A inteligência artificial deixou de ocupar apenas projetos experimentais no mercado segurador brasileiro.

Uma pesquisa da Confederação Nacional das Seguradoras, em parceria com a EY, reuniu 26 respondentes de empresas de seguros, capitalização, previdência e saúde, que representam 50,7% do mercado analisado. Entre elas, 80% afirmaram já ter implantado alguma solução de IA, internamente ou em aplicações voltadas ao cliente. O investimento estimado para 2026 é de aproximadamente R$ 2,6 bilhões.

O avanço, porém, não elimina os obstáculos. Na mesma pesquisa, 69% das empresas apontaram a integração com sistemas legados como uma barreira à implantação, enquanto 58% mencionaram preocupações com a precisão e a confiabilidade dos modelos.

Isso mostra que a pergunta deixou de ser apenas “como usar IA em seguros?”. A decisão precisa considerar onde aplicar, quais dados sustentarão o modelo, como os sistemas trocarão informações e quem acompanhará os resultados.

Uma ferramenta pode acelerar a cotação, a classificação de documentos ou a triagem de sinistros. Quando opera sobre informações incompletas e processos fragmentados, também pode reproduzir erros em uma escala maior

Principais pontos

• A IA em seguros pode apoiar atendimento, análise documental, subscrição, sinistros, prevenção a fraudes e atividades internas de tecnologia.
• Dados desatualizados, sistemas isolados e processos mal definidos reduzem a confiabilidade das aplicações.
• Quanto maior o impacto da decisão sobre o segurado, maior deve ser o nível de supervisão, documentação e rastreabilidade.
• A Lei nº 15.040/2024 não regulamenta especificamente a IA, mas reforça a necessidade de motivar recusas de cobertura e preservar documentos que fundamentem decisões.
• A LGPD exige atenção ao uso de dados pessoais e às decisões tomadas unicamente com base em tratamento automatizado.
• Projetos menores e delimitados tendem a produzir aprendizados mais úteis do que tentativas de automatizar toda a operação ao mesmo tempo.

⚠️ Ponto de atenção

Quando uma aplicação de IA depende de dados dispersos entre planilhas, sistemas legados e rotinas manuais, a limitação pode permanecer pouco visível no início.

Com o aumento do volume de cotações, documentos, sinistros ou interações, o problema tende a aparecer na forma de:

• Decisões inconsistentes.
• Validações manuais recorrentes.
• Divergências entre canais.
• Dificuldade para localizar a origem de um dado.
• Ausência de registros sobre o funcionamento do modelo.
• Dependência de pessoas ou fornecedores específicos.

A prioridade, portanto, deve ser construir uma base que permita avançar sem perder controle sobre a operação.

Mapeie os sistemas e processos que fornecem dados para as decisões mais críticas da sua operação. Esse levantamento ajuda a identificar onde a integração precisa evoluir antes da automação.

O que muda quando a IA entra na operação de uma seguradora

Inteligência artificial em seguros não corresponde a uma única ferramenta.

O termo reúne diferentes tecnologias, como modelos preditivos, processamento de linguagem natural, visão computacional, reconhecimento de documentos e inteligência artificial generativa. Cada aplicação possui requisitos, benefícios e riscos próprios.

A pesquisa da CNseg e da EY identificou atendimento ao cliente, operações e tecnologia como as áreas que concentram os principais casos de uso entre as empresas participantes. O estudo também mostra que a IA generativa tem acelerado a revisão de processos e a adoção de novas ferramentas.

Essas aplicações podem gerar eficiência, mas não possuem o mesmo nível de criticidade.

Um assistente interno que resume documentos apresenta riscos diferentes de um modelo que participa da recusa de uma proposta ou da análise de cobertura de um sinistro. A governança precisa acompanhar essa diferença.

Onde o problema aparece na operação

Muitas operações não enfrentam a ausência completa de IA. O cenário mais comum é a presença de iniciativas isoladas, adotadas em áreas diferentes e conectadas de forma parcial.

Quando cada solução possui sua própria base, suas regras e seus registros, a empresa perde a visão unificada da jornada. Corrigir uma informação em um sistema não garante que ela seja atualizada nos demais.

Por isso, a aplicação de IA está diretamente ligada à integração de sistemas empresariais. Uma arquitetura capaz de organizar o fluxo de dados reduz a necessidade de reconciliações manuais e cria condições para que a automação evolua com maior rastreabilidade.

O impacto que costuma ficar oculto

Uma iniciativa mal estruturada nem sempre apresenta uma falha evidente no primeiro mês.

O impacto costuma surgir de forma progressiva.

Tempo gasto em validação manual

Quando a equipe não confia nas informações produzidas pelo modelo, cada resultado precisa ser revisado.

A IA continua presente, mas o ganho de produtividade diminui porque as pessoas passam a conferir, corrigir e registrar manualmente as decisões.

