Há uma frase à qual vale a pena voltar: a consciência da ignorância como conhecimento.
A premissa, todas as manhãs, é que há menos certeza do que no dia anterior. Após muitos anos na área da tecnologia de gestão de risco empresarial, seria de esperar o contrário — maior reconhecimento de padrões, maior confiança no que está para vir. Mas não é essa a realidade do setor, nem é aí que qualquer um de nós deveria estar.
A IA está a evoluir tão rapidamente que algo que se compreendia na semana passada pode já estar desatualizado. Uma funcionalidade que não existia há seis meses já está hoje em produção. Suposições que pareciam seguras há um ano — sobre o que o software é capaz de fazer, sobre o valor da experiência humana, sobre como é o dia-a-dia de um gestor de riscos — estão a ser revistas em tempo real.
Pense nisto: o esboço do conceito subjacente a um webinar recente da Archer foi elaborado três meses antes da sua realização. Ao revê-lo durante a preparação, algumas partes já pareciam desatualizadas. Não estavam erradas — estavam incompletas. O setor tinha evoluído.
Se, neste momento, está convicto — convicto de que compreende a IA, convicto de que o seu atual RMIS é adequado ao objetivo, convicto de que o que funcionou no ano passado funcionará no próximo ano —, essa convicção pode ser a coisa mais perigosa que levará consigo nos próximos anos.
O que é o RMIS e por que razão precisa de evoluir
Os sistemas de informação de gestão de risco (RMIS) têm vindo a fazer, essencialmente, a mesma coisa nas últimas três décadas: recolher dados, armazená-los e gerar relatórios. Têm-se tornado progressivamente mais sofisticados — com interfaces melhores, mais integrações e relatórios mais configuráveis —, mas o modelo fundamental não se alterou.
Uma pessoa introduz os dados. O sistema armazena-os. Uma pessoa recupera-os. O sistema apresenta relatórios sobre os mesmos.
Esse modelo revelou-se útil para o setor quando o objetivo era a visibilidade: será que consigo ver quais são os meus riscos, onde estão os meus sinistros e qual é a minha exposição? Para as organizações que geriam estes aspetos em folhas de cálculo ou em sistemas desarticulados, o RMIS representou um verdadeiro passo em frente.
O problema é que a maioria das organizações ficou por aí. Conseguiram visibilidade e deram o assunto por encerrado.
A questão dos resultados: o que é que os seus dados de risco estão realmente a fazer?
As conversas com gestores de risco, diretores de gestão de riscos (CROs) e responsáveis por programas de seguros tendem a desviar-se rapidamente das funcionalidades e a centrar-se nos resultados. Não se trata de saber o que o sistema faz, mas sim o que é que ele faz por si?
A distinção é importante. Um sistema que regista todos os sinistros com o máximo detalhe, mas que não consegue indicar de onde virá o próximo sinistro, é um arquivo muito dispendioso. Um sistema que armazena dez anos de dados sobre incidentes, mas que não consegue revelar o padrão que se esconde neles, representa uma oportunidade perdida em grande escala.
A questão que vale a pena colocar não é «quantos dados temos », mas sim «quantos desses dados estão realmente a ser úteis para nós neste momento?»
Na maioria dos casos, a resposta sincera é: longe de ser suficiente.
O que significa «ativar os seus dados de risco»?
Ativar os seus dados não significa recolher mais dados. A maioria das organizações já dispõe de mais dados sobre riscos do que aqueles que sabem como utilizar. Trata-se, sim, de colocar esses dados em prática: torná-los acessíveis, interligá-los entre os diferentes silos e, em última análise, torná-los preditivos.
Há três aspetos a considerar:
Integração.Os dados relativos aos riscos estão dispersos por demasiados locais — os sinistros num sistema, os incidentes noutro, os dados sobre a exposição noutro local ainda e as informações sobre os programas de seguros numa folha de cálculo no computador de alguém. Para que a IA possa ser útil, esses dados têm de estar acessíveis num único local. Isto parece óbvio. Mas é mais difícil do que parece.
Enriquecimento.Os dados operacionais brutos tornam-se significativamente mais úteis quando combinados com o contexto externo: análises comparativas do setor, sinais macroeconómicos, modelação de catástrofes, evolução da regulamentação. É aqui que a perspetiva passa do que aconteceu para o que é provável que venha a acontecer.
Inferência.É aqui que a IA mostra o seu valor. Assim que os dados integrados e enriquecidos estiverem disponíveis, as equipas podem começar a colocar questões que antes não tinham resposta: quais são os locais com maior probabilidade de gerar um sinistro significativo nos próximos 12 meses? Quais são os fornecedores da cadeia de abastecimento que representam um risco de concentração que ainda não foi tido em conta no cálculo do prémio? Em que medida está o programa de seguros exposto em relação ao historial real de sinistros?
Estas não são questões hipotéticas. As equipas de gestão de risco estão a responder-lhes neste momento, com a tecnologia que já existe hoje em dia.
