O que você vai aprender aqui
- Como a subscrição automatizada (underwriting, no termo em inglês que o mercado também usa) já decide, em segundos, se sua empresa ou seu cliente consegue uma apólice, e a que preço
- Por que a detecção de fraude em sinistros com IA erra em ambas as direções, negando caso legítimo com a mesma confiança com que flagraria uma fraude real
- O que é precificação dinâmica de risco, o modelo em que o preço do seguro muda com o risco, não só na renovação, e por que essa mesma precisão pode inviabilizar o mutualismo que sustenta o seguro
- Por que seguradoras como MSIG, QBE e Beazley já ajustam apólice para cobrir falha de agente de IA autônomo, enquanto a Chubb pede o oposto: excluir essa responsabilidade
- Onde está, hoje, o vácuo regulatório entre a autorregulação da CNseg e a autorização caso a caso da SUSEP
- O que o artigo 20 da LGPD já exige de qualquer seguradora que usa IA para decidir preço ou cobertura
Uma seguradora vive de uma habilidade específica: calcular o preço de um risco antes dele acontecer. É o negócio inteiro, da apólice de vida ao seguro de carga. Em 2026, essa mesma indústria decide, com inteligência artificial, quem aprova, quanto cobra e o que nega, em segundos, numa escala que nenhum time de analistas humanos alcançaria sozinho.
É a inteligência artificial no setor de seguros: o setor que existe para precificar risco alheio ainda tateia para precificar o risco da própria ferramenta que passou a usar para isso.
Duas seguradoras internacionais, MSIG e QBE, confirmaram publicamente em agosto de 2026 que estão reescrevendo a linguagem de suas apólices de risco cibernético para cobrir falha de agente de IA autônomo. Na mesma época, a Chubb obteve de reguladores americanos aprovação para excluir esse mesmo tipo de responsabilidade de parte dos seus próprios contratos. Duas seguradoras de peso, dois movimentos opostos, o mesmo trimestre: é o retrato mais honesto que existe hoje de uma indústria decidindo com uma tecnologia que ela ainda não sabe segurar.
Este artigo complementa o e-book gratuito O Mapa do Explorador, que mostra como 17 setores, entre eles seguros, estão reorganizando suas verticais de tecnologia e suas apostas de tendência para os próximos anos.
Palestrando para lideranças corporativas sobre governança de IA, vejo esse mesmo padrão se repetir em setores regulados: a decisão de adotar a tecnologia vem rápido, a decisão de precificar o risco dela vem devagar, quando vem.
O fim do questionário estático: como a subscrição automatizada decide por você
Até pouco tempo, contratar um seguro de vida ou patrimonial seguia um roteiro parecido em qualquer seguradora: o cliente respondia um questionário longo, um analista humano cruzava as respostas com tabelas de risco e, dias ou semanas depois, saía uma decisão. Esse modelo trata o risco como uma fotografia tirada uma única vez, no momento da contratação.
A decisão de aprovar ou recusar uma apólice, calculando o risco e o preço, chama-se subscrição no mercado de seguros brasileiro. É comum encontrar o mesmo conceito pelo termo em inglês, underwriting: os dois nomeiam a mesma coisa, e este artigo usa “subscrição” por ser o termo em português, mas os dois aparecem por aí como sinônimos.
A subscrição automatizada com IA substitui a fotografia única do questionário estático por uma leitura contínua: o sistema cruza o que o cliente declarou com outras fontes de dado disponíveis, aplica um modelo treinado em milhares de casos anteriores e decide, em segundos, se aprova, em que faixa de preço e com que exigências adicionais.
A insurtech brasileira Azos é o exemplo mais concreto dessa mudança em operação hoje: aprova cerca de 22% das apólices de vida dessa forma, sem intervenção humana, com meta de chegar a 40% até o fim de 2026, segundo dado publicado pelo portal especializado Sonho Seguro em agosto daquele ano.
É a mesma distinção entre decisão determinística e probabilística que já detalhei em Inteligência artificial no setor financeiro: um questionário estático segue regra fixa e é auditável por natureza, um modelo de subscrição estima a decisão mais provável e pode errar de um jeito que a regra fixa não erra.
