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.
