Ir para o conteúdo principal

A Inteligência Artificial no setor segurador

Acelerar o futuro ou romper com a tradição?

Autores: Nuno Schaller Gonçalves; Ricardo Gil Santos

A integração da Inteligência Artificial (IA) no setor dos seguros está a transformar as práticas tradicionais e a trilhar um novo caminho para soluções mais inovadoras e transformacionais, quer do ponto de vista de eficiência operacional, quer do ponto de vista do aparecimento de novas formas de abordar os clientes – mais eficazes e com ofertas mais personalizadas.

Recuemos ao século XVIII, quando os primeiros atuários iniciaram a recolha e análise de dados sobre sinistros e mortalidade, e avancemos depois para 2024, onde a seguradora Ping An, sediada em Shenzhen, ocupa o segundo lugar no ranking de patentes de Inteligência Artificial Generativa (GenAI); sendo apenas ultrapassada pelo gigante tecnológico chinês Tencent.

Com este foco inovador, olhemos para o futuro próximo. Estudos recentes da Deloitte destacam o panorama e as implicações da evolução da GenAI para o setor segurador.

Analítica Avançada, Inteligência Artificial e Inteligência Artificial Generativa, o que é igual e o que é diferente?
 

Ainda que por vezes sejam usados como sinónimos, é importante esclarecer os conceitos de Analítica Avançada, IA e GenAI, bem como a forma como estes conceitos estão interligados.

A analítica avançada é o processo de extrair insights a partir de dados históricos ou em tempo real. O objetivo é descrever o passado, diagnosticar e correlacionar causas para aquele comportamento histórico, prever comportamentos futuros e prescrever soluções.

Por sua vez, a IA é a capacidade de uma máquina reproduzir competências semelhantes às humanas como é o caso do raciocínio, a aprendizagem, o planeamento e a criatividade. Assim, a IA compreende todos os sistemas e algoritmos capazes de resolver problemas, reconhecer padrões, entender linguagem, interpretar imagens, entre outros.

Por último, a GenAI é um subset do ecossistema de IA que tira partido de modelos fundacionais, como por exemplo o GPT-4, que foram treinados tendo por base enormes volumes de dados disponíveis na internet, incluindo livros, artigos científicos ou websites. Assim, estes modelos têm a capacidade de entender como os humanos comunicam, sendo assim capazes de interpretar informação não estruturada e criar conteúdo novo, seja texto, imagem, código de software, áudio ou vídeo.

Deste modo, estes três campos sobrepõem-se e complementam-se, dado que a IA permite melhorar e otimizar o processo de analítica avançada. A GenAI, sendo um campo dentro da IA que existe a partir da recolha, processamento e análise de enormes volumes de dados, contribui positivamente através da sua capacidade de transformar dados não estruturados em dados estruturados. Estes dados podem depois ser usados para criar correlações, estabelecendo assim um ciclo de continuidade e complementaridade entre estes campos.

Dados e Analítica Avançada: uma morte anunciada?
 

Historicamente, as seguradoras utilizam informação/dados para todos os processos de tomada de decisão — genericamente desde a subscrição de um risco até ao tratamento de um sinistro. Tome-se como exemplo os modelos de risco que fundamentaram o pricing dos seguros, os quais criaram uma cultura analítica profundamente enraizada no setor. Assim, a análise de dados tradicional e as ferramentas de analítica avançada continuam a ser essenciais, nomeadamente à medida que a disponibilidade e complexidade dos dados aumenta. Simultaneamente, a personalização passou a ser um fator de sobrevivência num cenário de mercado, em particular o português, cada vez mais concentrado. Embora as tecnologias como GenAI estejam a ganhar destaque, os modelos tradicionais de analítica avançada permanecem pertinentes.

