Uma boa IA na gestão de risco não é o painel de controlo mais apelativo nem o modelo mais avançado — é a capacidade de melhorar de forma mensurável as decisões que a sua função de risco toma com maior frequência, de uma forma que a sua equipa consiga compreender e na qual possa confiar. As organizações que acertam neste aspeto começam por uma decisão específica que pretendem melhorar, e não por uma tecnologia que pretendem implementar. Corrigem os seus dados antes de adquirirem a ferramenta e mantêm um responsável humano por cada decisão sugerida pela IA.
O resto deste artigo explica por que razão tantos investimentos em IA na gestão de riscos ficam aquém das expectativas, como distinguir a IA generativa da IA preditiva (e quando utilizar cada uma delas) e os indicadores concretos que distinguem uma verdadeira transformação de um simples widget dispendioso num painel de controlo.
Por que razão a maior parte da IA aplicada à gestão de riscos fica aquém das expectativas
Existem atualmente duas formas de adoção da IA nas funções de gestão de risco.
Uma delas causa boa impressão numa demonstração do fornecedor. A outra parece modesta num slide, mas muda verdadeiramente a forma como uma equipa funciona. A maioria das organizações está prestes a adquirir a primeira quando, na verdade, precisa da segunda — e a diferença entre as duas raramente se resume à própria tecnologia. As ferramentas de IA atuais estão suficientemente maduras para cumprir a sua função. O que distingue os vencedores dos que ficam desapontados é se a organização tinha, desde o início, uma ideia clara do que «bom» realmente significa.
A armadilha de tratar a IA como uma funcionalidade
Quando a IA é simplesmente incorporada a um sistema de informação de gestão de risco (RMIS) como uma funcionalidade, em vez de ser desenvolvida com base numa necessidade real, isso manifesta-se de formas já conhecidas:
- Um chatbot que responde a perguntas sobre documentos normativos
- Um widget do painel de controlo que exibe uma pontuação de anomalia intermitente
- Um relatório com um intervalo de confiança que não constava no trimestre passado
Nada disso é inútil. Mas também nada disso é transformador — e quando a promessa ultrapassa os resultados, a confiança em toda a capacidade da IA deteriora-se mais rapidamente do que quase qualquer outra coisa num programa de gestão de riscos.
A questão fundamental é a orientação. A IA como funcionalidade parte do que a tecnologia é capaz de fazer e procura depois um problema para resolver. Isso é fazer as coisas ao contrário. É a capacidade a procurar um caso de utilização, em vez de ser o caso de utilização a impulsionar a criação da capacidade adequada.
Uma boa IA na gestão de riscos começa pelo lado oposto. Começa pelas decisões que realmente importam — aquelas em que uma melhor informação altera o resultado — e avança de trás para a frente para determinar que capacidades são necessárias para as apoiar.
A sequência «decisão em primeiro lugar» para a adoção da IA na gestão de riscos.
Quais são as decisões em matéria de risco que realmente importam?
Os líderes em gestão de risco não tomam centenas de decisões de alto risco por semana. Tomam apenas algumas, e são essas que vale a pena ter como ponto de partida:
- Como distribuir o orçamento para a transferência de risco por toda a carteira
- Que locais ou unidades de negócio representam concentrações de risco que merecem uma gestão ativa?
- Para onde canalizar os recursos destinados à prevenção de perdas
- Como reagir quando o contexto de risco externo sofre alterações significativas
O que estas decisões têm em comum é o facto de serem tomadas com informação incompleta, sob pressão de tempo, por pessoas que têm de conciliar muito mais do que uma prioridade. A qualidade da decisão depende quase inteiramente da qualidade e da acessibilidade dos dados em que se baseia.
É precisamente esta a limitação que uma boa IA foi concebida para resolver. Reduz o intervalo de tempo entre o momento em que uma pergunta é feita e o momento em que uma resposta fiável fica disponível. Revela padrões nos dados históricos de perdas e de exposição que nenhum revisor humano conseguiria detetar manualmente em grande escala. E produz uma visão prospectiva — a previsão de perdas, a projeção de exposição — que permite que uma decisão seja tomada com base em resultados prováveis, em vez de apenas no que se sabe a posteriori.
Um exemplo prático: a análise da exposição da carteira
Quando realizada manualmente, a análise da exposição da carteira implica extrair dados de vários sistemas, conciliar formatos incompatíveis e compilar um panorama que, muitas vezes, já está desatualizado quando chega à pessoa que precisa de tomar medidas com base nele.
Quando bem implementada com IA, essa mesma análise passa a ser algo que um gestor de risco gera a pedido, com base em dados já integrados e atualizados.
A decisão em si não muda na sua essência — muda em termos de rapidez e fiabilidade. É precisamente essa a questão. Não se trata de a IA substituir a avaliação de riscos. Trata-se de a IA tornar essa avaliação mais bem fundamentada.
IA generativa vs. IA preditiva: saiba qual é a diferença
Um dos modelos mentais mais úteis para avaliar a IA num contexto de risco é a distinção entre capacidade generativa e capacidade preditiva. Confundir as duas é um dos erros mais comuns — e mais onerosos — que as equipas de gestão de risco cometem.
A IA generativa elabora rascunhos e faz resumos; a IA preditiva prevê resultados.
IA generativa
Esta é a categoria que a maioria das pessoas já conhece através dos grandes modelos de linguagem. Destaca-se no tratamento de conteúdos não estruturados: redação, resumo, extração e explicação.
