Seguros e Gestão de Riscos

As seguradoras estão levando a IA para a subscrição, os sinistros e a modelagem de catástrofes mais rápido do que suas estruturas de governança conseguem absorver. Nossa abordagem é construir a camada de governança e validação de IA que fica entre suas ferramentas de InsurTech e seus reguladores — de modo que um projeto seja dimensionado para produzir os artefatos de documentação que sobrevivem a um exame de conduta de mercado de um DOI estadual, a uma revisão de impacto díspar da SB 21-169 do Colorado ou a uma solicitação de discovery por má-fé sob a UCSPA feita pelo advogado do autor.

Sua Infraestrutura de Validação de Modelos Foi Construída para GLMs, Não para Ensembles com Gradient Boosting

As ferramentas de InsurTech chegaram. No intervalo de poucos meses, os principais fornecedores de plataformas colocaram IA em produção no núcleo das operações das seguradoras:

• A Guidewire lançou seu primeiro assistente de subscrição com IA agêntica em dezembro de 2025.
• A Verisk lançou o XactAI e um assistente de subscrição com GenAI comercial em setembro de 2025.
• A Shift Technology lançou uma plataforma de sinistros agêntica no mesmo mês.

Ainda assim, 90% das seguradoras testaram IA em 2025 e apenas 22% chegaram à produção. A lacuna não é de tecnologia. É que a infraestrutura de validação de modelos, documentação regulatória e testes de equidade da maioria das seguradoras foi construída para GLMs e tábuas atuariais — não para ensembles com gradient boosting, narrativas de risco baseadas em transformers ou fluxos de trabalho de sinistros com múltiplos agentes. Seus atuários não foram treinados para validar os modelos que você está implantando.

O Mosaico Regulatório Multiestadual de IA Já Chegou

Vinte e quatro estados mais o Distrito de Columbia adotaram o Boletim-Modelo da NAIC sobre o uso de IA em seguros, mas as regras de implementação de cada estado divergem. O Colorado sozinho tem três requisitos sobrepostos:

• SB 21-169 — testes quantitativos de impacto díspar para modelos de subscrição, ampliados para seguradoras de automóveis e de saúde em outubro de 2025.
• A Lei de IA do Colorado SB 24-205 — em vigor a partir de 1º de fevereiro de 2026, cobrindo IA de alto risco em subscrição e sinistros.
• As emendas ao Regulamento 10-1-1 — exigindo que as seguradoras de vida apresentem relatórios anuais de IA a partir de dezembro de 2025.

Connecticut e Vermont têm suas próprias estruturas de implementação. Texas e Flórida estão atrasados. Os estados promulgaram 145 leis relacionadas à IA somente em 2025, um aumento de 50% em relação ao ano anterior. As disposições de alto risco da Lei de IA da UE para a precificação de risco em seguros entram em plena aplicação em 2 de agosto de 2026. A NAIC está pilotando uma Ferramenta de Avaliação de Sistemas de IA para uso em exames de conduta de mercado e financeiros em 2026, e grupos do setor já estão contestando se as constatações do piloto poderiam desencadear ações de fiscalização.

Uma seguradora multiestadual que subscreve negócios em quinze ou vinte jurisdições não consegue gerenciar isso com planilhas e memorandos jurídicos. Nossa abordagem é construir sistemas de mapeamento de conformidade projetados para rastrear cada atributo do modelo de IA até os requisitos específicos da implementação da NAIC de cada estado, do regime de camada tripla do Colorado e da Lei de IA da UE, quando aplicável. Quando um novo estado adota ou altera suas regras de IA, o mapeamento é projetado para se atualizar. O resultado pretendido: quando um examinador do DOI perguntar como seu modelo de subscrição lida com variáveis proxy que se correlacionam com raça, você lhe entrega um relatório gerado, e não um cálculo atuarial feito às pressas.

