Detecção de fraude em seguros é o conjunto de filtros, modelos estatísticos e procedimentos de análise que sinaliza propostas e sinistros com características atípicas para verificação humana. A sinalização é indício, não prova: o resultado útil depende de confirmar ou descartar a suspeita dentro dos prazos legais de regulação, com registro que sustente a decisão tomada.
A maior parte da discussão sobre o tema se concentra em detectar mais. Os dados do próprio mercado sugerem que o gargalo está depois disso. No 23º ciclo do Sistema de Quantificação de Fraudes (SQF) da CNseg, referente ao primeiro semestre de 2025, 15,1% do valor dos sinistros ocorridos na amostra foi classificado como suspeito — e 21,8% desse valor suspeito chegou a ser comprovado como fraude. Em outras palavras: cerca de quatro quintos do valor sinalizado não virou fraude comprovada.
Esse intervalo entre suspeitar e comprovar é onde a operação gasta tempo, gera atrito com segurados legítimos e assume risco regulatório. Ele também é o ponto em que tecnologia deixa de ser assunto de modelo e passa a ser assunto de fluxo, dado e registro. Este artigo trata desse recorte: o que a detecção de fraude em seguros realmente produz, onde ela encosta nos prazos da Lei nº 15.040/2024, quais bases legais sustentam o uso dos dados, como comparar caminhos e quais critérios usar antes de ampliar qualquer automação.
Principais pontos
- Detecção produz indício. A decisão sobre cobertura depende de confirmação, e é a confirmação — não o alerta — que precisa caber no prazo legal.
- Segundo o 23º ciclo do SQF/CNseg (1º semestre de 2025), 15,1% do valor dos sinistros ocorridos foi classificado como suspeito e 21,8% desse valor foi comprovado como fraude. Tratar suspeita como equivalente a fraude distorce fila, indicador e relacionamento com o segurado.
- A Lei nº 15.040/2024 dá 30 dias para a seguradora se manifestar sobre a cobertura, limita a suspensão do prazo por documentos complementares e exige recusa expressa e motivada — o que transforma datas e fundamentos em dados que precisam existir no sistema.
- O uso de dados na análise antifraude tem base legal própria na LGPD, mas exige finalidade definida, registro e cuidado adicional quando a decisão afeta diretamente o titular.
- Antes de escolher ferramenta, vale verificar se a cadeia indício → investigação → fundamento → decisão é reconstituível sem depender da memória de quem conduziu o caso.
⚠️ Ponto de atenção: aumentar a sensibilidade da detecção sem medir a taxa de confirmação tende a produzir um efeito silencioso — mais sinistros parados, mais pedidos de documento e mais tempo consumido em casos que terminam pagos.
Em seguros de veículos automotores e em contratos cuja importância segurada não excede 500 salários mínimos, a Lei nº 15.040/2024 permite suspender o prazo de manifestação apenas uma vez, o que reduz a margem para uma investigação conduzida por tentativa e erro. A régua de corte, nesses casos, é decisão de negócio com efeito jurídico, não apenas parâmetro técnico.
O que a detecção de fraude em seguros cobre e o que ela entrega
A detecção de fraude em seguros atua em três momentos distintos da operação, e cada um exige um tipo diferente de verificação:
Na contratação
Declarações inexatas, omissão de informação relevante, simulação de bem ou de condição de saúde e contratação após o evento. A Lei nº 15.040/2024 trata o descumprimento doloso do dever de informar com perda da garantia (art. 44, § 1º) e o descumprimento culposo com redução proporcional (art. 44, § 2º).
No sinistro
Provocação dolosa do evento (art. 69), agravamento artificial do prejuízo, documentação adulterada e reclamação por evento inexistente. A fraude cometida por ocasião da reclamação leva à perda do direito à garantia pelo infrator (art. 69, § 4º).
Na rede
Oficinas, clínicas, prestadores e intermediários que concentram padrões incompatíveis com o restante da carteira — normalmente o tipo de fraude mais cara e mais difícil de enxergar caso a caso.
As técnicas se distribuem entre essas frentes:
- Regras determinísticas: capturam condições conhecidas e explicáveis, como sinistro próximo à vigência inicial ou divergência entre local do evento e área de circulação declarada.
- Escores estatísticos e modelos de aprendizado: ordenam a fila por probabilidade a partir do histórico.
