IA & Tecnologia:
A Lacuna de Adoção
Capítulo 2
Quase universalmente, os profissionais compreendem que a IA representa uma mudança radical na capacidade de deteção de fraudes. A prova de valor existe, e o panorama de ameaças que o exige é bem compreendido. No entanto, a realidade operacional mantém-se: a esmagadora maioria das seguradoras ainda não está preparada para responder. O custo dessa lacuna não é abstrato; Está a ser paga diariamente em perdas por sinistros, ineficiência manual e desvantagem competitiva.
O que torna a diferença de adoção particularmente marcante é que esta não é uma história de ignorância. A questão não é a consciencialização, mas a execução. As barreiras são reais, o caminho é compreendido e os primeiros utilizadores já demonstraram o que é possível. O que falta na maioria das organizações é a vontade coletiva e as condições estruturais necessárias para fechar a distância entre saber e fazer.
Onde as Organizações Realmente Estão
A situação da adoção divide-se em quatro grupos distintos. Trinta e seis por cento das seguradoras estão na fase piloto ou de implementação parcial, o que significa que foram tomadas medidas concretas, mas a tecnologia ainda não está operacionalizada em grande escala. Outros 36% planeiam implementar, indicando que foi tomada uma decisão estratégica, mas a execução ainda não começou. Entretanto, 19% reportam não ter planos atuais, e apenas 9% implementaram totalmente IA ou aprendizagem automática (ML).
Os 72% combinados que estão a planear ou a pilotar podem parecer progresso até se examinar o que isso realmente significa na prática. Planear sem execução não é proteção, e um piloto que nunca escala não é uma defesa. Estas organizações ainda não estão a beneficiar dos benefícios de deteção de fraude da IA; em vez disso, estão em várias fases de aproximação à linha de partida. O único parâmetro que importa operacionalmente é o dos 9% que implementaram totalmente. Esse número é uma clara indicação da distância que ainda falta percorrer, especialmente tendo em conta o cronograma da ameaça que será apresentado.
Existe também um risco oculto no grupo de planeamento que merece ser nomeado: a inércia organizacional disfarçada de diligência devida. Quando o planeamento se prolonga indefinidamente, quando os pilotos funcionam sem condições definidas de escala, e quando os orçamentos são estudados mas nunca comprometidos, a fase de planeamento torna-se uma alternativa confortável à ação. A janela para a preparação já está a fechar-se, e as organizações que permanecerem em modo de planeamento por mais tempo terão menos tempo para fechar a lacuna quando a ameaça se intensificar.
36%
36%
19%
9%
Em piloto / implantação parcial
Planeamento para implementação
Sem planos atuais
Totalmente implementado
O que está a bloquear a adoção e o que as barreiras revelam
As restrições orçamentais (29%) e as questões de qualidade dos dados (27%) dominam como as principais barreiras à adoção da IA. Crucialmente, estes não são problemas independentes; Em vez disso, formam um ciclo cumulativo que mantém muitas organizações permanentemente presas na fase de planeamento. A má qualidade dos dados dificulta a construção de modelos de IA fiáveis. Modelos pouco fiáveis dificultam a demonstração do retorno do investimento (ROI). A falta de evidência de ROI dificulta a aprovação orçamental, e orçamentos limitados dificultam o investimento em infraestruturas de dados. O ciclo continua.
Quebrar este ciclo requer reconhecer que é um ciclo interligado e que abordar qualquer uma das restrições isoladamente é insuficiente. Organizações que investem na qualidade dos dados sem garantir um orçamento para ferramentas de IA acabarão com dados limpos, mas sem modelos para os utilizar. Por outro lado, as organizações que garantem um orçamento sem melhorar a qualidade dos dados terão ferramentas sem os insumos necessários para funcionar. Os dois investimentos devem avançar em conjunto, guiados por uma liderança que compreenda que ambos são pré-requisitos e não passos sequencialmente opcionais.
