Agentes de IA no setor de seguros: onde a automação encontra os limites da SUSEP e o que isso significa para decisões auditáveis.
Compliance
# Agentes de IA no setor de seguros: até onde eles podem ir sem comprometer compliance
O corretor digitou "quero cotar seguro residencial para um apartamento de 120m² no Brooklin, com cobertura contra incêndio e roubo". O agente de IA entendeu a solicitação, identificou o ramo, extraiu as variáveis relevantes, fez perguntas complementares sobre o bem e o perfil do segurado, e montou um dossiê estruturado em menos de dois minutos.
Até aqui, o agente fez exatamente o que deve fazer.
O problema aparece no próximo passo: quando o sistema usa esse mesmo agente para calcular o prêmio, aprovar a subscrição e definir a franquia aplicável. A seguradora cruzou uma fronteira que a SUSEP vai examinar com atenção crescente, e que a maioria das equipes de compliance ainda não conseguiu mapear com precisão suficiente para levar ao board.
Este artigo faz esse mapeamento. Com referências normativas reais, sem hedge desnecessário.
A Resolução CNSP 395/2020 e a Circular SUSEP 667 não proíbem o uso de inteligência artificial em decisões de seguros. Proíbem, na prática, a opacidade dessas decisões. O que a regulação exige é rastreabilidade: para cada decisão automatizada que afeta o segurado (aprovação de proposta, cálculo de prêmio, aceitação ou recusa de sinistro), a seguradora precisa ser capaz de responder "qual critério foi aplicado, em qual versão, com qual dado de entrada, e quem autorizou esse critério".
Essa pergunta parece simples. Para a maioria das arquiteturas que estão sendo construídas hoje, ela não tem resposta.
Um modelo de machine learning treinado sobre dados históricos de subscrição aprende padrões. Ele não executa regras explícitas. Quando decide que um apartamento no centro de São Paulo tem fator de risco 1,8 e outro com perfil similar em Campinas tem fator 2,1, essa diferença emergiu de correlações nos dados de treinamento. Não existe uma tabela de tarifas com autor, data de vigência e aprovação da diretoria técnica que justifique o delta. Existe um peso em uma camada de rede neural que ninguém vai conseguir explicar para um fiscal da SUSEP em linguagem regulatória.
A fiscalização vai perguntar: "Como essa decisão foi tomada?"
A resposta "o modelo assim classificou" não atende à Circular 667. E 2026 não é uma ameaça abstrata de conformidade. É o horizonte em que seguradoras que não estruturaram sua camada de decisão vão descobrir isso da maneira mais cara possível.
A confusão vem de uma simplificação que o mercado repete: tratar o agente de IA como uma camada homogênea que "faz tudo". As capacidades são radicalmente diferentes dependendo do tipo de tarefa.
Interpretação de input não estruturado é onde o agente tem vantagem real. Texto livre, voz, imagem, documentos digitalizados com OCR imperfeito. O agente lê o laudo de vistoria, extrai as variáveis relevantes, identifica inconsistências e converte tudo em estrutura que um sistema downstream consegue processar. Isso funciona.
Coleta de dados e triagem de informações para subscrição. O agente conversa com o corretor ou com o segurado, faz as perguntas certas na ordem certa, valida que os campos obrigatórios foram preenchidos, detecta declarações que precisam de análise adicional. Um processo que antes exigia 20 minutos de formulário estruturado vira uma conversa de 4 minutos.
Classificação preliminar de risco. O agente identifica que aquela proposta tem características que a colocam em uma faixa de análise especial, sinalizando para revisão humana antes de qualquer decisão. Triagem inteligente, sem decidir.
Atendimento e orientação ao segurado após sinistro. Coleta informações sobre o ocorrido, verifica cobertura contratada em linguagem natural, orienta documentação necessária, aciona o fluxo correto, tudo sem tomar nenhuma decisão sobre o sinistro em si.
Cálculo do prêmio final. Uma cotação de seguro residencial envolve dezenas de variáveis com lógica interdependente: fator regional de risco, histórico de sinistros da localidade, perfil do bem, coberturas selecionadas, descontos por canal de distribuição, vigência, franquia. Quando essa lógica está dentro do modelo de IA, ela não é auditável no sentido que a SUSEP entende por auditável. Existe o output do modelo. Não existe a nota técnica atuarial aplicada com data e versão.
Aprovação de subscrição com critérios de risco. A decisão de aceitar, recusar ou encaminhar para análise especial uma proposta é, do ponto de vista regulatório, uma decisão determinística que precisa ser justificável por regra explícita. "O modelo rejeitou" não é uma justificativa; é uma transferência de responsabilidade para um algoritmo que não assina nada.
Definição de franquia aplicável. Parece simples, mas envolve regras contratuais, limites da apólice, coberturas ativas e cálculo atuarial. Uma variação de critério aqui tem implicação direta no sinistro do segurado. Precisa de rastreabilidade total.
Aceitação ou recusa de sinistro. Esse é o caso mais crítico. A decisão sobre elegibilidade de sinistro, feita por um modelo de IA sem camada de regras explícitas, é indefensável em auditoria regulatória e vulnerável a contestação judicial. O modelo pode ter aprendido um padrão histórico que reflete uma política alterada há dois anos. Nenhum commit do Git explica qual versão da política foi aplicada naquela decisão específica de setembro de 2025.
