Quando uma seguradora automatiza a subscrição, cada cotação, recusa e roteamento passa a ser decidido por um modelo, e a pergunta do regulador, do ressegurador e do próprio comitê de risco muda de "o modelo acerta?" para "consigo explicar e auditar o que ele decidiu?". Observabilidade de decisões de IA no seguro é a resposta a essa segunda pergunta. Não se trata de acompanhar acurácia em um painel, e sim de saber, para cada caso, por que o score saiu como saiu, qual política de aceitação foi aplicada e onde a decisão divergiu do apetite de risco definido pela seguradora. A WIR Innovation trata isso como requisito, não como recurso opcional: a plataforma é uma camada de IA externa, sobre os sistemas que a seguradora já usa, e devolve para o core uma trilha de auditoria completa a cada decisão, com o Machine Learning calibrado ao apetite de risco e ao manual de subscrição. É assim que a auditabilidade da subscrição automatizada deixa de ser uma promessa e vira um registro que o subscritor, o auditor e o regulador conseguem inspecionar.
A subscrição automatizada responde a uma conta concreta. Segundo a Deloitte, os subscritores gastam 40% do tempo em tarefas administrativas, tempo que sai da análise de risco. Quando a IA assume a triagem das submissões e o score inicial, esse tempo volta para a decisão de risco. O efeito colateral é que a decisão deixa de ter um autor humano óbvio. Antes, havia um nome no parecer. Agora há um modelo, uma versão e uma política de aceitação. Auditar passa a depender de a plataforma registrar tudo isso por conta própria, em cada caso, e não de alguém reconstruir a decisão de memória semanas depois.
Uma trilha de auditoria que ninguém consegue ler na hora certa não é governança. É custo de armazenamento.
Acurácia média não audita um caso
O hábito herdado da ciência de dados é olhar a qualidade do modelo no agregado: acurácia, AUC, a média do book. Esses números dizem se o modelo é bom em média. Não respondem à pergunta que chega à mesa do subscritor. Quando um corretor questiona uma recusa, ninguém quer a AUC da carteira. Quer saber por que aquela submissão foi recusada, qual regra de apetite pesou e se a decisão seguiu a política vigente naquele dia. Observabilidade de decisão começa no caso individual e reconstrói a cadeia que levou ao resultado. É o oposto do painel que só mostra a média.
A trilha de auditoria por decisão
Para cada cotação, recusa, roteamento ou escalonamento, a trilha registra o que permite reabrir a decisão sem ambiguidade. Quais campos foram lidos da submissão e de quais fontes vieram o enriquecimento e a checagem de CNPJ. Qual versão do modelo decidiu e qual manual de subscrição estava ativo. Que score saiu, com que probabilidade, e qual faixa de apetite ele tocou. Qual ação a plataforma tomou, cotar, declinar ou escalar para um humano, e por quê. E o retorno para o core, com o registro escrito de volta no sistema de apólices.
Esse conjunto é o artefato sobre o qual todo o resto se apoia. Sem ele, explicar uma decisão vira reconstrução de memória. A arquitetura dessa trilha e como ela se conecta ao sistema que a seguradora já opera estão em decisões de subscrição auditáveis e em como integrar a camada de IA ao core.
Explicabilidade do score: o que o subscritor precisa ver
Registrar a decisão não basta se a explicação só faz sentido para quem treinou o modelo. O subscritor precisa ver, na linguagem do manual, quais fatores moveram o score para cima ou para baixo. Sinistralidade do segmento, exposição declarada, histórico do corretor, divergências na documentação. Com isso na tela, ele concorda, ajusta ou sobrepõe a decisão com um motivo registrado. Explicabilidade aqui vai além de um gráfico de importância de variáveis. Significa que o humano responsável consegue defender aquela decisão diante de um auditor, com as mesmas informações que o modelo usou. Como ir além de uma única técnica de atribuição está em explicabilidade que vai além do SHAP.
Divergência entre a decisão e o apetite de risco
O sinal decisivo para uma seguradora é a distância entre o que a máquina decidiu e o apetite de risco que ela definiu. Drift estatístico em abstrato importa menos do que esse desvio concreto. Toda vez que uma aceitação automática fica fora da política, ou que o preço sai abaixo da faixa do manual, isso precisa aparecer, segmentado por produto, por canal e por faixa de exposição. Esse acompanhamento mantém a automação dentro do mandato dado pelo comitê de risco, em vez de descobrir o desvio no loss ratio meses depois.
A taxa de sobreposição do subscritor é o termômetro mais direto. Quando ela sobe num segmento, algo mudou, no perfil das submissões, na política ou no próprio modelo. Manter uma fração das decisões sob revisão humana cega e medir a concordância serve ao mesmo fim. Esses dois sinais, divergência contra apetite e concordância humana, são instrumentação que nenhuma ferramenta genérica entrega pronta, porque dependem do book e da política de cada seguradora.