Inconsistência entre canais

O cliente pode receber uma resposta no chatbot, outra no portal e uma terceira durante o atendimento humano.

Isso ocorre quando os canais consultam sistemas, regras ou bases de conhecimento diferentes.

Dificuldade de auditoria

Modelos que participam de decisões de subscrição, sinistros ou classificação de risco precisam operar com registros suficientes para explicar:

• Quais dados foram utilizados.
• De onde eles vieram.
• Qual versão do modelo participou da análise.
• Quais regras complementares foram aplicadas.
• Se houve revisão humana.
• Quem aprovou a decisão final.

Sem essa documentação, um problema técnico também pode se tornar uma questão jurídica, regulatória ou reputacional.

Dependência de conhecimento concentrado

Modelos configurados por uma única pessoa ou fornecedor, sem documentação e processo de transição, criam um ponto de dependência.

Quando a pessoa deixa a equipe ou o contrato é encerrado, a operação pode perder a capacidade de entender e ajustar a solução.

Propagação de dados incorretos

Um dado desatualizado pode alimentar diferentes decisões, relatórios e canais.

Quanto maior a integração da IA com a operação, maior também pode ser a propagação de uma informação incorreta quando faltam controles de qualidade.

Risco regulatório: o que precisa ser considerado

O uso de inteligência artificial no mercado de seguros é afetado por normas que tratam de contratos, proteção de dados, governança, conduta e direitos dos consumidores.

Isso não significa que toda automação esteja sujeita às mesmas exigências. O nível de cuidado deve acompanhar o tipo de dado utilizado e o impacto da decisão.

Para operações que ainda precisam estruturar essa camada, vale aprofundar como a proteção e a governança de dados pessoais se conectam aos processos, sistemas e responsabilidades da empresa.

Nova Lei de Seguros

A Lei nº 15.040/2024 entrou em vigor um ano após sua publicação oficial, ocorrida em dezembro de 2024.

A norma determina que a recusa de cobertura seja expressa e motivada. Também estabelece que, diante de uma negativa, a seguradora entregue ao interessado os documentos produzidos ou obtidos durante a regulação e a liquidação do sinistro que fundamentem a decisão, respeitadas as hipóteses legais de sigilo. O valor devido apurado também deve ser apresentado de forma fundamentada.

A lei não regulamenta especificamente os modelos de IA.

O impacto sobre a inteligência artificial é indireto: quando um sistema participa de uma decisão relacionada à cobertura ou ao valor devido, a seguradora precisa manter informações suficientes para sustentar e explicar o resultado.

Na prática, isso exige atenção a:

• Origem dos dados.
• Registros do processo.
• Critérios utilizados.
• Tratamento de exceções.
• Participação humana.
• Documentação das análises.
• Capacidade de reconstruir a decisão.

LGPD e decisões automatizadas

O uso de dados pessoais em aplicações de IA deve observar os princípios e as obrigações da Lei Geral de Proteção de Dados.

Entre os pontos que exigem atenção estão:

• Finalidade.
• Adequação.
• Necessidade.
• Base legal.
• Qualidade dos dados.
• Transparência.
• Segurança.
• Prevenção.
• Retenção.
• Compartilhamento.
• Direitos dos titulares.

O art. 20 da LGPD trata das decisões tomadas unicamente com base em tratamento automatizado de dados pessoais que afetem os interesses do titular. A ANPD também destaca a transparência algorítmica e o acesso a informações claras sobre decisões automatizadas que impactem as pessoas.

Isso é especialmente relevante em aplicações que participam da:

• Definição de perfil.
• Precificação.
• Classificação de risco.
• Aceitação de propostas.
• Análise de sinistros.
• Identificação de possíveis fraudes.

A existência de revisão humana precisa ser real. Apenas inserir uma aprovação formal ao final do fluxo, sem condições para questionar o modelo, pode não oferecer uma supervisão adequada.

Plano de Regulação da Susep para 2026

O Plano de Regulação da Susep para 2026 foi formalizado pela Resolução Susep nº 72, de 17 de dezembro de 2025.

Entre os destaques oficiais estão a regulamentação da Lei nº 15.040/2024, Open Insurance, sandbox regulatório, governança, conduta, terceirização, regras prudenciais e prevenção à lavagem de dinheiro. A inteligência artificial não aparece, nos destaques divulgados, como um tema regulatório autônomo.

Ainda assim, aplicações de IA precisam se adequar às regras que atingem os processos nos quais são utilizadas.

Uma solução adotada em atendimento, terceirização, análise de risco ou regulação de sinistros permanece sujeita às exigências relacionadas a essas atividades.

Avalie quais decisões automatizadas afetam diretamente segurados, parceiros ou clientes. Quanto maior o impacto, maior deve ser a capacidade de registrar, revisar e explicar o resultado.

