O problema: o intake de sinistros consome tempo demais de quem mais sabe
No setor de seguros, o Primeiro Aviso de Perda — em inglês, First Notice of Loss (FNOL) — é o momento em que um sinistro entra no sistema pela primeira vez. Fotos tiradas em campo, vídeos de inspeção, documentos digitalizados e gravações de áudio chegam juntos, geralmente sem padronização, com rótulos inconsistentes e frequentemente incompletos.
O desafio é que profissionais experientes de sinistros precisam navegar por portais, abrir cada artefato manualmente, correlacionar evidências entre diferentes mídias e confirmar se a submissão está completa antes de qualquer avaliação real começar. Esse trabalho é repetitivo e mecânico — exige atenção, não julgamento. O resultado é que ajustadores qualificados gastam uma parcela desproporcional do tempo validando intake em vez de aplicar sua expertise nas decisões que realmente importam.
Durante picos de volume — como eventos catastróficos ou sazonalidades — esse gargalo se amplifica, criando filas que atrasam a resolução de sinistros e prejudicam a experiência do cliente.
A proposta da AWS: agentes que trabalham com o portal, não contra ele
A AWS publicou uma demonstração técnica mostrando como construir um sistema de intake FNOL hands-free (sem intervenção manual) combinando duas capacidades complementares:
- Strands Agents: um SDK de código aberto que adota uma abordagem orientada a modelos para construir agentes de IA generativa. Nessa arquitetura, os agentes aplicam regras de negócio específicas do setor de seguros — como interpretação de evidências, correlação entre modalidades e avaliação de complexidade de sinistros — usando modelos de fundação (FMs) servidos pelo Amazon Bedrock.
- Amazon Nova Act: um SDK cliente que interpreta instruções em linguagem natural (por exemplo, “abra o próximo sinistro não processado” ou “acione a análise de imagens”) e as traduz em ações reais na interface do portal. O Amazon Bedrock AgentCore Browser Tool fornece a sessão Chrome gerenciada e isolada à qual o Nova Act se conecta para executar essas ações, além de oferecer gravação de sessão e visualização ao vivo para observabilidade.
A separação é intencional: o Nova Act cuida do fluxo de controle da interface — quando e onde agir —, enquanto os agentes Strands determinam o que a evidência significa, aplicando a mesma lógica de domínio que um revisor humano usaria.
Arquitetura da solução
A solução é estruturada em camadas complementares:
- Interação com o navegador: o Nova Act se conecta a uma sessão do AgentCore Browser Tool via Protocolo Chrome DevTools (CDP) sobre WebSocket, raciocina sobre o estado atual da interface do portal FNOL e age de forma deliberada sobre o que está visível.
- Raciocínio de domínio: dois agentes construídos com o Strands Agents SDK — um Agente Analisador de Evidências, que interpreta e classifica evidências multimodais, e um Agente Analisador de Complexidade de Sinistros, que avalia a complexidade geral do caso.
- Observabilidade de execução: capturas de tela, prompts, raciocínio e transições de estado da interface são registrados automaticamente a cada etapa, produzindo uma trilha de auditoria completa sem instrumentação adicional.
- Infraestrutura e persistência: o Amazon ECS no AWS Fargate executa a aplicação; o Amazon S3 armazena os artefatos de evidência; o Amazon DynamoDB mantém o estado dos sinistros e os resultados gerados pelos agentes; e o Amazon CloudWatch fornece visibilidade operacional.
A infraestrutura é provisionada via AWS Cloud Development Kit (AWS CDK), que constrói as imagens de contêiner e cria os recursos de computação, armazenamento e rede como parte de um único fluxo de implantação. O código completo está disponível no repositório GitHub da solução.
O fluxo em prática: da fila ao sinistro classificado
Seleção do sinistro na fila
O fluxo começa na fila de FNOL. O Nova Act observa o estado atual do portal por meio da sessão do AgentCore Browser Tool, identifica o próximo sinistro pronto para processamento com base nos indicadores de status visíveis e navega até a visão detalhada do sinistro. Como a decisão é baseada no estado atual da interface — e não em scripts pré-gravados ou seletores fixos —, a mesma lógica funciona independentemente de mudanças no layout da fila, reordenação de colunas ou variações na quantidade de registros.
Análise de evidências: revisão estruturada por modalidade
A revisão de evidências é onde o intake de FNOL tipicamente desacelera. A solução divide essa etapa em três ações distintas — Analisar Imagens, Analisar Vídeos e Analisar Áudio — espelhando como um examinador humano avalia cada tipo de artefato separadamente.
Imagens: quando a análise de imagens é acionada, cada foto submetida é avaliada de forma independente pelos agentes Strands. Isso inclui identificar o que a imagem retrata (dano ao veículo, superfície de telhado, interior, documentação médica etc.), avaliar se a perspectiva é adequada para o tipo de sinistro, confirmar clareza e usabilidade, e sinalizar indicadores de dano. Em vez de deixar essa interpretação implícita, cada imagem recebe atributos estruturados que tornam o julgamento explícito, consistente e reutilizável ao longo do ciclo de vida do sinistro.
