IA na subscrição de seguros é o uso de inteligência artificial nas etapas de aceitação de risco — leitura de documentos, verificação de dados, triagem de propostas e, em faixas delimitadas, a própria decisão. A escolha difícil não é técnica: é definir o que automatizar e o que registrar para sustentar cada recusa.
Principais pontos
- Subscrição não é uma decisão única. Captura de informação, verificação, classificação de risco, aceitação, agravo e recusa têm naturezas diferentes — e só algumas se automatizam com o mesmo nível de segurança.
- Desde dezembro de 2025, a Lei nº 15.040/2024 exige que a seguradora comunique a justificativa da recusa ao proponente para que ela seja válida, e fixa prazo de 25 dias para cientificar a recusa, sob pena de aceitação tácita.
- Uma decisão tomada unicamente por tratamento automatizado que afete o proponente atrai o direito de revisão do art. 20 da LGPD e a obrigação de informar critérios — o que torna a explicabilidade um requisito de processo, não uma preferência de arquitetura.
- O limite mais comum não é a qualidade do modelo: é a ausência de critério escrito, de fonte autoritativa para cada dado e de registro do que foi lido em cada proposta.
- A adoção já é ampla, mas o retorno reportado pelo setor é predominantemente incremental. Isso muda o critério de sucesso do projeto: ganho de tempo e consistência, antes de promessa de resultado técnico.
O que a IA muda na subscrição e o que continua sendo decisão da seguradora
“Subscrição” costuma ser tratada como um bloco só, e é aí que os projetos se perdem. Na prática, a aceitação de um risco é uma sequência de tarefas com naturezas distintas, e cada uma responde de forma diferente à automação:
| Etapa da subscrição | O que a IA tende a resolver bem | O que continua exigindo controle |
|---|---|---|
| Captura e leitura de proposta, laudos, DPS, contratos e documentos societários. | Extrair campos de documentos não estruturados, identificar o que falta, padronizar formatos. | Erro de extração silencioso: o campo lido errado só aparece no sinistro. |
| Verificação e enriquecimento com bases internas e externas. | Cruzar histórico, apólices anteriores, restrições e dados públicos disponíveis. | Fonte autoritativa de cada dado e base legal para o uso, sobretudo em dado sensível. |
| Classificação de risco e priorização da fila. | Separar o caso simples do caso que precisa de análise técnica. | Explicar por que um caso foi classificado como agravado. |
| Aceitação dentro de faixa definida. | Aplicar critério objetivo de forma consistente entre canais. | Faixa escrita, limites e comportamento previsível quando o dado está ausente. |
| Agravo, sobretaxa e recusa. | Sugerir o enquadramento e reunir o que sustenta a proposta de decisão. | Justificativa comunicável ao proponente e caminho de revisão. |
| Emissão. | Preencher, validar consistência e disparar o fluxo. | Aderência a produto registrado e rastro do que foi emitido. |
A distinção prática é esta: nas etapas de reunião de informação, o erro é detectável e corrigível; nas etapas de decisão, o erro produz efeito jurídico para o proponente.
São regimes de risco diferentes, e tratá-los com o mesmo nível de autonomia é o atalho que costuma custar caro. Se a dúvida ainda é onde aplicar IA primeiro em toda a operação — e não especificamente na aceitação de risco —, o panorama está em inteligência artificial em seguros; aqui o recorte é a decisão de subscrever.
Quem já estruturou a camada de cotação reconhece o padrão: a parametrização de produto, as regras de cálculo e o workflow de aceitação são o que permite que uma decisão automatizada seja consistente entre canais — assunto que aparece com mais profundidade na discussão sobre como modernizar a cotação de seguros com IA.
A subscrição herda essa base; quando ela não existe, o modelo passa a ser a única explicação disponível para a decisão.
Vale registrar a diferença entre o que a tecnologia decide e o que ela apenas aplica. Um modelo estatístico infere padrão a partir de histórico; um motor de regras aplica critério escrito por pessoas.