Considere-se, por exemplo, a área de subscrição de riscos complexos em seguros de saúde e seguros de vida. Aqui, a combinação de dados geográficos disponíveis com dados de players que monetizam os seus dados — como a informação de vendas de medicamentos por zona do país, ou padrões de pesquisa de doenças por parte dos clínicos, com a capacidade dos Large Language Models1 (LLM) em sintetizar vastos volumes de literatura médica, dados de ensaios clínicos e tendências de saúde pública — permitem às seguradoras oferecer coberturas mais personalizadas e precisas, mesmo para grupos tradicionalmente considerados de alto risco, onde novas correlações são encontradas, permitindo maior rigor nos processos de subscrição.

Esta evolução não resulta apenas de melhorar a precisão dos modelos existentes. Representa uma mudança fundamental na forma como as seguradoras entendem, preveem e respondem aos riscos. A possibilidade de utilizar dados não estruturados, permitiu que a barreira entre estes e os ditos estruturados viesse a desvanecer, abrindo novas possibilidades para inovação e personalização no setor de seguros.

Assim, começa a existir a possibilidade de encontrar modelos de subscrição baseados em correlações que até há muito pouco tempo não existiam, constituindo desta forma, um fator de vantagem competitiva para todos aqueles que consigam encontrar essas correlações e, com essa capacidade, consigam de forma mais exata fazer face a riscos mais complexos. Em suma, seguradoras mais preparadas, mais competitivas e mais inovadoras.
 

1Programa de computador que aprende a entender e a gerar textos a partir do treino com uma enorme quantidade de dados, tornando-se capaz de, mesmo sem instruções humanas explícitas, extrair informações dos dados, criar conexões e “aprender” sobre a linguagem. É como um cérebro virtual que aprende com a leitura e utiliza essa aprendizagem para conversar ou criar conteúdos.

Qual o papel para a Inteligência Artificial no setor de seguros?
 

Zero Ops é uma visão para tornar as operações das seguradoras altamente automatizadas, alavancando em tecnologias como IA e GenAI. E, através da orquestração inteligente de processos que se consegue obter através da arquitetura de agentes, reduzir os custos operacionais ao mínimo e eliminar tarefas sem valor acrescentado. Ao combinar dados estruturados e não estruturados — como e-mails, documentos de sinistros, fotografias e regras de negócio — a GenAI permite novas correlações de dados anteriormente impossíveis, bem como a orquestração inteligente de processos. Isto é, uma orquestração que não é determinística e que não necessita de uma tradução em código ou linguagens de programação dos processos funcionais, da sequência de passos e das regras de negócio. Este nível de automação irá redefinir os padrões de eficiência e agilidade operacional no setor, trazendo um novo paradigma de inovação e transformação tecnológica às seguradoras, tornando-as mais competitivas entre si e mais afastadas dos modelos mais tradicionais de operação.

A GenAI também desempenha um papel central na modernização dos sistemas core dentro das empresas seguradoras, facilitando a conversão de código legacy e a compreensão de requisitos funcionais. Tome-se como exemplo um programa de modernização dos sistemas core de uma seguradora. Ao longo do tempo em que a solução esteve implementada — muitas vezes décadas — é normal que a solução de mercado tenha sido localizada para as necessidades específicas da organização, através de desenvolvimentos à medida que estendem funcionalidades base e serviços que permitem à camada digital (apps e portais) interagirem com os sistemas core. Assim, no momento da adoção de um sistema core mais moderno e que responda à visão da seguradora para uma presença mais digital e omnicanal, estes blocos de código em linguagens legacy podem tornar-se um obstáculo ao processo de transformação. Com o recurso a GenAI, esta tarefa torna-se menos onerosa e mais rápida, libertando espaço para que as seguradoras possam estar focadas na análise crítica sobre o que deverá ser a solução futura, em vez de se concentrarem no processo de conversão da solução atual.

Por sua vez, esta modernização é vital para que as seguradoras se possam adaptar às exigências do mercado em constante mudança e aos novos cenários regulatórios, que trazem desafios concretos em temáticas como i) a necessidade de garantir que os novos processos de negócio transformados pela IA cumprem os requisitos normativos, ii) a exigência de comunicação de dados relacionados com a temática ESG ou iii) a capacidade de endereçar a nova regulamentação europeia denominada AI Act que traz requisitos específicos para as seguradoras.

