Inteligência artificial na saúde: o que já funciona no Brasil

Resumo executivo

• Já é rotina: leitura assistida de exame de imagem, triagem e navegação por assistente conversacional, e documentação clínica com IA generativa. Nesses três, a tecnologia entrega tempo e padronização. A decisão continua com o profissional de saúde.
• Ainda é piloto: previsão de custo assistencial, estratificação de risco populacional e detecção de desperdício em conta médica. São exatamente os usos que mexem na fatura da empresa, e os que mais dependem da qualidade da base de dados.
• Ainda é promessa (e já está sendo regulada): decisão de cobertura assistida por modelo. Nos Estados Unidos há exigência de motivo específico para negativa desde 2026; no Brasil o PL 2338/2023 segue em tramitação na Câmara, sem votação final.
• O número que dá a escala real no Brasil: 18% dos estabelecimentos de saúde já usavam inteligência artificial em 2025, segundo a 12ª edição da pesquisa TIC Saúde, do Cetic.br, divulgada em maio de 2026. Entre os que usam, 76% adotam modelos de IA generativa. A adoção sobe para 31% em estabelecimentos com mais de 50 leitos.
• O que ninguém está contando: quase tudo que sai sobre IA na saúde fala do hospital e do diagnóstico. Quem paga o plano de saúde da empresa não aparece na conversa, e é lá que a IA já poderia estar trabalhando.

A inteligência artificial já funciona na saúde?

Sim, em três frentes com uso estabelecido. Na frente que mais interessa a quem administra o custo de um plano coletivo, ainda não. A resposta honesta em uma frase: a IA já é rotina onde o trabalho é ler, classificar e escrever; ainda é piloto onde o trabalho é prever e priorizar; e é promessa onde o trabalho é decidir.

Essa separação importa porque a palavra "IA" hoje cobre coisas com maturidades muito diferentes. Um assistente conversacional que responde dúvida de rede credenciada e um modelo que estima o custo assistencial dos próximos doze meses são as duas coisas chamadas de inteligência artificial na mesma apresentação comercial, e só uma delas muda o seu reajuste. Se você está comparando fornecedores, a distinção entre o que é plataforma e o que é interface é o primeiro corte a fazer.

Onde a IA já é rotina na saúde

Três aplicações concentram o uso estabelecido hoje: ler exame de imagem, atender e classificar dúvida, e escrever documentação clínica. Nas três, a IA assume a tarefa repetitiva e devolve tempo ao profissional de saúde, que segue responsável pela conduta.

1. Leitura assistida de exame de imagem

É o caso mais maduro e o mais bem documentado. Em novembro de 2025, a Harvard Health Publishing resumiu um estudo publicado na revista Heart em 16 de setembro de 2025: uma ferramenta de aprendizado de máquina aplicada a mamografias de rotina estimou risco cardiovascular em dez anos usando apenas a idade da paciente e características da própria imagem, como depósitos de cálcio em vasos. A base tinha 49.196 mulheres australianas, com idade média de 60 anos, e um acompanhamento mediano de quase nove anos, no qual 3.392 tiveram um primeiro infarto ou AVC, ou receberam diagnóstico de doença arterial coronariana ou insuficiência cardíaca.

Repare no que esse exemplo prova e no que ele não prova. Ele prova que um exame que a mulher já faz por outra razão carrega sinal aproveitável. Ele não prova que a ferramenta substitui o médico: a ferramenta não estabelece conduta clínica e não foi desenhada para decidir cobertura. É um estudo, com um desenho e uma população declarados, e é assim que evidência de IA deve chegar até você.

2. Triagem e navegação por assistente conversacional

É a camada que o colaborador mais percebe e a que menos muda a conta. A Personify Health, operadora de programas de saúde corporativa nos Estados Unidos, registrou em material publicado em outubro de 2025 que 81% dos colaboradores tentam resolver sozinhos uma questão de saúde antes de acionar o suporte. É um argumento forte para autoatendimento inteligente. E é, ao mesmo tempo, o retrato da diferença entre interface e modelo: melhorar o atendimento reduz atrito sem reduzir sinistro.

3. Documentação clínica com IA generativa

É onde a adoção brasileira efetivamente aconteceu, e onde ela é mais operacional do que clínica. A pesquisa TIC Saúde 2025, do Cetic.br, mostra que entre os estabelecimentos que já usam IA, 76% usam modelos de IA generativa, seguidos por mineração de texto (52%) e automação de processos (48%), com a principal aplicação sendo a organização de processos clínicos e administrativos. Ou seja: no Brasil, a porta de entrada da IA em saúde foi o texto e o processo, antes do diagnóstico.