Em subscrição, os dois costumam conviver — e a pergunta que organiza o projeto é qual dos dois está decidindo em cada ponto do fluxo, porque a obrigação de explicar recai sobre a decisão, não sobre a técnica escolhida.
O que a regulação brasileira já exige de uma decisão automatizada de subscrição
Esta é a área em que o tema costuma ser tratado com imprecisão — inclusive em conteúdos que descrevem ganhos de IA sem mencionar uma única obrigação vigente. Atualmente, o quadro aplicável é o seguinte.:
A recusa precisa ser justificada e tem prazo
A Lei nº 15.040/2024 — a Lei do Contrato de Seguro, em vigor desde dezembro de 2025 — estabelece no art. 49 que, recebida a proposta, a seguradora tem prazo máximo de 25 dias para cientificar sua recusa ao proponente, ao final do qual será considerada aceita.
O § 2º prevê que solicitar esclarecimentos ou exames periciais reinicia o prazo, e o § 3º determina que, em qualquer hipótese, a validade da recusa depende da comunicação de sua justificativa ao proponente.
Consequência para IA: um modelo que declina risco sem produzir justificativa comunicável não atende ao requisito da própria decisão que executou.
As informações do proponente têm efeito jurídico definido
O art. 44 da mesma lei disciplina o dever de informar conforme o questionário submetido pela seguradora, com consequências distintas para descumprimento doloso — perda da garantia — e culposo — redução proporcional da garantia.
A lei também prevê a extinção do contrato quando os fatos não revelados correspondam a risco que não seja normalmente subscrito pela seguradora.
Consequência para automação: o que o sistema perguntou, o que o proponente respondeu e o que a seguradora considerou precisam estar reconstituíveis proposta a proposta.
Decisão automatizada atrai direito de revisão
O art. 20 da LGPD garante ao titular o direito de solicitar a revisão de decisões tomadas unicamente com base em tratamento automatizado que afetem seus interesses, inclusive decisões destinadas a definir perfil pessoal ou profissional.
O § 1º obriga o controlador a fornecer informações claras sobre os critérios e os procedimentos utilizados, observados os segredos comercial e industrial. O § 2º autoriza a autoridade nacional a realizar auditoria para verificar aspectos discriminatórios quando essas informações não forem fornecidas.
Consequência para subscrição: automatizar uma decisão com efeito sobre o proponente exige pensar também em revisão, explicabilidade e evidência da execução.
Dado de saúde tem regime próprio
O art. 11, § 5º, da LGPD veda às operadoras de planos privados de assistência à saúde o tratamento de dados de saúde para a prática de seleção de riscos na contratação de qualquer modalidade, assim como na contratação e exclusão de beneficiários.
A vedação é endereçada às operadoras de planos privados de assistência à saúde; não é uma proibição geral de uso de dado de saúde na subscrição de vida ou de acidentes pessoais, que segue o regime de dado pessoal sensível do art. 11 como um todo.
Consequência para o projeto: delimitar corretamente produto e operação é premissa anterior à modelagem. Generalizar a vedação pode tanto travar projetos sem necessidade quanto produzir enquadramentos incorretos.
Recusar por determinada razão única pode configurar discriminação
A Resolução CNSP nº 439/2022, sobre as características gerais das coberturas de risco de seguros de pessoas, estabelece no art. 7º que a recusa do risco pela razão única de o proponente ser pessoa com deficiência configura discriminação e é passível de punição nos termos da regulamentação específica.
Consequência para critérios automatizados: não basta excluir uma variável do modelo; a operação precisa conseguir demonstrar quais fatores efetivamente determinaram o resultado.
Governança de riscos e terceirização já são norma setorial
A Resolução CNSP nº 416/2021 estrutura o Sistema de Controles Internos, a Estrutura de Gestão de Riscos e a auditoria interna das supervisionadas. Um processo de subscrição apoiado por modelo continua sendo um processo da própria supervisionada, sem necessidade de uma categoria nova.