Os modelos de analítica avançada e machine learning utilizados pelas seguradoras focavam-se tradicionalmente em dados estruturados. Contudo, esses dados apenas capturam uma parte da realidade e deixam de fora um conjunto de insights fornecidos apenas por dados não estruturados. Assim, a GenAI, ao integrar dados não estruturados no processo de tomada de decisão, aumenta significativamente a precisão dos modelos de machine learning existentes. Tome-se como exemplo um Modelo de Churn que se baseia na análise de dados demográficos, de carteira, do volume de interações do cliente, entre outros, para ajudar a seguradora a identificar clientes com maior potencial de abandono ou não renovação da apólice. Ao trazer a GenAI para este cenário, todo o conteúdo de contacto do cliente com a seguradora (via portal, app, e-mail e até mesmo contact center) passa a ser informação que alimenta o Modelo de Churn com insights muito relevantes. Da mesma forma, é possível tirar partido desta tecnologia para conhecer melhor a concorrência, os seus produtos, serviços e preços, combinando a pesquisa automática nos websites com a interpretação e tradução desses dados não estruturados em variáveis quantitativas e qualitativas que podem ser introduzidas no Modelo de Churn.

A GenAI pode criar interações altamente personalizadas ao analisar o comportamento e as preferências dos clientes para recomendar produtos e serviços. Essa competência permite às seguradoras alcançarem segmentos de mercado subsegurados ou não segurados. Mas a capacidade de personalização oferecida pela GenAI não se limita à recomendação de produtos. Ela pode também servir para adaptar a comunicação com o cliente, ajustando o tom e a linguagem às preferências individuais, seja em interações via chatbots, seja em campanhas de marketing. Isto torna cada contacto mais relevante e eficaz, aumentando a probabilidade de conversão e fidelização.

GenAI — qual o caminho para a implementação?


O mercado está numa fase de experimentação e o mercado português não é exceção. Segundo o Deloitte State of Generative AI in the Enterprise, 78% dos líderes entrevistados (de 14 países entre eles, EUA, Canadá, Reino Unido, Suíça, Alemanha, França, Espanha, Itália, Países Baixos, Japão, Singapura, Brasil, México e Austrália) demonstram o elevado interesse nas capacidades da tecnologia. Além disso, no Fortune/Deloitte CEO Survey, 45% dos CEOs afirmaram, em 2024, já ter implementado soluções assentes nesta tecnologia, mais focadas em automação e eficiência, áreas de aposta também sentidas no mercado nacional.

No entanto, nesse mesmo estudo, as organizações mais avançadas apontam o coinvestimento contínuo como o principal fator de sucesso na escalabilidade da tecnologia, assente em três temas-chave: Data Management, Cybersecurity e Cloud, como se evidencia na comparação entre indústrias da figura infra. 

O papel decisivo da governação de dados no setor de seguros


O papel da governação de dados nunca foi tão crítico, dado que a complexidade, diversidade e dimensão dos dados para gerir nunca foi tão elevada. No panorama dos dados estruturados, as sucessivas operações de Mergers and Acquisitions (M&A) no mercado português criaram cenários com múltiplos sistemas legacy: as mesmas funções de negócio e conceitos heterogéneos, nem sempre conciliáveis, exigindo uma gestão rigorosa. A este universo de dados estruturados originados nos processos e sistemas da companhia, somam-se os dados originados na sua rede de distribuição — agentes, bancassurance e outros — e os dados capturados pelo contacto direto com o cliente nos canais digitais.

