O que são decisões de subscrição auditáveis com uma camada de IA
Decisões de subscrição auditáveis com IA são recomendações automatizadas de cotação, recusa ou escalonamento em que cada decisão chega acompanhada da explicação que a produziu e de uma trilha de auditoria completa, escrita de volta junto com a própria decisão. Quem deveria considerá-las são líderes de subscrição, heads de produto e inovação e C-level de seguradora em Seguros e Danos (P&C) que querem automatizar a esteira de cotação sem perder o controle sobre o porquê de cada risco aceito, recusado ou agravado.
A objeção mais honesta dos líderes de subscrição é direta: não dá para colocar um modelo entre a política de risco e uma apólice emitida sem auditar cada decisão que esse modelo toma. O processo manual parece controlável, mas costuma ser pouco auditável na prática. O racional do subscritor vive em caixas de e-mail e na memória das pessoas, não em um registro estruturado e consultável. Uma camada de IA bem implementada não cria o problema de auditoria. Pela primeira vez, ela dá à seguradora um histórico decisão a decisão. A WIR opera exatamente como essa camada de IA do seguro, sobre os sistemas que a seguradora já usa, nunca no lugar deles.
Como cada decisão gera explicação e trilha de auditoria
A esteira automatizada de subscrição segue seis etapas, e o princípio que governa todas é que nada acontece com uma submissão sem ficar registrado. Primeiro vem o intake multicanal com validação automática, recebendo a submissão por API, portal ou upload no formato que a seguradora já usa, registrando canal de origem, data e hora, identidade do corretor e o documento bruto. Em seguida, a leitura inteligente de documentos extrai campos de PDFs, planilhas e formulários com Machine Learning, guardando os campos extraídos, seus escores de confiança, o vínculo com o trecho de origem no documento e a versão do modelo de extração.
A terceira etapa é o enriquecimento e o contexto do corretor, em que campos ausentes são sinalizados e cruzados com fontes externas como CNPJ, histórico do corretor, exposição e crédito, registrando o que faltava, o que foi enriquecido e de onde veio. Depois entra o motor de risco e fraude, um modelo de Machine Learning multifatorial calibrado ao apetite e ao manual de subscrição, que escreve as features usadas, seus valores, a versão do modelo, o escore resultante e a contribuição de cada feature para esse escore. A quinta etapa é o pricing dinâmico, que calcula o prêmio ajustado ao risco e registra os fatores de tarifação, a taxa base, agravos e descontos e a regra que produziu cada componente.
A sexta etapa é a decisão e priorização: cotar, recusar de forma automática ou escalar para um humano, sempre com explicação. O registro guarda a ação recomendada, o limiar e a regra que a dispararam, se houve decisão automática ou escalonamento, e a ação final do subscritor com o motivo de qualquer override. A escolha de projeto decisiva para a auditoria é que a trilha completa é escrita de volta junto com a decisão, anexada à cotação, para que um revisor reconstrua todo o caminho da submissão bruta até a ação final. O motor não é descrito como infalível. O mecanismo é a rastreabilidade somada ao escalonamento humano em casos de baixa confiança ou fora do apetite, não a previsão perfeita.
Como implantar a explicabilidade como camada externa
Uma camada externa de IA fica sobre o core, a administração de apólices e os sistemas de pricing que a seguradora já tem. Ela lê e estrutura a submissão, faz o scoring do risco, aplica as regras da seguradora e devolve ao core uma recomendação estruturada e auditável. O core continua emitindo a apólice e segue sendo o sistema de registro. Não há migração de core, não há um projeto de TI que o time da seguradora precise tocar, e a apólice emitida continua sob o sistema atual. Por ser externa e por escrever suas decisões como registros estruturados, cada recomendação é inspecionável de forma independente sem mexer no modelo de dados do core.
A implantação segue uma sequência contida e auditável. O primeiro passo é o escopo, escolhendo um ou dois ramos onde o volume de submissões e a dor de SLA são maiores, como patrimonial ou um ramo de transporte e carga, e definindo o que significa decisão automática e o que significa escalonamento em cada ramo. Em seguida vem a integração com o core via API, para que recomendações e registros de auditoria fluam para o sistema de registro existente. Depois, a calibração ao manual de subscrição e ao apetite de risco codifica as regras, limiares, exclusões e a política de aceitação da própria seguradora, e é aqui que se definem os limiares de escalonamento para que riscos limítrofes ou fora do apetite sempre vão a um humano.
