Em agosto, a Febraban Tech reuniu os principais bancos do país em torno de uma pergunta que já não é sobre canais digitais: como aplicar inteligência artificial em escala, com controle e impacto mensurável. Em novembro, o CQCS Inovação coloca o mercado segurador diante das mesmas questões. Ecossistemas distintos, agenda convergente — dados, decisão, fraude, distribuição e governança.
Os números e o que eles não dizem
Os bancos projetam R$ 50,4 bilhões em tecnologia em 2026, alta de 8% sobre 2025 e de 58% em cinco anos, e 84% atribuem prioridade média ou alta à IA generativa (Febraban/Deloitte). Em Seguros, o levantamento CNseg/EY projeta R$ 2,6 bilhões em IA em 2026, ante R$ 2,3 bilhões em 2025, com 80% das seguradoras já usando IA em algum processo. Nos dois mercados, a pergunta deixou de ser se a tecnologia funciona e passou a ser onde aplicá-la, como governá-la e quais processos redesenhar antes.
O setor de seguros não começa do zero: séries históricas amplas, modelagem de risco consolidada, conhecimento técnico especializado e uma cultura de decisões que precisam ser justificadas — exatamente os ativos que a próxima etapa da IA exige. Esses ativos, porém, não viram vantagem competitiva sozinhos. Enquanto os dados seguem fragmentados, as regras vivem no conhecimento das pessoas e os processos dependem de plataformas legadas, o que existe é potencial, não capacidade instalada. Daí a ordem dos fatores: antes de incorporar IA, reorganizar os processos que ela vai operar — começando por subscrição, sinistros, fraude ou retenção, onde já existam dados disponíveis, regras estruturadas e risco controlável.
Três movimentos
Agentes exigem governança operacional. Assistentes evoluíram para fluxos que consultam dados, executam tarefas e coordenam etapas, o que desloca a governança do modelo para o desenho operacional. Quando a tecnologia influencia preço, aceitação, cobertura ou regulação de sinistro, avaliar o modelo não basta: é preciso definir quem supervisiona, o que exige intervenção humana e como auditar. Registros de decisão, limites de autonomia e mecanismos de reversão entram na arquitetura desde o início, não quando chega o primeiro questionamento de auditoria ou de regulador.
Fraude exige leitura mais sofisticada. Com documentos, imagens e identidades sintéticas em circulação, um sinistro decidido por regra estática e histórico declarado fica exposto: fotos, laudos e comunicações podem ser produzidos ou alterados com apoio de IA. A resposta combina dados transacionais, comportamento, evidência documental e análise de rede — para concentrar o exame profundo onde os sinais o justificam e liberar o restante mais rápido.
Distribuição depende de decisão em tempo real. A Resolução Conjunta nº 16 (CMN/BCB, nov. 2025) disciplinou o Banking as a Service e reforçou responsabilidades e controles entre instituições e parceiros; o prazo de adequação se encerra em dezembro de 2026, semanas depois do CQCS. Para seguros, a implicação não é abrir uma API: no seguro embarcado, elegibilidade, preço e cobertura são decididos em segundos dentro da jornada de outro player. Sem IA operando essa decisão sobre dados confiáveis, não há produto embarcado, há formulário — e a integração precisa alcançar também cobrança, atendimento e sinistro, sob risco de uma oferta digital apenas na aparência.
O que separa quem chega ao core
Na experiência de liderar programas de IA em bancos e seguradoras, o que distingue quem alcança o núcleo do negócio de quem para no piloto raramente é a escolha do modelo. É escopo por processo, não por tecnologia. É medir tempo de ciclo, custo e qualidade da decisão antes de começar — sem linha de base, o ganho vira percepção, e percepção não sustenta orçamento no ano seguinte. E é construir a governança junto com a solução: auditoria, risco e compliance no desenho encurtam o caminho até produção; chamados no fim, ele recomeça.
Uma agenda de resultado
O setor supervisionado pela Susep registrou R$ 207,12 bilhões em receitas no primeiro semestre de 2026. Em uma base dessa dimensão, todo ganho consistente de eficiência ou de qualidade de decisão é material — e por isso a IA não é frente isolada de inovação: conecta-se à modernização de core, integração de dados, revisão de jornadas, distribuição e qualificação das equipes.
Febraban Tech e CQCS Inovação acontecem em calendários diferentes e tratam do mesmo desafio: transformar inteligência artificial em capacidade operacional confiável, medida por tempo de ciclo, qualidade da decisão, perdas evitadas e experiência do cliente — não por número de modelos em produção. Para o mercado segurador, a pergunta já não é se a IA vai alcançar o núcleo do negócio, e sim em quais processos ela chegará com governança, arquitetura e dados suficientes para gerar resultado sem ampliar risco.