O que o auditor, o regulador e o ressegurador conseguem inspecionar
A mesma trilha serve a três leitores com perguntas diferentes. O auditor, interno ou externo, amostra decisões e pede a cadeia completa de cada uma, input, versão, política e motivo. O que ele certifica é a consistência entre o que foi decidido e o que a política mandava. O regulador olha a governança da decisão automatizada. Se há rastreabilidade, se o tratamento de dados respeita a LGPD, se o critério não introduz discriminação indevida. O tema de regulação de IA no seguro está tratado em regulação de IA no seguro e a SUSEP. O ressegurador quer saber como o risco foi selecionado e precificado ao longo da carteira, e se a seleção bate com o apetite declarado no contrato. Um registro por decisão responde aos três sem parar a operação para montar relatório a cada pedido.
Governança de dados e decisão automatizada
Auditabilidade e proteção de dados são a mesma disciplina vista de dois ângulos. Cada decisão registrada carrega dados sensíveis de risco, e a trilha só é defensável se esses dados forem cifrados em cada etapa e tratados conforme a LGPD. A camada de IA da WIR opera sobre os sistemas atuais sem migrar o core, o que também importa para governança. O dado não é copiado para um ambiente paralelo opaco. A decisão é escrita de volta no sistema de apólices com o seu registro. Isso pesa porque, segundo o BCG, 70% das seguradoras não executam inovação por limitação de TI. Uma camada externa, que não exige reescrever o core, é o que torna a auditabilidade viável sem um projeto de migração que a área de tecnologia não tem como absorver.
Onde a maioria trava
O ponto de trava raramente é técnico. A trilha existe, ou pode ser construída com esforço razoável. O que falta é dono e cadência. Uma operação em que alguém da tecnologia abre o registro só quando há reclamação não captura divergência de apetite a tempo. Captura quem coloca subscrição, risco e compliance olhando as divergências juntos, num ritmo definido. Diário para os alertas de desvio e de custo. Semanal para a taxa de sobreposição e a concordância humana. Mensal para o loss ratio segmentado por nível de automação. Trimestral para a auditoria estendida, com revisão de sobreposições por motivo e análise de viés por segmento. A trilha que ninguém revisa não protege a seguradora. Vira um arquivo que só fala quando o prejuízo já apareceu.
Observabilidade de decisões de IA é, no fundo, o que separa a operação que automatiza e consegue defender cada decisão da que automatiza e torce para que ninguém pergunte. A divisão entre modelo estatístico e motor de regras, que precisa ser monitorada em separado, está em LLMs não substituem motores de regras. Construir a trilha custa. Não extrair sinal dela custa mais, porque é pagar pela auditoria e ficar sem a defesa.
Referências e leituras
- Lei Geral de Proteção de Dados (LGPD) · base legal do tratamento de dados no Brasil
- SUSEP, regulador de seguros no Brasil · supervisão do mercado segurador
- Decisões de subscrição auditáveis · a arquitetura da trilha por decisão
- Explicabilidade que vai além do SHAP · como tornar o score defensável
- Regulação de IA no seguro e a SUSEP · governança da decisão automatizada
- LLMs não substituem motores de regras · a arquitetura híbrida que precisa ser monitorada
Perguntas frequentes
O que é observabilidade de decisões de IA na subscrição de seguros?
É a capacidade de auditar cada decisão automatizada de cotação, recusa ou roteamento, e não apenas de acompanhar a acurácia média do modelo num painel. Para cada caso, fica registrado por que o score saiu como saiu, qual política de apetite foi aplicada e onde a decisão divergiu do que a seguradora definiu. É isso que torna a subscrição automatizada defensável diante do subscritor, do auditor e do regulador.
Como auditar uma decisão de subscrição feita por IA?
Pela trilha de auditoria que a plataforma registra em cada decisão. Ela guarda os campos lidos da submissão, as fontes de enriquecimento, a versão do modelo, o manual de subscrição ativo, o score e a faixa de apetite que ele tocou, a ação tomada e o registro escrito de volta no core. Com esse conjunto, qualquer decisão pode ser reaberta sem depender de reconstrução de memória.
O que o regulador, o auditor e o ressegurador conseguem inspecionar?
A mesma trilha responde aos três. O auditor amostra decisões e confere se cada uma seguiu a política vigente. O regulador verifica a governança da decisão automatizada, a rastreabilidade e a conformidade com a LGPD. O ressegurador analisa como o risco foi selecionado e precificado ao longo da carteira e se a seleção bate com o apetite declarado em contrato.
A camada de IA da WIR substitui o subscritor ou o core da seguradora?
Não. A WIR é uma camada de IA externa, sobre os sistemas que a seguradora já opera, sem migrar o core. O Machine Learning é calibrado ao apetite de risco e ao manual da seguradora, e cada decisão volta para o sistema de apólices com a trilha de auditoria. O subscritor segue no comando das exceções e dos casos escalados, com explicação para concordar ou sobrepor.