Conforme as capacidades de IA se tornam comuns, provedores de insurtech precisam se diferenciar por meio de problemas bem delimitados, decisões explicáveis e valor de negócio demonstrável.
*Escrito por Chuck Johnston
Enquanto me preparo para o InsureTech Connect (ITC) 2026, um fornecedor de insurtech recentemente me procurou para perguntar se eu publicaria outro Insurance AI Sauce Report — a análise pós-evento que costumo escrever depois de participar do ITC NYC em junho.
Minha resposta o surpreendeu: decidi que é hora de seguir para um novo tema.
Não é porque perdi o interesse em IA — muito pelo contrário. Continuo profundamente fascinado com os rumos da tecnologia, especialmente paradigmas emergentes como a IA neuro-simbólica. A razão para aposentar o relatório é mais simples e fundamental: a IA já não é um diferencial nas discussões de insurtech. Todo mundo tem IA — até profissionais autônomos como eu. A pergunta central já não é se você tem IA, mas qual problema real você está resolvendo com ela.
O mar da mesmice no pavilhão de exposições
Minha decisão se cristalizou depois de conversar com mais de uma dúzia de fornecedores focados em IA no piso de feiras do ITC NYC. Um fornecedor após outro apresentou pitches quase idênticos.
Uma conversa em particular ficou comigo. Um profissional de marketing de produto muito sincero me mostrou a plataforma da empresa:
“Oferecemos uma solução de fluxo de trabalho que usa IA generativa para executar tarefas.”
“Usamos conexões agênticas para otimizar atividades.”
“Tornamos as coisas mais rápidas, baratas e melhores para as seguradoras.”
Soava ótimo no papel. Mas quando perguntei diretamente: “Qual é o seu diferencial central?”, ele pausou, olhou para mim e admitiu com franqueza: “Não tenho ideia.”
Dos mais de 12 fornecedores que entrevistei, quase todos contaram a mesma história genérica.
Exceto um.
O poder do problema afiado e bem definido
O único fornecedor que se destacou não era interessante por causa de sua pilha de IA — estava usando os mesmos modelos subjacentes que todos os demais. O que o tornou diferente foi o foco em um domínio de negócio específico: um conjunto distinto de problemas jurídicos complexos dentro do setor de seguros.
Em vez de pedir a uma equipe de marketing que olhasse para tendências macro do setor e produzisse slogans genéricos sobre time-to-market mais rápido ou eficiência operacional, essa equipe se sentou e fez uma pergunta melhor: onde há um ponto de dor específico, de alta fricção, que realmente precisa ser resolvido? Escolheu um problema talvez menos amplamente aplicável a todas as seguradoras, mas que oferecia valor substancialmente maior aos clientes que precisavam dele.
Essa mentalidade representa a linha divisória entre empresas de insurtech que prosperarão e aquelas que desaparecerão. A menos que o objetivo seja simplesmente ser um provedor utilitário genérico, as empresas devem aplicar a IA a um conjunto de problemas afiado e bem definido.
A evolução da IA nos seguros: Regras vs. Razão
Essa mudança de foco nos leva a um grande desafio técnico enfrentado pelo setor de seguros: transparência e certeza. Embora a lógica indutiva da IA generativa ofereça capacidades significativas, ela não é inerentemente transparente ou certa.
Para entender por que isso representa um obstáculo, ajuda comparar duas abordagens amplas de inteligência artificial: IA simbólica e IA generativa.
IA simbólica, ou motores de regras, baseia-se no raciocínio dedutivo. Desenvolvedores constroem uma estrutura com base em comportamentos esperados e parâmetros conhecidos, permitindo que o sistema aplique regras explícitas de forma consistente dentro desses limites.
A vantagem é transparência e lógica claramente definida. A desvantagem é que é necessária uma engenharia inicial considerável para construir e manter os conjuntos de regras. Se as regras encontrarem dados inesperados fora de sua estrutura, o fluxo de trabalho pode falhar ou exigir intervenção humana. O sistema pode ser confiável dentro de seus limites definidos, mas frágil em escala.
IA generativa, ou sistemas de correspondência de padrões, baseia-se amplamente no raciocínio indutivo. Em vez de seguir apenas regras codificadas por humanos, o modelo observa grandes conjuntos de dados, aprende padrões e constrói uma estrutura interna para lidar com cenários novos e complexos.
