Regulação da IA em seguros no Brasil e a exigência de explicabilidade

A leitura do mercado em uma frase

A regulação de IA em seguros no Brasil ainda não tem um livro de regras único, e é justamente por isso que explicabilidade e auditabilidade já estão sendo cobradas hoje, antes das regras prescritivas. A decisão automatizada de subscrição vive no cruzamento de três frentes vivas: a supervisão de conduta e prudencial da SUSEP, a LGPD aplicada pela ANPD, e o Marco Legal da Inteligência Artificial em tramitação no Congresso. Para uma seguradora de Seguros e Danos (P&C), a leitura prática é direta. Um score de risco ou uma recusa produzida por modelo precisa ser revisável e explicável quando solicitado.

Estado do mercado de Seguros e Danos

O mercado de Seguros e Danos cresce em dois dígitos por ano, mas a estrutura de governança das seguradoras não acompanha esse ritmo. Volume de prêmio, número de cotações automatizadas e a fatia de decisões tocadas por modelos de Machine Learning sobem mais rápido do que as funções de compliance, auditoria e governança de modelos que deveriam supervisioná-las. Esse descompasso é o pano de fundo estrutural de toda a conversa regulatória.

No lado regulatório, dois nomes concentram a atenção. A SUSEP, Superintendência de Seguros Privados, é o supervisor prudencial e de conduta do mercado, e conduz um sandbox regulatório para inovação em InsurTech, além de liderar o Open Insurance, que amplia portabilidade e compartilhamento de dados. A ANPD, Autoridade Nacional de Proteção de Dados, aplica a LGPD e tem sido o regulador brasileiro mais ativo em decisão automatizada e inteligência artificial. Até meados de 2026 não existe um normativo da SUSEP dedicado exclusivamente a IA na subscrição. As seguradoras operam sob expectativas baseadas em princípios, não sob um código pronto e específico.

O que está pressionando a subscrição

A primeira pressão vem da responsabilização algorítmica sob a LGPD. A Lei 13.709 de 2018, em seu Artigo 20, dá ao titular dos dados o direito de solicitar a revisão de decisões tomadas unicamente com base em tratamento automatizado de dados pessoais que afetem seus interesses, incluindo decisões destinadas a definir perfil pessoal, profissional, de consumo ou de crédito. O parágrafo primeiro do Artigo 20 exige que o controlador forneça, quando solicitado, informações claras e adequadas sobre os critérios e os procedimentos usados na decisão automatizada, observados o segredo comercial e industrial. Para o subscritor, isso significa que um score ou uma recusa automática tem de ser revisável e explicável a pedido.

A segunda pressão é de conduta e defesa do consumidor. O mandato de conduta da SUSEP e o arcabouço do Código de Defesa do Consumidor colocam a precificação e a recusa automáticas sob escrutínio de justiça e não discriminação. Um modelo que cobra prêmios muito diferentes para riscos semelhantes, sem uma justificativa explicável e baseada em risco, é uma exposição de conduta, não apenas de dados.

A terceira pressão é o próprio crescimento. Com prêmio e cotações crescendo em dois dígitos por ano, a IA é adotada para absorver o volume, o que concentra mais decisões em modelos e eleva o interesse supervisório sobre como esses modelos se comportam. A quarta vem da ANPD e do Marco Legal da IA. O PL 2338 de 2023 é construído sobre classificação por risco, transparência, supervisão humana e direitos de explicação e contestação. Subscrição e precificação são casos de uso de alto impacto sob essa lógica. A quinta pressão são os fluxos de dados do Open Insurance, que ampliam as fontes que alimentam modelos. Mais compartilhamento significa mais origens cujo uso precisa ser lícito sob a LGPD e explicável em qualquer decisão automatizada construída sobre elas.

Risco, fraude e a virada da IA

A esteira de cotação e subscrição em Seguros e Danos passa por recepção da submissão, leitura de documento, enriquecimento pelo corretor, avaliação de risco e fraude, precificação e decisão. Cada etapa é candidata a apoio de IA, e cada uma é também um ponto onde a decisão automatizada precisa permanecer explicável. Na leitura inteligente de documentos, modelos extraem e normalizam dados das submissões, e a exigência de governança é a proveniência: qual campo veio de qual documento, para que qualquer revisão posterior consiga rastrear a entrada.

No scoring de risco calibrado ao apetite, o Machine Learning avalia o risco contra o manual de subscrição e o apetite da seguradora. A demanda regulatória é que o score seja explicável. Um revisor, e o segurado quando solicitar, deve enxergar quais fatores moveram o resultado e confirmar que atributos protegidos ou discriminatórios por proxy não estão conduzindo a decisão de forma silenciosa. Na precificação dinâmica, o modelo precisa justificar o prêmio em bases de risco, e sob o parágrafo primeiro do Artigo 20 da LGPD os critérios e procedimentos devem ser explicáveis a pedido.

A fraude é a função mais sensível. CNseg e estudos de mercado estimam que parte relevante dos sinistros envolve fraude ou tentativa de fraude. A IA sinaliza anomalias muito mais rápido do que a revisão manual, mas uma sinalização de fraude que bloqueia ou atrasa um sinistro é uma decisão automatizada que o segurado pode pedir para revisar sob o Artigo 20 da LGPD. Por isso modelos de fraude precisam de explicabilidade, não só de acurácia: a seguradora tem de conseguir afirmar por que um sinistro foi sinalizado. A virada de fundo é de automação opaca para aumento governado. Um modelo que pontua bem mas não consegue se explicar é um passivo de compliance neste mercado.