O ganho de velocidade é real e mensurável. O risco também é real, só que menos visível: ele migra da demora do processo manual para a qualidade dos dados de entrada e para o que ninguém revisa quando o modelo decide sozinho. Um questionário estático, mesmo lento, tinha a vantagem de ser auditável linha por linha. Um modelo de subscrição bem treinado decide rápido, mas a decisão de recusar ou sobretaxar alguém específico nem sempre vem acompanhada de uma explicação que um humano consiga reconstruir depois.
Detecção de fraude em sinistros: o que a IA vê, e o que ela erra ao ver demais
Fraude em sinistro é o segundo lugar em que a IA já decide sozinha dentro de uma seguradora, e é também onde o dado mais recente do setor revela um problema pouco discutido.
O falso positivo que o relatório de resultado não mostra
No primeiro semestre de 2025, o Sistema de Quantificação de Fraudes (SQF), mantido pela CNseg, registrou R$ 3,36 bilhões em sinistros classificados como suspeitos. Desse total, apenas R$ 734 milhões foram efetivamente comprovados como fraude.
A distância entre os dois números é o dado que mais importa aqui, mais do que o valor da fraude em si. Quase 78% do que foi sinalizado como suspeito não se confirmou como fraudulento. Um sistema de detecção que aprende a maximizar a captura de fraude, sem um contrapeso do mesmo tamanho para minimizar falso positivo, tende a negar ou atrasar sinistro de gente que não fez nada errado, com a mesma confiança estatística com que identificaria um caso real.
Para quem gerencia essa operação, o indicador certo nunca é só “quantas fraudes o modelo pegou”: é a proporção entre fraude confirmada e sinistro legítimo penalizado por engano, porque o segundo número raramente aparece no relatório de resultado que sobe para a diretoria.
Deepfake na vistoria digital: quando a fraude nem precisa mais do acidente
Uma modalidade específica de fraude já combina o golpe tradicional com IA generativa: o deepfake aplicado a fraude corporativa, que discuto em profundidade noutro artigo, também aparece em sinistro de seguro.
Na vistoria de veículo feita hoje por aplicativo, sem perito presencial, esse golpe já mudou de patamar. Segundo reportagem da ConJur de agosto de 2026, fraudadores submetem imagens e vídeos de avaria gerados inteiramente por IA generativa, capazes de simular dano, alterar placa ou apagar avaria pré-existente.
A mesma reportagem cita um caso identificado pela Infocar que só foi descoberto como fraude porque a geolocalização da vistoria digital apontava origem suspeita na China, não porque a imagem em si parecesse falsa.
O mecanismo de defesa é o mesmo em qualquer dessas frentes: nunca confiar só na aparência de autenticidade de uma imagem, um áudio ou um vídeo anexado a um processo, e cruzar um segundo sinal, como geolocalização ou metadado, que não dependa da mesma mídia que está sendo questionada.
Precificação dinâmica: o seguro que muda com o risco, não só na renovação
A terceira frente é a mais recente das quatro, e a que mais desafia a lógica comercial tradicional do setor. A consultoria Celent descreve esse movimento como “liquid underwriting” (subscrição líquida), em relatório publicado em fevereiro de 2026: a tese é que o risco já não fica parado tempo suficiente para ser capturado por uma condição de apólice fixa, definida uma vez na contratação e revista só na renovação anual. Volatilidade climática, aceleração tecnológica e instabilidade geopolítica fazem o risco se comportar como um sistema interconectado em movimento contínuo, não como um evento isolado.
Na prática, isso significa preço e condição de cobertura ajustados por sinal de risco em tempo real, não só por histórico. Telemetria de veículo influenciando o prêmio do seguro auto mês a mês, sensor de propriedade sinalizando mudança de exposição num seguro patrimonial, dado de operação alimentando a repactuação de um seguro empresarial antes da renovação formal.
A metáfora da própria Celent resume bem a virada: o modelo tradicional trata risco como fotografia; o modelo líquido trata risco como vídeo, monitorado sem pausa.
