O que é escalonamento humano na subscrição automatizada com uma camada de IA
O escalonamento humano na subscrição automatizada de seguros é o mecanismo que decide, caso a caso, quando a esteira de IA deve parar de decidir sozinha e enviar o risco a um subscritor. Numa subscrição automatizada bem desenhada, a maioria das propostas pode ser cotada ou recusada em segundos. O que importa de verdade são os casos que a máquina não deveria resolver sem um humano, e o escalonamento é a superfície de controle que separa esses dois mundos.
Esse não é um sinal de falha da automação. É justamente o que permite à seguradora automatizar de forma agressiva o volume simples e reservar o julgamento do subscritor para os riscos complexos, de alta exposição ou ambíguos. É também a resposta direta ao medo executivo mais comum quando se fala em automatizar a subscrição, o de perder o controle do risco. O humano segue responsável pelas decisões que carregam risco, e fica livre das tarefas administrativas que não carregam nenhum.
A lógica de escalonamento vive numa camada de IA externa, sobre os sistemas que a seguradora já usa, calibrada ao manual de subscrição e ao apetite de risco. A camada nunca vira o sistema de registro. O core, a emissão e os relatórios regulatórios permanecem onde estão. Vale a pena considerar esse desenho quando a seguradora processa volume alto de cotações em um ou mais ramos e quer ganhar velocidade sem abrir mão da responsabilidade técnica sobre os riscos que merecem um olhar humano.
Como funciona o escalonamento humano de ponta a ponta
A jornada automatizada de cotação e subscrição roda em etapas, e cada etapa produz saída estruturada e um registro na trilha de auditoria. Primeiro vem o intake multicanal, que captura propostas de e-mail, portal do corretor, API ou upload e as normaliza em um caso único. Em seguida, a leitura inteligente de documentos extrai os campos da proposta e dos anexos, transformando PDF e planilha em dados estruturados e sinalizando campos ausentes ou de baixa confiança. Depois, o caso é enriquecido com dados de corretor e de terceiros, pontuado pelo modelo de risco, avaliado pelo motor de risco e fraude calibrado ao apetite, e precificado quando está dentro da política de aceitação. Por fim, o caso é roteado para uma de três saídas: cotação automática, recusa automática ou escalonamento para um subscritor humano.
O escalonamento dispara quando um ou mais gatilhos defensáveis acionam. A complexidade é um deles: risco fora do padrão, programa multi-localização, cobertura sob medida ou um ramo que o modelo trata com baixa certeza. Os limites de exposição são outro: importância segurada ou exposição agregada acima de um teto configurado, ou acima da alçada de um subscritor, com riscos maiores roteados para a subscrição sênior conforme a linha de alçada do manual. A baixa confiança do modelo também escala o caso. Quando a confiança no preço ou na recomendação cai abaixo de um limiar calibrado, a máquina prefere deferir a adivinhar, o padrão central do human-in-the-loop descrito na literatura sobre human-in-the-loop. Dados ausentes ou conflitantes, sinais de fraude ou anomalia e riscos na borda do apetite completam o conjunto de gatilhos.
O valor do escalonamento se perde se o subscritor recebe um arquivo cru, sem contexto. Por isso o handoff é enriquecido. Ao escalar, o subscritor recebe os dados estruturados com a procedência de cada campo, o racional do modelo em forma legível com os fatores e sinais que levaram ao score, a razão específica do escalonamento como exposição acima da alçada ou confiança abaixo do limiar, os alertas de fraude e validações que falharam, e a trilha de auditoria completa de cada passo automatizado. Há ainda a fila do subscritor, que organiza por prioridade os casos que de fato exigem julgamento.
O subscritor faz então o que só um humano deveria fazer: aplica julgamento, aceita, ajusta, precifica ou recusa, e essa decisão humana também é registrada. É isso que significa, na prática, liberar o subscritor para a análise de risco real. Pesquisa de mercado da Deloitte aponta que cerca de 40% do tempo do subscritor é consumido por tarefas administrativas, e é exatamente essa fatia que a camada absorve. O controle não se perde, porque o humano segue responsável por toda decisão que carrega risco real, com visibilidade total de por que a máquina roteou o caso até ele.
