Como Extrair Formulários de Sinistro de Seguro (FNOL)
para Planilhas
Padronização não é automação. A Association for Cooperative Operations Research and Development (ACORD) forneceu ao setor de seguros mais de 800 formulários padronizados desde 1970 — uma linguagem comum para dados de sinistros em dezenas de milhares de seguradoras, agências e MGAs. Mas uma linguagem comum para papel ainda é papel. Quando um First Notice of Loss (FNOL) chega em um formulário ACORD 1, 2 ou 3, seus campos ainda precisam ser lidos de um PDF digitalizado ou de uma foto de uma cópia carbono e digitados no Guidewire ClaimCenter, Duck Creek Claims ou Origami Risk por alguém que poderia estar fazendo um trabalho de maior valor. O formulário é padronizado. A redigitação não é.
Principais Conclusões
- A entrada manual de dados FNOL custa às seguradoras $40–60 por sinistro, com uma taxa de erro de transcrição de 3–5% embutida em cada valor antes que um perito veja o arquivo.
- Cada formulário de sinistro que você recebe carrega uma Descrição do Sinistro de 200 palavras escrita à mão por um reclamante estressado em um carro estacionado — e nenhuma IA no mercado hoje consegue dividir essa história de forma confiável em campos estruturados de causa e culpa.
- Extraia os 80–85% dos campos estruturados automaticamente, deixe a narrativa como texto bruto para seu perito ler, e reduza os custos por sinistro pela metade sem criar dados em que você não pode confiar.
O que é Realmente um First Notice of Loss
Um First Notice of Loss é o documento formal que inicia todo sinistro de seguro. É o primeiro relato que um segurado faz à sua seguradora — ou o documento que um agente registra em seu nome — descrevendo um incidente que pode acionar a cobertura. No seguro de propriedade e acidentes (P&C), o FNOL determina tudo o que vem a seguir: atribuição de perito, investigação de cobertura, definição de reserva e, por fim, a liquidação. Um sinistro que chega com dados limpos e completos pode passar da entrada à atribuição de perito em horas. Um sinistro com campos ausentes ou mal interpretados pode ficar dias em uma fila de "entrada de dados pendente", prolongando o ciclo de vida do sinistro e aumentando o risco de insatisfação do segurado — o que, segundo o estudo de 2024 da J.D. Power, está correlacionado a pontuações de satisfação 136 pontos menores para reclamantes cuja primeira interação envolve atrito.
O FNOL pode chegar de várias formas. Um segurado liga para seu agente após um acidente de carro, e o agente preenche um ACORD 2 (Automobile Loss Notice). Um gerente de propriedade comercial envia por e-mail fotos de danos por água ao seu corretor, que preenche um ACORD 1 (Property Loss Notice). Uma queda em um estabelecimento comercial gera um ACORD 3 (General Liability Notice of Occurrence/Claim). Esses três formulários ACORD — 1, 2 e 3 — cobrem a grande maioria dos sinistros P&C de primeira e terceira partes que passam pelo sistema de seguros dos EUA. Eles são padronizados em formato, mas chegam por canais totalmente diferentes: PDFs digitalizados de portais de agências, fotos tiradas por reclamantes em seus celulares, faxes de administradores de terceiros e, às vezes, o formulário em papel original enfiado em um envelope.
A consequência operacional é direta. Uma seguradora regional ou MGA que processa 80 FNOLs por dia — típico de uma operação P&C de médio porte — recebe esses 80 sinistros por pelo menos quatro canais de entrada, em formulários de dezenas de agências diferentes, cada um preenchido com caligrafia que varia de letra de forma cuidadosa a cursiva apressada escrita em um carro estacionado após um turno de 12 horas. Cada um desses 80 sinistros exige que alguém olhe o formulário e digite os mesmos campos em um sistema de gestão de sinistros antes que um perito possa tocá-lo.
Os Três Formulários ACORD Que Carregam Seus FNOLs
A ACORD mantém mais de 800 variantes de formulários, mas para o processamento de FNOL, três formulários concentram a grande maioria do volume diário de entrada. Saber quais campos cada formulário captura — e como eles se mapeiam para o seu sistema de gestão de sinistros — é o pré-requisito para construir um fluxo de extração que realmente economiza tempo.
| Formulário | Nome | Quando É Usado | Campos Principais |
|---|---|---|---|
| ACORD 1 | Aviso de Sinistro de Propriedade | Danos materiais (incêndio, água, vento, roubo, inundação) | Nome do segurado, número da apólice, data/hora do sinistro, local do sinistro, descrição do sinistro, valor provável, informações do credor hipotecário, contato com polícia/bombeiros |
| ACORD 2 | Aviso de Sinistro de Automóvel | Acidentes automobilísticos (pessoais e comerciais) | Nome do motorista, nome do segurado, VIN/ano/marca/modelo do veículo, número da placa, data/hora/local do acidente, descrição do acidente, ferimentos, testemunhas, número do boletim de ocorrência, informações de outro veículo/propriedade |
| ACORD 3 | Aviso de Ocorrência/Sinistro de Responsabilidade Geral | Quedas, responsabilidade por produtos, responsabilidade do estabelecimento | Nome do segurado, número da apólice, local do acidente, descrição do acidente, nome/informações do lesionado, natureza da lesão, testemunhas, descrição dos danos materiais, valor estimado |
A estrutura de campos entre os três formulários é notavelmente consistente — número da apólice, informações do reclamante/segurado, data e local do sinistro, descrição do incidente, detalhes das partes. Essa consistência é o que a padronização ACORD entrega. Mas o formato de entrega — a caligrafia, a qualidade da digitalização, a degradação da cópia a carbono — varia enormemente, e é com essa variação que as ferramentas de extração baseadas em modelo têm dificuldade. Uma ferramenta que espera que o campo do número da apólice esteja nas coordenadas (X=200, Y=450) na página quebra quando o mesmo formulário chega como uma foto de celular rotacionada em vez de uma digitalização de mesa.
A padronização resolve o "o quê" — não o "como". Os formulários ACORD garantem que toda seguradora peça os mesmos campos na mesma estrutura. Mas saber que o número da apólice vai no campo 18 não ajuda a extraí-lo de uma foto granulada de um formulário de terceira via a carbono. É nessa lacuna que a extração baseada em modelo falha e a extração semântica tem sucesso.
O Que Você Pode Extrair de um Formulário FNOL — Campo por Campo
Nem todo campo de um formulário FNOL é igualmente extraível. A distinção prática é entre campos que contêm dados previsíveis e estruturados e campos que contêm narrativa livre. Entender essa distinção evita tanto prometer demais sobre a automação quanto investir de menos no que é realmente possível.
Aqui está o detalhamento dos campos de um ACORD 1 típico (Property Loss Notice), mapeado para a estratégia de extração e a precisão esperada com uma abordagem de IA semântica e sem modelo:
| Campo | Formato | Estratégia de Extração | Precisão Esperada |
|---|---|---|---|
| Número da Apólice | Alfanumérico, 8-15 caracteres | Extração direta — localizar pelo contexto semântico próximo ao rótulo "Policy Number" | Alta (95%+) |
| Nome do Segurado | Texto | Extração direta — próximo a "Name of Insured" | Alta (95%+) |
| Data do Sinistro | Data (MM/DD/YYYY) | Extração direta + normalização do formato de data | Alta (95%+) |
| Local do Sinistro | Endereço / texto | Extração direta — próximo a "Location of Loss" | Alta (90%+) |
| Código NAIC / Código da Seguradora | Código numérico | Extração direta — campo impresso no cabeçalho do formulário | Alta (95%+) |
| Tipo de Sinistro (caixa de seleção) | Caixa de seleção (Incêndio/Vento/Granizo/Roubo/Inundação) | Detecção de caixa de seleção — modelo visual identifica a caixa marcada | Média-Alta (85-90%) |
| Valor Provável | Valor monetário | Extração direta — próximo a "Probable Amount Entire Loss" | Alta (90%+) |
| Informações de Testemunhas | Nome + telefone, semiestruturado | Extração direta — localizar o bloco de testemunhas no formulário | Média-Alta (85%+) |
| Número do Boletim de Ocorrência | Alfanumérico | Extração direta — próximo a "Police or Fire Dept to which reported" | Média (80%+) — frequentemente em branco ou manuscrito |
| Descrição do Sinistro | Narrativa livre (200-500 palavras) | Extrair como texto em uma única célula — não tentar categorização estruturada | Extração de texto: Alta. Categorização estruturada: Baixa (veja abaixo) |
| Assinatura do Segurado | Assinatura manuscrita | Detecção de assinatura (sim/não) + salvar como referência de imagem | Média-Alta (85%+) |
O ponto principal: cerca de 80-85% dos campos de um formulário FNOL padrão da ACORD são diretamente extraíveis como dados estruturados com uma abordagem moderna de IA de visão — incluindo campos manuscritos, seleções de caixas de seleção e blocos de testemunhas semiestruturados. Os 15-20% restantes se enquadram na categoria narrativa, e tratá-los com honestidade é a diferença entre um fluxo de trabalho de extração realista e um discurso de automação enganoso.