A falta de apoio interno (18%) é a barreira que mais diretamente reflete um problema de cultura organizacional do que um problema de recursos. Em quase uma em cada cinco organizações, o obstáculo não é a capacidade, mas sim a vontade. Isto resulta ou do ceticismo da liderança quanto ao valor da IA ou da resistência cultural entre profissionais que construíram experiência em fluxos de trabalho existentes e percebem a IA como uma ameaça a essa especialização, em vez de um multiplicador de força. Felizmente, ambos são problemas solucionáveis. Os dados de desempenho dos adotantes de IA, detalhados na secção seguinte, fornecem o contra-argumento mais claro possível ao ceticismo interno.
Preocupações regulatórias e de privacidade (16%) completam o quadro. Embora estas sejam restrições reais, a sua classificação mais baixa sugere que a maioria dos profissionais as vê como geríveis, vendo-as mais como um fator a navegar do que como razão para parar. Isto envia um sinal importante a fornecedores, consultores e organismos do setor: as organizações que mais precisam de ajuda não estão à espera de clareza regulatória. Estão à espera de orçamento, dados e alinhamento organizacional.
29%
27%
18%
16%
Restrições orçamentais
Questões de qualidade dos dados
Falta de apoio interno
Preocupações regulatórias / de privacidade
A Prova de Valor já existe
70%
45%
35%
25%
25%
Deteção de fraude mais rápida
Melhoria da qualidade do portefólio
Redução dos falsos positivos
Melhor experiência do cliente
Custos operacionais mais baixos
* As percentagens refletem os inquiridos que adotaram IA (piloto ou implementação completa). Respostas de 'Não aplicável' excluídas.
Um portefólio de ferramentas ponderado para o passado
As ferramentas mais amplamente utilizadas hoje contam uma história reveladora sobre onde estão ancoradas as defesas da indústria. Os sinais de alerta automáticos e as bases de dados de referência cruzada estão cada uma em 60%. Estas são abordagens fundamentalmente baseadas em regras ou em pesquisa, que são poderosas para detetar padrões conhecidos. No entanto, são estruturalmente incapazes de detetar esquemas inovadores porque só conseguem encontrar aquilo para o qual foram especificamente configurados.
Redes sociais e investigação online (44%), verificação de documentos e media (36%) e modelos de IA ou aprendizagem automática (20%) completam o quadro. 81% das seguradoras que ainda não implementaram totalmente os modelos de IA estão a entrar na fase mais perigosa da corrida armamentista contra a fraude com armamento antigo. Este atraso ocorre precisamente no momento em que os burlões começam a implementar IA generativa, identidades sintéticas e sistemas agentes para os quais nenhum sistema baseado em regras foi concebido para detetar.
Sessenta por cento dos inquiridos consideram as suas ferramentas atuais de deteção de fraude apenas minimamente eficazes, enquanto apenas 15% dizem que são muito eficazes. Isto não significa praticantes a desvalorizarem as suas ferramentas; pelo contrário, são os praticantes a reconhecerem honestamente os seus limites inerentes. A diferença entre "minimamente eficaz" e "muito eficaz" não é uma questão de competência do operador ou otimização do fluxo de trabalho. É uma lacuna fundamental de capacidades que só uma tecnologia melhor pode colmar. A indústria está ciente desta realidade. A questão crítica que permanece é se as condições estruturais se alinharão para permitir que as seguradoras ajam antes que a ameaça se manifeste em pleno poder.
60%
60%
44%
36%
20%
Sinais de alerta automatizados / regras de negócio
Referência cruzada / bases de dados externas
Redes sociais / investigação online
Verificação de documentos / meios de comunicação
Modelos de IA / ML
Conclusão Chave
A lacuna de adoção é um problema organizacional e não tecnológico. O orçamento e a qualidade dos dados são restrições reais, mas são totalmente solucionáveis. Os 9% das seguradoras que implementaram totalmente a IA não são exceções com recursos únicos; simplesmente tomaram uma decisão estratégica para priorizar. As organizações ainda em fase de planeamento não estão protegidas pela sua intenção. Cada mês passado na fase de planeamento é um mês passado a operar com ferramentas criadas para detetar a fraude de ontem.