Como implantar a camada externa de IA com escalonamento humano
A implantação de uma camada externa de subscrição automatizada segue um caminho pragmático e faseado. Começa pelo escopo: um ou dois ramos de alto volume de propostas e com manual de subscrição claro, definindo o que significam cotação automática, recusa automática e escalonamento para aquele recorte. Em seguida vem a integração com o core, por API, portal ou upload, para ler as propostas e gravar de volta cotações e decisões, sem nenhuma mudança no sistema de registro. Não é uma migração de core nem um projeto de TI que o time da seguradora precisa tocar.
O passo que torna o modelo realmente da seguradora é a calibração ao manual e ao apetite. Aqui se codificam as regras, os limites de alçada, os tetos de exposição e as fronteiras de aceitação, e se definem os limiares de confiança que governam o escalonamento. Depois vem o teste em shadow contra propostas históricas e em produção, comparando as recomendações e o roteamento da máquina com as decisões dos subscritores, ajustando os limiares para que o volume de escalonamento caiba na capacidade de subscrição disponível.
O go-live costuma ser progressivo. A camada começa recomendando enquanto um humano confirma, e a faixa de decisão automática se alarga à medida que a confiança é conquistada. Na operação contínua, monitoram-se desempenho do modelo, taxas de escalonamento e desvio de decisão, com recalibração conforme o apetite, a experiência de sinistros e o manual evoluem. Esse ritmo importa porque parte da pressão vem da escala do mercado. Seguros e Danos (P&C) cresce em dois dígitos ao ano, e mais propostas por subscritor, com a mesma equipe, agrava o peso administrativo. A pesquisa da BCG aponta que 70% das seguradoras não executam inovação por limitações de TI, e uma camada externa contorna esse gargalo sem tocar no core. Na WIR, o setup é um trabalho de escopo fixo que roda de 3 a 12 meses, com KPIs acordados antes do início.
Governança, explicabilidade e LGPD
A subscrição automatizada no Brasil opera sob a LGPD (Lei nº 13.709/2018) e sob a supervisão da SUSEP sobre o mercado de seguros. O ponto de partida da governança é o direito à explicação de decisões automatizadas. O Art. 20 da LGPD assegura ao titular o direito de solicitar a revisão de decisões tomadas unicamente com base em tratamento automatizado que afetem seus interesses, inclusive sobre perfil de risco. Para a subscrição, isso significa que toda cotação, recusa e a base da decisão precisam ser explicáveis e revisáveis. O caminho de escalonamento humano e o racional do modelo registrado são exatamente o que torna esse requisito operável.
A auditabilidade é o segundo pilar. Cada passo automatizado e cada escalonamento deve deixar uma trilha: que dados foram usados, o que o modelo recomendou e por quê, qual gatilho escalou o caso e o que o humano decidiu ao final. Essa trilha atende tanto ao direito de revisão da LGPD quanto às expectativas de supervisão da SUSEP. Sobre os dados, a LGPD em seus princípios de finalidade, necessidade e segurança exige proteção em cada etapa, com os dados, inclusive pessoais e sensíveis, criptografados em trânsito e em repouso e sob controle de acesso.
A explicabilidade é mais forte quando o modelo reflete o manual de subscrição e o apetite documentados da própria seguradora, de modo que qualquer decisão possa ser rastreada até a política declarada, e não a uma regra externa opaca. A SUSEP regula e supervisiona o mercado de Seguros e Danos e tem avançado uma agenda de open insurance e inovação, incluindo seu Sandbox regulatório, o que eleva, e não reduz, a régua de decisões automatizadas rastreáveis e bem governadas. A postura de governança para o escalonamento humano é direta: automatizar com confiança, escalar com transparência, registrar tudo e manter o humano responsável pelas decisões que carregam risco.