Numa função de risco, isso traduz-se em:
- Processamento em grande escala de relatórios de peritos de sinistros
- Elaboração de primeiras versões de relatórios de risco
- Tornar a documentação política complexa acessível a quem não é especialista
Os ganhos de produtividade neste contexto são reais. O mesmo se aplica ao risco de uma dependência excessiva — os modelos generativos podem produzir resultados convincentes e bem elaborados que, no entanto, estão simplesmente errados, e o erro nem sempre é óbvio à primeira leitura.
IA preditiva
A IA preditiva é algo completamente diferente. É treinada com base em dados históricos para prever resultados futuros: frequência e gravidade das perdas, pontuações de risco por localização ou tipo de atividade, ou a probabilidade de um determinado perfil de evento conduzir a um intervalo específico de perdas.
É aqui que as decisões de risco mais importantes se tornam, na verdade, mais precisas — não mais rápidas, mas mais precisas.
Ambas as categorias têm um papel a desempenhar. No entanto, resolvem problemas diferentes e apresentam modos de falha distintos. As equipas que tratam a IA generativa e a IA preditiva como se fossem intercambiáveis tendem a aplicar a ferramenta errada ao problema errado e, consequentemente, a tirar conclusões erradas sobre se a «IA» está, de facto, a gerar valor.
3 indicadores de que as organizações estão a adotar a IA da forma correta
Nas organizações que estão realmente a fazer progressos na área da IA na gestão de riscos, há três hábitos que se repetem constantemente.
1. Definem a mudança antes de escolherem a tecnologia
Não «queremos utilizar IA» — algo específico e mensurável, ligado a uma decisão importante. Exemplos:
- «Reduzir o tempo necessário para elaborar o nosso relatório trimestral de exposição de três semanas para três dias.»
- «Identificar os dez locais da nossa carteira com maior probabilidade de sinistros, numa perspetiva futura, antes da época de renovações.»
A especificidade é o que distingue uma estratégia de uma lista de desejos.
2. Consideram a qualidade dos dados como uma responsabilidade sua, e não do fornecedor
A qualidade do resultado depende da qualidade dos dados de entrada, ponto final. As organizações que esperam que a tecnologia de um fornecedor de IA compense dados fragmentados, inconsistentes ou incompletos ficam constantemente desiludidas.
As organizações que realizam primeiro o trabalho menos apelativo — integrar, limpar e enriquecer os seus dados — são aquelas cuja capacidade de IA atinge ou supera as expectativas assim que entra em funcionamento.
3. Mantêm o julgamento humano no momento decisivo
A IA deve alterar o que um gestor de risco sabe e a rapidez com que o sabe. Não deve ser ela própria a tomar a decisão.
Essa linha torna-se mais difícil de manter à medida que uma capacidade se torna mais integrada e mais fiável — e é precisamente por isso que tem de ser mantida de forma deliberada. No momento em que os resultados da IA deixam de ser questionados e passam a ser aprovados sem mais nem menos, o perfil de risco da função altera-se de formas que muitas vezes passam despercebidas até se tornarem relevantes.
Conclusão
Uma boa IA numa função de risco não é o modelo mais sofisticado do mercado nem a plataforma com mais funcionalidades. É a capacidade de melhorar de forma fiável as decisões que mais importam, de uma forma que as pessoas que a utilizam possam compreender e na qual possam realmente confiar.
É um objetivo modesto de descrever, mas verdadeiramente difícil de alcançar. É necessário ter clareza quanto ao objetivo, disciplina no que diz respeito aos fundamentos dos dados e a vontade de começar pelo caso de utilização que traga um benefício claro — e não aquele que fica melhor numa demonstração.
As organizações que acertam neste aspeto raramente são notícia devido à sua estratégia de IA. Em vez disso, tomam menos decisões erradas em matéria de risco, alocam o capital de forma mais eficaz e conquistam um lugar mais credível à mesa do que tinham anteriormente.
Uma questão que vale a pena levar para a vossa própria função de gestão de risco esta semana: que decisão, se pudessem tomá-la uma semana mais cedo ou com mais confiança, teria o maior impacto na vossa organização?
Leia mais na nossa série de três partes sobre o RMIS:
Perguntas frequentes
Uma boa IA na gestão de risco é uma capacidade concebida em torno de uma decisão específica e de elevado valor — como a alocação da exposição da carteira ou a definição de objetivos de prevenção de perdas —, em vez de ser adicionada como uma funcionalidade genérica. Deve acelerar ou melhorar de forma mensurável essa decisão, mantendo ao mesmo tempo um ser humano responsável pela decisão final.
A IA generativa trabalha com conteúdos não estruturados — elaborando relatórios, resumindo descrições de sinistros e explicando a terminologia das apólices. A IA preditiva é treinada com base em dados históricos para prever resultados como a frequência e a gravidade dos sinistros ou pontuações de risco por localização. A IA generativa aumenta a produtividade; a IA preditiva aprimora as decisões de alto risco. Utilizar a tecnologia errada para a tarefa em questão é um erro comum — e dispendioso.
A maioria fica aquém das expectativas porque é implementada como uma funcionalidade (um chatbot, um widget de painel de controlo), em vez de ser concebida para resolver um problema específico de tomada de decisão. Se a isso acrescentarmos a fraca qualidade dos dados subjacentes — que nenhum fornecedor de IA consegue compensar totalmente —, o resultado é uma ferramenta que parece impressionante, mas que não altera a forma como a função de risco funciona na prática.