A Limitação Narrativa: O Que a Extração Não Pode Fazer
O campo "Descrição do Sinistro" em um ACORD 1, 2 ou 3 não é um campo de dados. É um parágrafo narrativo de 200 a 500 palavras no qual um reclamante — muitas vezes ainda estressado com o incidente — descreve o que aconteceu: "Eu estava saindo da garagem de ré quando ouvi um som de raspagem do lado do passageiro. Saí do carro e vi que tinha batido no poste da caixa de correio. A porta traseira do passageiro tem um amassado de cerca de 45 centímetros..." Esse texto contém informações que um perito precisa para avaliar cobertura e responsabilidade. Mas não são dados estruturados, e nenhuma ferramenta de extração — independentemente de quão avançado seja seu modelo de linguagem — consegue categorizar isso de forma confiável em campos estruturados como "causa do sinistro", "parte responsável" ou "grau de culpa" sem uma taxa de erro inaceitavelmente alta.
Essa é a limitação que a maioria dos fornecedores de extração disfarça. Eles mostram uma demonstração em que uma descrição bem digitada é analisada em colunas organizadas e afirmam "compreensão narrativa completa". Em produção, com uma descrição manuscrita de um reclamante estressado, escrita em um estacionamento mal iluminado, a mesma ferramenta produz resultados imprevisíveis — e o perito não pode confiar em nenhum campo derivado dela.
A abordagem honesta: Extraia a descrição narrativa como texto bruto em uma única célula da planilha. O perito a lê diretamente — da mesma forma que leria no formulário em papel — mas sem precisar redigitar o número da apólice, a data do sinistro e as informações de contato das testemunhas que a IA extraiu dos outros campos. O tempo economizado está nos campos estruturados, não na narrativa. Para uma operação de sinistros que processa 80 FNOLs por dia, economizar 2-3 minutos por sinistro apenas na entrada de campos estruturados recupera de 2,5 a 4 horas do tempo do perito diariamente — e isso antes de contabilizar a redução nos erros de transcrição.
Erros de transcrição em dados FNOL inseridos manualmente ocorrem em 3-5% dos campos. Para um sinistro com 15 pontos de dados preenchíveis, isso significa um erro em aproximadamente cada segundo ou terceiro sinistro. A extração por IA com uma etapa de revisão humana reduz isso para menos de 0,5% — porque o humano está validando, não redigitando.
Outra dimensão que a maioria das discussões sobre automação ignora: variação na qualidade da caligrafia. Um formulário ACORD pode ser preenchido por um assistente de sinistros em uma mesa (letra de forma legível), por um segurado em um hospital (cursiva trêmula) ou por um policial na cena de um acidente (anotações rápidas e abreviadas). O OCR tradicional — que compara formas de caracteres com um dicionário — falha quando as formas dos caracteres são inconsistentes. Uma IA de visão que lê entendendo o contexto visual em vez de comparar modelos de caracteres lida com essa variação porque interpreta o documento como um humano faria: reconhecendo que uma marca rabiscada no campo "data do sinistro" que contém um "0" e um "5" separados por uma barra provavelmente é "05/15/2026", mesmo que os dígitos individuais estejam malformados.
Do FNOL digitalizado às linhas da planilha: o fluxo de trabalho prático
Implementar a extração de dados de FNOL não exige substituir seu sistema de gestão de sinistros nem implantar uma plataforma corporativa de processamento de documentos. O fluxo de trabalho principal cabe em um único processo que qualquer operação de sinistros pode testar e adotar de forma incremental.
Defina suas colunas de extração
Liste os campos que seu sistema de sinistros precisa para criar um novo sinistro: Número da Apólice, Nome do Segurado, Data do Sinistro, Local do Sinistro, Tipo de Sinistro, Valor Provável, Nome da Testemunha, Número do Boletim de Ocorrência. Eles se tornam os cabeçalhos das colunas da sua planilha e as instruções que a IA usa para encontrar cada valor no formulário.
Envie os formulários FNOL
Envie formulários ACORD digitalizados, fotos de formulários de sinistro tiradas com o celular ou PDFs recebidos de portais de agências. Uma foto tirada com um smartphone em iluminação normal é suficiente — não é necessário um scanner de mesa. A IA lê os rótulos dos campos no formulário e localiza os valores correspondentes por compreensão semântica, não por correspondência de coordenadas.