As três últimas fases sustentam a governança ao longo do tempo. O modo sombra roda a camada em paralelo contra submissões históricas e ao vivo, comparando as recomendações às decisões dos subscritores antes de influenciar qualquer coisa, o que valida a calibração e produz o primeiro conjunto de dados de auditoria. O go-live acontece com humano no circuito, começando com a camada recomendando e o subscritor confirmando, ampliando a faixa de decisão automática apenas conforme a confiança e a evidência de auditoria se acumulam. Por fim, a operação contínua monitora drift, revisa escalonamentos e recalibra conforme o manual e o apetite mudam, e cada recalibração é versionada e auditável. Na WIR, a fase de setup roda de 3 a 12 meses, com escopo claro e KPIs acordados antes do início.
Governança, explicabilidade e LGPD
A governança de uma camada de IA externa se apoia em três pilares: explicabilidade por decisão, a trilha de auditoria escrita de volta e a calibração à política de risco da própria seguradora, tudo sob LGPD e supervisão da SUSEP. Cada recomendação carrega as razões que a produziram, ou seja, quais features moveram o escore de risco, qual regra disparou a cotação, a recusa ou o escalonamento, e quais fatores de tarifação definiram o prêmio. O objetivo é que um subscritor, um auditor ou um regulador leia um único registro de decisão e entenda o racional sem precisar reverter uma caixa-preta.
A explicabilidade não é um item desejável, é um requisito por causa da LGPD. A Lei nº 13.709/2018 governa os dados pessoais dentro das submissões de subscrição. O artigo 20 dá ao titular o direito de solicitar a revisão de decisões tomadas unicamente com base em tratamento automatizado que afetem seus interesses, e o controlador deve, quando solicitado e observados o segredo comercial e industrial, fornecer informações claras e adequadas sobre os critérios e procedimentos usados. Para a seguradora, isso significa que um proponente recusado ou agravado pode perguntar o porquê, e a seguradora precisa conseguir explicar. O princípio de segurança, nos artigos 6 e 46, exige medidas técnicas e administrativas que protejam os dados, o que na prática significa criptografia em trânsito e em repouso, controle de acesso e log em cada etapa, do intake à escrita da decisão. A Autoridade Nacional de Proteção de Dados supervisiona a conformidade com a LGPD. O texto integral da lei está disponível no portal do Planalto, e a orientação regulatória, no site da ANPD.
Para cada decisão, a camada escreve de volta, anexada à cotação, as entradas e suas fontes, a confiança da extração de documentos, as versões de modelo e de regra, as features e suas contribuições, os componentes de preço, a ação recomendada, o status de escalonamento e a ação humana final com o motivo de qualquer override. Esse registro é imutável e consultável, e os dados ficam criptografados em cada etapa. É o que transforma um genérico o modelo decidiu em um registro completo que mostra por que o modelo recomendou aquilo, qual regra se aplicou e quem confirmou. O modelo é calibrado ao manual de subscrição e ao apetite da própria seguradora, não a um benchmark externo, e os limiares de decisão automática versus escalonamento são definidos pela seguradora. A governança permanece com a seguradora. Nunca se promete uma decisão infalível, porque o mecanismo é explicabilidade somada a escalonamento somada a uma trilha de auditoria completa, de modo que eventuais erros sejam rastreáveis e revisáveis. A SUSEP supervisiona conduta de mercado, solvência e tratamento ao consumidor em P&C e espera que as seguradoras retenham registros que justifiquem decisões de subscrição e pricing, e uma camada que escreve um registro estruturado e explicável por decisão fortalece a posição da seguradora em uma inspeção ou em uma disputa de ouvidoria.