A este panorama, já de si complexo, somam-se outras dimensões como os serviços beyond insurance, onde, em muitos deles, a captura de dados de IoT é o meio para atingir o fim de potenciar o maior conhecimento do cliente e o aumento na capacidade de personalização de cada seguradora. Com o advento dos LLM os dados não estruturados — provenientes de contactos com o cliente (e-mails, chat, social media), passando por documentação de underwriting e de sinistros, até à documentação interna de processos e procedimentos de cada seguradora — assumem também um papel fundamental no panorama dos dados a serem geridos numa seguradora. Os próximos anos irão revelar uma aposta na captura, organização e gestão desta tipologia de dados. A sua interligação com as fontes de dados estruturados, serão a base que sustenta os planos de transformação do negócio que a GenAI aporta. 

Desafios a endereçar na implementação


A implementação da IA no setor segurador apresenta vários desafios, entre os quais se destacam:


As organizações devem promover uma cultura que abrace a transformação e inovação enquanto tiram partido do conhecimento de negócio existente na organização.

As seguradoras deverão apostar numa arquitetura técnica que privilegie a interação com os sistemas core da organização e a integração de modelos de IA e GenAI nos processos de negócio. Esta arquitetura deve também garantir que todos os dados podem ser guardados, geridos, auditados e posteriormente utilizados, acompanhado de guidelines claras para o desenvolvimento de modelos e soluções de GenAI. Estes são elementos fundamentais para o processo de escalar estas soluções na organização.

Aos requisitos de compliance atuais, somar-se-á a necessidade de desenhar e implementar processos de assurance para os processos de negócio que vão sendo transformados pela implementação de IA, bem como a necessidade de responder à nova regulamentação europeia e nacional nestas áreas de IA, em particular com a implementação do RGPD e agora do AI Act. Assim, as seguradoras devem conhecer essas regulamentações para garantir o uso ético das tecnologias de IA e evitar penalizações financeiras e reputacionais. Em particular o AI Act, publicado em junho de 2024, trará implicações significativas para o setor de seguros, dado que introduz o conceito de Sistemas de Alto Risco onde se inclui a avaliação de risco e pricing em seguros de vida e saúde, bem como as decisões tomadas por IA sobre reclamações e avaliação de solvência.

Um outro desafio na implementação em escala desta tecnologia é o incontornável ângulo das pessoas e talento que merece uma reflexão mais aprofundada.
 

Trabalho vs Emprego vs Tarefas vs Competências: Compreender a diferença

De forma paradoxal, a tecnologia que está a liderar a disrupção na forma como as empresas competem e alcançam sucesso, estando também a disromper o próprio talento tecnológico. Um recente estudo da Harvard Business Review evidenciou que a half-life de algumas competências tecnológicas é hoje de apenas 2,5 anos, o que poderá ser ainda mais reduzido com os avanços em GenAI. Aliás, mais paradoxal será constatar que o conhecimento de tecnologias e linguagens de programação consideradas obsoletas, aliado a conhecimentos profundos de prompt engineering, será fundamental para acelerar os programas de transformação e modernização tecnológica que irão possibilitar à IA provar o seu valor em escala nas organizações.

Assim, compreender a interação dinâmica entre a GenAI, as competências e as tarefas da força de trabalho é crucial para os executivos. Reconhecer quais as tarefas que podem ser automatizadas, quais podem ser aumentadas, quais terão impacto limitado e que novas tarefas poderão surgir, permite aos líderes elaborar estratégias para enfrentar os desafios e aproveitar as oportunidades oferecidas pela GenAI. 

Além de permitir aos líderes elaborar estratégias para tirar partido da GenAI, perceber a interação entre tarefas e competências ajuda a definir os programas de formação e desenvolvimento de competências necessários para os trabalhadores no futuro. Esta reflexão permite aos executivos preparem-se para um futuro moldado pela GenAI, adaptando a força de trabalho para a automação, valorizando competências centradas no humano e até mesmo criando novos papéis. Porém, antes de ajustar os papéis dos trabalhadores ou modificar fluxos de trabalho, é fundamental explorar em profundidade as mudanças que estão a ocorrer no trabalho em si. 