A Circular SUSEP nº 638/2021, cujo Manual de Orientações sobre Segurança Cibernética em versão de junho de 2026 inclui expressamente o “processamento, armazenamento e análise de dados, inclusive por meio de soluções baseadas em inteligência artificial” entre os serviços relevantes, enquadra a contratação desse tipo de solução no regime de terceirização de serviço relevante.
Consequência para contratação: avaliar uma solução de IA envolve também arquitetura, hospedagem, tratamento de dados, controles e condições contratuais — não apenas desempenho do modelo.
Ainda não há lei específica de IA em vigor — mas a fiscalização já tem endereço
O PL 2338/2023, que estabeleceria o marco legal da inteligência artificial, foi aprovado pelo Senado e remetido à Câmara dos Deputados em março de 2025. O projeto tramita em comissão especial, com relator designado e parecer ainda pendente.
Entre as proposições apensadas está o PL 6237/2025, do Executivo, que institui um sistema nacional de desenvolvimento, regulação e governança de IA. Em paralelo, a ANPD incluiu “inteligência artificial e tecnologias emergentes no contexto do tratamento de dados pessoais” entre os temas prioritários de fiscalização para 2026–2027, ao lado dos direitos dos titulares.
Leitura prática: planejar a arquitetura considerando futuras exigências de classificação de risco é prudente. Afirmar que já existe uma obrigação legal específica de IA, não.
A leitura conjunta é menos sobre permissão e mais sobre desenho: as obrigações que pesam sobre a subscrição automatizada recaem sobre registro, explicação e revisão — três requisitos que se decidem na arquitetura do processo, não na escolha do modelo. Em resumo direto: automatizar a análise não é vedado; o que é exigido é conseguir explicar a recusa ao proponente, no prazo, e revê-la quando pedido.
Ponto de atenção: o relógio de 25 dias e a fila de exceções
Há uma interação pouco discutida entre automação e prazo. Quando a triagem automatizada encaminha um caso para análise técnica, a proposta entra em uma fila humana — e o prazo do art. 49 continua correndo, salvo o reinício previsto no § 2º quando a seguradora solicita esclarecimentos ou exames periciais.
Uma operação que automatiza a faixa simples e deixa a fila de exceção sem monitoramento pode, na prática, criar um caminho silencioso de aceitação tácita justamente nos casos de maior complexidade.
O controle que merece avaliação é mensurar prazo por caminho, não por média: idade da fila de exceção, tempo entre a solicitação de documento complementar e o atendimento, e alerta antes do limite. É um requisito de observabilidade do processo, e ele não vem embutido em um modelo de IA.
O gargalo costuma estar antes do modelo
A adoção de IA no setor já é ampla: levantamento da CNSeg em parceria com a EY aponta que cerca de 80% das seguradoras brasileiras usam alguma solução de inteligência artificial, e a própria CNSeg resume o estágio atual como de impacto financeiro ainda incremental. A distância entre adoção ampla e retorno incremental raramente se explica pela qualidade dos modelos disponíveis.
Em subscrição, três condições costumam determinar o teto do projeto:
- Critério escrito. Se o que separa aceitar de agravar vive na experiência de quem subscreve, automatizar significa congelar uma interpretação não declarada. O primeiro trabalho é transformar o critério em algo enunciável e versionado — e isso é um projeto de negócio antes de ser de tecnologia.
- Origem definida de cada dado. Quando a mesma informação existe com valores diferentes no cotador, no core e na base de sinistros, o modelo escolhe uma fonte por acidente de integração. Reconstituir depois qual valor sustentou a decisão passa a depender de arqueologia — problema que aparece detalhado na discussão sobre arquitetura de dados para seguradoras e, no plano de quem responde por cada domínio, em governança de dados em seguradoras.
- Registro por proposta. Não o log técnico da aplicação, e sim o registro de negócio: que informações entraram, qual critério foi aplicado, qual foi o resultado e qual versão da regra estava vigente naquele momento.
