IA em saúde corporativa: modelo, automação ou só script?

Resumo executivo

• "IA" virou o nome de seis coisas diferentes na gestão de saúde corporativa: regra determinística, engenharia de dados, automação de processo, modelo preditivo, visão computacional e interface conversacional sobre dado governado. Só duas delas são modelo.
• Comprar a classe errada não sai caro por causa do preço. Sai caro porque o problema continua lá, e ninguém percebe até a próxima renovação, quando o número não mudou.
• O mercado está comprando interface. Na pesquisa 2026 AI Use in Health and Benefits da WTW, com 312 empregadores, apenas 20% operacionalizam IA de fato, e o investimento planejado se concentra em comunicação (68%), análise de dados (59%) e suporte personalizado (57%).
• Como a predição funciona por dentro já está em saúde preditiva com IA: como antecipar custos. O objetivo aqui é anterior e mais imediato: classificar o que está sendo vendido, antes de discutir se funciona.
• A tabela de problema por técnica cabe numa página e resolve a maior parte das dúvidas de escopo: leve impressa para a reunião com o fornecedor. Depois de classificar, o passo seguinte é cobrar a prova do resultado.

Por que classificar vem antes de avaliar

Um CFO que recebe três propostas de "plataforma de saúde com IA" costuma comparar preço, prazo de implantação e nome de cliente. É o comparativo errado, porque as três podem estar vendendo coisas de natureza distinta com o mesmo rótulo. Uma pode ser um robô que dá baixa em movimentação de vidas. A outra, um painel com alerta de limite. A terceira, um modelo que estima risco de custo. As três chamam isso de IA. Só uma delas responde a "quem vai gerar alto custo no ano que vem", e as outras duas têm bom motivo para existir: elas erram apenas para essa pergunta.

A consequência prática é que a discussão de retorno começa contaminada. Não dá para exigir prova de redução de sinistralidade de um robô de cadastro, nem prova de produtividade administrativa de um modelo de risco. Cada classe de técnica tem uma prova cabível diferente, e trocar as provas é o que faz um projeto de doze meses terminar sem veredicto.

Há um segundo motivo, menos óbvio. Quando a empresa não sabe que classe comprou, ela também não sabe o que precisa existir por baixo. Modelo preditivo sem histórico reconciliado não roda. Automação sem regra estável quebra a cada exceção. Interface conversacional sem dado governado responde com confiança e erra, que é o pior dos modos de falha, porque parece funcionar.

O critério: modelo estima, interface exibe, regra aplica limiar

O critério cabe em três frases. Modelo estima uma probabilidade a partir de histórico e declara a incerteza da estimativa. Interface apresenta de forma confortável um número que já estava calculado. Regra aplica um limiar que alguém configurou e devolve sempre a mesma saída para o mesmo dado. Toda proposta de "IA" em saúde corporativa cai em uma dessas três naturezas, e a pergunta útil na reunião é qual delas está do outro lado da mesa.

Vale separar o discurso da categoria do que a categoria de fato opera hoje. Ainda na pesquisa da WTW, apenas 1% das organizações declarou ter plano ou governança de IA plenamente desenvolvidos para benefícios, enquanto 71% relataram falta de recurso e competência interna de IA e 70% apontaram privacidade e segurança de dados como barreira. É um mercado comprando adiante da própria capacidade de operar, e essa distância é exatamente onde o rótulo genérico prospera.

Uma empresa internacional de benefícios corporativos descreve o desenho responsável sem meias palavras. No material AI in Employee Benefits: What to Embrace, What to Avoid, a Personify Health afirma que, na detecção de fraude, desperdício e abuso, a IA deve sinalizar problemas e deixar a decisão final para revisores humanos, que seguem essenciais. É a mesma fronteira que vale aqui: há técnicas que apontam e técnicas que executam, e confundir as duas é o erro de escopo mais caro da categoria.

