Extração de Documentos de Seguros:
O Que Uma Ferramenta Precisa Cobrir

Quatro Famílias de Documentos, Uma Lacuna de Extração

Seguradoras processam documentos de quatro famílias distintas, cada uma com formatos, fontes e sistemas downstream diferentes. O erro que a maioria das equipes operacionais comete ao avaliar ferramentas de extração é testar apenas uma família — geralmente formulários de sinistros — e presumir que a ferramenta lidará com as outras três.

Uma seguradora de médio porte com 50 mil apólices vigentes lida com documentos de todas as quatro famílias todos os dias. A equipe de subscrição analisa propostas e relatórios de inspeção. A equipe de sinistros processa avisos de perda e as provas anexadas. A equipe de compliance monitora os COIs dos prestadores e fornecedores dos segurados. A equipe financeira concilia auditorias de prêmios e bordereaux. Nenhum departamento é "dono" da extração de documentos — mas todos enfrentam o mesmo gargalo: alguém digitando dados de um PDF em um sistema que poderia recebê-los de forma estruturada.

É por isso que avaliar uma ferramenta de extração apenas pela precisão em sinistros gera um resultado enganoso. Uma ferramenta com 98% de acerto em avisos de perda ACORD, mas incapaz de ler um relatório de campo manuscrito de um ajustador ou um prontuário médico de várias páginas de um médico do segurado, deixa três das quatro famílias de documentos sem solução. Para uma visão mais ampla do que diferencia as ferramentas de extração, nosso framework de avaliação detalha os critérios que importam em todos os setores — mas em seguros, o critério que mais importa é a cobertura por tipo de documento.

Por que os Formulários ACORD São a Parte Fácil da Extração de Seguros

A Association for Cooperative Operations Research and Development (ACORD) define os padrões de dados que sustentam as transações de seguros globalmente. Sua biblioteca de formulários — ACORD 25 (Certificado de Seguro), ACORD 125 (Solicitação de Seguro Comercial), ACORD 130 (Solicitação de Seguro de Acidente de Trabalho), ACORD 140 (Seção de Propriedade) — é o mais próximo que o seguro tem de um formato de documento universal.

O produto da própria ACORD, o ACORD Transcriber, consegue extrair dados de todos os mais de 800 formulários da biblioteca. Para seguradoras que processam grandes volumes de submissões ACORD padronizadas, o Transcriber resolve um problema real: ele elimina a redigitação manual de solicitações, avisos de sinistro e certificados que chegam no formato ACORD. Plataformas empresariais de IDP, como ABBYY Vantage, oferecem habilidades de extração específicas para ACORD.

A lacuna aparece no momento em que um documento chega sem um número de formulário ACORD.

Em um sinistro típico de propriedade e responsabilidade civil, o aviso de perda ACORD (formulário 1) é um documento em um arquivo que pode conter de cinco a quinze outros: um boletim de ocorrência da delegacia local (sem formato padrão), um orçamento de reparo de um perito independente (formatado pelo software de estimativa que ele usa — Xactimate, Symbility ou um modelo do Word), prontuários médicos do prestador de serviços do reclamante (formatados pelo prontuário eletrônico do hospital — Epic, Cerner, Athenahealth — cada um produzindo um layout de PDF diferente), fotos dos danos e correspondência do advogado do reclamante. Nenhum desses documentos são formulários ACORD. Todos contêm dados que o examinador de sinistros precisa inserir no ClaimCenter ou no sistema de gerenciamento de sinistros antes que o sinistro possa prosseguir.

Esta é a pergunta que separa as ferramentas projetadas para processamento de documentos de seguros daquelas que realmente resolvem o problema. Um extrator baseado em modelos precisa de um modelo pré-configurado para cada formato de documento que encontra. Em seguros, onde o mesmo tipo de documento (um prontuário médico, um orçamento de reparo, um boletim de ocorrência) chega em um formato diferente de cada fonte, a extração baseada em modelos cria um custo de manutenção que pode exceder a entrada manual de dados que deveria substituir. Para uma comparação mais aprofundada dessas abordagens, veja Document AI vs IDP vs OCR.