Vídeos: quando a análise de vídeos é acionada, as submissões em vídeo são tratadas como evidências de primeira classe, não como anexos opacos. Os agentes Strands avaliam o que cada vídeo captura: se adiciona informações além das fotos, complementa imagens ausentes ou corrobora outros artefatos. Os sinais derivados do vídeo são normalizados para participar diretamente do raciocínio downstream ao lado de imagens e documentos.
Áudio: quando a análise de áudio é acionada, o sistema processa as evidências por meio das transcrições correspondentes. O Agente Analisador de Evidências analisa o texto da transcrição para extrair observações materiais, declarações factuais, danos reportados e detalhes contextuais que complementam as evidências visuais. Os sinais transcritos são então correlacionados com as tags de imagens e vídeos, espelhando como um revisor humano cruza contexto falado com provas visuais durante o intake.
Ao final dessas três etapas, cada imagem, vídeo e artefato de áudio foi avaliado e classificado. Nenhuma evidência permanece sem categorização, e qualidade, relevância e completude tornam-se explícitas em vez de inferidas.
Análise de complexidade: do tagging à decisão de triagem
Com as evidências completamente classificadas, o agente avalia cada sinistro de forma holística. Em vez de depender apenas de campos estáticos de intake, os agentes Strands combinam metadados do sinistro com sinais derivados das evidências para avaliar a complexidade usando regras já familiares às operações de seguros. Isso inclui indicadores de severidade entre modalidades, completude e consistência interna das evidências, e limites de apólice que determinam escalonamento ou roteamento.
Os sinistros são classificados como Simples ou Complexos. Sinistros simples são resolvidos automaticamente, enquanto sinistros complexos são encaminhados para o status “Necessita Revisão” com notas estruturadas geradas automaticamente explicando por que o sinistro foi sinalizado — fornecendo contexto imediato e acionável para os usuários downstream.
Por que o tagging automatizado de evidências importa — agora e no futuro
O tagging automatizado acelera o sinistro atual ao garantir completude e clareza do intake antes que as etapas downstream comecem. Revisores gastam menos tempo confirmando o básico e mais tempo aplicando julgamento onde importa.
Com o tempo, evidências consistentemente classificadas tornam-se um ativo de dados durável. Como as tags são geradas por raciocínio de domínio codificado — não por interpretação pontual —, as seguradoras podem:
- Melhorar o roteamento e a priorização de sinistros
- Reduzir retrabalho causado por submissões incompletas
- Identificar padrões que levam a atrasos ou escalonamentos
- Refinar regras de intake à medida que novos cenários surgem, sem alterar limites de conformidade ou autoridade de decisão
À medida que evidências classificadas se acumulam, artefatos não estruturados deixam de ser arquivos isolados e passam a funcionar como sinais operacionais pesquisáveis e analisáveis. Isso suporta novos fluxos de trabalho — como alcance proativo quando lacunas comuns são detectadas, pré-posicionamento de sinistros para equipes especializadas e redução de tempos de ciclo para sinistros futuros semelhantes.
Humano no loop, não humano no detalhe
A solução não remove pessoas do processo — ela muda onde elas se engajam. Com evidências já analisadas e classificadas, os ajustadores começam seu trabalho com contexto em vez de artefatos brutos. A revisão substitui o reprocessamento. Correções tornam-se feedback em vez de retrabalho.
Com o tempo, esse feedback aprimora as regras de negócio de forma incremental à medida que padrões emergem entre sinistros. O intake de FNOL evolui de um gargalo para um sistema de aprendizado — que refina continuamente como evidências são interpretadas, roteadas e tratadas sem aumentar a carga operacional.
Essa abordagem funciona sem substituir sistemas existentes ou interromper fluxos de trabalho estabelecidos. A automação opera com os portais que as seguradoras já utilizam, porque o Nova Act interage com a interface como um humano faria.
Além do FNOL: o valor das evidências estruturadas ao longo do ciclo de vida
Embora o FNOL seja o ponto de entrada, o valor das evidências estruturadas e classificadas se estende por todo o ciclo de vida dos sinistros. Depois que artefatos não estruturados são consistentemente interpretados e classificados na ingestão, eles deixam de se comportar como anexos estáticos e passam a funcionar como sinais operacionais.
Sinistros podem ser roteados com base no que as evidências realmente mostram, em vez de depender de campos grosseiros de intake ou triagem manual. Fluxos de trabalho downstream chegam pré-populados com contexto — indicadores de dano, sinais de completude e evidências corroborativas. À medida que padrões emergem entre sinistros, a orientação de coleta de evidências melhora organicamente, ajudando as seguradoras a identificar lacunas comuns antes que criem atrasos downstream.
Explorar a solução
Para explorar essa abordagem em seu próprio ambiente, a AWS disponibiliza o protótipo no repositório GitHub. A documentação complementar está disponível na documentação do Amazon Bedrock AgentCore, na documentação do Amazon Nova Act e na documentação do Strands Agents.
Fonte
Hands-free first notice of loss: Using Strands Agents and Amazon Bedrock AgentCore Browser Tool for intelligent claims intake (https://aws.amazon.com/blogs/machine-learning/hands-free-first-notice-of-loss-using-strands-agents-and-amazon-bedrock-agentcore-browser-tool-for-intelligent-claims-intake/)
Leave a Reply