90% das negativas de cobertura por IA são revertidas em recurso. Um tribunal acaba de chamar isso de quebra de contrato.

Uma família pagou US$ 16.768 do próprio bolso para manter a mãe internada em um leito hospitalar.

Ela tinha metemoglobinemia — um distúrbio sanguíneo que priva o corpo de oxigênio. O algoritmo que decidia sua cobertura não sabia disso, ou melhor, sabia e não se importava. Ele havia sido treinado para prever o tempo de internação a partir do grupo de diagnóstico dela, e o paciente médio daquele grupo já estava pronto para ir para casa. Então o sistema a sinalizou para alta em um cronograma populacional, enquanto sua oxigenação sanguínea real contava uma história diferente. A família dela conseguiu o dinheiro. A maioria das famílias não consegue — e a maioria nem sequer tenta: no litígio da UnitedHealth, apenas cerca de 0,2% dos beneficiários do Medicare recorreram das negativas.

Esse caso está no centro de Lokken v. UnitedHealth, a ação coletiva sobre o nH Predict, a ferramenta de IA usada para projetar cronogramas de recuperação na gestão de utilização do Medicare Advantage. E o número que deveria fazer todo executivo de plano de saúde parar imediatamente é este: cerca de 90% das negativas geradas por IA naquele litígio foram revertidas em recurso — entre a ínfima parcela de beneficiários que se deu ao trabalho de contestá-las. Quando li isso pela primeira vez, meu instinto foi o mesmo da maioria dos engenheiros — uma taxa de reversão de 90% é um problema de precisão do modelo, algo que se conserta com melhores dados de treinamento e limiares mais rígidos. Eu estava errado, e o tribunal me disse por quê. Um juiz federal está tratando esses 90% não como um defeito técnico, mas como prova de quebra de contrato. Esse único reenquadramento é o que a governança de IA do Medicare Advantage de fato precisa responder, e é a razão pela qual acabei construindo uma empresa em torno disso.

Uma taxa de reversão de recursos de 90% não é um parâmetro de ajuste. É uma confissão de que o sistema nunca esteve, para começar, decidindo sobre necessidade médica.

A ação judicial é sobre uma frase do seu contrato, não sobre uma falha no seu modelo

O que levei um tempo constrangedoramente longo para entender é que a exposição jurídica nesses casos não está nos pesos do modelo. Está no seu Comprovante de Cobertura.

Seu EOC — o contrato que todo beneficiário assina — promete que as decisões de cobertura são tomadas por equipe de serviços clínicos e médicos. Esse é o acordo. Quando comecei a extrair a redação dos EOCs dos planos e a colocá-la lado a lado com suas filas reais de autoadjudicação, a lacuna quase sempre estava ali, preto no branco. O contrato diz que um médico decide. O fluxo de trabalho mostra um algoritmo pontuando a solicitação e um humano clicando em aprovar naquilo que ele retornar. A parte contrária não precisa de um cientista de dados para encontrar essa lacuna. Precisa de um assistente jurídico e de um marca-texto.

A ordem de descoberta de março de 2026 em Lokken (2026 WL 658883) concretizou isso. O tribunal concedeu aos autores acesso a documentos de desenvolvimento da IA, especificações dos dados de treinamento e relatórios de validação. Guardo uma cópia impressa dessa ordem com uma cláusula circulada, porque ela mudou como converso com todo plano: sua documentação de IA agora é passível de descoberta. Se seu modelo não consegue produzir um registro estruturado de decisão, dados de treinamento com controle de versão e resultados de validação documentados, você não consegue reconstruir por que negou uma solicitação — e não consegue defender aquilo que não consegue reconstruir.

O momento em que o "humano no circuito" se torna uma ficção

Por um tempo, presumi que os planos que estavam sendo processados eram exceções imprudentes rodando negativas totalmente automatizadas. A realidade é mais desconfortável, e é o detalhe com que agora abro sempre que um diretor médico me diz que está seguro porque um clínico dá o aval.

A ruptura acontece em uma única decisão operacional que ninguém fora da sala jamais vê. Os gestores do nH Predict reduziram a variação aceitável em relação à projeção do modelo de 3% para 1%. No papel, isso é uma mudança de ajuste. Na prática, converteu uma ferramenta de apoio à decisão em um guardião automatizado, porque os clínicos que se desviassem mais do que um fio de cabelo do número do algoritmo passavam a estar em descumprimento. Alguns que anularam o sistema enfrentaram ação disciplinar.