Três coisas aparecem em demonstração com o nome de IA e pertencem às outras duas naturezas, interface e regra:

• Interface conversacional. Um chat que responde "qual foi minha sinistralidade em julho?" é ótima ergonomia e nenhuma inteligência nova. Ele lê o que já estava calculado.
• Painel com alerta. Um limiar configurado ("avise quando passar de 85%") é uma regra. Regra é determinística por desenho, e isso é uma virtude: dá resultado reprodutível e auditável. Como montar essa camada está em painel de sinistralidade: como montar o BI de saúde corporativa.
• Automação de cadastro. Dar baixa em 400 movimentações por mês sem digitação é economia real de hora de trabalho. Previsão, ela não faz.

Problema × técnica certa

Duas leituras que essa tabela permite e que a conversa comercial normalmente não permite. A primeira: nas sete linhas, só duas e meia são modelo. As outras resolvem problema real e são mais baratas de manter, porque regra fixa e robô de rotina fazem trabalho que ninguém deveria fazer à mão. A segunda: a linha define a prova. Se o fornecedor promete redução de custo assistencial e o que ele entrega é automação de processo, a prova pedida nunca vai aparecer, e a discussão termina em desgaste no lugar de veredicto.

Quem responde pelo RH reconhece as três primeiras linhas como rotina de todo mês: fatura, elegibilidade e movimentação de vidas. As quatro últimas entram depois, e dependem do que a primeira metade tiver arrumado, porque modelo sem histórico reconciliado continua sem rodar.

A camada que ninguém mostra na demonstração

Toda demonstração começa na tela. O trabalho começa antes, e é onde o piloto costuma morrer por volta do terceiro mês. São cinco itens, e nenhum deles é glamouroso:

1. Integração com a operadora. Formato, periodicidade, janela de fechamento e o que fazer quando o arquivo chega incompleto. Sem isso não existe série histórica.
2. Reconciliação de elegibilidade. A folha diz uma coisa, a operadora diz outra. Antes de qualquer conta, alguém tem de decidir qual das duas manda em cada caso.
3. Deduplicação de vida. A mesma pessoa aparece com grafias diferentes, carteirinhas diferentes e datas de admissão diferentes. Sem chave única, todo indicador por vida está errado por construção.
4. Régua de tempo. Evento tem data de ocorrência, data de aviso e data de pagamento. Escolher a errada muda o mês em que o custo aparece e faz um mês bom parecer ruim.
5. Governança de dado sensível. Quem acessa o quê, em que nível de agregação, com qual base legal.

Esses cinco itens são a resposta para uma pergunta que o comprador raramente faz: por que o projeto do ano passado não deu em nada? Na maioria dos casos, a técnica escolhida estava certa e a camada de baixo não existia. É por isso que integração de dados com operadoras entra no começo do cronograma, ao lado da escolha da técnica.

Explicar a variação separa produto de demonstração

Existe hoje uma geração de anúncios que trata a conexão entre um modelo de linguagem e as bases da empresa como se ela fosse o produto. Conectar é encanamento: necessário, resolvido, e cada vez mais barato. A pergunta que separa produto de demonstração é outra, e ela tem duas partes:

• Quando o número muda, o sistema sabe por quê? Análise é atribuir a variação a um grupo, a um tipo de evento ou a uma mudança de população. Um sistema que informa "a sinistralidade subiu 6 pontos" e para aí entregou acesso ao dado.
• E o sistema sabe o que fazer? Saber a causa sem uma ação associada, com nome de quem é acionado, prazo e critério de encerramento, é diagnóstico sem conduta.

Acesso ao dado não é decisão sobre o dado. Essa distinção separa a ferramenta que informa da ferramenta que gere, e é verificável em quinze minutos de demonstração: peça ao fornecedor para explicar uma variação em vez de mostrar um número.