Mapeie de onde veio cada dado consultado e o que estaria disponível se uma recusa fosse contestada seis meses depois. Se essa reconstrução não for simples, a prioridade provavelmente está na integração e na rastreabilidade da operação — uma base que continua gerando valor mesmo que nenhum modelo entre em produção agora.
Comparação com alternativas
| Alternativa | Quando pode funcionar | Limitação principal | Impacto possível | Critério para avançar |
|---|---|---|---|---|
| Manter subscrição integralmente manual | Carteira pequena, risco complexo, critério instável ou em revisão. | Custo cresce com o volume; consistência depende de quem analisou. | Tempo de resposta varia com a equipe disponível; divergência entre analistas. | Volume estável e critério que já se repete de forma reconhecível. |
| Regras determinísticas no core ou em planilha | Critério objetivo, poucos produtos, baixa frequência de mudança. | Alterar exige desenvolvimento, teste e deploy; a regra se dispersa entre canais. | Divergência entre canais e atraso na resposta a mudança de política. | Necessidade de alterar critérios sem depender de janela de release. |
| Motor de regras configurável | A decisão precisa ser explicável e consistente entre canais e produtos. | Resolve apenas o que foi previsto como regra. | Casos não previstos retornam para a fila manual. | O critério pode ser escrito, versionado e testado antes de produção. |
| IA de apoio à análise (leitura, extração, triagem) | Alto volume de documentos não estruturados e fila com muito trabalho de conferência. | Erro de extração pode passar despercebido. | Reduz tempo de montagem do dossiê; decisão permanece humana. | Existe conferência amostral e medição de erro de extração. |
| Decisão automatizada por faixa, com exceção | Faixa delimitada, critério objetivo, registro e revisão já operando. | Erro escala na mesma velocidade que o acerto. | Resposta rápida em parte da carteira; exposição concentrada na faixa. | Justificativa comunicável, revisão humana definida e responsável nomeado. |
Nenhuma linha é destino obrigatório. Para muitas operações, a combinação mais defensável hoje é motor de regras onde a decisão precisa ser explicada e IA onde o trabalho é ler, extrair e organizar — deixando a decisão automatizada por faixa para depois que registro e revisão estiverem funcionando.
Um teste barato ajuda a escolher a linha: separe, na sua carteira, a faixa em que a recusa foi rara nos últimos doze meses e verifique quantas dessas propostas dependeram de informação que hoje chega fora de padrão.
Se a resposta for “quase todas”, o projeto que rende primeiro é de captura e verificação, não de decisão automatizada — e vale antes checar as dimensões de qualidade que tornam um dado utilizável em decisão, porque é nelas que esse tipo de proposta costuma travar.
Quando faz sentido automatizar a decisão e quando não faz
Faz sentido avaliar automação da decisão quando o produto tem critério objetivo e estável, o volume justifica o esforço, a informação necessária chega de forma estruturada ou estruturável, existe faixa em que a recusa é rara e o resultado da decisão pode ser medido depois — por comportamento de sinistro, revisão ou auditoria da carteira.
Não faz sentido — ou faz apenas parcialmente — quando o critério ainda está em revisão atuarial, quando o produto depende de análise técnica caso a caso, quando o histórico disponível é pequeno ou enviesado por decisões anteriores não documentadas, quando a decisão depende de dado sensível sem base legal delimitada, ou quando a operação ainda não consegue reconstituir o que sustentou uma decisão passada.
Há também o caso em que a resposta correta é automatizar em volta da decisão: manter a aceitação com quem subscreve e usar IA para eliminar o trabalho de reunir contexto. Esse recorte costuma render mais rápido e com menor exposição — e é o mesmo raciocínio de níveis de autonomia discutido em agentes de IA para seguradoras.