É o instante em que o humano no circuito deixa de ser uma salvaguarda e se torna teatro. Uma médica cujo emprego está em risco se ela discordar do modelo não está exercendo julgamento clínico — está apenas carimbando. E cada negativa que passa por uma revisão performática carrega toda a responsabilidade contratual e regulatória de uma negativa automatizada, porque, funcionalmente, é isso que ela é.

A faixa de variação está enterrada na ata de reunião de um comitê. É ali que a ação judicial é ganha ou perdida, não na arquitetura do modelo.

Não consigo contar o número de conversas sobre governança que passam batido por isso. Os planos auditam seu modelo. Quase nunca auditam a política de fluxo de trabalho que o cerca — o limiar, as regras de anulação, a estrutura disciplinar. Essa política é o que determina se seu clínico é um tomador de decisão ou um escudo de responsabilidade que, na verdade, não protege nada.

Por que construímos a coisa errada primeiro

Quando minha equipe começou, fizemos o óbvio. Construímos monitoramento.

Fazia sentido no quadro branco. O mercado está repleto de observabilidade de IA — a Fiddler entrega explicabilidade SHAP e LIME com detecção de deriva e viés; o Watsonx.governance da IBM tem o OpenScale para equidade; a Credo AI e a Holistic AI vendem pacotes de políticas e painéis de conformidade que coletam evidências automaticamente. A lógica de toda a categoria é: você tem modelos em produção, acopla uma camada que os observa, e agora você tem governança. Então construímos uma camada que observava a IA de gestão de utilização de um plano-piloto e produzia belas métricas de equidade.

Então uma diretora médica desse plano — alguém que havia participado do próprio comitê de UM por anos — olhou para o nosso painel e fez a pergunta que nos mandou de volta à prancheta. "Isto me diz que o modelo está se comportando de forma consistente. Não me diz que o modelo deveria estar tomando essa decisão. O nH Predict também era consistente."

Ela tinha razão, e doeu. Havíamos construído um instrumento muito preciso para medir uma coisa fundamentalmente falha. O nH Predict não falhou por não ser monitorado. Falhou porque pesava as médias do grupo de diagnóstico acima de indicadores clínicos individuais — oxigenação sanguínea, disponibilidade de cuidadores, interações de comorbidades — em um domínio no qual a variação individual é a definição de necessidade médica. Monitorar esse modelo mais de perto teria produzido um registro organizado de um sistema fazendo a coisa errada de forma confiável. A taxa de reversão de 90% teria sido lindamente documentada.

Foi essa falha que financiou tudo o que construímos em seguida. A observabilidade diz se o modelo é estável. Não diz se a decisão é defensável. São problemas diferentes, e toda a categoria de plataformas de governança estava, para o comprador com quem eu me importava, resolvendo o primeiro e chamando-o de o segundo.

O Que a Governança de IA do Medicare Advantage de Fato Precisa Fazer?

Então rasgamos a premissa do monitoramento e partimos da única pergunta que importa em um tribunal: você consegue defender esta negativa específica desta pessoa específica?

Esse reenquadramento muda a construção por completo. Você não está mais instrumentando um modelo — está projetando uma decisão de modo que, anos depois, sob uma ordem de descoberta, ela se reconstrua sozinha. Para um plano do Medicare Advantage, isso significa que três coisas têm de ser verdadeiras ao mesmo tempo, e torná-las verdadeiras é o trabalho que a Veriprajna faz em veriprajna.com/solutions/medicare-advantage-ai-governance.

Primeiro, cada decisão precisa carregar sua própria explicação — não uma pontuação global de equidade, mas um registro por decisão de quais fatores clínicos o modelo ponderou e quais ignorou, em uma linguagem que um clínico e um juiz consigam ler. É a parte que todos subestimam, e é onde tenho de dar a má notícia. As plataformas legadas de solicitações em que a maioria dos planos roda — Facets, QNXT — nunca foram projetadas para emitir um registro de atribuição de características por decisão. Elas armazenam o resultado, não o raciocínio. Então explicabilidade de verdade em uma stack de Medicare Advantage não é questão de escolher um modelo melhor de prateleira. É middleware: uma camada que captura as entradas, os pesos e o caminho de anulação clínica do modelo, e os grava em um registro construído para sobreviver à descoberta. É um trabalho de integração sem glamour, e é a maior parte do serviço.

