade.
O número de funcionários do setor de seguros nos EUA cresceu apenas 0,81% entre janeiro de 2025 e janeiro de 2026, abaixo dos 1,42% que as seguradoras haviam projetado um ano antes, segundo o estudo do mercado de trabalho de seguros dos EUA do primeiro trimestre de 2026, da The Jacobson Group e da Aon, que ouviu seguradoras de diversos segmentos em janeiro de 2026. Entre as empresas que reduziram o quadro, a automação foi o motivo mais citado.
Em todos os setores, o retorno da IA nem sempre chega no prazo. Na Automation and AI Pathfinder Survey 2026 da Bain & Company, com 951 empresas, quase 40% das que medem a economia de custos com IA ficaram abaixo de 10%, apesar de terem como meta de 11% a 20%. Os respondentes apontaram acesso e integração de dados como a maior barreira ao avanço da IA, citada por 41%.
Muitas aplicações de IA dependem de dados confiáveis e de regras de decisão documentadas. Sistemas centrais fragmentados e dados em silos podem levar as seguradoras a colocar IA sobre uma base que nunca foi projetada para sustentá-la. Fortalecer essa base aumenta as chances de as organizações realizarem os ganhos esperados.
Quando as decisões sobre pessoal passam à frente da prontidão
Uma pesquisa da Gartner com 350 executivos de organizações de diversos setores com faturamento anual de pelo menos US$ 1 bilhão, realizada no terceiro trimestre de 2025, constatou que 80% dos que estavam testando ou implantando IA ou automação relataram redução de pessoal. As taxas de redução foram quase idênticas entre os que relataram alto retorno sobre o investimento (ROI) e os que relataram retornos modestos ou negativos. Cortes de pessoal, por si só, não são prova de que a IA está entregando bons retornos.
Quando as empresas cortam gente mais rápido do que a automação consegue absorver a carga de trabalho, o serviço pode se acumular. Os funcionários que ficam precisam lidar com o backlog e com a automação inacabada, o que traz risco de atrasos, erros e esgotamento.
Considere o processamento de endossos de apólices. Ferramentas de IA podem cuidar de solicitações de rotina, como atualização de endereço, liberando a equipe para tarefas mais complexas. Mas uma organização que corta sua equipe de atendimento após um piloto bem-sucedido pode descobrir que alterações de cobertura no meio da vigência e pedidos incompletos ainda exigem julgamento profissional. Esse trabalho passa a recair sobre uma equipe menor, que também precisa revisar o resultado da ferramenta.
Manter profissionais experientes para supervisionar a ferramenta e tratar as exceções dá à liderança espaço para medir quantas solicitações ainda precisam de uma pessoa, quanto tempo levam as correções e se o prazo de atendimento se mantém com o volume total. As mudanças de pessoal podem, então, seguir os resultados comprovados.
O valor da IA precisa ser avaliado por tarefa. Classificação de documentos e monitoramento de qualidade de sinistros e de ligações de atendimento ao cliente podem ser aplicações promissoras quando os dados de entrada e os critérios de avaliação são suficientemente consistentes. Em fluxos com alta taxa de exceções, porém, os ganhos de eficiência podem ser consumidos pelas pessoas que alimentam e corrigem o sistema.
O que precisa acontecer antes da implantação da IA
Três áreas merecem atenção antes de um modelo de IA entrar em operação. A primeira é a padronização de processos: mapear como o trabalho circula de ponta a ponta, incluindo transferências entre áreas e caminhos de exceção, com regras de decisão claras. A segunda é a prontidão dos dados: limpar e normalizar os dados relevantes e atribuir responsabilidade pela qualidade deles, para que as falhas sejam identificadas e corrigidas. A terceira é a supervisão operacional, com pessoas responsáveis por avaliar fluxos de trabalho, identificar melhorias e tratar exceções à medida que a automação amadurece.
Essas preparações devem continuar durante a implantação. Antes de mudar o quadro de pessoal, os líderes devem comparar o desempenho com a referência anterior à implantação. As taxas de exceção mostram com que frequência o trabalho exige intervenção, enquanto o tempo de correção indica o esforço gasto para consertar os resultados. O prazo de atendimento deve se manter no volume pleno de produção, e o esforço total da equipe deve incluir revisão, retrabalho e tratamento de exceções.
Quando essas medidas demonstram ganhos sustentados sem comprometer serviço ou qualidade, os líderes têm base mais sólida para ajustar o quadro de pessoal. O ritmo deve refletir o que a automação consegue fazer hoje, e não o que se projetava que ela faria.
Isso exige disciplina. Significa manter profissionais treinados enquanto as regras de decisão são testadas e dar tempo para o desempenho se estabilizar. Acertando a sequência, a tecnologia tem a melhor chance de entregar o que prometeu. Errando, o backlog pode aparecer antes da IA.
Escrito por Norm Hudson, cofundador e CEO na Staff Boom.
Com informações de Insurance Innovation Reporter.
Leia mais:
