IA na Regulação de Sinistros: Como Seguradoras Estão Cabendo no Prazo de 30 Dias do Novo Marco Legal

Desde 10 de dezembro de 2025, os contratos de seguro firmados no Brasil estão sob a Lei 15.040/2024 — o novo Marco Legal dos Seguros. Entre as mudan��as, uma tem efeito operacional direto: a seguradora precisa concluir a regulação e a liquidação do sinistro em 30 dias contados do aviso, prazo que só pode ser estendido, até 120 dias, em casos de complexidade comprovada e devidamente justificada.

Não é uma meta interna de qualidade. É prazo legal, com consequências contratuais e reputacionais. E ele chega a um setor cujo benchmark operacional ainda está longe disso: levantamentos internacionais de 2026 apontam uma média de 40,7 dias entre o aviso de sinistro (FNOL, na sigla em inglês) e o pagamento final.

O gargalo não é a decisão — é o caminho até ela

Quando se cronometra uma esteira de sinistros, a constatação costuma incomodar: o tempo de análise propriamente dita — o julgamento técnico sobre cobertura, valor e responsabilidade — raramente passa de algumas horas. O resto é espera.

Espera por um documento que o segurado não sabia que precisava enviar. Espera porque o aviso caiu na fila do regulador errado e levou três dias para ser redirecionado. Espera porque o laudo veio em PDF escaneado e alguém precisa transcrevê-lo antes que o sistema o entenda. Espera porque o caso ficou parado em um lote de verificação antifraude que roda toda sexta-feira.

É exatamente aí — no transporte, na classificação e na leitura da informaç��o, não no julgamento — que soluções de IA para automação de processos têm entregado ganhos mensuráveis.

Quatro pontos onde a IA encurta a esteira

1. Triagem no momento do aviso. Modelos de linguagem leem o relato do segurado (texto, áudio transcrito ou formulário), extraem os campos estruturados, classificam tipo e gravidade do sinistro e o encaminham direto para a fila certa. Seguradoras que implantaram esse fluxo relatam queda do tempo entre FNOL e triagem de 4 a 8 horas para menos de 5 minutos.

2. Leitura de documentos. Boletins de ocorrência, laudos, notas fiscais e fotos deixam de ser anexos que alguém precisa abrir um a um e passam a ser dados. O efeito colateral mais relevante não é a velocidade: é a qualidade do cadastro inicial. Erros de dados no FNOL, tipicamente entre 15% e 25% em processos manuais, caem para menos de 5%.

3. Detecção de padrões suspeitos. No Brasil, esse é hoje o uso mais visível. Em vez de amostragens periódicas, o cruzamento de dados roda em tempo real sobre cada aviso, sinalizando o que foge do padrão. Pesquisa da CNseg indica que a IA já é realidade em cerca de 80% das empresas do setor no país, puxada sobretudo pela IA generativa.

4. Processamento direto (STP) nos casos simples. Sinistros de baixo valor e alta padronização — vidros, pequenos danos residenciais — podem ir do aviso ao pagamento sem toque humano. A régua realista de mercado: sair de cerca de 5% de straight-through processing para algo entre 15% e 25% dos casos elegíveis em 18 meses. Não é "tudo automático". É tirar da fila o que nunca precisou dela.

Os números — e a parte que raramente entra no slide

O caso mais documentado é o da britânica Aviva, que declara operar mais de 80 modelos de IA na área de sinistros. Segundo a companhia, a avaliação de responsabilidade em casos complexos encurtou em 23 dias, a precisão de roteamento subiu 30%, as reclamações de clientes caíram 65% e a economia em sinistros de automóvel passou de £60 milhões em um único ano.

Vale, porém, ler o outro lado do balan��o. A McKinsey aponta que seguradoras líderes em adoção de IA entregam retorno ao acionista cerca de seis vezes maior que o das retardatárias — mas, para 84% das companhias, o ganho de receita diretamente atribuível à IA não passa de 1%. Traduzindo para a linguagem do conselho: o retorno aparece primeiro em custo, ciclo e experiência do cliente — não em receita nova. Quem vende o projeto como alavanca de faturamento perde credibilidade no segundo trimestre.

O que a Lei 15.040 cobra da sua governança

Há uma ironia útil aqui: a mesma lei que aperta o prazo também aperta o dever de transparência. A recusa de cobertura precisa ser fundamentada e comunicada com clareza, e o segurado tem direito de conhecer os elementos que embasaram a decisão. Isso é incompatível com um modelo que devolve um escore sem explicação.

Três exigências práticas decorrem disso:

• Rastreabilidade por sinistro. Cada decisão automatizada precisa registrar qual modelo, qual versão, quais dados e quais regras a produziram — em formato auditável por reguladores e pelo Judiciário.
• Humano obrigatório na negativa. Automatize aprovação e encaminhamento; mantenha decisão humana revisada em recusas, sinistros de alto valor e casos com indício de fraude. Recusa automatizada sem revisão é passivo jurídico, não eficiência.
• Monitoramento de viés e de deriva. Modelos treinados em histórico de sinistros herdam o histórico. Medir taxa de negativa por perfil, região e canal deixou de ser exercício de ESG e virou controle de risco regulatório — inclusive sob a LGPD, que assegura ao titular o direito de revis��o de decisões automatizadas.

A leitura executiva é simples: o prazo de 30 dias transformou a automação da esteira de sinistros em questão de conformidade, não de eficiência. Mas a mesma automação que faz caber no prazo é a que precisa explicar, depois, por que decidiu o que decidiu. Quem implanta só a primeira metade ganha velocidade agora e a devolve em litígio depois. Estruturar essa rastreabilidade desde o desenho da esteira é o tipo de trabalho que endereçamos em projetos de consultoria em governança de IA para o setor de seguros.