Utilizar a IA e os dados para identificar riscos emergentes antes que estes afetem as operações

Os riscos emergentes raramente se manifestam de forma repentina. Na maioria das vezes, surgem discretamente, em sinistros que parecem rotineiros mas que mais tarde se agravam, em litígios que vêm à tona depois de se terem esgotado os prazos cruciais para intervir, ou na volatilidade das reservas que causa surpresas a jusante para as equipas financeiras e de risco.

Para muitas organizações, estes momentos são familiares. Um processo que parecia estável muda repentinamente de rumo. A perceção do litígio surge tarde. As opções reduzem-se. Quando o risco se torna plenamente visível, a oportunidade de influenciar os resultados já passou. No atual contexto operacional, o desafio já não é o acesso aos dados. Trata-se de obter visibilidade com antecedência suficiente para agir enquanto ainda há margem de manobra.

A inteligência artificial e a análise avançada estão a tornar-se ferramentas essenciais para colmatar essa lacuna, ajudando as organizações a passar de uma reação a riscos emergentes após o facto para a sua identificação mais precoce e gestão mais deliberada.

Por que a identificação precoce de riscos é mais importante do que nunca

O risco operacional, quer esteja relacionado com sinistros, tendências da força de trabalho ou perturbações na cadeia de abastecimento, segue frequentemente um percurso previsível. O que começa por ser uma questão controlável torna-se cada vez mais complexo à medida que o tempo passa, as decisões se acumulam e as opções de intervenção se reduzem.

Nos processos de sinistros, o timing é tão crucial quanto a precisão. Uma visibilidade tardia implica frequentemente menos opções de gestão, maiores atritos com as partes interessadas e um controlo reduzido sobre os resultados. Uma vez que o litígio tenha avançado, os percursos de cuidados tenham sido estabelecidos ou as expectativas definidas, a capacidade de influenciar de forma significativa os custos, a duração ou a experiência fica significativamente reduzida.

Uma detecção precoce altera essa trajetória. Quando as organizações conseguem identificar sinais de risco mais perto do seu ponto de origem, mantêm a flexibilidade de ação. Podem intervir mais cedo, mobilizar os especialistas adequados mais rapidamente e tomar decisões com maior segurança no que diz respeito às reservas, à estratégia e aos próximos passos. O resultado não é apenas uma melhor informação, mas também um maior controlo sobre os resultados.

Na Sedgwick, esta dinâmica é mais evidente nos sinistros de longo prazo, em que o custo final pode demorar anos a ser conhecido. Sem uma visão antecipada, as equipas acabam frequentemente por gerir com base em médias históricas ou indicadores atrasados. Com sinais mais precoces, podem influenciar o rumo enquanto ainda é possível uma intervenção significativa.

Ultrapassar os limites para obter uma visão contínua

Tradicionalmente, muitas abordagens de identificação de riscos baseavam-se em limiares fixos, valores monetários, processos judiciais instaurados ou tempo decorrido. Embora úteis, estes indicadores surgem normalmente depois de o risco já se ter concretizado.

Uma abordagem mais moderna encara o risco como um espectro, em vez de um resultado binário. Em vez de questionarem se uma reclamação ultrapassou um limite pré-definido, as organizações perguntam-se onde ela se situa em relação à população mais ampla que estão a gerir. Isto permite uma priorização contínua, em vez de uma escalada tardia.

A evolução dos modelos de gravidade e pontuação da Sedgwick reflete esta mudança. Em vez de sinalizar apenas os sinistros que excedem um montante arbitrário em dólares, a última geração de modelos pontua 100 % dos sinistros, desde aqueles que se prevê que sejam resolvidos com um custo reduzido ou nulo até aos que poderão, em última análise, enquadrar-se nas categorias de maior exposição.

Esta visão abrangente da população permite que os riscos sejam identificados mais cedo, antes que os fatores desencadeantes tradicionais se manifestem e enquanto ainda há oportunidade de influenciar as decisões relativas ao seu tratamento.

Pontuação inicial nos treinos: um exemplo simples

Consideremos um pedido de indemnização por lesões corporais que, inicialmente, se apresenta como moderado. Tradicionalmente, poderia ter seguido um percurso de tratamento padrão até que os custos ou a atividade litigiosa desencadeassem uma escalada. Numa abordagem de pontuação baseada em percentis, os sinais iniciais colocam o pedido num nível mais elevado em relação aos casos semelhantes, mesmo que os custos absolutos permaneçam baixos.

Esse sinal precoce desencadeia um percurso de tratamento diferente. O sinistro é analisado mais cedo, com o apoio de recursos mais experientes, e gerido com maior consciência dos riscos associados a litígios e à complexidade médica. Embora os resultados nunca sejam garantidos, a orientação do tratamento muda enquanto ainda é possível influenciá-la. Essa mudança, precoce e deliberada, é o valor de identificar o risco mais cedo.