Onde a WIR se posiciona

A WIR é a camada de IA do seguro, uma plataforma de IA externa que se assenta 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, portanto não carrega risco. A WIR automatiza a esteira de cotação e subscrição conforme a política de aceitação de cada seguradora, com Machine Learning calibrado ao apetite de risco e ao manual de subscrição. Esse desenho é o que torna o posicionamento compatível com a exigência regulatória que este texto descreve.

O ponto central para o tema desta página é a explicabilidade. Cada decisão da WIR é explicável e retorna uma trilha de auditoria completa, calibrada a uma política de subscrição documentada, não a uma caixa-preta. Os dados são criptografados em cada etapa e o tratamento segue a LGPD. No módulo Underwriter Intelligence, a esteira de cotação é automatizada conforme a política de risco da seguradora, com scoring de risco em tempo real, roteamento automático por apetite e exposição, e decisão que escala para um humano quando preciso, sempre com explicação. A revisão humana no fluxo é a ponte entre a decisão unicamente automatizada, que aciona o direito de revisão do Artigo 20, e uma decisão supervisionada e defensável.

A tração pública da WIR é conservadora e única: uma POC em execução com uma seguradora global no ramo de Transporte. O valor para o mercado não está em uma promessa de resultado, e sim no mecanismo. Uma camada de IA que pontua, precifica e sinaliza enquanto mantém cada decisão explicável e auditável, sobre o core existente em vez de substituí-lo, é exatamente o que a supervisão da SUSEP, a orientação da ANPD e o Marco Legal da IA apontam como o caminho.

Perspectiva

A direção é clara mesmo onde o texto final ainda não é lei. Uma lei nacional de IA baseada em risco está a caminho. O PL 2338 de 2023 avançou no Senado sobre classificação por risco, transparência, supervisão humana e direitos de explicação e contestação. Subscrição, precificação e sinistros ficam dentro da zona de alto impacto. Seguradoras que já produzem explicações e trilhas de auditoria tendem a absorver as regras com pouco impacto operacional, enquanto operações de modelos opacos enfrentam custo de retrofit.

A ANPD deve continuar afiando a aplicação da LGPD sobre decisões automatizadas, ancorada no Artigo 20, e a exigência prática de explicar critérios e oferecer revisão humana já é exigível hoje. A SUSEP tende a tratar governança de modelos, justiça e explicabilidade como parte de como supervisiona precificação e subscrição, via sandbox, Open Insurance e trabalho contínuo de conduta, em vez de esperar por um normativo isolado de IA. A implicação estratégica é sóbria. À medida que o volume segue crescendo mais rápido que o quadro de governança, a explicabilidade deixa de ser diferencial e passa a ser condição de entrada. As seguradoras mais preparadas serão aquelas cuja camada de IA é explicável e auditável por desenho, conforme a LGPD, e deixa o core no lugar.

Perguntas frequentes

Como a SUSEP e a LGPD tratam o uso de IA em seguros?

Não há normativo único de IA na subscrição, mas a SUSEP supervisiona conduta e a LGPD já se aplica às decisões automatizadas. A SUSEP, supervisor prudencial e de conduta, cobra justiça e não discriminação na precificação. A LGPD, no Artigo 20, dá ao titular o direito de pedir revisão de decisões tomadas unicamente com base em tratamento automatizado. Na prática, um score ou recusa por modelo precisa ser revisável e explicável quando solicitado.

O que significa explicabilidade em uma decisão de subscrição com IA?

Explicabilidade é a capacidade de mostrar quais fatores moveram um score, prêmio ou recusa, em bases de risco. Um revisor, e o segurado quando pede, precisa enxergar o que conduziu o resultado e confirmar que atributos protegidos ou proxies discriminatórios não decidem em silêncio. Sob o parágrafo primeiro do Artigo 20 da LGPD, os critérios e procedimentos da decisão automatizada devem ser explicáveis a pedido. Um modelo que pontua bem mas não se explica vira passivo de compliance.

Como a WIR garante trilha de auditoria nas decisões automatizadas?

Cada decisão da WIR é explicável e retorna uma trilha de auditoria completa, calibrada a uma política de subscrição documentada, não a uma caixa-preta. A WIR é a camada de IA externa sobre os sistemas atuais, com Machine Learning calibrado ao apetite de risco. Os dados são criptografados em cada etapa e o tratamento segue a LGPD. No módulo Underwriter Intelligence, a decisão escala para um humano quando preciso, sempre com explicação, o que torna a revisão defensável.

Os dados usados pela IA seguem a LGPD?

Sim. Na WIR os dados são criptografados em cada etapa e todo o tratamento segue a LGPD. A camada de IA opera sobre as fontes que a seguradora já usa e sobre os fluxos do Open Insurance, e cada origem precisa ter uso lícito e explicável em qualquer decisão automatizada construída sobre ela. O Artigo 20 da LGPD assegura ao titular a revisão de decisões unicamente automatizadas, e a WIR mantém cada decisão explicável e auditável para sustentar esse direito.

A WIR substitui o core para operar dentro da regulação?

Não. A WIR não substitui o core. É a camada de IA externa que se assenta sobre os sistemas que a seguradora já usa, sem migração e sem carga no TI, deixando o core no lugar. A WIR não é seguradora, corretora nem MGA, portanto não carrega risco. Ela automatiza a esteira de cotação e subscrição conforme a política de cada seguradora, com cada decisão explicável e auditável. A tração pública é uma POC com seguradora global no ramo de Transporte.