O mercado descobriu XAI (explainable AI) e muitas equipes de inovação estão vendendo isso internamente como a solução para o problema de compliance. SHAP values, LIME, importância de features. Tecnicamente corretos, regulatoriamente insuficientes.
A SUSEP não pergunta "quais features influenciaram mais o modelo". Pergunta "qual critério foi aplicado e quem autorizou". Essas são perguntas diferentes. A primeira é uma análise estatística post-hoc do comportamento do modelo. A segunda exige que exista, registrado, um critério deliberado, com versão, com aprovação e com data de vigência.
XAI é valioso para o time de modelagem entender o que o modelo está fazendo. Para o compliance responder a um fiscal, é preciso de algo diferente: a regra determinística que governou a decisão, registrada antes da decisão acontecer, não inferida depois.
Isso distingue o audit trail que a regulação exige do log técnico que a maioria das equipes de dados produz. Log técnico registra o que aconteceu. Audit trail regulatório registra qual critério foi aplicado, em qual versão, por qual autorização. Histórico de commit não é a mesma coisa que versionamento de política.
A arquitetura que resolve o problema de compliance sem abdicar das capacidades reais da IA tem uma divisão de responsabilidade clara.
O agente de IA opera na camada de entrada e de comunicação: interpreta input não estruturado, conduz a conversa com o corretor ou segurado, coleta e valida dados, classifica e enriquece as informações, formata o output para o sistema downstream. Faz tudo isso com velocidade e escala que nenhuma interface de formulário atinge.
O motor de regras opera na camada de decisão: recebe os dados estruturados que o agente coletou, aplica as regras determinísticas de subscrição, calcula o prêmio com a tabela de tarifas versionada, define a franquia conforme os critérios vigentes, aprova ou encaminha para análise com base em critérios explícitos. Cada decisão registrada com timestamp, versão da regra aplicada e identificação de quem autorizou aquela versão.
Regra muda. O compliance aprova. O audit trail registra.
Essa separação não limita o agente: ele continua fazendo o que faz melhor. E libera o motor de regras para fazer o que só ele faz: garantir que cada decisão seja defensável, explicável e rastreável por qualquer auditor que vier perguntar em 2026 ou em 2030.
Uma seguradora de médio porte com atuação em ramos residencial e empresarial conseguiu, após estruturar essa divisão, ter controle total sobre alterações de critério de subscrição e precificação sem depender de TI para cada ajuste. Antes, cada mudança de parâmetro atuarial gerava um ciclo completo de desenvolvimento, com prazo de semanas e risco de regressão em outros cálculos. O atuário passou a configurar e testar alterações diretamente, com versionamento automático e aprovação registrada antes de qualquer deploy.
O agente de IA que eles usam na frente do processo não mudou. O que mudou foi o que está atrás dele.
Há um argumento que aparece frequentemente em reuniões de arquitetura: "vamos resolver o compliance depois, agora precisamos entregar velocidade". Esse argumento tem uma falha matemática.
Cada decisão automatizada que uma seguradora toma hoje, sem rastreabilidade de critério, acumula passivo regulatório. O custo de retrofit de auditabilidade em uma arquitetura que não foi desenhada para isso é substancialmente maior que o custo de arquitetar certo desde o início. Quando a fiscalização pede o audit trail de um período retroativo, o retrofit já não é uma opção.
Seguradoras que chegam a 2026 com agentes de IA tomando decisões de subscrição e sinistro sem camada de regras explícitas vão responder a duas perguntas ao mesmo tempo: "como essa decisão foi tomada?" e "por que a arquitetura não foi desenhada para responder a isso?". A segunda pergunta é mais difícil de responder para o board do que para a SUSEP.
Pegue as últimas 50 decisões automatizadas de subscrição do seu sistema. Verifique se, para cada uma, existe registrado o critério exato aplicado, a versão desse critério com data de vigência e a identificação de quem autorizou aquela versão. Se o que você encontrar for o output do modelo e o log de chamada de API, você não tem audit trail. Você tem rastreabilidade técnica. São coisas diferentes, e a diferença vai importar.
A maturidade arquitetural no uso de IA em seguradoras não é medida pela sofisticação do modelo. É medida pela clareza sobre onde o modelo opera e onde ele não deve operar.
IA é a camada certa para o que é fundamentalmente ambíguo: linguagem natural, documentos variáveis, triagem em volume, interfaces conversacionais. Motor de regras é a camada certa para o que é fundamentalmente determinístico: cálculo de prêmio, critério de subscrição, elegibilidade de cobertura, decisão de sinistro. Essas fronteiras não são limitações de capacidade técnica. São os pontos onde a regulação exige controle deliberado e onde o negócio precisa de autonomia sem depender de ciclo de desenvolvimento.
Seguradoras que constroem essa arquitetura cedo ganham uma vantagem que não é tecnológica. É operacional: capacidade de mudar critério de subscrição em horas, com aprovação registrada e audit trail completo, enquanto o agente de IA na frente do processo continua operando sem interrupção.
As que deixarem para depois vão construir a mesma arquitetura sob pressão de auditoria. Com prazo comprimido, custo elevado e passivo acumulado que nenhuma solução retroativa elimina completamente.
—