Responsabilidade em IA de Sinistros Após a UnitedHealth e a Cigna

O cenário de litígio para decisões de sinistros assistidas por IA mudou permanentemente em 2025 e 2026:

• Um juiz federal de Minnesota ordenou que a UnitedHealth divulgasse os documentos de seu algoritmo nH Predict em março de 2026, depois que evidências mostraram que 90% dos sinistros negados por IA foram revertidos em recurso.
• A Cignacujo algoritmo PxDx rejeitou mais de 300.000 sinistros em dois meses, e o juiz Drozd permitiu que a ação coletiva Kisting-Leung prosseguisse em março de 2025.

Os advogados dos autores agora estão construindo UCSPA (Lei de Práticas Desleais na Liquidação de Sinistros) teorias em torno da adjudicação automatizada, e o padrão é claro: se sua IA sistematicamente subpaga ou nega sinistros com base em critérios demográficos, você enfrenta tanto ação regulatória quanto exposição a ações coletivas.

Projetamos sistemas de governança de IA de sinistros (veja nossa demonstração funcional de adjudicação determinística de sinistros) para produzir três coisas de que precisam as seguradoras que implantam a Shift Technology, a Tractable, a CLARA Analytics ou modelos de adjudicação personalizados:

1. Trilhas de auditoria de decisões que registram cada entrada, saída do modelo e substituição humana com carimbos de data/hora e justificativa.
2. Monitoramento de equidade que testa continuamente os resultados de sinistros em busca de impacto díspar entre classes protegidas — não apenas na implantação, mas ao longo da operação contínua.
3. Pacotes de documentação que seu consultor jurídico geral pode entregar ao advogado do autor no discovery sem criar exposição adicional.

O modo de falha que isso combate está bem documentado: uma auditoria de equidade encontrou disparidades de precificação de 11 a 17% em CEPs predominantemente negros catorze meses após a implantação de um modelo que passou nos testes iniciais de viés. O monitoramento contínuo é projetado para detectar a deriva que a validação em um único momento deixa passar.

Validação de Modelos Atuariais para Sistemas Que os Atuários Não Conseguem Ler

O problema central na validação de IA em seguros é que as pessoas responsáveis por aprovar os modelos — seus atuários e sua equipe de validação de modelos — foram treinadas em modelos lineares com coeficientes interpretáveis. Um modelo de subscrição XGBoost com 500 atributos e efeitos de interação não se submete ao mesmo teste de suposições. Um transformer que gera narrativas de risco a partir de dados de submissão não estruturados não tem coeficientes de forma alguma. As seguradoras estão respondendo ora limitando a implantação de IA, ora contratando validadores com conhecimento de ML que não encontram em números suficientes, ora apoiando-se discretamente em afirmações de fornecedores que não se sustentam em uma contestação de arquivamento de tarifas.

Nossa abordagem para superar essa lacuna é uma arquitetura específica. O modelo de IA opera dentro de uma camada de restrição determinística fundamentada na ontologia do seu domínio — diretrizes de subscrição, regras do manual de tarifação, limiares regulatórios — de modo que os caminhos de decisão se tornam auditáveis sem a leitura de pesos de tensores. O método gera relatórios de importância de atributos baseados em SHAP, análises de importância por permutação e resultados de testes de equidade no formato que sua equipe atuarial já utiliza para a documentação de GLMs. O resultado pretendido: quando seu atuário-chefe precisar assinar o arquivamento de tarifas, ele estará revisando um pacote de validação estruturado, e não uma caixa-preta.

Foi demonstrado na literatura publicada que arquiteturas de autocrítica adversarial reduzem a alucinação na subscrição comercial de 11,3% para 3,8% (arXiv 2602.13213). Projetamos o sistema para incorporar essa disciplina desde o primeiro dia.