Como a WIR faz o escalonamento humano na subscrição
A WIR é a camada de IA do seguro, uma camada externa que se posiciona sobre os sistemas que a seguradora já usa, nunca no lugar deles. Ela não é seguradora, corretora nem MGA, e não carrega risco. Automatiza a jornada de cotação e subscrição segundo a política de aceitação da própria seguradora, com Machine Learning calibrado ao apetite de risco e ao manual de subscrição. Por ser 100% externa, não impõe carga ao TI da seguradora e não exige migração de core.
O escalonamento humano é o coração do módulo Underwriter Intelligence. Ele faz o scoring de risco em tempo real calibrado ao apetite, decide de forma automática com roteamento por apetite e exposição, e escala para o humano quando um gatilho aciona, sempre com explicação e trilha de auditoria. O subscritor recebe o caso enriquecido com o racional do modelo e a razão do escalonamento, na fila de prioridade, para aplicar julgamento onde ele muda o resultado. O módulo ainda traz análise preditiva de conversão por produto, risco e corretor, e conversa com o Smart Sales, a inteligência de distribuição, e com os dashboards e analytics em tempo real que dão visão proativa do pipeline.
Toda decisão da camada é explicável, auditável e retorna uma trilha de auditoria completa, com os dados criptografados em cada etapa e em conformidade com a LGPD. A tração pública atual da WIR é uma POC em execução com uma seguradora global no ramo de Transporte. Para discutir como o escalonamento humano se encaixaria no seu manual de subscrição, fale com a WIR.
Perguntas frequentes
Quando um risco escala para um subscritor humano em vez de decisão automática?
Um risco escala quando aciona um gatilho defensável: complexidade fora do padrão, exposição acima do teto ou da alçada, baixa confiança do modelo, dados ausentes ou conflitantes, sinais de fraude, ou riscos na borda do apetite. Quando a confiança no preço ou na recomendação cai abaixo de um limiar calibrado, a camada de IA prefere deferir a adivinhar. Casos simples seguem em cotação ou recusa automática, e o subscritor recebe apenas o que exige julgamento real.
O subscritor recebe o racional do modelo e a trilha de auditoria no escalonamento?
Sim. No handoff enriquecido da WIR, o subscritor recebe os dados estruturados com a procedência de cada campo, o racional do modelo em forma legível com os fatores que levaram ao score, a razão específica do escalonamento, os alertas de fraude e a trilha de auditoria completa de cada passo automatizado. O caso chega na fila de prioridade. Isso evita o arquivo cru sem contexto e permite aplicar julgamento onde ele muda o resultado.
O escalonamento humano substitui o core da seguradora?
Não. O escalonamento humano vive numa camada de IA externa, sobre os sistemas que a seguradora já usa, nunca no lugar deles. A WIR não é seguradora, corretora nem MGA, e não carrega risco. O core, a emissão e os relatórios regulatórios permanecem onde estão. Por ser 100% externa, a camada não impõe carga ao TI da seguradora e não exige migração de core. A integração ocorre por API, portal ou upload.
Como o escalonamento respeita o apetite e o manual de subscrição?
A lógica de escalonamento é calibrada ao manual de subscrição e ao apetite de risco da própria seguradora. Na calibração, codificam-se as regras, os limites de alçada, os tetos de exposição e as fronteiras de aceitação, e definem-se os limiares de confiança que governam o escalonamento. Assim, qualquer decisão pode ser rastreada até a política declarada da seguradora, e não a uma regra externa opaca. Toda decisão é explicável, auditável e em conformidade com a LGPD.
É possível ajustar os gatilhos de escalonamento por produto e exposição?
Sim. Os gatilhos são configuráveis por ramo, produto e nível de exposição. Tetos de importância segurada, linhas de alçada e limiares de confiança definem o que decide a máquina e o que vai ao subscritor, com riscos maiores roteados para a subscrição sênior. No teste em shadow contra propostas históricas, os limiares são ajustados para que o volume de escalonamento caiba na capacidade de subscrição disponível, e recalibrados conforme o apetite e a experiência de sinistros evoluem.