O estudo da Deloitte Generative AI and the future of work. The potential? Boundless evidencia a necessidade da adoção da “mentalidade de investigador” por parte dos líderes para a integração Humano-GenAI

Num cenário de rápida evolução de GenAI, os paradigmas tradicionais de trabalho estão a ser desafiados. Mais do que nunca, os líderes precisam de adotar uma mentalidade de investigador, encarando a integração de GenAI não como uma simples atualização tecnológica, mas como uma experiência em toda a organização. Esta abordagem, inspirada no método científico, é essencial para compreender e capitalizar o potencial transformador da GenAI. A escala dessas transformações torna esta abordagem experimental um ponto de partida crucial.

A introdução de uma IA tão avançada pode alterar profundamente a dinâmica do trabalho, remodelando o tecido cultural das organizações. Não se trata apenas de comunicação e formação, mas de fomentar as condições culturais e os comportamentos adequados. Com a crescente acessibilidade e redução dos custos das ferramentas de IA, organizações de todas as dimensões podem explorar o seu potencial, o que resulta numa adoção mais ampla.

Ao adotar a mentalidade de investigador, os líderes estarão a garantir que a integração de GenAI é estratégica, centrada nas pessoas e adaptável. Não se trata apenas de automatizar tarefas, mas de reinventar a própria essência do trabalho.

Conclusão


Dois anos volvidos sobre a disponibilização ao público do ChatGPT — que despertou e acelerou o interesse da sociedade para o potencial da IA—, a interseção entre seguros e esta tecnologia apresenta evidentes oportunidades, mas também desafios que urge endereçar. A integração bem-sucedida da IA, em particular de GenAI, nas seguradoras dependerá da eficiência da mudança cultural dentro das organizações, com foco na gestão de competências, conhecimento e preparação para a conformidade com as regulamentações existentes e emergentes. Será essencial encontrar o balanceamento correto entre a aposta e investimento em GenAI e o investimento inevitável e urgente, no contexto segurador português, num ecossistema tecnológico que permita dar escala a este tipo de soluções, indo da modernização dos sistemas core até à transformação das áreas de dados.

Saiba mais sobre estas e outras tendências no novo estudo 2025 Global Insurance Outlook. Assista ao resumo das principais tendências e insights para o setor segurador.

Notas finais:

1. Generative AI and the future of work. (n.d.). Deloitte United States. https://www2.deloitte.com/us/en/pages/consulting/articles/generative-ai-and-the-future-of-work.html [acedido em 15 nov. 2024]

2. Europeans are optimistic about generative AI but there is more to do to close the trust gap. (2024, November 22). Deloitte Insights. https://www2.deloitte.com/us/en/insights/topics/digital-transformation/trust-in-generative-ai-in-europe.html [acedido em 15 nov. 2024]

3. Now decides next. Is Europe ready for generative AI? (n.d.). Deloitte Insights. https://www2.deloitte.com/us/en/insights/topics/emerging-technologies/generative-ai-in-europe.html [acedido em 15 nov. 2024]

4. 2025 global insurance outlook: Evolving industry operating models to build the future of insurance. (2024, October 23). Deloitte Insights. https://www2.deloitte.com/us/en/insights/industry/financial-services/financial-services-industry-outlooks/insurance-industry-outlook.html [acedido em 15 nov. 2024]

5. Gen AI investment opportunities center on data, cybersecurity, and cloud, Deloitte survey finds. (2024, May 31). Deloitte Insights. https://www2.deloitte.com/us/en/insights/topics/emerging-technologies/ai-investment-opportunities-tech-ecosystem.html [acedido em 15 nov. 2024]

6. Navigating the tech talent shortage. (2024, September 27). Deloitte Insights. https://www2.deloitte.com/us/en/insights/topics/talent/overcoming-the-tech-talent-shortage-amid-transformation.html [acedido em 15 nov. 2024]

7. State of Generative AI in the enterprise 2024. (n.d.). Deloitte United States. https://www2.deloitte.com/us/en/pages/consulting/articles/state-of-generative-ai-in-enterprise.html [acedido em 15 nov. 2024]

Did you find this useful?

Thanks for your feedback