Modelagem de Catástrofes Onde o Estocástico e o ML se Cruzam

Os modelos de catástrofe da Moody's (antiga RMS), da Verisk e da AIR têm bases físicas e estocásticas: conjuntos de eventos derivados de sismicidade histórica, trajetórias de ciclones tropicais ou padrões hidrológicos. Quando as seguradoras sobrepõem ML — usando imagens de satélite da Maxar ou da Planet para validação de exposição, dados alternativos para amplificação de perdas ou reconhecimento pós-evento orientado por IA para triagem rápida de sinistros (veja nossa pesquisa em inteligência de enchentes) — o sistema combinado fica em uma terra de ninguém da validação. O fornecedor do modelo de catástrofe valida o motor estocástico. Ninguém valida a sobreposição de ML, e os efeitos de interação entre os dois podem produzir pontuações de risco que nenhuma das equipes compreende totalmente.

O seguro privado de enchentes é o exemplo mais nítido. O mercado cresceu de US$ 600 milhões em prêmios emitidos em 2016 para mais de US$ 2,5 bilhões em 2025. As seguradoras privadas usam modelos de enchentes específicos por propriedade e orientados por IA que divergem significativamente da metodologia Risk Rating 2.0 da FEMA, criando dinâmicas de seleção adversa que os reguladores estão começando a examinar. Treze por cento dos segurados que enfrentaram os maiores aumentos de prêmio do Risk Rating 2.0 abandonaram a cobertura por completo. Projetamos estruturas de validação para sistemas híbridos cat-ML a fim de testar os componentes estocástico e de ML de forma independente e em conjunto, documentar os efeitos de interação e produzir a justificativa atuarial que um examinador de arquivamento de tarifas do DOI precisa ver.

Detecção de Fraudes Além do Piso de 30% de Falsos Positivos

Os sistemas de detecção de fraudes baseados em regras da maioria das seguradoras operam com taxas de falsos positivos de 30 a 50%. Cada falso positivo consome tempo do regulador de sinistros, atrasa sinistros legítimos e corrói a confiança dos segurados. Os benchmarks de IA contam uma história diferente:

• A detecção de fraudes por IA atinge menos de 10% de falsos positivos com 40% de redução das perdas por fraude, segundo dados da Coalition Against Insurance Fraud.
• A McKinsey relata que as soluções de ponta melhoram a detecção em 15 a 20% ao mesmo tempo que reduzem os falsos positivos em 20 a 50%.

Mas chegar abaixo de uma taxa de falsos positivos de 5% — o limiar em que os reguladores de sinistros de fato confiam no sistema — exige detecção multimodal em texto, imagens e sinais comportamentais, além de calibração contínua em relação à sua carteira específica de negócios.

Projetamos arquiteturas de detecção de fraudes para combinar dados estruturados de sinistros, anotações não estruturadas de reguladores de sinistros, análise de imagens (detalhada em nossa pesquisa sobre visão computacional determinística para perícias em seguros) e análise de redes em um sistema de pontuação calibrado para seus padrões de perdas. A arquitetura produz pontuações de risco explicáveis, não apenas alertas, de modo que sua equipe de SIU compreenda por que um sinistro foi sinalizado e possa defender a investigação perante os reguladores. Para as seguradoras que implantam ferramentas de fraude de fornecedores como a Shift Technology ou a FRISS, projetamos a camada de integração e calibração para ajustar a saída do fornecedor à sua carteira, em vez de operar com limiares genéricos.

Por Que Não a Accenture, a Deloitte ou o Fornecedor do Seu Sistema Central?

A Accenture registrou US$ 3,6 bilhões em receita de IA no ano fiscal de 2025, contratou 77.000 profissionais de IA e dados e adquiriu a Faculty em janeiro de 2026. A Deloitte lidera com sua estrutura de IA Confiável. Ambas são fortes em metodologia de governança, desenho de modelo operacional e ampliação de equipe. Mas força em metodologia não é o mesmo que entregar os artefatos que seus reguladores, auditores e advogados de fato examinam.

Somos neutros quanto a fornecedores na camada de plataforma. Nossa abordagem é construir a arquitetura de governança, validação e restrições que envolve quaisquer ferramentas que você já utilize, e um projeto é dimensionado para produzir os artefatos que seus reguladores, auditores e advogados de fato examinam.