- Análise de redes: conecta pessoas, veículos, endereços, contas e prestadores para expor relacionamentos que nenhum caso isolado revela. Verificação documental e de mídia avalia autenticidade de arquivos, metadados e imagens enviadas na vistoria digital.
Todas produzem a mesma saída: um indício priorizado. Nenhuma produz prova. A distinção não é semântica — ela define o que pode ser automatizado (priorização, coleta, cruzamento, verificação preliminar) e o que permanece decisão humana documentada (negar, reduzir, pagar, comunicar).
O que os números do setor mostram sobre suspeita e confirmação
O SQF é a série de dados mais consistente disponível publicamente sobre fraude em seguros no Brasil. É mantido pela CNseg desde 2004, com coleta semestral junto às seguradoras participantes, e cobre ramos de seguros gerais — automóvel, patrimonial, saúde coletiva, transporte, habitacional e rural, entre outros —, sem incluir saúde suplementar, capitalização e previdência complementar.
| Indicador — 23º ciclo do SQF, 1º semestre de 2025 | Resultado |
|---|---|
| Valor dos sinistros classificados como suspeitos | R$ 3,36 bilhões Equivalentes a 15,1% do valor dos sinistros ocorridos. |
| Quantidade de sinistros suspeitos | 4,84% Do total de sinistros. |
| Valor da fraude comprovada | R$ 734 milhões Equivalentes a 21,8% do valor classificado como suspeito. |
| Quantidade de sinistros com fraude comprovada | 0,87% Do total de sinistros. |
As definições importam para ler a tabela. O SQF considera sinistro suspeito o somatório dos valores de sinistros “com características típicas de fraudes, sejam elas indicadas por filtros automatizados, pelo analista de sinistros ou por outros tipos de procedimentos internos”; e sinistro com fraude comprovada aquele “com fraude detectada e comprovada pela seguradora, tendo sido os sinistros negados”.
Duas leituras se sustentam a partir daí. A primeira é que a suspeita é um filtro amplo por construção: ela reúne tudo o que merece olhar, incluindo casos que se resolvem com um documento faltante ou uma inconsistência cadastral.
A segunda é que a diferença entre 15,1% e o subconjunto comprovado representa trabalho real — análise, pedido de documento, perícia, tempo de fila — aplicado a casos que, em sua maioria, terminam como sinistro legítimo.
Uma ressalva de interpretação: os percentuais refletem a amostra de respondentes do ciclo e a classificação feita por cada seguradora, com critérios internos que variam entre empresas e ramos. Servem para dimensionar a ordem de grandeza do fenômeno e a distância entre suspeita e prova, não para estimar a fraude de uma carteira específica.
Onde a detecção encosta no prazo legal
A Lei nº 15.040/2024 — a Lei do Contrato de Seguro, publicada em 10 de dezembro de 2024 e com vigência após um ano da publicação — mudou a economia de tempo da investigação. Quatro dispositivos concentram o efeito prático:
Art. 86, caput
A seguradora tem prazo máximo de 30 dias para se manifestar sobre a cobertura, “sob pena de decair do direito de recusá-la”, contado da apresentação da reclamação ou do aviso de sinistro acompanhado de todos os elementos necessários à decisão.
Art. 86, §§ 2º a 4º
Documentos complementares podem ser solicitados de forma justificada; a solicitação suspende o prazo no máximo duas vezes — e apenas uma vez em seguros de veículos automotores e nos demais seguros cuja importância segurada não exceda 500 salários mínimos.
Art. 86, § 6º
A recusa deve ser expressa e motivada, e a seguradora não pode inovar depois no fundamento, salvo se tomar conhecimento posterior de fatos que desconhecia.
Art. 83
Negada a cobertura, no todo ou em parte, os documentos produzidos ou obtidos na regulação que fundamentam a decisão devem ser entregues ao interessado, com ressalva para elementos sigilosos ou que possam causar dano a terceiros.
O efeito combinado é direto para quem responde por sistemas. A data em que a documentação essencial chegou completa deixa de ser uma informação que alguém reconstrói depois e passa a ser um marco que precisa estar registrado.
Cada pedido de documento complementar precisa ter justificativa, data de envio e data de atendimento, porque é isso que determina onde o prazo parou e voltou a correr. E o fundamento da recusa precisa estar consolidado antes da comunicação, já que a lei restringe a troca de motivo depois.