Processe e revise
A IA extrai os campos estruturados e preenche a planilha. A revisão leva de 2 a 3 minutos por sinistro — com foco na descrição narrativa (que você lê como está) e na verificação pontual dos números de apólice e datas extraídos. Um protocolo estruturado de verificação pontual detecta os 1-2% de campos em que a IA pode ter lido incorretamente um caractere manuscrito.
Exporte para seu sistema de sinistros
Exporte a planilha preenchida como CSV ou Excel. Importe para o Guidewire ClaimCenter, Duck Creek Claims, Origami Risk ou seu sistema de gestão de sinistros atual — as colunas estruturadas mapeiam diretamente para os campos do sistema. Os sinistros chegam com dados limpos, e os peritos passam direto para a investigação em vez de limpar dados.
Este fluxo de trabalho usa a Extração de Colunas Personalizadas — uma mudança de paradigma da extração baseada em posição (em que você desenha caixas em um modelo de formulário) para a extração baseada em intenção (em que você nomeia os campos desejados e a IA os encontra pelo significado). Você define a saída; a IA se adapta à entrada, independentemente do layout do formulário, da qualidade da digitalização ou da variação da caligrafia. Para se aprofundar em como isso funciona com vários tipos de documentos, consulte o guia completo de extração de documentos por IA sem modelo.
Você pode testar este fluxo de trabalho com seus próprios formulários FNOL — sem configuração, sem necessidade de cadastro. A demonstração abaixo permite enviar um formulário ACORD digitalizado ou uma foto de um formulário de sinistro e ver os campos extraídos aparecerem em uma tabela estruturada:
Os arquivos são processados com segurança e não são armazenados.
Quando Sua Mesa Recebe 30 Sinistros de Uma Vez: Processamento em Lote de FNOLs
O fluxo de trabalho acima funciona para a entrada diária constante — os 10-20 FNOLs que chegam em uma terça-feira normal. Mas as operações de sinistros de seguros enfrentam um segundo padrão, mais estressante: o pico de catástrofe. Após uma tempestade de granizo no Centro-Oeste, um incêndio florestal na Califórnia ou um evento de congelamento no Texas, o volume de FNOLs pode aumentar de 5 a 10 vezes em 48 horas. O processamento manual que era mal sustentável com 80 sinistros por dia entra em colapso total com 400 sinistros por dia.
É aqui que o processamento em lote se torna uma necessidade operacional, e não uma melhoria de eficiência. Processar 30 formulários ACORD 1 do mesmo evento de tempestade não é 30 vezes o trabalho de processar um — é um lote de trabalho que deve compartilhar uma única passagem de revisão. A IA extrai todos os 30 formulários usando as mesmas definições de coluna, consolida os resultados em uma planilha e a equipe de sinistros revisa o lote como um conjunto — sinalizando valores atípicos, verificando uma amostra e importando as linhas estruturadas para o sistema de sinistros em uma única operação.
A alternativa — contratar processadores de sinistros temporários durante eventos de catástrofe — é estruturalmente cara. Cada processador temporário exige treinamento nos formulários e fluxos de trabalho específicos da seguradora, produz taxas de erro mais altas durante a curva de aprendizado e contribui para a inflação dos custos de processamento de sinistros que eleva os custos manuais por sinistro da linha de base de $40-60 para valores significativamente mais altos durante os períodos de pico.
A extração em lote não elimina a necessidade de peritos experientes durante uma catástrofe — ela garante que os peritos em campo dediquem seu tempo a investigar sinistros e gerenciar liquidações, em vez de digitar números de apólice em uma fila de sistema.
A Variável da Escrita Manual: Formulários ACORD Preenchidos no Local
Uma porcentagem significativa dos formulários FNOL não é preenchida em um escritório. Um ACORD 2 (Automobile Loss Notice) costuma ser preenchido à beira da estrada, com o formulário apoiado em uma prancheta ou no capô de um carro. Um ACORD 3 (General Liability Notice) pode ser preenchido por um gerente de loja após um incidente, com uma caligrafia que varia de letra de forma cuidadosa a cursiva apressada de alguém gerenciando uma cena. As caixas de seleção — Fire, Wind, Hail, Theft, Flood em um ACORD 1 — são marcadas com um traço de caneta que pode ser um check, um X, um círculo ou um rabisco que mal toca a caixa.