Da previsão à tomada de decisões proativa

O verdadeiro valor da IA e da análise de dados não reside apenas na previsão, mas no que as organizações fazem com essa informação. Uma visão antecipada só tem importância se servir de base para a ação.

Para os clientes, isto traduz-se em menos surpresas de última hora, uma coordenação mais precoce dos conhecimentos especializados e uma maior confiança nas reservas e nas previsões. Quando o risco é identificado mais cedo, as equipas podem intervir enquanto ainda existem opções, em vez de terem de gerir a escalada da situação após o facto.

Na Sedgwick, a classificação da gravidade está diretamente integrada nos fluxos de trabalho operacionais. As informações são fornecidas nos momentos decisivos, e não como análises isoladas. Os sinistros de maior risco são encaminhados mais cedo para peritos experientes, especialistas em litígios ou recursos clínicos, enquanto os sinistros de menor risco seguem percursos mais simplificados. Esta integração transforma o tratamento quotidiano dos sinistros, e não apenas a elaboração de relatórios.

As organizações que obtêm sucesso com a IA encaram-na como um apoio à tomada de decisões, e não como um fim em si mesma. As informações devem ser apresentadas no contexto adequado, no momento em que as decisões estão a ser tomadas, para que possam alterar significativamente os resultados.

A importância de uma base de dados sólida

A eficácia dos modelos avançados depende inteiramente da qualidade dos dados em que se baseiam. Muitas organizações enfrentam dificuldades não por falta de ambição analítica, mas porque os seus dados permanecem fragmentados, inacessíveis ou mal geridos.

Uma estratégia de dados moderna privilegia a acessibilidade, a normalização e a confiança. Os dados estruturados e não estruturados devem estar disponíveis em ambientes que permitam a análise em grande escala, mantendo simultaneamente controlos rigorosos em matéria de segurança, privacidade e conformidade.

A trajetória da Sedgwick no campo da ciência de dados ilustra bem esta lição. Ao longo dos últimos anos, a organização investiu na modernização da sua pilha de dados, transferindo os dados de sistemas legados para plataformas controladas e baseadas na nuvem, concebidas para análise e IA. A ingestão padronizada, a transformação, os controlos de acesso baseados em funções, a anonimização e a auditabilidade estão integrados no pipeline, criando uma base que sustenta tanto a obtenção de insights como a confiança.

Sem esta base, mesmo os modelos mais sofisticados têm dificuldade em ser aplicados em grande escala ou em produzir resultados convincentes.

A IA responsável como princípio fundamental

À medida que a IA se torna cada vez mais integrada na tomada de decisões operacionais, a sua utilização responsável assume-se como fundamental. A governação não é apenas uma norma interna. É uma garantia para o cliente.

As práticas responsáveis em matéria de IA promovem a auditabilidade, a explicabilidade e a defensabilidade, reduzindo os riscos regulamentares, jurídicos e de reputação a jusante. Normas claras sobre a utilização de dados, a supervisão de modelos e o envolvimento humano ajudam a garantir que a análise de dados apoie as decisões, em vez de as obscurecer.

Na Sedgwick, isto traduz-se numa governação formal da IA, na utilização de ferramentas aprovadas, na formação obrigatória e numa abordagem consistente que mantém o intervenção humana no processo. As variáveis sensíveis são utilizadas apenas quando melhoram significativamente os resultados e são adequadas ao caso de utilização. Para os clientes, isto significa informações em que podem confiar, que podem explicar e pelas quais podem assumir a responsabilidade.

Perspetivas futuras: Dos modelos à inteligência adaptativa

O futuro da identificação de riscos irá além dos modelos preditivos tradicionais. A IA generativa e a análise avançada estão a abrir caminho para uma exploração mais aprofundada de fluxos de trabalho, narrativas e sinais interligados que, anteriormente, eram difíceis de analisar em grande escala.

A Sedgwick já está a explorar como a IA generativa pode complementar os modelos existentes, resumindo históricos de sinistros, identificando temas emergentes em grandes populações e permitindo que as equipas façam perguntas mais sofisticadas aos seus dados em tempo real. Estas capacidades apontam para uma forma de inteligência mais adaptável, que evolui a par das necessidades operacionais, em vez de permanecer estática.

O que permanecerá constante é o objetivo. As organizações continuarão a procurar obter informações antecipadas, maior confiança e a capacidade de agir antes que o risco se transforme numa perturbação.

Muitas vezes, o ponto de partida consiste simplesmente em perceber onde é que os sinais precoces podem estar a passar despercebidos atualmente. A partir daí, a conversa passa naturalmente para o que uma deteção mais precoce poderia alterar.

Num ambiente marcado pela incerteza, a capacidade de antecipar o que está a surgir, e não apenas o que já aconteceu, pode ser uma das vantagens mais importantes que uma organização pode desenvolver.