A exigência mais difícil é que a arquitetura de conformidade tem de se alinhar às regulamentações que chegam ao mesmo tempo — o que me leva a uma armadilha na qual vi um plano sofisticado cair direto.

A métrica que parece limpa e não é

O CMS-0057-F, a regra final de autorização prévia, começou a apertar em janeiro de 2026 — prazo de 72 horas para solicitações agilizadas, sete dias para as padrão, sem reabrir internações hospitalares aprovadas, exceto por fraude. Então, em 31 de março de 2026, chegou o primeiro prazo de divulgação pública: os planos tiveram de reportar oito métricas de autorização prévia no nível do contrato, incluindo taxas de negativa, tempos de resposta e taxas de reversão de recursos.

O detalhe que importa é do tipo que você só percebe se leu as correções do Federal Register, e não apenas a manchete. Em junho de 2025, o CMS suspendeu os detalhamentos no nível do plano e as exigências de expertise em equidade em saúde nos comitês de UM. O que permanece público são as métricas agregadas, no nível do contrato. Assim, um plano pode publicar uma taxa de reversão de recursos no nível do contrato perfeitamente respeitável e parecer limpo — enquanto seus registros individuais de decisão, aqueles que uma ordem de descoberta ao estilo Lokken alcança diretamente, contam uma história completamente diferente.

As métricas públicas são a parte que você escolhe mostrar. Os registros de decisão são a parte que um tribunal toma. A governança tem de vencer na segunda, não na primeira.

Já me sentei diante de executivos que apontaram para o registro de 31 de março como prova de que estavam cobertos. O registro é necessário. Não é uma defesa. A advocacia dos autores não está lendo seu painel agregado; está intimando o registro por trás da negativa de um único beneficiário.

Depois há 1º de janeiro de 2027, quando as APIs de autorização prévia HL7 FHIR — CRD, DTR e PAS — se tornam obrigatórias, criando uma trilha eletrônica completa de transações para cada decisão de PA. Essa trilha é ou sua melhor prova ou a pior, dependendo inteiramente de o raciocínio ter sido capturado no momento em que a decisão foi tomada. Não dá para preenchê-la depois. Tenho um chamado de integração aberto contra uma instância do QNXT neste exato momento que é, em essência, uma aposta sobre em qual desses dois futuros um plano vai acabar.

A colcha de retalhos para a qual nenhuma plataforma única foi construída

E precisa sobreviver a um mapa regulatório que nenhum produto de prateleira cobre. A primeira vez que dispus as obrigações de um cliente multiestadual em uma única planilha, as colunas pararam de concordar umas com as outras — e isso é proposital. As exigências são deliberadamente inconsistentes.

A Lei de Governança Responsável de IA do Texas entrou em vigor em janeiro de 2026 com amplo poder de exigência investigativa civil — e o Texas já havia mostrado suas cartas ao encerrar a primeira investigação sobre IA generativa na saúde, contra a Pieces Technologies, lá em setembro de 2024, por alegações de precisão infladas. A Pensilvânia seguiu por outro caminho, com legislação que exige revisão por um provedor humano antes de qualquer negativa conduzida por IA, divulgação obrigatória de que a IA está sequer em uso e declarações anuais de conformidade. Uma organização multiestadual de Medicare Advantage agora enfrenta uma colcha de retalhos na qual cada estado quer controles diferentes de transparência, auditoria e divulgação. E, para qualquer plano com operações globais, a Lei de IA da UE classifica a IA em saúde como de alto risco sob o Anexo III, com conformidade plena exigida em agosto de 2027 e penalidades que chegam a 6% do faturamento anual global.