Vale registrar as barreiras medidas pela mesma pesquisa, porque elas explicam o ritmo: em hospitais com mais de 50 leitos, 63% dos gestores apontam custo elevado, 56% falta de priorização institucional e 51% limitações de dados e capacitação.

O que ainda é piloto

Os três usos que mudariam o custo do plano de uma empresa são justamente os menos maduros, e a razão é sempre a mesma: o gargalo está na base de dados, antes do modelo.

Previsão de custo assistencial. O modelo precisa de série histórica consistente de utilização, com elegibilidade reconciliada mês a mês. Sem isso, ele aprende o erro do cadastro. Nossa explicação de como a saúde preditiva funciona na gestão corporativa detalha o encadeamento; a aplicação ao orçamento está em antecipar custos antes que eles aconteçam.

Estratificação de risco populacional. Aqui o pré-requisito é identidade: a mesma vida aparece com grafias diferentes na operadora, na folha e no programa de saúde. Sem uma chave única, o modelo conta a mesma pessoa duas vezes e perde outra.

Detecção de desperdício em conta médica. Depende de acesso a dado analítico de utilização com granularidade suficiente, algo que muitos contratos coletivos simplesmente não entregam ao contratante.

É por isso que a medição internacional mais recente sobre empregadores fala de execução, antes de algoritmo: segundo a pesquisa 2026 AI Use in Health and Benefits, da WTW, com 312 empregadores ouvidos em janeiro e fevereiro de 2026, apenas 20% estão de fato operacionalizando IA dentro dos seus programas de benefícios hoje, embora cerca de 72% planejem embutir IA nos próximos 24 meses. E a prioridade declarada de investimento é comunicação (68%), à frente de análise de dados e conclusões (59%) e suporte personalizado (57%), números reportados pela WorldatWork em 25 de maio de 2026.

Traduzindo para o português da sua realidade: o mercado está comprando a camada que se vê, e ainda não a camada que decide.

Há um efeito colateral útil nisso. Como a camada de interface é barata de demonstrar e a camada de modelo é cara de sustentar, o mercado se enche de demonstração, e o comprador corporativo perde a régua. A régua existe e é simples: peça o histórico de uso na sua carteira, antes da tela. Um modelo que roda há doze meses na sua carteira tem série, tem erro medido e tem lista de casos em que errou. Uma demonstração tem cenário. Quando um fornecedor não consegue mostrar a diferença entre as duas coisas, ele normalmente está vendendo a segunda com o nome da primeira.

IA na saúde: o que já é rotina, o que é piloto e o que é promessa

Uma ressalva que vale para a coluna de evidência inteira: "tem estudo" e "tem estudo na sua população" são coisas diferentes. Modelo validado em base australiana, americana ou europeia precisa ser recalibrado para a sua carteira antes de qualquer decisão de orçamento.

O que isso muda no plano de saúde da sua empresa

Aqui está a ponte que o resto do mercado não faz. O custo de um plano coletivo empresarial é um produto de frequência e ticket médio, e ele chega até você com atraso, pela carta de reajuste. Todo uso de IA listado como "piloto" na tabela acima ataca esse atraso: prever custo é encurtar o intervalo entre o evento e a decisão; estratificar risco é escolher onde intervir antes de o evento virar internação; detectar desperdício é impedir que a mesma conta seja paga duas vezes.

Nada disso funciona sem a etapa que não aparece em demonstração: integrar o dado da operadora, reconciliar quem estava elegível em cada mês, deduplicar vidas, fixar uma régua de tempo única e governar dado sensível. É a parte menos vistosa e a mais determinante, e é a razão pela qual duas empresas com o mesmo fornecedor de IA chegam a resultados diferentes. Se a sua discussão hoje é sobre reajuste, o caminho é entender como a sinistralidade do plano empresarial se forma e o que a move antes de comprar previsão sobre ela.

E há um limite que precisa ficar explícito, porque ele é frequentemente subentendido de forma errada: modelo preditivo não decide necessidade médica, nem gera negativa de cobertura, nem entrega ao RH lista nominal de colaboradores em risco. O que chega ao RH é agregado: grupo, faixa, linha de cuidado. Quem vê o indivíduo é profissional de saúde, dentro da finalidade de cuidado. A fronteira está descrita em o que o RH pode e não pode saber sobre a saúde dos colaboradores.

Atuamos nos dois lados: a saúde preditiva trabalha no nível populacional, e o FaceScan faz a triagem individual e devolve o resultado à própria pessoa. Ao gestor chega o agregado.

O que a regulação vai exigir

A regulação chegou antes da adoção, e isso é uma boa notícia para o comprador corporativo: ela transforma "confie no nosso algoritmo" em obrigação de explicar.