Investigação de fraude, nesse desenho, compete por tempo com a regulação comum. Uma detecção que sinaliza muito e conclui devagar não apenas consome equipe: ela empurra casos para o limite do prazo, o que aumenta a chance de pagamento por decadência do direito de recusa ou de recusa mal fundamentada.
Triagem, checkpoints, solicitações complementares e acompanhamento de prazos precisam funcionar como partes de uma mesma operação — com eventos, responsáveis e registros conectados.
A fraude também passou a usar IA
A disponibilidade de ferramentas generativas alterou o custo de produzir evidência falsa.
Reportagem da ConJur publicada em agosto de 2026 descreve três vetores já observados no mercado: imagens e vídeos sintéticos de danos submetidos a sistemas de vistoria digital, documentos forjados produzidos em segundos e conteúdo de áudio e vídeo manipulado. A mesma reportagem cita um caso identificado no Brasil em que uma vistoria inteiramente gerada por IA foi descoberta por inconsistência de geolocalização.
O ponto relevante para a decisão técnica não é o alarme, e sim o deslocamento do critério de verificação. Quando a imagem deixa de ser evidência confiável por si, o peso recai sobre o que cerca a imagem: origem da captura, metadados, horário, geolocalização, dispositivo, consistência com o histórico da apólice e com outras fontes.
Isso significa que parte da resposta a fraude assistida por IA é de engenharia de captura e de trilha de dados, não de um detector isolado de deepfake.
A camada que decide se a detecção vai funcionar
Modelos e regras operam sobre o que a operação consegue entregar a eles. Três condições determinam mais o resultado do que a escolha da técnica:
Dado confiável e com origem definida
Escores treinados sobre cadastro divergente, campos livres e histórico incompleto aprendem o ruído da operação. Antes de discutir algoritmo, vale verificar as dimensões de qualidade — completude, consistência, validade e atualidade — descritas em qualidade de dados em seguradoras , e definir qual sistema é fonte autoritativa de cada informação usada na análise.
Integração que permita cruzar
Boa parte dos indícios fortes nasce do cruzamento entre apólice, sinistro, pagamento, prestador e histórico do segurado. Quando esses dados vivem em sistemas que não conversam, a análise vira coleta manual — e o tempo consumido em juntar informação é tempo subtraído do prazo de manifestação.
Registro por execução
Para que uma recusa se sustente, é preciso recuperar, por sinistro, qual regra ou versão de modelo gerou o alerta, com quais dados de entrada, o que o analista verificou e o que fundamentou a decisão. Essa capacidade é a mesma discutida em observabilidade em sistemas de seguros , aplicada à trilha de decisão em vez da trilha de falha técnica.
Quando essas três condições existem, a discussão sobre qual motor usar fica simples. Quando não existem, qualquer ferramenta herda a mesma fragilidade — e o projeto de detecção se converte, na prática, em projeto de dados e integração.
É nesse terreno que se apoiam as frentes de automação, IA e bots aplicadas a processos operacionais, incluindo RPA para coleta e conferência e mineração de texto sobre documentos.
Base legal, prova e os limites do que a tecnologia resolve
A análise antifraude trata dados pessoais, frequentemente de terceiros, e às vezes dados sensíveis. A LGPD oferece fundamentos aplicáveis — cumprimento de obrigação legal ou regulatória (art. 7º, II), exercício regular de direitos em processo judicial, administrativo ou arbitral (art. 7º, VI) e legítimo interesse (art. 7º, IX).
Além da hipótese específica de dados sensíveis para “garantia da prevenção à fraude e à segurança do titular, nos processos de identificação e autenticação de cadastro em sistemas eletrônicos” (art. 11, II, “g”), que é restrita a esse contexto e não funciona como autorização geral para investigação.
Dois limites merecem tratamento explícito no desenho do processo:
Revisão de decisão automatizada
O art. 20 assegura ao titular o direito de solicitar revisão de decisões tomadas unicamente com base em tratamento automatizado que afetem seus interesses, e o § 1º obriga o controlador a fornecer informações claras sobre os critérios e procedimentos utilizados. Uma negativa de sinistro decidida apenas por escore cria uma obrigação de explicação que poucos pipelines conseguem cumprir depois do fato.
Transparência e não discriminação
Os incisos VI e IX do art. 6º impõem informação clara e vedam tratamento para fins discriminatórios ilícitos ou abusivos — o que, em modelos treinados sobre histórico, exige monitorar diferenças de comportamento por segmento, região ou perfil.
