IA em Sinistros: Checklist Ponta a Ponta

Quando um Diretor de Operações me pergunta como começar a aplicar inteligência artificial na jornada de sinistro, a primeira coisa que respondo é: você provavelmente já está aplicando, só não de forma intencional. A planilha que o analista usa para cruzar dados do segurado, o sistema legado que bloqueia acionamentos duplicados, a régua manual de alçada que o gerente montou há três anos. Tudo isso é lógica de triagem. O problema é que essa lógica não escala, não aprende e não detecta o que ela não foi programada para ver.

Em 2026, o mercado de auto no Brasil ainda tem uma fatia relevante de operações rodando exatamente assim: processos manuais costurados por analistas experientes, com alto custo por sinistro e tempo de regulação que facilmente ultrapassa dez dias úteis em casos complexos. A pressão da LC 213 sobre as proteções veiculares acelerou o debate sobre conformidade, mas a eficiência operacional ficou em segundo plano. É hora de colocar as duas coisas na mesma conversa.

O mapa da jornada antes de qualquer checklist

Antes de sair instalando ferramenta, o COO precisa ter clareza sobre onde cada ponto de fricção acontece. A jornada de sinistro de auto tem, grosso modo, cinco etapas sequenciais: abertura e registro, triagem e análise de risco, regulação técnica, decisão de pagamento e encerramento. A IA pode atuar em todas elas, mas o retorno operacional não é uniforme. Algumas etapas concentram a maior parte do custo; outras concentram a maior parte do risco de fraude.

O que vejo acontecer com frequência é a operação investir em automação na etapa de abertura, que é a mais visível para o segurado, e deixar a triagem e a regulação técnica no piloto automático humano. Resultado: o primeiro contato ficou rápido, mas o sinistro continua parado três, quatro, cinco dias esperando um analista ter disponibilidade para abrir o processo no sistema legado.

Por que a triagem é o ponto crítico

A triagem é onde fraude e custo se encontram. Um sinistro que passa pela triagem sem questionamento adequado carrega dois riscos simultâneos: o risco de ser uma fraude não detectada e o risco de ter dano mal estimado que vai gerar suplementação lá na frente. Ambos aumentam o custo final.

Modelos de scoring aplicados na triagem conseguem ranquear o sinistro por risco antes de qualquer analista tocá-lo. Isso não elimina o analista, elimina o tempo gasto analisando casos de baixo risco com o mesmo rigor dos casos de alto risco. A alçada automatizada para sinistros de risco baixo pode reduzir o tempo médio de regulação de forma expressiva, liberando a equipe técnica para os casos que realmente precisam de julgamento humano.

Checklist operacional: etapa por etapa

Com o mapa em mente, o checklist faz sentido. Não é uma lista de tecnologias para comprar. É uma lista de perguntas que o COO precisa conseguir responder com dados antes de dizer que a operação está usando IA de forma funcional.

Abertura e registro:

• A abertura por canal digital já captura fotos e documentos estruturados, ou o segurado manda arquivo de WhatsApp que alguém baixa manualmente?
• O sistema identifica automaticamente o veículo pelo chassi ou placa e puxa o histórico de acionamentos anteriores no momento do registro?
• Há validação automática de cobertura antes de gerar o número de sinistro, ou isso é feito depois, por um analista?

Triagem e análise de risco:

• Existe um score de risco gerado automaticamente para cada sinistro novo, com variáveis como perfil do segurado, histórico de acionamentos, tipo de evento e localização?
• O score é usado para definir alçada (auto-aprovação, análise padrão, análise especializada), ou é só um número que o analista consulta quando quer?
• Há cruzamento com bases externas de dados veiculares para validar informações do sinistro antes da regulação?

Regulação técnica:

• O regulador recebe o processo já com as informações consolidadas (fotos, documentos, score, histórico), ou monta o dossiê do zero?
• Existe um sistema que compara automaticamente os danos declarados com o histórico de reparo daquele veículo e com a tabela de referência de peças?
• Laudos e pareceres técnicos têm estrutura padronizada que permite extração automática de dados para análise posterior?

Decisão e pagamento:

• A aprovação de sinistros de baixo valor e baixo risco é automatizada, com registro de auditoria, ou toda decisão passa por aprovação manual?
• O sistema registra o motivo da decisão de forma estruturada (não em campo de texto livre), permitindo análise de padrões de aprovação e negativa?