Estados Unidos. A regra CMS-0057-F (Interoperability and Prior Authorization) determina, conforme a ficha técnica dos próprios CMS, que a partir de 2026 os pagadores alcançados forneçam motivo específico para autorização prévia negada, independentemente do canal pelo qual o pedido chegou, e publiquem anualmente métricas de autorização prévia em seus sites, com data de conformidade a partir de 1º de janeiro de 2026. Prazos de decisão passam a ser de 72 horas para pedidos urgentes e sete dias corridos para os demais. A API de autorização prévia, que deve comunicar o motivo específico da negativa, tem conformidade a partir de 1º de janeiro de 2027.

A ressalva que muda a leitura: uma regra finalizada ainda pode ficar sem fiscalização. Em 16 de junho de 2025, os CMS sinalizaram que não fiscalizariam parte das regras de gestão de utilização de Medicare Advantage: especificamente a exigência de especialista em equidade em saúde no comitê de utilization management e a publicação de relatórios por plano com taxas de aprovação e negativa por população, conforme levantamento do Medicare Policy Initiative da Georgetown publicado em novembro de 2025. Quem escreve "o CMS exige" sem essa nota está descrevendo um cenário mais firme do que o real.

Brasil. O PL 2338/2023 foi aprovado pelo plenário do Senado em 10 de dezembro de 2024 e, na Câmara dos Deputados, seguia em 20 de agosto de 2026 na situação "Aguardando Parecer", em regime de prioridade e sujeito à apreciação do Plenário, sem votação final. Verificamos na base de dados abertos da Câmara, onde a movimentação mais recente registrada é de 17 de junho de 2026. O texto adota classificação por risco, prevê direito à explicação e à contestação de decisão automatizada e sanções que chegam a R$ 50 milhões. Continua sendo projeto de lei, e por isso só cabe o condicional.

O que já vale hoje, e é frequentemente esquecido: a Lei Geral de Proteção de Dados garante, no artigo 20, o direito de solicitar revisão de decisões tomadas unicamente com base em tratamento automatizado, e obriga o controlador a fornecer informações claras sobre os critérios e procedimentos usados. Não é preciso esperar lei nova para exigir explicação.

Para o comprador corporativo, a leitura prática dos três parágrafos acima é uma só: a direção regulatória, em qualquer dos cenários, é explicabilidade. Nos Estados Unidos ela já chegou como obrigação de dizer o motivo; no Brasil ela já existe em forma geral na LGPD e ficaria mais específica se o PL 2338 fosse aprovado. Quem contrata IA em saúde hoje deveria escrever isso em contrato antes de a lei escrever: qual decisão o sistema toma, com que dado, com que taxa de erro medida, e como um humano revisa. Fornecedor que trata essa cláusula como excesso de zelo está declarando que não tem a resposta.

E um alerta de leitura para o cenário americano: notícia sobre negativa de cobertura por IA circula muito, frequentemente nomeando operadoras em litígio. Não é necessário entrar nesse terreno para sustentar o argumento: a regra e o prazo já dizem o que precisa ser dito, sem apontar nome.

Como separar o que funciona do que é marketing

A pergunta "qual é a melhor IA para a área da saúde" não tem resposta única, porque a maturidade muda por aplicação, como mostra a tabela acima. O que decide a escolha é a tarefa que você precisa resolver, e quatro perguntas dão conta da triagem. Nenhuma delas exige que você entenda de modelo:

1. Isso é modelo, automação ou script? Regra fixa disparando alerta não é predição. Se a resposta muda quando o dado muda, é modelo; se muda só quando alguém edita a regra, é automação.
2. Qual é o denominador? "Identificamos 200 casos de risco" não significa nada sem saber de quantas vidas, em que janela e comparados a quem.
3. Qual dado entra e qual não entra? Fornecedor que não sabe responder isso não tem governança, e vai ter dificuldade com a sua área jurídica antes de ter com o seu orçamento.
4. O que o modelo declaradamente não faz? A ausência dessa lista é o sinal mais confiável de exagero comercial.

Um exame de contexto mais amplo ajuda a calibrar expectativa: a KFF, em explicação de política publicada em 17 de março de 2026 com o Peterson-KFF Health System Tracker, colocou inteligência artificial em saúde entre as oito tendências que moldam o debate de custo de 2026, ao lado de alta de prêmios, custo de medicamentos, transparência de preços e consolidação. IA é uma dessas oito forças.

Para comparar fornecedores com critério, use o mesmo tipo de checagem que se aplica a telemedicina corporativa: peça o desenho da medição antes de aceitar o número.

Perguntas frequentes

Comece pela visão geral da plataforma Axenya se o seu próximo passo é entender onde a inteligência artificial se encaixa na gestão do seu plano.