Para o executivo de seguros, o ponto prático é decidir com que frequência a empresa está preparada para reprecificar um cliente sem que isso pareça, do lado de quem paga, uma cobrança arbitrária.
Levada ao limite, essa mesma precisão traz um efeito colateral que o setor discute pouco: o seguro existe porque agrupa o risco de muita gente para diluir o custo de poucos, a lógica do mutualismo. Quando um modelo de IA calcula o risco individual de cada segurado com precisão quase perfeita, o prêmio de quem tem risco alto deixa de ser subsidiado pelo grupo e tende a ficar caro demais para ser vendável, ao mesmo tempo em que o prêmio de quem tem risco baixo cai a ponto de não sustentar mais o fundo comum.
A ICAEW, o instituto de contadores do Reino Unido, chama esse fenômeno de “espectro da insegurabilidade”, em artigo de outubro de 2024 assinado por Polly Tsang. A precisão do modelo cumpre exatamente a função para a qual foi treinado; o problema está no produto, cuja razão de existir depende da imprecisão compartilhada do risco.
O paradoxo da inteligência artificial no setor de seguros: precifica risco alheio, não sabe precificar o próprio
Em 2026, o setor delega parte real de três decisões, subscrição, fraude, precificação, a um agente de IA.
Quando o assunto vira “quem paga a conta se o agente de IA de uma empresa qualquer, cliente da seguradora, tomar uma decisão errada e causar prejuízo”, o próprio setor ainda não chegou a um consenso.
O gatilho dos dois movimentos foi uma sequência de incidentes registrados a partir de julho de 2026, envolvendo agentes autônomos construídos sobre modelos da OpenAI e da Anthropic.
A QBE trata IA como amplificador de um risco cibernético que já existia, não como categoria inteiramente nova; a Beazley, também citada nessa mesma leva de ajuste, diz estar “desenvolvendo cobertura conforme os riscos aparecem”.
Duas seguradoras de peso ampliando cobertura para o mesmo risco que uma terceira, também de peso, está pedindo para excluir, no mesmo trimestre, é um mercado ainda decidindo se sabe precificar esse risco.
Para quem lidera uma seguradora, a pergunta que interessa mudou: adotar IA para subscrição e fraude já é decisão tomada pelo próprio mercado. A pergunta em aberto é outra, “nossa área de produto já decidiu como vamos precificar o risco de terceiros que usam IA de forma autônoma, ou estamos vendendo cobertura genérica para um risco específico que ainda não modelamos direito?”, e é a que a maioria das seguradoras brasileiras ainda não fez formalmente.
Regulação em duas velocidades: autorregulação setorial e autorização caso a caso
O quadro regulatório brasileiro ajuda a explicar por que esse vácuo persiste. De um lado, a CNseg avança em autorregulação setorial concreta: o próprio SQF, citado na seção de fraude acima, é fruto dessa autorregulação, um sistema de quantificação mantido pelo setor para o setor, sem depender de norma federal específica sobre IA. De outro, a SUSEP ainda não publicou uma regulação geral e específica para uso de inteligência artificial nas seguradoras.
O que existe, até aqui, é autorização caso a caso via Sandbox Regulatório: em maio de 2026, a SUSEP aprovou a primeira “Insur.AI” do mercado brasileiro, um modelo de seguro construído com IA e automação incorporadas ao produto desde a cotação até a contratação, depois de a empresa concluir as etapas de teste do Sandbox.
Isso deixa o executivo de seguros brasileiro numa posição específica: pode inovar dentro do Sandbox, caso a caso, mas não tem hoje uma norma geral que diga exatamente o que auditar antes de aprovar um modelo de IA para decidir apólice, sinistro ou preço em produção plena, fora do ambiente controlado de teste.
O checklist de seis perguntas que já detalhei para quem contrata fornecedor de IA jurídica, em Inteligência Artificial no Jurídico, se aplica quase sem adaptação a quem contrata fornecedor de IA para subscrição ou detecção de fraude: a pergunta nos dois casos é quem, dentro da empresa, assina a responsabilidade pelo critério que o modelo usa para decidir.