Vale ainda separar dois regimes que costumam ser confundidos. Antifraude é controle de risco do contrato de seguro.
PLD/FT é obrigação regulatória específica: a Circular SUSEP nº 612/2020 — vigente, com alterações posteriores, e objeto da Consulta Pública SUSEP nº 2/2026, que propõe substituí-la — exige avaliação interna de risco, política formal, monitoramento e seleção de operações, manutenção de registros à disposição da SUSEP e comunicação ao Coaf no prazo de 24 horas contadas da conclusão da análise, além de comunicações automáticas em hipóteses de valor definidas na norma.
Um caso pode ser suspeito para fins de fraude e não configurar comunicação de PLD, e o inverso também ocorre. Tratar os dois com o mesmo fluxo costuma produzir comunicação indevida ou omissão.
Na camada de governança, a Resolução CNSP nº 416/2021 não cria um regime antifraude específico, mas exige sistema de controles internos e estrutura de gestão de riscos integrados à rotina, inventário dos riscos materiais identificados e conservação das versões vigentes e anteriores de políticas, normativos internos e relatórios.
Na prática, é a norma que torna esperado documentar critérios e guardar histórico de mudanças — inclusive das regras de detecção. O desenho de papéis, políticas e responsabilidades sobre os dados usados nessa análise é tratado em governança de dados em seguradoras.
Nenhuma dessas normas é cumprida por um sistema isoladamente. Tecnologia torna o processo demonstrável; a conformidade depende de decisão documentada, responsável nomeado e revisão periódica.
Comparação com alternativas
Não existe um caminho único de detecção de fraude em seguros. A escolha depende de volume, ramo, qualidade do histórico e capacidade de investigação disponível.
| Alternativa | Quando pode funcionar | Limitação principal | Impacto possível | Critério para avançar |
|---|---|---|---|---|
| Análise caso a caso pelo regulador de sinistro | Carteira pequena, sinistros de alto valor unitário, forte conhecimento de ramo. | Depende de experiência individual e não escala com volume. | Variação de critério entre analistas e dificuldade de auditar a decisão. | Volume crescente ou necessidade de padronizar fundamento. |
| Regras determinísticas parametrizadas | Condições conhecidas, critérios que precisam ser explicáveis e versionados. | Só captura o que foi previsto; regras envelhecem com o padrão de fraude. | Falsos positivos concentrados em poucas regras mal calibradas. | Os critérios podem ser escritos, testados e versionados. |
| Escore estatístico ou modelo de aprendizado | Volume alto, histórico consistente e rotulagem confiável de casos passados. | Exige base de treino, monitoramento e explicação da saída. | Melhora a priorização; sozinho, não sustenta motivação de recusa. | Existe histórico rotulado e responsável por monitorar desempenho. |
| Análise de redes entre pessoas, bens e prestadores | Suspeita de fraude organizada, recorrência entre oficinas, clínicas ou intermediários. | Depende de identificadores consistentes entre sistemas. | Revela padrões invisíveis caso a caso; custa integração. | Identificadores confiáveis e dado de prestador estruturado. |
| Bureau externo ou base compartilhada de mercado | Necessidade de informação que a seguradora não possui internamente. | Depende de base legal definida, contrato e qualidade da fonte externa. | Amplia cobertura; adiciona dependência e questão de privacidade. | Base legal documentada e critério claro de uso do retorno. |
| Manter o modelo atual e investir em registro | Operação estável, com fraude dentro do esperado para o ramo. | Não amplia detecção no curto prazo. | Reduz risco de decisão frágil e prepara terreno para evoluir. | Registro e prazos ainda dependem de controle paralelo. |
Manter o cenário atual e organizar o registro é uma escolha defensável, sobretudo quando o problema identificado é de fundamentação e de prazo, não de volume de alertas.