O que costuma dar errado na prática
| Erro recorrente ou risco de execução | Por que acontece | Consequência possível | Como reduzir o risco |
|---|---|---|---|
| Automatizar um critério que nunca foi escrito | A regra vive na experiência da equipe; o projeto assume que o histórico a representa. | O modelo reproduz a decisão média do passado, inclusive seus desvios, sem que ninguém consiga enunciá-la. | Escrever e validar o critério com a subscrição antes de treinar ou configurar qualquer coisa. |
| Modelo que declina sem justificativa comunicável | A saída é um escore; a justificativa não foi tratada como requisito de produto. | Recusa sem a comunicação exigida no art. 49, § 3º, da Lei nº 15.040/2024 e dificuldade de responder ao art. 20 da LGPD. | Definir desde o desenho o que será comunicado ao proponente em cada tipo de recusa. |
| Treinar sobre histórico enviesado por decisões não documentadas | O dado disponível é o resultado, não o critério que o produziu. | Perpetuação de padrão de recusa que a operação não consegue justificar hoje. | Analisar a distribuição de recusas por variável e testar o critério em amostra revisada por pessoas. |
| Fila de exceção sem monitoramento de prazo | A atenção fica na faixa automatizada, que é a que mostra resultado. | Aceitação tácita por decurso do prazo justamente nos casos complexos. | Medir idade da fila por caminho e alertar antes do limite legal. |
| Contratar solução de IA sem tratar como terceirização de serviço relevante | A contratação é conduzida como compra de ferramenta. | Exposição a exigências contratuais e de comunicação previstas para serviços relevantes. | Envolver controles internos e jurídico na contratação, com os requisitos da Circular SUSEP nº 638/2021 no escopo. |
| Medir o projeto só por tempo de resposta | É a métrica mais fácil de mostrar. | Ganho de velocidade com deterioração silenciosa da qualidade da aceitação. | Acompanhar, junto com tempo, taxa de revisão, reclamações e comportamento da carteira aceita automaticamente. |
Critérios de decisão e como estruturar o próximo passo
Antes de escolher fornecedor ou abordagem, cinco critérios costumam resolver a discussão:
- Objetividade do critério — ele pode ser escrito, versionado e testado, ou depende de julgamento técnico caso a caso?
- Reconstituibilidade — a operação consegue dizer, seis meses depois, o que sustentou uma decisão específica?
- Explicabilidade da recusa — existe uma justificativa comunicável ao proponente, em linguagem compreensível fora da área técnica?
- Caminho de revisão — há prazo, responsável e fluxo definido quando o proponente questiona a decisão?
- Capacidade de medir depois — a adequação da decisão pode ser avaliada, ou o único sinal disponível será o sinistro?
O verificador abaixo organiza essas condições de forma observável para uma decisão específica — não para a seguradora inteira. Vale preencher pensando em um produto e uma faixa por vez.
Sua operação sustenta o ciclo de vida do consentimento?
Marque as situações que descrevem a sua operação hoje. Ao final, você recebe uma leitura consultiva sobre onde o esforço tende a se concentrar — no registro, na propagação ou no desempenho. É um ponto de partida, não uma avaliação de conformidade.
0 de 7 situações marcadas
Nenhuma resposta é salva ou enviada. As marcações existem apenas nesta página e desaparecem ao recarregar.
O que o resultado sugerir tende a apontar para uma de três frentes: escrever e versionar critério, organizar origem e registro de dado, ou desenhar o fluxo de justificativa e revisão. Nenhuma delas começa por escolher um modelo — e todas produzem valor independentemente do nível de automação que a operação venha a adotar.
Onde isso deixa a decisão
IA na subscrição de seguros deixou de ser uma aposta e passou a ser uma escolha de escopo: o que automatizar, em que faixa e com qual registro. As obrigações que mais pesam — justificar a recusa, respeitar o prazo, permitir revisão, demonstrar qual critério foi aplicado — não são resolvidas pela escolha do modelo. São resolvidas pela camada que fica embaixo dele: critério escrito, origem definida de cada dado, integração entre cotação, core e sinistro, e registro por proposta.
Quem constrói essa camada ganha antes mesmo de automatizar decisão nenhuma, porque a mesma estrutura sustenta consistência entre canais, resposta a auditoria e velocidade de mudança de política.