IA generativa vs. IA preditiva na gestão de riscos
Uma distinção que vale a pena abordar: a IA generativa e a IA preditiva têm funções fundamentalmente diferentes, e a confusão entre ambas leva as organizações a alocar mal os seus investimentos.
A IA generativa— do tipo que está na base dos grandes modelos linguísticos — é excelente a trabalhar com informação não estruturada: redigir, resumir, sintetizar e responder a perguntas em linguagem natural. No contexto da gestão de risco, isto representa uma transformação na análise de documentos de políticas, nas respostas a pedidos de proposta, na apresentação de relatórios ao conselho de administração e na disponibilização de dados complexos a partes interessadas que não são utilizadores avançados do sistema.
A IA preditivafunciona de forma diferente. Identifica padrões em dados históricos estruturados e projeta-os para o futuro. É aqui que se enquadram a previsão de perdas, a pontuação de risco e a modelação da exposição.
Ambos são importantes. Não se trata de prioridades concorrentes. No entanto, compreender qual o problema que cada um resolve ajuda as organizações a implementá-los onde acrescentam mais valor — em vez de esperar que um faça o trabalho do outro.
Como é uma estratégia de IA sólida para o RMIS
Nem todas as organizações precisam de estar na vanguarda da adoção da IA. O que é certo é que ficar parado é uma escolha que acarreta consequências.
As organizações que estão a lidar bem com esta situação partilham algumas características:
- Começaram por investir na organização dos seus dados
- Escolheram parceiros tecnológicos capazes de demonstrar capacidades operacionais de IA — e não apenas itens prometidos num plano de desenvolvimento
- Começaram por casos de utilização específicos e bem delimitados, em que o valor é mensurável, em vez de tentarem fazer o impossível
- Criaram as condições internas para o sucesso da tecnologia: governação de dados, adesão dos utilizadores e apoio da direção
Nada disto tem nada de glamoroso. Mas é essa a diferença entre uma estratégia de IA e um anúncio sobre IA.
Os dados que a maioria das organizações de risco detém constituem um ativo subutilizado. A tecnologia necessária para os valorizar já existe. A questão não é se devemos avançar, mas sim como o fazer de forma inteligente.
E o melhor ponto de partida é aquele que nos causa algum desconforto: aceitar que, provavelmente, há menos certezas sobre o que é possível do que parece.
A Archer tem vindo a ajudar as organizações, há mais de duas décadas, a construir a base de dados que torna possíveis momentos como este. Se está pronto para passar da visibilidade à ativação — de um sistema de registo para um sistema de inteligência —, descubra o que as capacidades RMIS da Archer podem fazer pela sua organização em archerirm.com/rmis.
O que é um RMIS baseado em IA?
Um RMIS (sistema de informação de gestão de risco) baseado em IA vai além do armazenamento e da apresentação de relatórios sobre dados de risco. Recorre à aprendizagem automática e à análise preditiva para identificar padrões, prever perdas, classificar as exposições ao risco e revelar informações úteis que as plataformas RMIS tradicionais não conseguem fornecer.
Qual é a diferença entre a IA generativa e a IA preditiva na gestão de riscos?
A IA generativa trabalha com informação não estruturada — consegue redigir relatórios, resumir documentos e responder a perguntas em linguagem simples. A IA preditiva analisa dados históricos estruturados para prever resultados futuros, tais como quais os locais mais suscetíveis de gerar sinistros ou onde existem lacunas nos programas de seguros. Ambas desempenham papéis distintos numa estratégia madura de tecnologia de risco.
De que forma a IA melhora a ativação dos dados de risco?
A IA melhora a ativação de dados de risco, permitindo três funcionalidades que os RMIS tradicionais não conseguem oferecer: integrar dados entre sistemas isolados, enriquecê-los com sinais externos, como índices de referência e dados regulamentares, e aplicar modelos de inferência para responder a questões prospectivas sobre a exposição e a probabilidade de perda.
O que devem as organizações fazer antes de implementar a IA nos seus RMIS?
Antes de implementar a IA, as organizações devem dar prioridade à integração de dados — consolidando dados relativos a sinistros, incidentes, exposição e programas de seguros num ambiente unificado. É necessário garantir a qualidade e a governação dos dados antes de a IA poder gerar resultados fiáveis.
A análise preditiva no RMIS destina-se apenas a grandes empresas?
Não. Embora as grandes empresas tenham sido as primeiras a adotar esta tecnologia, as funcionalidades do RMIS baseadas em IA estão cada vez mais ao alcance das equipas de gestão de risco do mercado médio. O segredo está em começar por casos de utilização bem delimitados, em que o valor seja mensurável, em vez de tentar uma transformação em grande escala de uma só vez.
Como se mede o retorno sobre o investimento (ROI) em IA na gestão de riscos?
O retorno sobre o investimento (ROI) da IA na gestão de riscos é normalmente medido através da redução de perdas, da melhoria da fixação de preços dos programas de seguros, da redução do tempo dedicado à elaboração de relatórios manuais e da identificação mais precoce de exposições de alto risco. Começar com casos de utilização específicos e quantificáveis facilita a demonstração do valor antes da expansão.