O que costuma dar errado na prática
| Erro recorrente ou risco de execução | Por que acontece | Consequência possível | Como reduzir o risco |
|---|---|---|---|
| Calibrar a detecção só por cobertura de casos | O indicador visível é quanto se sinaliza, não quanto se confirma. | Fila de análise cresce, sinistros legítimos atrasam e o prazo de manifestação aperta. | Medir taxa de confirmação por ramo e por regra, e revisar cortes periodicamente. |
| Usar pedido de documento como forma de ganhar tempo | Pressão para decidir sem informação suficiente. | Suspensões esgotadas antes da conclusão, com risco de decadência do direito de recusa. | Definir antecipadamente quais documentos são essenciais por tipo de sinistro. |
| Registrar o indício fora do sistema | O alerta nasce em planilha, e-mail ou ferramenta isolada. | A decisão perde rastro e o fundamento depende de quem conduziu o caso. | Registrar alerta, versão da regra, entrada e desfecho no próprio fluxo de sinistro. |
| Aplicar modelo sobre base inconsistente | Pressa em ativar detecção antes de tratar cadastro e histórico. | Resultados instáveis, viés não identificado e retrabalho de análise. | Validar qualidade e fonte autoritativa dos dados antes de treinar ou contratar. |
| Tratar fraude e PLD/FT no mesmo fluxo | Semelhança aparente entre “operação atípica” e “sinistro suspeito”. | Comunicação indevida ao Coaf ou omissão de comunicação obrigatória. | Separar critérios, responsáveis e registros dos dois regimes. |
| Deixar a decisão final a cargo do escore | Automatizar o passo mais visível do processo. | Dificuldade de motivar a recusa e exposição ao direito de revisão do art. 20 da LGPD. | Definir por escrito o que o alerta aciona e o que exige análise humana. |
Mapeie onde alertas, documentos, decisões, prazos e evidências deixam de seguir uma trilha única — e identifique em que ponto a cadeia de registro do sinistro começa a depender de controles paralelos ou conhecimento individual.
Quando faz sentido evoluir a detecção e quando não é hora
Antes de decidir entre manter, calibrar ou estruturar um projeto novo, vale avaliar a operação por critérios observáveis:
Volume e concentração
Há massa suficiente de sinistros para que priorização automática mude o resultado, ou o ganho está em poucos casos de alto valor que já recebem análise dedicada?
Confiabilidade do histórico
Existe base rotulada de casos investigados, com desfecho registrado, ou o histórico só distingue pago e negado?
Integração disponível
É possível cruzar apólice, sinistro, pagamento e prestador sem trabalho manual de coleta?
Capacidade de investigação
A equipe consegue absorver o aumento de casos priorizados sem estourar prazo? Ampliar detecção sem ampliar capacidade de conclusão desloca o problema.
Governança
Há responsável definido por critérios, revisão de cortes e documentação das mudanças?
Efeito sobre o segurado legítimo
A operação mede o tempo médio de conclusão dos casos marcados como suspeitos que terminam pagos?
Quando a maior parte dessas respostas aponta para lacunas de dado, integração e registro, o investimento mais produtivo no curto prazo é nessa base. Quando as condições existem e a limitação é de priorização, é o momento em que escore, análise de redes ou verificação automatizada de documentos tendem a entregar ganho mensurável.
O checklist a seguir organiza essas condições em oito itens verificáveis. Ele não avalia risco de fraude da carteira nem atesta conformidade: serve para identificar o que precisa existir antes de ampliar automação.
A cadeia do indício até a decisão está registrada?
Marque apenas as condições que já existem hoje na sua operação, de forma verificável. O checklist organiza o que precisa ser construído antes de ampliar detecção automatizada — ele não avalia risco de fraude nem atesta conformidade.
0 de 8 condições marcadas como já existentes
O resultado do checklist é uma lista de trabalho. O passo seguinte é atribuir responsável e prazo a cada item não marcado e tratar os que dependem de integração ou registro como projeto técnico, não como ajuste de processo.
Como estruturar o próximo passo
Um caminho que costuma funcionar sem exigir decisão de fornecedor logo no início:
Levantar a linha de base
Quantifique quantos sinistros foram marcados como suspeitos nos últimos 12 meses, quantos foram confirmados, quanto tempo levaram e quantos terminaram pagos.
Mapear onde o indício nasce e onde ele se perde
Identifique se o alerta nasce em filtro automático, analista, denúncia ou prestador — e em qual sistema cada origem deixa rastro.
Instrumentar as datas do fluxo de sinistro
Registre recebimento do aviso, documentação essencial completa, pedidos complementares e respostas, conclusão e comunicação.
Escrever o critério de decisão
Defina o que o alerta pode acionar sozinho, o que exige análise humana e o que exige parecer técnico ou jurídico.
Definir a base legal do tratamento
Documente a base legal aplicável aos dados internos, de terceiros e de fontes externas, com registro da finalidade de uso.
Só então avaliar ferramenta
Com a linha de base medida, o efeito de qualquer mudança passa a ser verificável — permitindo comparar tecnologia, integração e automação contra o desempenho real da operação.