O Gargalo Pré-Sistema Core: Extração Antes do Guidewire, Não no Lugar Dele

Seguradoras que utilizam Guidewire, Duck Creek, Majesco ou OneShield já possuem sistemas que gerenciam o ciclo de vida de uma apólice ou sinistro assim que os dados são inseridos. O Guidewire ClaimCenter gerencia atribuição, investigação, avaliação, negociação e liquidação. O Duck Creek Policy gerencia precificação, emissão, endossos e renovações. Essas plataformas não são ferramentas de extração de documentos — são sistemas de fluxo de trabalho e gerenciamento de dados que pressupõem que dados estruturados cheguem em seu ponto de entrada.

O gargalo não está dentro do sistema core. Está antes dele. Um examinador de sinistros recebe um e-mail com três anexos em PDF — um aviso de perda, um boletim de ocorrência e uma conta médica. Os dados do aviso de perda precisam ir para os campos de FNOL do ClaimCenter. O boletim de ocorrência contém a narrativa do incidente, o policial responsável e o número do caso. A conta médica contém o prestador, valores, códigos de diagnóstico e datas de serviço. O examinador abre cada PDF, lê cada campo e digita os valores no ClaimCenter — um campo de cada vez, três documentos em sequência, para cada novo sinistro que chega.

A extração de documentos se insere nessa lacuna. Ela lê os três PDFs antes do examinador, extrai os campos em um formato estruturado (Excel, CSV ou JSON) e entrega ao examinador um conjunto de dados revisável, em vez de três documentos para transcrever. Os dados ainda vão para o Guidewire ou Duck Creek. O examinador ainda os revisa. A diferença é se eles gastam 15 minutos digitando ou 90 segundos revisando.

Esse posicionamento é importante ao avaliar ferramentas. Uma ferramenta de extração que exige integração com o Guidewire para funcionar resolve um problema diferente (e cobra preços empresariais por isso). Uma ferramenta que gera dados estruturados — Excel, CSV, JSON — funciona com qualquer sistema principal, pois todos eles podem importar dados estruturados. A questão não é "isso se integra com o Guidewire", mas sim "isso gera dados limpos que minha equipe pode revisar e importar em qualquer formato que meus sistemas aceitem". Para saber mais sobre essa escolha arquitetural, veja Extração de documentos via API vs. sem código.

Documentos de Sinistros: Diversidade de Formatos em um Único Arquivo de Sinistro

Um único sinistro de seguro automotivo pode gerar de oito a doze documentos de seis fontes diferentes. O segurado envia fotos e uma descrição por escrito. A delegacia de polícia que atendeu a ocorrência fornece um boletim. A oficina mecânica envia um orçamento. O prestador de serviços médicos do reclamante envia registros de tratamento e contas. O próprio perito da seguradora redige um relatório de vistoria de campo. Um advogado, se envolvido, envia uma carta de notificação.

Cada um desses documentos responde a uma versão das mesmas três perguntas: o que aconteceu, quando e quanto custou? Mas cada um codifica essas respostas em um formato diferente. O boletim de ocorrência coloca a data do incidente em um campo de cabeçalho chamado "Data da Ocorrência". A conta médica coloca a data do serviço em uma coluna de tabela chamada "DOS". O orçamento da oficina coloca a data da avaliação do dano em um rodapé. Um extrator baseado em modelos precisa de um modelo separado para cada um — e um novo modelo toda vez que uma oficina muda seu software de orçamento ou um hospital atualiza seu sistema de faturamento.

A abordagem de extração que lida com essa diversidade sem modelos por formato é a extração semântica: em vez de mapear coordenadas de campos em um formulário conhecido, a IA lê o documento e localiza os campos pelo significado. Você define as colunas necessárias — "Data do Sinistro", "Nome do Reclamante", "Valor Total Reclamado", "Código do Diagnóstico", "Total do Orçamento do Reparo" — e a IA encontra os valores correspondentes, independentemente de onde estejam na página ou qual rótulo o documento de origem usa. O ImageToTable.ai chama isso de Extração de Colunas Personalizadas: você digita os nomes das suas colunas, e a IA localiza os dados correspondentes entendendo o que cada campo significa, não lembrando onde ele geralmente aparece. As mesmas definições de coluna processam um boletim de ocorrência, uma conta médica e um orçamento de reparo em um único lote.