Encerramento e retroalimentação:

• Os dados do sinistro encerrado retroalimentam os modelos de triagem e scoring, ou o ciclo fecha sem aprendizado?
• Existe relatório periódico que cruza sinistros pagos com sinistros que depois foram identificados como fraudulentos em outras bases?

Se você respondeu "não" ou "não sei" para mais da metade dessas perguntas, a operação ainda está na fase pré-IA funcional. E isso não é julgamento: é diagnóstico.

Onde a fraude se esconde quando o processo é manual

Essa lista toda não é só sobre eficiência. Cada lacuna operacional é também uma janela para fraude. E aqui a coisa fica interessante, porque o fraudador profissional conhece o processo da seguradora melhor do que muitos analistas novos.

O sinistro montado com premeditação geralmente explora dois pontos: a sobrecarga do analista e a falta de cruzamento de dados entre sistemas. Uma operação com triagem manual e alto volume de sinistros por analista inevitavelmente processa casos com pressa. Pressa significa menos cruzamento, menos questionamento, mais aprovação por pressão de tempo.

O papel do enriquecimento de dados na detecção

Inteligência artificial aplicada à detecção de fraude em sinistro de auto só funciona bem quando alimentada com dados ricos. Foto do veículo sinistrado com metadados de geolocalização, histórico de reparos em oficinas parceiras, dados de rastreamento quando disponíveis, histórico de transferências de propriedade, consultas a bases de veículos recuperados. Cada uma dessas fontes adiciona uma camada de verificação que o analista humano dificilmente consegue fazer manualmente em tempo hábil.

Uma APV de médio porte, com frota entre dois e cinco mil veículos associados, que começa a cruzar o histórico de sinistros com dados externos de propriedade veicular frequentemente descobre um padrão que não estava visível no sistema interno: veículos que trocaram de titular pouco antes de um acionamento de perda total, ou acionamentos múltiplos em janelas curtas de tempo para o mesmo chassi em diferentes associações. Esse tipo de cruzamento, feito manualmente, leva dias. Com enriquecimento automatizado, leva minutos.

Conformidade e LC 213 como acelerador, não obstáculo

A LC 213 trouxe às proteções veiculares a obrigação de estruturar processos de forma auditável. Para quem enxerga isso como custo de conformidade, é uma dor. Para quem entende que um processo auditável é, por definição, um processo com dados estruturados, é uma oportunidade de construir a base que a IA precisa para funcionar.

APVs que precisam demonstrar à SUSEP como tomam decisões de pagamento de sinistro precisam de registro estruturado de cada etapa do processo. Esse registro, bem feito, é exatamente o dataset que um modelo de scoring precisa para aprender. Conformidade e inteligência artificial não são coisas separadas nesse contexto: são duas faces do mesmo processo de maturidade operacional.

O que fazer na prática a partir de agora

Com tudo isso em mente, a ação mais inteligente agora não é contratar uma plataforma de IA e esperar que ela resolva o problema. A ação mais inteligente é responder ao checklist acima com honestidade e identificar as duas ou três lacunas que concentram mais risco e mais custo.

Na maioria das operações que conheço, o maior ganho imediato está na triagem: criar um score de risco básico, definir alçadas automáticas para sinistros de baixo risco e estruturar o dossiê que chega para o regulador. Isso não exige substituição de sistema legado. Exige uma camada de inteligência que senta sobre o processo atual, captura os dados relevantes e devolve uma recomendação estruturada.

O segundo passo, que normalmente vem três a seis meses depois, é retroalimentação: usar os resultados dos sinistros encerrados para calibrar os modelos de triagem. É aí que a curva de aprendizado começa a gerar retorno crescente.

Quem adiar essa construção vai enfrentar um mercado cada vez mais competitivo com uma operação cada vez mais cara. O fraudador não fica parado esperando a seguradora se modernizar. E o regulador, com a LC 213 em vigor, também não.

Se você quer entender onde sua operação está nessa curva e quais pontos do checklist merecem atenção prioritária, faz sentido conversar. O diagnóstico inicial custa menos do que um sinistro fraudulento que passou despercebido.