É exatamente essa a fenda em que as grandes consultorias caem. A Deloitte e a Accenture vão implantar uma plataforma empacotada — uma Credo AI ou uma IBM Watsonx — e chamar isso de governança. Mas uma plataforma empacotada não conhece sua configuração específica do Facets, e não concilia as exigências investigativas do Texas com o mandato de revisão pré-negativa da Pensilvânia e a exigência de arquivo de gestão de risco da UE. Os fornecedores de sistemas de solicitações estão em posição ainda pior: as mesmas empresas que mantêm o Facets e o QNXT também vendem os complementos de IA para eles, então não têm exatamente incentivo para expor lacunas de governança nas próprias plataformas. Ninguém naquele cenário estava construindo a única coisa de que o comprador precisava — controles técnicos mapeados, decisão por decisão, para cada regulamentação que se aplica a eles ao mesmo tempo.

Por Que um Plano Não Pode Simplesmente Comprar um Software de Explicabilidade?

As pessoas me fazem uma pergunta justa: se explicabilidade e monitoramento de viés já existem, por que um plano não pode simplesmente comprar a Fiddler ou montar uma IA causal e pronto?

Duas razões. Os fornecedores de monitoramento são genuinamente bons no que fazem — mas toda a premissa deles é que o modelo em produção é o que vale a pena governar. Quando a arquitetura de decisão do modelo é a falha, como era com o nH Predict, observá-lo com mais cuidado apenas lhe dá uma gravação em resolução mais alta do dano. A IA causal — a causaLens é o nome mais confiável aqui — é a resposta academicamente correta, modelando causa em vez de correlação, mas é comercialmente imatura e voltada em sua maioria para serviços financeiros; modelos causais específicos para a saúde voltados a decisões de cobertura ainda estão, em grande parte, em fase de pesquisa. E os fornecedores de automação de autorização prévia, como a Cohere Health, estão otimizando a variável totalmente errada. A Cohere vai cortar seu custo administrativo de PA em 47%. Esse é um número real e um benefício real. Mas velocidade não é defensabilidade. Uma negativa mais rápida que você ainda não consegue reconstruir em juízo é um caminho mais rápido para exatamente a responsabilidade que Lokken definiu.

A outra razão é escala, e é a parte da qual não consigo dissuadir um plano. A Gartner espera que 80% das solicitações ambulatoriais sejam processadas por adjudicação em tempo real habilitada por IA até 2028. No entanto, apenas 12% dos hospitais dos EUA têm hoje uma estrutura formal de governança de IA, segundo a contagem da Censinet. O volume de decisões de cobertura automatizadas está prestes a se multiplicar muito mais rápido do que qualquer um está construindo a infraestrutura para defendê-las. E o CMS não está esperando educadamente — suas auditorias RADV do Ano de Pagamento 2020 começaram em fevereiro de 2026 usando detecção de anomalias com IA para sinalizar diagnósticos sem respaldo. O regulador está auditando sua IA com IA enquanto exige que você mesmo a governe.

Os planos que agem primeiro transformam isso em vantagem

Quero terminar com aquilo em que de fato acredito, não com um alerta.

Todo plano com quem converso trata a governança como um custo — um imposto sobre implantar IA, um freio na automação agêntica que todos querem. Entendo esse enquadramento. A economia administrativa é brutal dos dois lados: os provedores gastam US$ 19,7 bilhões por ano contestando negativas, e os planos arcam com o próprio custo em cada solicitação contestada. A tentação é automatizar com mais força e governar o mínimo que a regra exige.

Mas essa conta corre ao contrário. As negativas que são revertidas em recurso nunca foram economia de custo — foram responsabilidade que o plano contabilizou como receita e vai pagar de volta com juros no tribunal. Um plano que consegue produzir, para qualquer negativa, um registro limpo de quais fatores clínicos foram ponderados, assinado por um clínico que genuinamente teve a liberdade de discordar, mapeado para cada regulamentação que se aplica, não apenas evita a ação judicial. Ele consegue negar mais rápido e com mais confiança, porque cada decisão é construída para sobreviver ao escrutínio que agora chega de forma rotineira. Construímos a arquitetura de governança de IA do Medicare Advantage exatamente para esse plano.

A família da paciente com metemoglobinemia não perdeu porque um algoritmo cometeu um erro. Perdeu, temporariamente, porque o sistema não conseguia se explicar e nenhum humano no circuito estava livre para anulá-lo. Construa o sistema de modo que ele consiga se explicar, e liberte o humano para anulá-lo, e você deixa de torcer para que a ordem de descoberta nunca chegue. Você está pronto para ela.