A Liberty Mutual credita à integração profunda de inteligência artificial um salto de 42,8% no lucro líquido do segundo trimestre de 2026, que atingiu US$ 2,6 bilhões. Enquanto isso, a Manulife projeta US$ 717 milhões em valor gerado por IA até 2027. Mas o cenário contrasta com a realidade de 77% dos líderes de serviços financeiros, que, segundo a PwC, não conseguem medir retorno sobre seus investimentos em IA. O que separa o sucesso estrondoso do desperdício de capital?
A resposta está no modelo de adoção. A Liberty Mutual não tratou a IA como uma iniciativa isolada, mas como um componente estrutural dos fluxos de trabalho de subscrição, sinistros e atendimento, sustentado por validação de modelos, governança e supervisão humana. O resultado foi um incremento de 6% na receita, chegando a US$ 13,3 bilhões, com destaque para um assistente interno de IA generativa e um aplicativo de cotação conversacional lançado em maio. A lição é clara: a tecnologia, sem uma base de governança e integração transversal, tende a gerar resultados abaixo do esperado.
O modelo de IA embutida da Liberty Mutual e o roubo de cena da Manulife
A expansão da parceria de cinco anos da Manulife com a Microsoft oferece um modelo baseado em dados para implantação em larga escala. A seguradora está disponibilizando o Microsoft 365 Copilot para mais de 30 mil funcionários e implantando o Microsoft Agent 365 para governança corporativa. Os resultados já relatados impressionam: 30% de aumento de produtividade entre desenvolvedores que usam GitHub Copilot e a eliminação de mais de 400 mil tarefas manuais de triagem e indexação nas operações de sinistros nos EUA. A Manulife registrou aproximadamente US$ 213 milhões em valor corporativo de IA até o final de 2025 e projeta cerca de US$ 717 milhões até 2027, combinando programas de adoção com princípios de IA responsável estruturados em quatro pilares de governança.
Por que 77% dos investimentos em IA não entregam ROI mensurável?
A desconexão entre investimento e resultado, segundo a PwC, decorre do monitoramento de métricas erradas. Automatizar tarefas repetitivas só cria valor quando os funcionários são redirecionados para atividades de maior valor. As seguradoras que obtêm retornos mais claros monitoram indicadores como prêmios emitidos por subscritor, sinistros processados por regulador, tempos de resposta para cotações e receita por funcionário. O erro comum é medir apenas a automação de tarefas, esquecendo de estabelecer linhas de base de desempenho e metas financeiras claras antes da implantação. Empresas que adotam IA apenas para acompanhar concorrentes, sem essa estrutura, tendem a ficar para trás.
MMM impulsionado por IA reduz desperdício em publicidade e aumenta prêmios em 30%
Seguradoras que ainda dependem de atribuição baseada no último clique ou em regras fixas estão alocando mal orçamentos que podem chegar a centenas de milhões anualmente. Modelos de mix de marketing (MMM) modernos, alimentados por regressão bayesiana, pipelines de dados automatizados e IA agêntica, corrigem esse erro. As primeiras implementações relatam ganhos de 10% a 30% em prêmios incrementais com os mesmos orçamentos, desde que realocados corretamente. A chave é uma base de dados unificada de gastos por apólice, medição triangulada entre MMM, testes de incrementalidade e atribuição, e governança de modelos construída para resistir ao escrutínio regulatório desde o primeiro dia.
Auditabilidade de dados é o calcanhar de aquiles da IA nos seguros
A implantação de visão computacional e geração de dados sintéticos para reconciliar informações imobiliárias conflitantes — coordenadas divergentes, terminologia inconsistente e valores espaciais derivados — exige um nível crítico de transparência. Sem regras codificadas de obtenção de dados, como hierarquias de “fonte da verdade” e regras de recência, as decisões de risco podem ser distorcidas. Dados sintéticos ajudam a preencher lacunas de riscos emergentes, mas os processos usados para produzi-los e transformá-los precisam ser totalmente documentados. Sem uma trilha de auditabilidade, nem humanos nem IA conseguem determinar se um ponto de dados é adequado para a finalidade pretendida.
Fraude com IA: o novo ponto cego que exige modernização urgente
Com 99% das seguradoras relatando encontros com documentações de sinistros manipuladas ou alteradas por IA e apenas 32% confiantes em sua capacidade de detectar imagens deepfake, a pressão para modernizar a detecção de fraudes é real. A perícia em metadados — examinando datas de criação de imagens, dados de localização e carimbos de modificação de arquivos — oferece uma primeira linha de defesa escalável. Sistemas de pontuação repetíveis que sinalizam anomalias automaticamente e acionam revisões manuais ou no local estão sendo construídos, combinando tecnologia com treinamento de agentes e comunicação com os segurados para evitar criar atritos que desacelerem sinistros legítimos.