Na ausência de norma setorial específica, o parâmetro prático vem de três lugares:
- Autorregulação setorial da CNseg: o SQF, mantido pelo setor para o setor, sem depender de norma federal.
- Jurisprudência: começa a se formar caso a caso, à medida que disputas envolvendo decisão automatizada chegam aos tribunais.
- Artigo 20 da LGPD: já se aplica a qualquer decisão automatizada, com ou sem uma norma de IA dedicada ao setor de seguros.
Viés algorítmico na precificação: o que a LGPD já exige, sem esperar norma nova
O artigo 20 da LGPD garante ao titular dos dados o direito de solicitar revisão de decisão tomada unicamente com base em tratamento automatizado, sempre que essa decisão afetar seus interesses. Recusa de apólice, sobretaxa de prêmio e negativa de sinistro entram nessa categoria sem margem para dúvida: são decisões automatizadas que afetam diretamente quem pede o seguro.
O artigo já está em vigor desde 2020, muito antes da chegada da IA generativa. O que mudou é que a IA generativa e a IA agêntica tornam o cumprimento dele mais difícil na prática, porque um modelo probabilístico nem sempre consegue explicar, em linguagem que um humano entenda, por que decidiu elevar o prêmio de uma pessoa específica.
O teste prático para qualquer seguradora é simples de enunciar e difícil de passar: se um segurado pedir revisão de uma decisão automatizada amanhã, alguém na empresa consegue explicar, com precisão, qual critério pesou nessa decisão? Se a resposta for “o modelo decidiu, e não temos como reconstruir exatamente por quê”, a empresa já está em risco de descumprimento do artigo 20, independentemente de qualquer norma futura específica de IA para o setor.
Viés algorítmico na precificação, cobrar mais de um grupo de pessoas por um padrão que o modelo aprendeu sozinho, sem que ninguém tenha desenhado esse critério de propósito, é exatamente o tipo de decisão que esse direito de revisão existe para expor.
Onde começar amanhã
Antes de qualquer investimento novo em IA para subscrição, fraude ou precificação, três perguntas resolvem a maior parte do risco descrito neste artigo, e a ordem importa: a primeira já pode ser levada ao fornecedor de tecnologia amanhã, por quem opera subscrição ou sinistro no dia a dia; as outras duas dependem de decisão mais acima na hierarquia.
A que já pode sair amanhã, sem esperar o conselho: que taxa de falso positivo o modelo de fraude ou de subscrição está reportando hoje, e como essa taxa é medida, porque é esse número, e não só “quantas fraudes o modelo pegou”, que mostra se o sistema está penalizando cliente legítimo.
As outras duas dependem de decisão de governança. A segunda pergunta é: para cada decisão automatizada que afeta um cliente, existe alguém na empresa capaz de explicar o critério por escrito, caso chegue um pedido de revisão com base no artigo 20 da LGPD?
A terceira: a apólice de risco cibernético da própria seguradora, e a que ela vende para seus clientes corporativos, já foi revisada especificamente para risco de agente de IA autônomo, ou continua cobrindo um cenário que a tecnologia já ultrapassou?
Nenhuma das três exige esperar por regulação nova. As duas últimas, porém, não cabem só na área de tecnologia: são decisão que passa pelo conselho, no mesmo formato de registro formal que detalhei em Responsabilidade do conselheiro diante da IA, aplicado aqui a quem aprova o uso de IA em subscrição e fraude, não à estratégia de IA da empresa como um todo.
Se o tema conversa com a sua trajetória, o Consultor de Carreira é um caminho: um agente de IA que indica os cursos da minha curadoria na ESPM conforme o seu perfil.
Perguntas frequentes
O que é inteligência artificial no setor de seguros?
É o uso de modelos de IA generativa ou preditiva nas decisões centrais da operação de uma seguradora: aprovar ou recusar uma apólice (subscrição, ou underwriting), calcular o valor do prêmio (precificação), identificar sinistro fraudulento e decidir o que uma apólice cobre ou exclui. Diferente da automação tradicional do setor, que segue regras fixas, a IA generativa e a IA agêntica interpretam informação nova e podem errar de um jeito que um sistema determinístico não erra: com confiança, sem avisar.
