A leitura do mercado em uma frase
A detecção de fraude em seguros com IA no Brasil sai do sinistro e entra na subscrição, sinalizando anomalias na submissão antes da emissão, e não depois do pagamento. A fraude pressiona a sinistralidade no mercado de Seguros e Danos (P&C), e o ponto de cotação é onde ela entra. Mover a inteligência para esse ponto é o que muda o custo de combatê-la.
Estado do mercado de Seguros e Danos
O mercado brasileiro de Seguros e Danos cresce em dois dígitos por ano, puxado por automóvel, patrimonial, rural, transporte e responsabilidades. O problema é que a estrutura da operação não acompanha esse ritmo. O volume escalou pela distribuição digital e pelo canal do corretor. Os controles, a integração de dados e a capacidade de subscrição não escalaram na mesma proporção.
É nessa folga que a fraude se concentra. Fraude organizada e seleção adversa elevam o custo de sinistro, e contaminam a base de perdas usada para precificar. Quando o prêmio é calibrado sobre dados sujos, a precificação fica distorcida para todo mundo, não só para o caso fraudulento. Por isso a fraude é, antes de tudo, um problema de qualidade de dado e de decisão. Não apenas um problema de investigação.
A SUSEP publica mensalmente as estatísticas do mercado, segmentadas por ramo, e é a fonte canônica de prêmios e índices de sinistralidade. CNseg e FenSeg consolidam os números do setor. Para qualquer decisão de subscrição, a leitura relevante é menos a magnitude isolada da fraude e mais a velocidade com que ela atravessa uma esteira que cresceu sem ganhar controles na mesma medida.
O que está pressionando a subscrição
A distribuição digital amplia a superfície de ataque. À medida que cotação e emissão migram para portais e fluxos digitais, a jornada fica mais rápida, mas também mais fácil de manipular. Documentos adulterados, reuso de identidade, riscos forjados e valores declarados inflados entram já na cotação, antes que um subscritor humano veja qualquer coisa. Velocidade sem triagem inteligente vira exposição direta a fraude.
A fraude organizada agrava o quadro. Quadrilhas operam entre várias seguradoras, reaproveitando identidades, veículos, imóveis e padrões. Como cada seguradora enxerga apenas a própria fatia de dados, os padrões cruzados ficam invisíveis para uma carteira isolada sem inteligência compartilhada ou forte detecção interna de anomalias.
Os dados estão fragmentados. Segundo a Gartner, de 20-30% do tempo corporativo se perde organizando dados não estruturados, e na subscrição esse custo é direto. Core legado, repositórios de documentos separados, submissões de corretor em PDF e planilha livre, registros externos. Os sinais de fraude se espalham por esses silos, e um subscritor humano não os reconcilia na velocidade da cotação.
O crescimento supera a estrutura. Mais submissões por subscritor e prazos de resposta mais curtos vindos do corretor pressionam exatamente o controle que mais importa. Segundo a Deloitte, 40% do tempo do subscritor já é consumido por tarefas administrativas, e a triagem manual de fraude é o primeiro controle a ser enxugado sob pressão de volume. A conta fecha contra a seguradora. De acordo com a Capgemini, 60%+ dos corretores escolhem a seguradora pela velocidade de resposta, o que torna inviável combater fraude desacelerando a esteira inteira.
Risco, fraude e a virada da IA
Historicamente, o controle de fraude no Brasil se concentrou no sinistro. O aviso chega, um analista revisa, os casos suspeitos sobem para investigação. Isso é detecção depois do risco já aceito e da exposição já assumida. A virada em curso empurra a inteligência para cima, para o momento da subscrição, de modo que a anomalia é sinalizada na entrada da submissão, não só no pagamento.
Na prática, a IA e o Machine Learning leem a submissão do corretor, em PDF, formulário e planilha, e estruturam os campos automaticamente. Esse é também o primeiro checkpoint de fraude: documentos inconsistentes, valores que não batem e campos manipulados aparecem já no intake, em vez de serem digitados às cegas. Em seguida, o score multifator combina muitos sinais em uma única leitura. Valor declarado contra valor de referência, consistência de identidade e endereço, recorrência e histórico, integridade documental, sinais de canal e comportamento. Um conjunto de regras estáticas não captura o que esse score captura.
O score de risco roda calibrado ao apetite e ao manual de subscrição da seguradora. Uma submissão ao mesmo tempo anômala e fora de apetite é sinalizada com motivo claro, enquanto o negócio limpo e dentro de apetite flui mais rápido. O ponto crítico é que a saída não é uma recusa em caixa-preta. Cada sinalização carrega os fatores que a motivaram, produzindo uma trilha explicável e auditável. Isso importa para a decisão do subscritor, para a relação com o corretor e para as expectativas regulatórias sobre decisões automatizadas.
Há um custo dos dois lados que o ML calibrado endereça. Regras agressivas que sinalizam demais criam atrito com clientes honestos e com o corretor, travando cotações e derrubando conversão. O score multifator melhora a relação sinal-ruído. Menos falsos positivos no negócio limpo, foco mais nítido nos casos genuinamente anômalos. A LGPD governa os dados pessoais usados na subscrição e dá direitos sobre decisões automatizadas, então o modelo precisa nascer com base legal, lógica documentada e saída explicável. Explicabilidade aqui é controle de qualidade, não só item de conformidade.