Decidir com linha de baseO que decidir agora
A pergunta útil para uma seguradora hoje não é quanto de fraude existe na carteira, e sim quanto tempo a operação leva entre marcar um sinistro como suspeito e conseguir sustentar uma decisão sobre ele. Esse intervalo determina exposição a prazo, qualidade da fundamentação e experiência do segurado legítimo — os três efeitos que aparecem antes de qualquer ganho de detecção.
Operações que já registram datas, versões de regra e fundamentos conseguem calibrar a régua com segurança e medir o efeito. Operações que dependem de planilha paralela e da memória do analista precisam resolver a base antes, porque ampliar sinalização nesse cenário aumenta a fila sem melhorar a prova.
A Tecnologia Única trabalha com seguradoras e corretoras em gestão de seguros, integração entre sistemas, modernização de plataformas e automação com RPA, mineração de texto e bots — a camada que torna o fluxo de sinistro rastreável e o dado utilizável por qualquer motor de detecção. Não oferecemos um produto de escore antifraude; atuamos na base sobre a qual ele precisa operar.
A conversa começa pelo mapeamento do fluxo de sinistro, dos registros já disponíveis e dos pontos em que alertas, prazos, análises e decisões ainda dependem de controles paralelos — não por uma proposta de sistema.
Perguntas frequentes (FAQ)
É o conjunto de filtros, regras, modelos estatísticos e procedimentos de análise que identifica propostas e sinistros com características atípicas e os encaminha para verificação. A saída é um indício priorizado, que orienta a investigação — a decisão sobre cobertura depende da confirmação e do fundamento registrado.
Não existe, no Brasil, uma norma que imponha um sistema específico de detecção de fraude. Há obrigações conexas: a Resolução CNSP nº 416/2021 exige controles internos e gestão de riscos, e a Circular SUSEP nº 612/2020 impõe monitoramento, registro e comunicação no regime de prevenção à lavagem de dinheiro e ao financiamento do terrorismo, que é distinto do antifraude contratual.
Tecnicamente é possível; juridicamente é arriscado. A recusa precisa ser expressa e motivada (art. 86, § 6º, da Lei nº 15.040/2024), os documentos que a fundamentam devem ser entregues ao interessado (art. 83) e o titular pode pedir revisão de decisão tomada unicamente com base em tratamento automatizado (art. 20 da LGPD). Um escore, isoladamente, não é motivação.
O prazo para se manifestar sobre a cobertura é de até 30 dias a partir do aviso acompanhado dos elementos necessários à decisão, com suspensão limitada por pedidos justificados de documentos complementares — no máximo duas vezes, ou uma única vez em seguros de veículos automotores e nos demais seguros com importância segurada até 500 salários mínimos. A autoridade fiscalizadora pode fixar prazo maior para tipos de seguro de apuração mais complexa, respeitado o limite de 120 dias.
Ela muda o custo dos dois lados. Melhora priorização e verificação documental, e ao mesmo tempo baixa a barreira para produzir imagens, documentos e áudios falsos. O ganho líquido depende de dado confiável, integração e registro — sem isso, o efeito prático é mais alerta e a mesma dificuldade de comprovar.
Compartilhamento existe no mercado, mas depende de base legal definida, contrato, finalidade específica e critério documentado sobre como o retorno é usado na decisão. A hipótese de dados sensíveis para prevenção à fraude na LGPD é restrita a identificação e autenticação de cadastro em sistemas eletrônicos, e não ampara, por si, o intercâmbio irrestrito de informações de sinistro.
Referências externas
[1] CNseg. 23º Ciclo do SQF — 1º semestre de 2025 — Sistema de Quantificação de Fraudes.
[2] Planalto. Lei nº 15.040, de 9 de dezembro de 2024 — Lei do Contrato de Seguro.
[3] Planalto. Lei nº 13.709/2018 — Lei Geral de Proteção de Dados Pessoais.
[4] SUSEP. Circular SUSEP nº 612, de 18 de agosto de 2020.
[5] SUSEP. Susep abre consulta pública sobre atualização das regras de prevenção à lavagem de dinheiro.
[6] CNSP. Resolução CNSP nº 416, de 20 de julho de 2021.
[7] ConJur. Inteligência artificial inaugura nova onda em fraudes contra seguros.
PT 
EN 
ES 
FR 
IT 
DE 