94% das pequenas empresas confiam em conselhos de seguros por IA
Os proprietários de pequenas empresas estão mais informados do que nunca. Uma pesquisa da ERGO NEXT com 501 empresários nos EUA revelou que 36% usaram ferramentas de IA para pesquisar seguros empresariais, superando os 31% que consultam um corretor primeiro. Impressionantemente, 94% confiam nas informações geradas por IA que recebem. Para corretores e seguradoras, isso sinaliza uma mudança na estratégia de engajamento: liderar com análises complexas de cobertura e construção de relacionamentos, em vez de educação básica. Os dados também revelam uma lacuna persistente: 25% das pequenas empresas não possuem seguro e 64% das que possuem cobertura estão subseguradas, com custo e confusão como principais barreiras.
Prontidão de dados: a prioridade urgente antes da IA
O CEO da Go Abacus, David Moscatelli, defende que a prioridade mais urgente das seguradoras é a prontidão dos dados, não a adoção da IA em si. Executivos que centralizarem e organizarem os dados institucionais primeiro estarão posicionados para capitalizar a precisão da IA na precificação de riscos e em previsões atuariais. Ele alerta que a cautela excessiva quanto à adoção de tecnologia é, por si só, um risco material. As oportunidades de curto prazo incluem vendas cruzadas auxiliadas por IA e a melhoria da explicabilidade da cobertura para reduzir o atrito no atendimento. A Go Abacus implanta infraestrutura de IA local para evitar o envio de dados sensíveis para plataformas de nuvem de terceiros.
Desvio de IA ameaça sinistros e subscrição com receita de US$ 1 tri
Com a receita de IA não monitorada projetada para disparar de US$ 150 bilhões para US$ 1 trilhão até 2028, o desvio de modelo (model drift) representa uma ameaça direta à precisão dos sinistros e à integridade da subscrição. Uma variação de 2% nas taxas de rejeição de sinistros pode sinalizar um problema grave. Para combatê-lo, as seguradoras devem realizar testes A/B para verificar a consistência das fontes de dados dos agentes de IA, construir “conjuntos de ouro” de casos de subscrição pré-revisados cobrindo casos de borda, variados tipos de risco e demografias, e rastrear versões de resultados. A supervisão humana dos fluxos de trabalho de IA continua sendo essencial em todo o processo.
Mantenha os humanos responsáveis no comando da IA
A abordagem mais produtiva para a adoção da IA é mapear primeiro os pontos de atrito — tarefas repetitivas, lentas ou de baixo julgamento — e depois implantar a IA nesses locais, mantendo as decisões finais com profissionais credenciados. Na Managing Success Insurance (MSI), a IA reduziu o tempo de resposta das cotações de portfólio imobiliário de quatro a cinco dias para menos de um dia, e a revisão de arquivos de risco residencial de alto padrão caiu de 20 a 30 minutos para poucos minutos, sem remover a aprovação do subscritor. Seguradoras que criam grupos internos de defensores da IA, formados por equipes de linha de frente em vez de comitês executivos, convertem o entusiasmo geral em melhorias operacionais testáveis mais rapidamente.
Incidentes químicos expõem lacunas na cobertura de poluição
Emergências recentes em usinas químicas em Washington e na Califórnia — incluindo a falha de um tanque que matou 11 pessoas e um incidente de superaquecimento que provocou evacuações em massa — estão motivando um renovado escrutínio sobre a cobertura de responsabilidade por poluição. A maioria das apólices de responsabilidade civil geral contém exclusões totais para poluição, embora muitas empresas expostas a produtos químicos não possuam cobertura autônoma para o risco. Apólices combinadas oferecem proteção parcial, mas compartilham limites agregados, deixando os segurados vulneráveis em grandes sinistros. Uma apólice autônoma para poluição fornece limites dedicados e a proteção mais ampla. Corretores têm agora uma oportunidade para auditar a cobertura existente dos clientes, identificar lacunas e iniciar conversas sobre tolerância ao risco antes que o próximo incidente ocorra.
A diferença entre o lucro de 43% e o investimento sem retorno não está na tecnologia em si, mas na estratégia de implantação — integração profunda, governança sólida, métricas corretas e, acima de tudo, responsabilidade humana. O mercado que aprende essa lição colhe os frutos; o que ignora, acumula risco.