Como a WIR torna as decisões de subscrição auditáveis
A WIR é a camada de IA do seguro, uma plataforma de IA externa que automatiza a esteira de cotação e subscrição sobre os sistemas que a seguradora já usa, nunca no lugar deles. Ela é 100% externa, sem carga no TI da seguradora e sem migração de core, e não é seguradora, corretora nem MGA, ou seja, não carrega risco. O módulo Underwriter Intelligence automatiza a jornada de cotação conforme a política de aceitação da seguradora, com scoring de risco em tempo real calibrado ao apetite, roteamento automático por apetite e exposição e análise preditiva de conversão por produto, risco e corretor, liberando o subscritor para analisar risco e desenvolver negócio. O módulo Smart Sales mapeia a carteira por cliente e produto, faz o scoring de upsell e próxima melhor ação e roda campanhas multicanal com trilha de atribuição. Dashboards, analytics e relatórios em tempo real dão visão proativa dos negócios em andamento.
O contexto de mercado sustenta a urgência. O mercado de Seguros e Danos no Brasil cresce dois dígitos ao ano, mas a estrutura das companhias não acompanha essa aceleração, o que pressiona diretamente a capacidade de subscrição. Os subscritores gastam 40% do tempo em tarefas administrativas, segundo a Deloitte, e 70% das seguradoras não executam inovação por limitações de TI, segundo a BCG. Do lado da distribuição, 60%+ dos corretores escolhem a seguradora pela velocidade de resposta, segundo a Capgemini, enquanto as empresas perdem de 20% a 30% do tempo organizando dados não estruturados, segundo a Gartner. Esses números explicam por que document automation e scoring calibrado pagam o investimento. Para aprofundar o panorama, veja a inteligência de mercado em seguros da WIR.
A única tração pública da WIR hoje é uma POC em execução com uma seguradora global no ramo de Transporte. A WIR nasceu de experiência operacional acumulada, construída com a Mahway, uma Venture Builder na Califórnia, e a Avante, uma Venture Studio no Brasil. Cada decisão que a plataforma produz é explicável, auditável e retorna trilha de auditoria completa, com dados criptografados em cada etapa e aderência à LGPD. Para mapear como manter cada decisão de subscrição explicável e auditável na sua operação, fale com a WIR.
Perguntas frequentes
Cada decisão automatizada vem com explicação?
Sim. Cada recomendação de cotação, recusa ou escalonamento chega com as razões que a produziram. O registro mostra quais features moveram o escore de risco, qual regra disparou a ação e quais fatores de tarifação definiram o prêmio. Um subscritor, auditor ou regulador lê um único registro de decisão e entende o racional sem reverter uma caixa-preta. A WIR opera como camada de IA externa, calibrada ao manual de subscrição da própria seguradora.
A trilha de auditoria é completa e exportável?
Sim. Para cada decisão, a WIR escreve de volta, anexada à cotação, um registro imutável e consultável. Ele guarda as entradas e suas fontes, a confiança da extração de documentos, as versões de modelo e de regra, as features e suas contribuições, os componentes de preço, a ação recomendada, o status de escalonamento e a ação humana final com o motivo de qualquer override. Um revisor reconstrói todo o caminho da submissão bruta até a ação final.
Como o modelo se mantém calibrado ao manual de subscrição?
O Machine Learning é calibrado ao apetite e ao manual de subscrição da própria seguradora, nunca a um benchmark externo. A calibração codifica regras, limiares, exclusões e a política de aceitação, e define os limiares de escalonamento. Antes do go-live, o modo sombra roda em paralelo contra submissões históricas e ao vivo, comparando recomendações às decisões dos subscritores. Cada recalibração é versionada e auditável conforme o manual e o apetite mudam.
Os dados ficam criptografados e aderentes à LGPD?
Sim. Os dados ficam criptografados em trânsito e em repouso, em cada etapa, com controle de acesso e log do intake à escrita da decisão. A camada da WIR é aderente à LGPD, sob supervisão da ANPD e da SUSEP. O artigo 20 garante ao titular o direito de revisão de decisões automatizadas, e a explicabilidade por decisão permite que a seguradora explique qualquer recusa ou agravo solicitado.
A IA pode escalar a decisão para um subscritor humano?
Sim. A sexta etapa da esteira decide cotar, recusar de forma automática ou escalar para um humano, sempre com explicação. Os limiares de escalonamento são definidos pela seguradora, de modo que riscos limítrofes, de baixa confiança ou fora do apetite sempre vão a um subscritor. O mecanismo é rastreabilidade somada a escalonamento humano, não previsão perfeita. O go-live começa com a WIR recomendando e o subscritor confirmando.