As seis perguntas para classificar o que está sendo vendido

Estas seis perguntas servem para descobrir, em uma reunião, qual classe de técnica está do outro lado da mesa. Elas classificam; medir resultado tem régua própria e vem depois:

1. Qual dessas sete linhas é a sua? Mostre a tabela e peça para o fornecedor apontar. Quem aponta três linhas está vendendo suíte, e cada linha vira um escopo separado.
2. A saída é determinística ou probabilística? Rodando duas vezes com o mesmo dado, o resultado é idêntico? Se for, o que está ali é regra, e regra é boa desde que ninguém a chame de previsão.
3. O que entra e o que deliberadamente fica fora? Um fornecedor que não sabe listar as variáveis de entrada está mostrando um painel.
4. Quem revisa a saída antes de alguém agir? Como diz o material da Personify Health, a IA sinaliza e o humano decide. Sem revisor nomeado, o que existe é automatismo.
5. Onde o dado mora, em que nível de agregação a empresa vê, e com que base legal? A resposta certa nunca inclui a empresa recebendo nomes.
6. O que acontece quando o modelo erra? Erro é certeza estatística, e a pergunta é qual é o plano para o dia em que ele acontecer.

O que os modelos não fazem

Vale ser explícito, porque a leitura errada aqui é grave e comum. Em gestão de saúde corporativa bem desenhada, os modelos não decidem necessidade médica, não geram negativa de cobertura e não entregam ao RH ou ao financeiro uma lista nominal de colaboradores em risco. A empresa recebe recorte agregado: faixa, grupo, tendência, custo esperado. O contato individual, quando existe, é conduzido por profissional de saúde, e o critério clínico é dele.

Essa fronteira não é cortesia: é o que mantém o desenho compatível com a Lei Geral de Proteção de Dados, cujo artigo 11 restringe o tratamento de dado sensível de saúde a hipóteses específicas. A "tutela da saúde" vale exclusivamente em procedimento realizado por profissionais de saúde, serviços de saúde ou autoridade sanitária. O empregador não é nenhum dos três. Um fornecedor que oferece a lista nominal está descrevendo, sem perceber, um problema jurídico.

Regulação de IA no Brasil: o que já vale e o que está em tramitação

O que já vale hoje para quem compra é a Lei Geral de Proteção de Dados, com o artigo 11 no centro de qualquer projeto que toque dado de saúde. O marco legal específico de inteligência artificial ainda está em tramitação. O PL 2338/2023 foi aprovado pelo Senado em 10 de dezembro de 2024 e, na consulta feita em 20 de agosto de 2026 à base de dados abertos da Câmara dos Deputados, a proposição seguia em situação "Aguardando Parecer", com última tramitação registrada em 17 de junho de 2026 e sem votação de plenário. O texto adota classificação por nível de risco e prevê direito a explicação e contestação.

A consequência prática para quem compra agora é simples: não existe obrigação legal brasileira específica de IA para se apoiar, e existe uma provável. Um fornecedor que já sabe explicar o que entra no modelo, quem revisa a saída e como um resultado é contestado está preparado; um que não sabe vai ter de aprender sob prazo.

Como usar a tabela na próxima reunião

O método é curto. Antes da conversa, escreva em uma linha o problema que você quer resolver, na linguagem do problema: a fatura que não fecha, a elegibilidade que divergiu, o custo que você precisa antecipar. Na reunião, mostre a tabela e peça ao fornecedor para apontar a linha. Se ele apontar a mesma que você escreveu, a conversa vale. Se apontar outra, você acabou de economizar um ciclo de aprovação. E se apontar três, peça para separar em três escopos, porque é o que são.

Classificar bem não decide a compra: decide qual prova pedir. Contexto de mercado ajuda a calibrar a expectativa: a sinistralidade média do setor de saúde suplementar brasileiro foi de 80,33% no recorte Total e 81,58% no recorte médico-hospitalar em 2025, conforme o Caderno de Informação da Saúde Suplementar da ANS, edição de março de 2026. Contra esse pano de fundo, todas as sete linhas têm função, e só a linha certa move o número que você precisa mover. Para escolher o que exigir depois de classificar, siga para como avaliar o ROI de IA em saúde corporativa, e para comparar categorias de fornecedor, veja plataforma de saúde corporativa: o que é e como escolher. Uma visão geral do que operamos está na página inicial.