A vantagem é flexibilidade e adaptabilidade em dados desestruturados e “sujos”. A desvantagem é que o raciocínio indutivo pode produzir resultados incorretos com confiança. Mesmo quando uma resposta está correta, um modelo de IA generativa pode não fornecer uma explicação suficientemente clara de como chegou a determinada conclusão.
O dilema do “mostre seu raciocínio”
Essa falta de transparência já está causando atrito em setores regulados. Desafios jurídicos envolvendo decisões automatizadas de saúde aumentaram o escrutínio sobre como as seguradoras documentam e explicam determinações assistidas por modelo em grandes volumes de arquivos.
Quando pressionado, um sistema puramente de IA generativa pode apontar para relações estatísticas entre fatores relevantes. Mas decisões de seguros reguladas frequentemente exigem mais: uma base lógica rastreável, aplicação consistente de regras e um trilha de auditoria que possa ser examinada por reguladores, tribunais e revisores internos.
Combinando reconhecimento de padrões com lógica explícita
IA neuro-simbólica não é uma tecnologia super nova. É uma abordagem híbrida destinada a fazer a ponte entre dois paradigmas estabelecidos de inteligência artificial:
Redes neurais, incluindo IA generativa: eficazes em analisar dados não estruturados, identificar padrões sutis e dar sentido a entradas do mundo real “bagunçadas”.
IA simbólica, incluindo motores de regras: eficazes em aplicar lógica explícita, restrições matemáticas e regras regulatórias ou de negócio.
Ao combinar esses dois paradigmas, as seguradoras podem não precisar escolher entre motor de regras rígidas e caixas-pretas opacas. Um motor neural pode cuidar do trabalho de ler apólices complexas, registros médicos ou anotações de sinistros, enquanto uma camada simbólica aplica lógica de negócio e diretrizes de segurança definidos. Implementada corretamente, essa abordagem pode melhorar a rastreabilidade e produzir uma trilha de auditoria mais clara para as saídas do sistema.
Sistemas neuro-simbólicos podem ser organizados de várias formas, incluindo arquiteturas paralelas, em pipeline e interativas:
Paralelo: os componentes neurais e simbólicos rodam simultaneamente, fornecendo insights complementares que são posteriormente sintetizados. Isso pode funcionar em alguns cenários e frequentemente é um passo inicial, mas, como os sistemas operam independentemente, a integração e síntese podem se tornar trabalhosas.
Pipeline: o componente neural processa e estrutura os dados, que são então passados ao componente simbólico para validação baseada em regras. Isso cria uma conexão e dependência definidas entre os dois componentes e pode fazer uso efetivo de suas respectivas forças.
Interativo: os componentes neurais e simbólicos se comunicam de forma iterativa, com o sistema simbólico restringindo e guiando o raciocínio do modelo neural. Essa abordagem pode suportar maior automação, autocorreção e resiliência em processos straight-through, à medida que os dois modelos aplicam raciocínio indutivo e dedutivo para lidar com exceções.
Olhando para o ITC 2026
À medida que nos preparamos para o ITC 2026, meu desafio para fornecedores e seguradoras é mudar a conversa para longe de buzzwords superficiais de IA.
Para fornecedores: parem de dizer ao mercado que “usam IA generativa e fluxos de trabalho agênticos para tornar as coisas mais rápidas, baratas e melhores”. Todo mundo está fazendo isso. Em vez disso, mostrem-nos o problema específico, de alta fricção, que vocês resolvem melhor do que qualquer outro — e demonstrem como sua arquitetura apoia transparência e defensibilidade quando os reguladores baterem à porta.
Para seguradoras: parem de avaliar soluções principalmente de acordo com a sofisticação de seus modelos de linguagem de grande porte subjacentes. Comecem a buscar plataformas que combinem flexibilidade com saídas explicáveis e bem controladas, adequadas ao problema de negócio em questão.
IA já não é a história — é apenas o motor. A verdadeira distinção pertencerá a quem sabe exatamente onde aplicá-la.
*Chuck Johnston é estrategista de tecnologia de negócios de seguros e fundador da Johnston Digital Ventures, onde oferece serviços de advisory e consultoria para o espaço de Vida, Acidentes e Benefícios a Empregados.
Quer participar do ITC Vegas 2026 com a delegação brasileira? 🇧🇷
São três dias de encontro com mais de 10.000 partcipantes e expositores, networking com VCs, seguradoras, insurtechs e parceiros do mundo todo. Junte-se aos mais de 250 executivos brasileiros que participarão dessa jornada. Garanta sua inscrição agora: Clique aqui!
Para mais informações acesse o site: https://itc.insurtechbrasil.com/