Para equipes de sinistros que processam centenas de casos por mês, o impacto prático é mensurável. Dados do setor da Inovalon apontam que o processamento manual de sinistros leva em média 70 minutos por caso, com a mão de obra representando até 90% do custo de US$ 10 a US$ 40 por sinistro. A extração não elimina a análise do examinador — sinistros complexos ainda exigem julgamento humano sobre cobertura, responsabilidade e definição de reservas. O que ela elimina é a etapa de transcrição: os 20 a 30 minutos por caso gastos lendo PDFs e digitando valores em campos que uma máquina poderia ter preenchido em segundos.

COIs e Documentos de Conformidade: O Problema do Certificado Recebido

As seguradoras emitem COIs. Elas também os recebem — de segurados que precisam comprovar que seus contratados, fornecedores ou inquilinos possuem cobertura adequada. Uma seguradora de propriedade comercial que gerencia 5.000 apólices pode receber vários milhares de COIs por ano de segurados demonstrando que seus empreiteiros, serviços de limpeza e fornecedores de manutenção estão segurados. Cada COI precisa ser verificado: O tipo de cobertura corresponde ao exigido no contrato? O limite é adequado? A apólice expirou? A parte segurada está listada como segurado adicional?

O Instituto Internacional de Gerenciamento de Riscos (IRMI) documentou que mais de 90% dos certificados COI contêm discrepâncias materiais em relação aos requisitos contratuais que deveriam atender. O problema não é que os COIs sejam difíceis de ler — a maioria são formulários ACORD 25 com campos previsíveis. O problema é o volume e a velocidade de verificação. Um analista de conformidade que gasta 5 minutos por COI inserindo manualmente número da apólice, seguradora, tipos de cobertura, limites, data de vigência, data de expiração e status de segurado adicional em uma planilha de acompanhamento não tem tempo para verificar se os limites informados realmente atendem aos requisitos mínimos do contrato.

A extração transforma essa matemática. Quando os nove campos-chave de um COI são extraídos em segundos, em vez de digitados em 5 minutos, o papel do analista passa de entrada de dados para revisão de conformidade — verificando a linguagem de endosso, confirmando a adequação da cobertura e sinalizando datas de vencimento que ocorrem antes do próximo marco contratual. A extração não verifica a apólice em si (nenhuma ferramenta de extração pode consultar o sistema da seguradora para confirmar se uma apólice está vigente), mas cria os dados estruturados que tornam a verificação possível em escala.

O exemplo acima utiliza um modelo de COI — colunas como "Número da Apólice", "Seguradora", "Tipo de Cobertura", "Limite por Ocorrência", "Limite Agregado", "Data de Vigência", "Data de Vencimento", "Segurado Adicional S/N". O mesmo mecanismo baseado em colunas lida com qualquer formato de COI — ACORD 25 de uma seguradora nacional, um certificado em papel timbrado de um corretor regional ou um resumo emitido por corretora com layout não padronizado. Para um guia detalhado sobre fluxos de extração de COI, consulte nosso guia de extração de COI para Excel.

Prontuários Médicos e Evidências de Apoio: O Desafio dos Documentos Não Estruturados

Em sinistros de danos corporais, acidentes de trabalho e pedidos de auxílio-doença, os prontuários médicos são a espinha dorsal das evidências. Um examinador de sinistros avaliando um pedido de acidente de trabalho precisa extrair datas de atendimento, diagnósticos (geralmente como códigos CID-10), médico assistente, nome da unidade de saúde, procedimentos realizados (códigos CPT) e valores cobrados — a partir de registros que chegam em qualquer formato que o prontuário eletrônico do prestador gere.

O arquivo médico de um único reclamante pode incluir registros de um clínico geral (PDF gerado pelo Epic), um ortopedista (PDF gerado pelo Cerner), uma clínica de fisioterapia (um documento do Word ou anotações manuscritas de evolução) e um perito médico independente (um relatório narrativo digitado). Cada fonte produz um documento com nomes de campos diferentes em posições diferentes. "Data do Atendimento" pode aparecer como "Dt. Atend.", "Data do Serviço", "Data da Consulta" ou "Data do Encontro" em quatro documentos de quatro prestadores.

É aqui que a extração semântica oferece uma vantagem estrutural sobre ferramentas baseadas em modelos. Ao definir uma coluna como "Data do Atendimento", a IA entende que "Dt. Atend.", "Data do Serviço", "Data da Consulta" e "Data do Encontro" se referem ao mesmo conceito — e extrai a data correta de cada documento, independentemente do rótulo usado. O mesmo se aplica a "Valor Total", "Diagnóstico" e "Nome do Prestador". Um único conjunto de definições de colunas processa registros de vários prestadores em um único lote, produzindo uma cronologia médica consolidada que o examinador de sinistros pode revisar, em vez de montar do zero.

Esta visão consolidada é o que os examinadores de sinistros normalmente montam manualmente — uma planilha listando cada data de tratamento, prestador, diagnóstico, procedimento e cobrança de todo o histórico médico do reclamante. Montá-la manualmente a partir de 15 a 20 páginas de prontuários leva de 30 a 60 minutos por sinistro. A extração reduz isso a uma etapa de revisão: examine a tabela extraída para verificar a precisão, corrija eventuais erros de leitura e passe para a avaliação. Para saber mais sobre como a IA lida com a variedade de formatos em documentos médicos, veja nosso passo a passo de extração de faturas médicas e, para uma comparação da perspectiva do prestador, o guia do comprador de extração de documentos de saúde aborda a captura de prontuários eletrônicos e a conciliação de EOB do lado das operações clínicas.

Estrutura de Avaliação: Sete Perguntas Antes de Comprar

Se você está avaliando ferramentas de extração de documentos para uma operação de seguros — seja uma seguradora P&C, uma MGA, uma TPA ou uma resseguradora — as sete perguntas a seguir revelarão mais sobre a adequação real do que qualquer demonstração de fornecedor em um conjunto de dados selecionado.

Para uma análise mais detalhada das considerações entre construir ou comprar e quando o IDP empresarial faz sentido em comparação com uma ferramenta mais leve, veja construir vs comprar para extração de documentos e recursos de extração empresarial vs SMB.

O que a Extração Não Substitui em Seguros

A extração de documentos não é automação de sinistros. Não é detecção de fraudes. Não é julgamento. Essas são confusões comuns no marketing de fornecedores, que geram expectativas equivocadas.

A extração captura dados de documentos. Ela não decide sobre cobertura, não define reservas, não detecta acidentes forjados, nem verifica se a apólice declarada em um COI está realmente vigente na seguradora. Essas funções exigem sistemas de gestão de sinistros (Guidewire ClaimCenter, Duck Creek Claims), plataformas de detecção de fraudes (Shift Technology, FRISS) e serviços de verificação (myCOI, Jones, TrustLayer para validação de COI), respectivamente.

O valor da extração em seguros é específico e limitado: ela elimina a etapa de transcrição manual entre o recebimento do documento e a entrada no sistema. Para uma seguradora de médio porte que processa 500 sinistros por mês, com média de 5 documentos por sinistro, são 2.500 documentos — cada um exigindo de 3 a 5 minutos de digitação manual. Com média de 4 minutos, isso representa cerca de 167 horas de trabalho da equipe por mês gastas digitando dados que já existem em papel ou PDF. A extração comprime a maior parte desse tempo em uma etapa de revisão medida em segundos por documento, não em minutos.

O que a extração cria é capacidade. Quando o examinador de sinistros não gasta 20 minutos por sinistro com entrada de dados, pode dedicar esse tempo ao trabalho que exige julgamento humano: avaliar a aplicabilidade da cobertura, analisar a responsabilidade, negociar acordos e identificar os sinais de alerta que os algoritmos de detecção de fraudes podem deixar passar. A pesquisa de tecnologia de seguros da Forrester descobriu que 91% das organizações de seguros terão automação de sinistros com IA implantada em produção até o final de 2026 — mas a capacidade mais madura e amplamente implantada dentro dessa automação é a extração e captura de dados de documentos, e não o processamento direto de ponta a ponta.

Perguntas Frequentes