CustomAI & Analytics
RPA de Análise de Sinistros
Vision AI classifica danos por foto, cruza com tabela de peças, detecta fraude com score. Sinistro pago via PIX em 14 minutos em vez de 5-14 dias.
O problema
Tempo médio para análise e pagamento de sinistro em seguradoras tradicionais: 5 a 14 dias. Para sinistros de baixo valor (até R$ 10K), esse tempo é maior que o impacto financeiro pro segurado — gera NPS negativo, cancelamento, churn.
Origem do gargalo: análise manual por perito.
- Perito olha fotos uma a uma
- Procura número de peça em tabela offline
- Soma valores em planilha
- Cruza com franquia
- Envia para aprovação superior se > R$ X
- Aprovação dispara pagamento via TED em D+3
Tudo isso para uma colisão de pequeno porte com R$ 4-8K de reparo.
A solução
Pipeline AI ponta-a-ponta para sinistros de baixo a médio valor (até R$ 50K):
- Vision AI (GPT-4o Vision) classifica fotos: peças afetadas, severidade, ângulo do impacto
- Tabela de peças cruzada automaticamente com base da seguradora
- Score de fraude (XGBoost treinado em sinistros históricos): probabilidade de fraude 0-1
- Decisão automática: aprovação se score < 0.3 + valor < R$ 50K + sem flags compliance
- Pagamento PIX liberado em 2 minutos para sinistros aprovados
- Escalação humana: apenas casos de alto valor (> R$ 50K), fraude suspeita (> 0.5) ou ambiguidade
Métricas em produção
Cliente seguradora (auto + residencial, 4.000 sinistros/mês):
| Indicador | Antes | Depois |
|---|---|---|
| Tempo médio (até pagamento) | 8 dias | 14 minutos |
| % aprovados automaticamente | 0% | 73% |
| Detecção de fraude | amostral (3%) | 100% screening |
| Casos fraudulentos pegos | baseline | +41% |
| Custo por sinistro | R$ 387 | R$ 42 |
| NPS pós-sinistro | 32 | 71 |
ROI medido: 8.4x em 12 meses (somando economia operacional + fraude evitada).
O que vem incluso
- Pipeline Python + FastAPI com GPT-4o Vision integrado
- Modelo XGBoost de fraude treinado no histórico do cliente (mínimo 5K sinistros para training)
- Tabela de peças/serviços sincronizada com a base da seguradora
- Integração SUSEP: relatórios regulatórios gerados automaticamente
- Painel de auditoria: cada decisão automática com motivo + score + foto analisada
- Webhook bidirecional com Salesforce/HubSpot/ERPs custom de seguradoras
Stack
- Python 3.13 + FastAPI + Pydantic v2
- GPT-4o Vision para análise de imagem
- XGBoost + SHAP para fraud scoring
- Postgres + S3 para histórico de fotos
- Pagamento via Itaú/Bradesco/Stone PIX API
Compliance regulatório
- SUSEP: relatórios SAS-Auto/Resedência gerados automaticamente
- LGPD: PII (CPF, placa, endereço) redacted nos logs do modelo após 90 dias
- Anti-fraude: matriz de evidências armazenada para auditoria
- Direito ao explainability: segurado pode pedir relatório SHAP do porquê foi negado
Tempo de implementação
5-7 semanas:
- Sprint 1: extração histórica + análise de viabilidade do modelo de fraude
- Sprint 2: pipeline Vision AI + tabela de peças
- Sprint 3: modelo de fraude + validação shadow mode
- Sprint 4: integração ERP + workflow de aprovação
- Sprint 5: rollout gradual (10% → 50% → 100%) + monitoramento
Perguntas frequentes