Critérios para decidir onde aplicar IA primeiro

Nem toda operação precisa aplicar inteligência artificial em todas as etapas da jornada.

A priorização pode começar por sete critérios.

1. Volume de tarefas repetitivas

Processos com alto volume, baixa variabilidade e regras conhecidas tendem a oferecer um ponto de entrada mais controlável.

Exemplos:

• Classificação de solicitações.
• Extração de informações.
• Triagem documental.
• Organização de chamados.
• Comparação entre campos.
• Busca em bases internas.

2. Qualidade dos dados

A empresa precisa saber:

• Quais dados existem.
• Onde estão armazenados.
• Quem é responsável por eles.
• Com que frequência são atualizados.
• Quais campos apresentam inconsistências.
• Quais informações podem ser utilizadas para o objetivo definido.

Um volume grande de dados não compensa problemas de qualidade e representatividade.

3. Maturidade da integração

Quanto mais sistemas o modelo precisa consultar, maior é a dependência de integrações estáveis.

Uma IA conectada apenas a uma base estática pode atender a um caso restrito. Aplicações que acompanham toda a jornada da apólice exigem uma estrutura mais ampla.

4. Criticidade da decisão

Uma ferramenta que organiza documentos possui um nível de risco diferente de uma solução que participa da recusa de cobertura.

Quanto maior o impacto financeiro, contratual ou pessoal, maiores devem ser:

• A supervisão.
• A explicabilidade.
• A documentação.
• Os testes.
• Os controles de acesso.
• O tratamento de exceções.

5. Capacidade de governança

É necessário definir quem será responsável por:

• Aprovar o caso de uso.
• Acompanhar os dados.
• Validar o modelo.
• Analisar incidentes.
• Rwvisar resultados.
• Autorizar mudanças.
• Interromper a aplicação quando necessário.

6. Segurança e privacidade

Antes do piloto, a empresa deve avaliar:

• Dados enviados a fornecedores.
• Armazenamento das informações.
• Uso das entradas para treinamento.
• Acessos internos.
• Contratos.
• Retenção.
• Anonimização ou pseudonimização.
• Registro de incidentes.

7. Indicadores de sucesso

O projeto precisa começar com uma linha de base. Alguns indicadores possíveis são:

• Tempo médio do processo.
• Volume de tarefas manuais.
• Índice de retrabalho.
• Taxa de erro.
• Quantidade de exceções.
• Tempo de resposta.
• Produtividade da equipe.
• Satisfação dos usuários.
• Falsos positivos e falsos negativos.

Sem uma referência anterior, a organização não consegue diferenciar um ganho real de uma percepção pontual.

Uma migração ou modernização em andamento não impede necessariamente o uso de IA. O projeto, porém, precisa estar coordenado com a nova arquitetura para evitar integrações provisórias e retrabalho.

Avalie a maturidade da operação antes de escolher a ferramenta. A Tecnologia Única pode apoiar o mapeamento de processos, integrações e critérios necessários para estruturar um primeiro caso de uso.

O que costuma dar errado na prática

Mapeie os processos que concentram mais retrabalho e decisões repetitivas. Esse diagnóstico permite priorizar onde a IA pode apoiar a equipe sem criar uma nova camada de complexidade.

Checklist: Avalie o estágio da sua operação

Conclusão

A inteligência artificial em seguros pode reduzir tarefas repetitivas, organizar informações e apoiar decisões. O resultado, porém, depende da estrutura que sustenta cada aplicação.

Dados dispersos, sistemas desconectados e responsabilidades pouco claras limitam o ganho operacional. À medida que o volume aumenta, essas limitações aparecem como retrabalho, inconsistência, dificuldade de auditoria e perda de confiança.

Avançar com consistência exige:

• Escolher um problema específico.
• Organizar os dados.
• Integrar as fontes necessárias.
• Classificar o risco.
• Preservar revisão e rastreabilidade.
• Testar em ambiente controlado.
• Acompanhar o desempenho depois da implantação.

A Tecnologia Única apoia empresas do setor segurador na construção desse caminho, conectando tecnologia, dados e processos de acordo com o estágio de cada operação.

Estruture o próximo passo com critérios claros. Avalie com a Tecnologia Única onde a IA pode reduzir esforço, organizar decisões e ampliar a capacidade de resposta da sua operação.

Perguntas Frequentes (FAQ)

Referências externas

[1] CNseg e EY. Inteligência Artificial e o Setor de Seguros. Fevereiro de 2026.

[2] Brasil. Lei nº 15.040, de 9 de dezembro de 2024 — Lei de Seguros.

[3] Superintendência de Seguros Privados. Susep aprova Plano de Regulação para 2026.

[4] Autoridade Nacional de Proteção de Dados. Por que Inteligência Artificial?