Gestor de sinistros — tarefas, uma a uma

Receber a participação

A recolha estruturada contra um documento de apólice é o caso ideal para a automatização: as perguntas são conhecidas de antemão, as respostas são verificáveis contra registos que a seguradora já tem, e uma resposta errada vem ao de cima de imediato em vez de anos depois. O próprio relatório anual da Lemonade afirma que, no final de 2023, em 98% das vezes o seu bot de sinistros recebe a primeira participação e paga ou recusa sem intervenção humana.

Esse valor é de uma seguradora direta ao consumidor que subscreve ramos particulares simples, e a frase seguinte do mesmo relatório diz que os sinistros que o bot não está autorizado a resolver, ou em que deteta motivos de preocupação, são encaminhados para especialistas humanos de sinistros. Por isso estabelece que a ponta da receção está automatizada naquela empresa, e não que o trabalho de sinistros já não precise de pessoas. Também nada diz sobre as seguradoras tradicionais a correr sistemas antigos, que são a maior parte do mercado em prémios.

Decidir se está coberto

Onde os factos estão limpos e a apólice é padrão, isto é aplicar regras e as máquinas fazem-no com coerência — com mais coerência do que uma pessoa cansada no fim de um turno. O que não se transfere é o caso em que os factos estão em disputa, porque decidir em que versão dos factos acreditar não é uma regra, e quem decide tem de responder por ter acreditado.

É um juízo sobre a estrutura do trabalho, e não uma medição de com que frequência os factos são disputados — e essa fatia difere enormemente consoante o ramo. Também não diz que coerente seja o mesmo que correto: uma regra aplicada com coerência a uma apólice mal escrita produz uma injustiça coerente.

Pôr um número na perda

A estimativa de danos a partir de fotografias e a valorização de peças são hoje comuns e genuinamente rápidas — o lado do custo desta tarefa encaixa bem num modelo treinado em milhões de reparações. O que resta é a discussão: uma oficina que diz que o orçamento é baixo demais, um lesado cujo bem não tem preço de mercado, e a decisão sobre quem absorve a diferença.

Nada diz sobre a exatidão em bens pouco habituais nem em mercados onde o fornecimento de peças é volátil, nem sobre se avaliações mais rápidas mudaram o que os sinistrados recebem. Nenhuma das duas coisas foi medida publicamente.

O sinistro que não encaixa

A automatização fica melhor nos casos que se parecem com casos anteriores, que é a definição do que aqui ela não consegue fazer. A exceção é além disso onde estão mesmo o dinheiro e a reputação de uma seguradora: um punhado de sinistros invulgares mal geridos custa mais do que milhares de rotineiros, e saber qual é o invulgar caro é critério sobre esta carteira concreta.

É um juízo sobre onde o risco está, e não uma medição de quantos sinistros são exceções. Também não afirma que as pessoas tratem bem as exceções — um gestor cansado em volume é exatamente a forma como um sinistro caro escapa.

Dizer não a alguém

Um sistema consegue produzir uma recusa; não consegue ser a parte que responde por ela. Na maioria dos mercados um sinistro recusado vem com direito a uma explicação, uma via de reclamação e um regulador, e cada uma dessas coisas precisa de uma pessoa a quem se possa perguntar porquê. Esta é a tarefa que transforma um departamento de sinistros de uma função de processamento numa função que responde.

O que fica protegido é haver quem responda, não o efetivo. Uma só pessoa pode responder por muitas recusas automáticas, e em vários mercados a própria explicação dada é um texto-tipo. O que fixaria o peso deste dever é uma ação de fiscalização contra uma seguradora por causa de uma recusa automática, que ainda não surgiu.

Detetar o sinistro inventado

Detetar padrões em toda uma carteira é algo que as pessoas não conseguem fazer de todo, por isso este é um dos casos mais claros em que a máquina acrescenta capacidade em vez de a substituir. O que continua humano é a decisão de agir sobre um alerta: acusar um cliente de fraude é um ato jurídico com consequências, e a confiança de um modelo não é prova.

Nada aqui mede os falsos positivos, que são o custo inteiro desta tarefa — um lesado assinalado por engano é uma pessoa acusada de um crime por um modelo estatístico. O desempenho na deteção de fraude também quase nunca é publicado pelas seguradoras, por isso isto assenta na forma do problema e não numa medição.