Como funciona a subscrição automatizada (underwriting) com inteligência artificial?
Subscrição é o termo do mercado de seguros para a decisão de aprovar ou recusar uma apólice; underwriting é o mesmo conceito, no termo em inglês que o setor também usa.
Em vez do questionário estático tradicional, respondido uma vez no momento da contratação, o sistema de IA cruza os dados declarados com fontes adicionais e decide em segundos se aprova a apólice, em que faixa de preço e com que exigências. A Azos, por exemplo, aprova cerca de 22% das apólices de vida dessa forma, com meta de chegar a 40% até o fim de 2026, segundo dado publicado pelo portal Sonho Seguro em agosto de 2026. O ganho é velocidade; o risco fica concentrado na qualidade dos dados de entrada e na revisão do que o modelo decide sozinho.
Como a inteligência artificial detecta fraude em sinistros de seguros?
Cruzando padrões que um analista humano levaria dias para perceber: histórico do segurado, inconsistência entre laudo e boletim de ocorrência, metadado de imagem anexada ao sinistro, repetição de padrão entre casos aparentemente não relacionados. No primeiro semestre de 2025, o SQF da CNseg registrou R$ 3,36 bilhões em sinistros suspeitos, dos quais R$ 734 milhões foram comprovados como fraude, o que também mostra que a maioria dos casos sinalizados não se confirma, e um modelo mal calibrado pode negar sinistro legítimo com a mesma confiança com que identificaria uma fraude real.
O que é precificação dinâmica de risco com inteligência artificial?
É o modelo em que o preço e as condições de uma apólice deixam de ser fixados só na contratação e passam a se ajustar conforme sinais de risco em tempo real, como telemetria de veículo ou sensor de propriedade. A Celent chama esse movimento de “liquid underwriting”, em relatório de fevereiro de 2026: a lógica tradicional trata o risco como uma foto tirada uma vez; a dinâmica trata o risco como um vídeo, monitorado continuamente.
As seguradoras já vendem apólice para cobrir erro de inteligência artificial?
De forma desigual. MSIG, QBE e Beazley confirmaram, em agosto de 2026, que estão ajustando a linguagem de suas apólices de risco cibernético para cobrir falha de agente de IA autônomo. Ao mesmo tempo, segundo apurou o site The Information, a Chubb obteve de reguladores estaduais dos Estados Unidos aprovação para excluir de parte de seus próprios contratos a cobertura de danos ligados a IA. As duas coisas acontecendo ao mesmo tempo mostram o setor tateando o preço de um risco que ele próprio ainda não sabe modelar.
A SUSEP já regula o uso de inteligência artificial pelas seguradoras?
Ainda não com uma norma específica e geral. A SUSEP autoriza caso a caso, via Sandbox Regulatório: em maio de 2026, aprovou a primeira “Insur.AI” do mercado brasileiro. Enquanto isso, a CNseg avança em autorregulação setorial, sobretudo no combate à fraude via o SQF. O resultado é um vácuo regulatório específico de IA que a autorregulação setorial preenche parcialmente, não substitui.
O artigo 20 da LGPD se aplica à precificação de seguros com IA?
Sim. O artigo 20 da LGPD garante ao titular o direito de pedir revisão de decisão tomada unicamente por tratamento automatizado, o que inclui recusa de apólice, sobretaxa e negativa de sinistro. Para a seguradora, isso significa que qualquer critério usado por um modelo de IA para decidir preço ou cobertura precisa ser explicável: se ninguém na empresa consegue dizer por que o modelo elevou o prêmio de um segurado específico, a empresa não tem como responder a um pedido de revisão.
Edney “InterNey” Souza atua com tecnologia desde 1990 como professor, palestrante e conselheiro em IA, dados e inovação. Participou da criação de sete startups ao longo da carreira. É professor na ESPM, Insper, PUCRS, USP e IBGC. É autor do livro gratuito Engenharia de Prompts na Prática: do Zero ao Avançado com ChatGPT, Gemini e Claude.