É nesse ponto que a Tecnologia Única costuma ser mais útil: na estruturação da base que torna a decisão automatizável e defensável.
A empresa desenvolve e implanta plataformas para o mercado de seguros — incluindo cotadores com parametrização de produto e workflow de aceitação, integrações entre sistemas e projetos de automação e IA aplicada a processos —, o que permite tratar subscrição como um fluxo integrado em vez de uma etapa isolada, como descrito na plataforma end-to-end para seguradoras.
Perguntas frequentes (FAQ)
É o uso de técnicas de inteligência artificial em uma ou mais etapas da aceitação de risco: leitura e extração de dados de documentos, enriquecimento e verificação de informação, classificação de propostas por complexidade, sugestão de enquadramento e, em faixas delimitadas, decisão automatizada de aceitação. Não é necessariamente a substituição do subscritor — na maior parte das implantações atuais, a decisão sobre casos não padronizados permanece humana.
A automação da análise não é vedada por si só, mas duas exigências se somam. A Lei nº 15.040/2024 condiciona a validade da recusa à comunicação da justificativa ao proponente (art. 49, § 3º). E o art. 20 da LGPD garante ao titular o direito de solicitar revisão de decisão tomada unicamente com base em tratamento automatizado que afete seus interesses, com dever de informar critérios. Na prática, o requisito é conseguir explicar e revisar, não deixar de automatizar.
O art. 49 da Lei nº 15.040/2024 fixa prazo máximo de 25 dias, contados do recebimento da proposta, para cientificar a recusa; decorrido o prazo, a proposta é considerada aceita. A solicitação de esclarecimentos ou a realização de exames periciais reinicia o prazo, a partir do atendimento ou da conclusão do exame.
Não de forma geral. O art. 11, § 5º, veda especificamente às operadoras de planos privados de assistência à saúde o tratamento de dados de saúde para seleção de riscos na contratação e na exclusão de beneficiários. Fora dessa hipótese, dados de saúde seguem o regime de dado pessoal sensível do art. 11, que exige consentimento específico e destacado ou o enquadramento em uma das hipóteses legais. A delimitação correta depende do produto e da natureza da operação.
Até setembro de 2026 não há norma dedicada exclusivamente ao uso de inteligência artificial. Aplicam-se o arcabouço geral — LGPD e Lei nº 15.040/2024 — e as normas setoriais de controles internos e gestão de riscos (Resolução CNSP nº 416/2021) e de segurança cibernética e terceirização (Circular SUSEP nº 638/2021), cujo manual de orientações trata expressamente a análise de dados por soluções de IA entre os serviços relevantes.
Pelo critério, não pela ferramenta. Escolher um produto, uma faixa e uma decisão; escrever o critério aplicado hoje; validá-lo com a área de subscrição; e comparar, por um período, o que o critério escrito produziria com o que a equipe efetivamente decidiu. Esse trabalho revela divergências que nenhum modelo resolveria e é pré-requisito para qualquer automação defensável.
Referências externas
[1] Planalto. Lei nº 15.040, de 9 de dezembro de 2024 — Lei do Contrato de Seguro.
[2] Planalto. Lei nº 13.709/2018 — Lei Geral de Proteção de Dados Pessoais.
[3] CNSP. Resolução CNSP nº 439, de 4 de julho de 2022.
[4] CNSP. Resolução CNSP nº 416, de 20 de julho de 2021.
[5] SUSEP. Manual de Orientações sobre Segurança Cibernética, versão junho/2026.
[6] Senado Federal. PL 2338/2023 — marco legal da inteligência artificial: tramitação.
[7] Câmara dos Deputados. PL 2338/2023 — ficha de tramitação e proposições apensadas.
[8] ANPD. Mapa de Temas Prioritários para o biênio 2026-2027 e atualização da Agenda Regulatória.
[9] CNSeg. IA já é realidade no mercado segurador, mas impacto financeiro ainda é incremental.
PT 
EN 
ES 
FR 
IT 
DE 