Onde a WIR se posiciona
A WIR é a camada de IA do seguro. Sobre os sistemas que a seguradora já usa, nunca no lugar deles. É uma camada de inteligência 100% externa, sem migração de core e sem carga no TI da seguradora. A WIR não é seguradora, corretora nem MGA, e não carrega risco. O que ela faz é automatizar a jornada de cotação e subscrição segundo a política de aceitação de cada seguradora.
Para o tema da fraude, o componente central é o motor de risco e fraude. Um modelo de Machine Learning multifator, calibrado ao apetite e ao manual de subscrição, que lê a submissão já no intake e pontua anomalia e risco antes da emissão. Documento adulterado, valor inflado e padrão de recorrência são sinalizados na cotação, não depois da perda, que é estruturalmente mais caro. Cada sinalização retorna os fatores que a motivaram, em uma trilha explicável e auditável, com dados criptografados em cada etapa e em conformidade com a LGPD.
Esse motor opera dentro da esteira da WIR, ao lado do Underwriter Intelligence, que automatiza a jornada de cotação e faz roteamento por apetite e exposição, e do Smart Sales, que trabalha o lado da distribuição. A leitura de submissão, o enriquecimento, o motor de risco e fraude, a precificação e a decisão acontecem na mesma camada, sem um handoff extra de investigação para o negócio limpo. A tração pública é uma só, e conservadora: uma POC em execução com uma seguradora global no ramo de Transporte.
Perspectiva
A adoção de inteligência de risco e fraude com IA no mercado brasileiro de Seguros e Danos caminha para ser mais à montante, embarcada e explicável. O centro de gravidade migra da investigação pós-sinistro para a triagem no ponto de subscrição. A seguradora quer o alerta de fraude na entrada da submissão e na cotação, e não depois de um pedido de pagamento.
O score de fraude deixa de ser uma etapa separada de investigação e passa a integrar a mesma camada que lê a submissão e pontua risco contra apetite. Sem handoff extra e sem atraso para o negócio limpo. Como a migração de core é lenta, cara e arriscada, o caminho prático para a maioria das seguradoras é uma camada de IA externa que integra com o core existente, em vez de substituí-lo. É a abertura estrutural que a WIR endereça.
Explicabilidade e governança viram requisito de base, não diferencial. Empurradas pela LGPD, pela orientação da ANPD e pela supervisão da SUSEP, a saída explicável e auditável passa a ser linha de partida para qualquer decisão automatizada de subscrição. Modelos em caixa-preta não devem passar na revisão de governança. O sentido geral é claro: o mercado vai de detectar fraude depois da perda para pontuar risco e fraude no momento da subscrição, com uma camada de IA explicável, auditável e calibrada ao apetite, sobre o core que a seguradora já tem.
Perguntas frequentes
Como a IA detecta fraude já na etapa de subscrição?
A IA lê a submissão do corretor no intake e pontua anomalia antes da emissão, não depois do pagamento do sinistro. O motor de risco e fraude da WIR estrutura os campos automaticamente a partir de PDF, formulário e planilha, e nesse mesmo checkpoint sinaliza documentos inconsistentes, valores que não batem e campos manipulados. A anomalia aparece na entrada da cotação, onde combatê-la é estruturalmente mais barato do que após a perda.
Que sinais o motor de risco e fraude analisa?
O motor combina muitos sinais em uma única leitura multifator, em vez de aplicar regras estáticas. Avalia valor declarado contra valor de referência, consistência de identidade e endereço, recorrência e histórico, integridade documental, e sinais de canal e comportamento. Esse score multifator melhora a relação sinal-ruído, com menos falsos positivos no negócio limpo e foco mais nítido nos casos genuinamente anômalos que merecem revisão.
A detecção de fraude por IA é explicável e auditável?
Sim. A saída nunca é uma recusa em caixa-preta. Cada sinalização do motor de risco e fraude da WIR carrega os fatores que a motivaram, produzindo uma trilha explicável e auditável. Isso atende à decisão do subscritor, à relação com o corretor e às expectativas da LGPD sobre decisões automatizadas, com dados criptografados em cada etapa. Explicabilidade aqui é controle de qualidade, não apenas item de conformidade.
O motor de fraude fica calibrado ao apetite da seguradora?
Sim. O score de risco roda calibrado ao apetite e ao manual de subscrição de cada seguradora. Uma submissão ao mesmo tempo anômala e fora de apetite é sinalizada com motivo claro, enquanto o negócio limpo e dentro de apetite flui mais rápido. Como é Machine Learning multifator, e não um conjunto de regras agressivas, reduz o atrito com clientes honestos e com o corretor sem afrouxar o controle de fraude.
A WIR substitui o core para detectar fraude?
Não. A WIR é a camada de IA do seguro, uma camada de inteligência 100% externa sobre os sistemas que a seguradora já usa, nunca no lugar deles. Não há migração de core nem carga no TI. O motor de risco e fraude opera ao lado do Underwriter Intelligence dentro da esteira da WIR. A única tração pública é uma POC em execução com uma seguradora global no ramo de Transporte.