Ferramentas de OCR tradicionais, que segmentam caracteres comparando formas com uma biblioteca de referência, falham nesse tipo de entrada porque não há forma de referência para comparar. Uma caixa de seleção parcialmente preenchida — uma em que a caneta começou dentro da caixa mas levantou antes de cruzá-la completamente — é lida como "não marcada" por um detector baseado em limite. Um "5" manuscrito que parece um "S" é lido como uma letra. Esses não são casos extremos; são a maioria dos dados em nível de campo em FNOLs preenchidos em campo.
O Vision AI lida com isso de forma diferente. Um modelo multimodal — do tipo que consegue olhar para um documento da mesma forma que uma pessoa — interpreta a caixa de seleção não medindo a escuridão dos pixels em uma coordenada, mas entendendo o contexto visual: a caixa faz parte de uma seção "Kind of Loss", a caixa adjacente também está parcialmente preenchida mas com pressão de caneta mais leve, o check está mais próximo de "Theft". Essa compreensão contextual é a diferença entre um OCR que precisa de condições perfeitas e uma extração que funciona nos documentos que sua operação realmente recebe.
Perguntas Frequentes
Qual taxa de precisão posso esperar ao extrair dados de formulários FNOL?
Para campos estruturados — número da apólice, data do sinistro, nome do segurado, local do sinistro, valores — espere 90-95%+ de precisão em campos impressos e 85-90%+ em campos claramente manuscritos com um Vision AI moderno. A detecção de caixas de seleção normalmente alcança 85-90% de precisão, dependendo da qualidade da marcação. Sempre reserve tempo para uma etapa de validação: 2-3 minutos de revisão por sinistro capturam os erros restantes antes que entrem no seu sistema de sinistros. A melhoria em relação à entrada manual (que carrega 3-5% de erros de transcrição) é substancial.
Preciso criar um modelo para cada tipo de formulário ACORD?
Não. A extração semântica — em que você define os campos que deseja por nome e a IA os localiza entendendo os rótulos e o layout do formulário — funciona nos formulários ACORD 1, 2 e 3 usando as mesmas definições de coluna. Uma coluna "Policy Number" extrai dos três formulários sem modelos separados, porque a IA lê o rótulo "Policy Number" onde quer que ele apareça na página. Essa é a diferença fundamental entre a extração sem modelo e o OCR de zona tradicional.
A IA consegue extrair e categorizar a descrição narrativa de um formulário FNOL?
A IA consegue extrair o texto completo da descrição narrativa de forma confiável — como um bloco de texto. O que ela não consegue fazer de forma confiável é categorizar essa narrativa em campos estruturados como "categoria da causa do sinistro", "parte culpada" ou "nível de gravidade". A linguagem nas descrições dos reclamantes é muito variável, muito emocional e frequentemente incompleta. A abordagem honesta é extrair a narrativa como texto bruto em uma célula e deixar o perito ler e interpretar, economizando tempo nos 80-85% dos campos estruturados que podem ser automatizados.
Como os dados de FNOL extraídos chegam ao meu sistema de gestão de sinistros?
Os dados extraídos chegam como uma planilha estruturada (Excel ou CSV) que pode ser importada para o Guidewire ClaimCenter, Duck Creek Claims, Origami Risk, Snapsheet, ClaimVantage ou qualquer sistema que aceite importação de CSV. Os cabeçalhos das colunas na sua planilha mapeiam para campos no seu sistema de sinistros. Para operações que usam o Google Sheets, o complemento ImageToTable.ai para Google Sheets grava os resultados da extração diretamente na planilha ativa, sem exportações intermediárias de arquivos.
Posso extrair dados de fotos de formulários FNOL tiradas no celular?
Sim — fotos tiradas com iluminação normal, com o formulário razoavelmente plano e desobstruído, são suficientes. Você não precisa de um scanner. Um reclamante que envia uma foto do formulário ACORD preenchido pelo celular pode passar pelo mesmo pipeline de extração de um PDF digitalizado. A IA de visão ajusta a distorção de perspectiva, as sombras e o brilho moderado — problemas comuns em fotos de documentos capturadas por celular.
Qual é o ROI de automatizar a extração de dados de FNOL?
Dados do setor mostram que a entrada manual de FNOL custa $40-60 por sinistro, considerando mão de obra, correção de erros e retrabalho posterior. A extração automatizada com revisão humana reduz esse valor para menos de $20 por sinistro. Para uma seguradora regional que processa 80 FNOLs por dia (aproximadamente 20.000 sinistros por ano), a economia anual varia de $400.000 a $800.000. Os peritos também relatam recuperar 30-40% do seu dia de trabalho — tempo que era gasto com entrada de dados e agora está disponível para investigação de sinistros e interação com o cliente.