Estar preparado para IA tem menos a ver com quantas ferramentas a operadora utiliza e mais com a capacidade de transformar tecnologia em resultado com controle.
Inteligência artificial já pode participar de análises, automações e diferentes etapas da operação de uma operadora de saúde. Mas adotar uma tecnologia e estar preparado para utilizá-la em escala são coisas diferentes.
Uma organização pode ter projetos de IA em andamento e ainda depender de dados pouco confiáveis, processos difíceis de explicar, controles paralelos ou equipes que não sabem quando devem confiar na tecnologia e quando precisam questioná-la.
É aí que a discussão sobre maturidade ganha importância.
Os sete sinais a seguir não formam uma certificação da Agência Nacional de Saúde Suplementar (ANS) nem uma lista oficial do National Institute of Standards and Technology (NIST). São critérios editoriais construídos a partir de desafios reais da saúde suplementar, das prioridades atuais de dados e governança do setor e das boas práticas de gestão de riscos em IA.
A pergunta não é se a operadora está definitivamente “pronta para IA”.
É quanto da estrutura necessária já existe para que cada novo uso de inteligência artificial produza valor sem ampliar fragilidades que a operação ainda não resolveu.
O primeiro sinal aparece antes de qualquer escolha tecnológica.
Uma operadora mais madura consegue explicar qual problema pretende resolver, quem é afetado por ele e como saberá se a mudança funcionou.
Isso parece básico, mas faz diferença.
Um projeto pode começar porque surgiu uma nova capacidade de IA e só depois procurar um lugar onde aplicá-la. Nesse cenário, existe o risco de automatizar uma atividade de pouco impacto ou criar uma previsão sobre a qual ninguém consegue agir.
O caminho mais consistente parte da operação.
Se existe pressão sobre contas médicas, é preciso localizar onde estão o volume, o retrabalho ou as inconsistências. Se o desafio está na regulação, importa entender quais etapas consomem tempo especializado. Se o problema envolve atendimento, é preciso identificar em que ponto a jornada perde contexto ou resolutividade.
Sinal de maturidade: a operadora consegue definir o problema, estabelecer uma referência inicial e explicar qual resultado justificaria o uso de IA.
Uma tecnologia não organiza automaticamente um processo mal definido.
Se a mesma situação recebe tratamentos diferentes conforme a equipe, as responsabilidades são pouco claras ou ninguém consegue explicar onde começam e terminam as exceções, conceder autonomia à IA pode tornar o fluxo mais difícil de controlar.
Por isso, maturidade também significa conhecer o trabalho como ele realmente acontece.
A operadora sabe quais informações entram, que sistemas participam, onde existem regras objetivas e em que ponto é necessário julgamento especializado.
Esse mapeamento também ajuda a identificar quando IA não é a solução necessária.
Se uma pessoa repete a mesma digitação porque dois sistemas não se comunicam, integrar pode ser mais eficiente do que colocar um agente para reproduzir a tarefa. Se um processo possui etapas que deixaram de fazer sentido, automatizá-las preserva uma ineficiência.
Sinal de maturidade: antes de automatizar, a organização consegue distinguir regra, exceção, integração necessária e decisão humana.
Ter muitos dados não significa possuir uma base adequada para inteligência artificial.
Informações podem estar incompletas, desatualizadas ou classificadas de formas diferentes entre áreas. Também podem representar apenas parte daquilo que realmente acontece na operação.
Na saúde suplementar, qualidade da informação já é uma preocupação concreta independentemente da IA. A ANS mantém mecanismos de acompanhamento da qualidade dos dados do Padrão de Troca de Informações na Saúde Suplementar (TISS), e sua Agenda Regulatória 2026–2028 inclui transparência e qualidade dos dados entre os temas prioritários.
Uma organização madura não descobre problemas de qualidade somente quando um modelo apresenta uma resposta inadequada.
Ela acompanha sinais como completude, duplicidades, divergências entre bases, atrasos de atualização e volume de correções manuais.
Também sabe quem responde por cada informação.
Sinal de maturidade: a operadora consegue demonstrar de onde vêm os dados usados pela IA, quais fragilidades conhece e como acompanha sua qualidade ao longo do tempo.
Uma ferramenta pode ser excelente isoladamente e ainda piorar a arquitetura da empresa.
Isso acontece quando surge uma nova base, uma nova versão de determinado cadastro ou mais um processo que exige que alguém copie informações de um sistema para outro.
A IA torna esse problema ainda mais relevante.
Modelos e agentes precisam consultar informações para compreender aquilo que está acontecendo. Se encontram versões diferentes do mesmo dado ou dependem de intervenções manuais para reconstruir contexto, sua capacidade de atuar com consistência diminui.
A Agenda Regulatória da ANS também inclui a integração de dados assistenciais para medir cuidado, qualidade, risco e desempenho com governança entre seus temas para 2026–2028. Isso não estabelece uma obrigação de utilizar IA, mas reforça a importância estratégica da informação integrada para a evolução do setor.
Maturidade, portanto, não significa possuir menos sistemas.
Significa saber qual aplicação responde por cada informação e como as demais acessam ou atualizam esse dado sem criar realidades concorrentes.
Sinal de maturidade: a entrada de uma nova tecnologia não exige criar mais um controle paralelo para reconciliar aquilo que a organização já deveria conhecer.
Uma aplicação ser capaz de executar determinada ação não significa que deva receber autorização para fazê-la em qualquer situação.
Consultar informações, organizar documentos, criar uma atividade, alterar um valor financeiro e participar de uma decisão assistencial possuem níveis de impacto diferentes.
A maturidade aparece quando esses limites são deliberados, e não descobertos depois de um problema.
O NIST organiza a gestão de riscos de IA em quatro funções amplas — governar, mapear, medir e gerenciar — e trata esse trabalho como contínuo ao longo do ciclo de vida do sistema, não como uma etapa encerrada antes da implantação.
Para uma operadora, isso significa definir quais informações podem ser consultadas, que ações estão disponíveis, que situações exigem supervisão e quando a tecnologia precisa interromper sua execução.
Sinal de maturidade: a organização consegue responder com clareza “até onde esta IA pode ir sozinha?” e “o que precisa acontecer quando ela encontra uma situação fora desses limites?”.
Outro sinal não está no sistema.
Está na equipe.
Uma organização pouco madura pode oscilar entre dois extremos: profissionais que resistem a qualquer uso de inteligência artificial e profissionais que passam a aceitar seus resultados automaticamente.
Nenhum dos dois representa uma boa relação com a tecnologia.
Quem utiliza ou supervisiona uma aplicação precisa compreender sua finalidade, suas limitações e os tipos de situação em que uma revisão mais cuidadosa é necessária.
Isso não exige transformar auditores, gestores ou analistas em especialistas em modelos de IA.
Exige permitir que saibam quando confiar, quando investigar e como registrar uma divergência.
Esse último ponto é particularmente importante. Se profissionais corrigem repetidamente a mesma situação, a informação não deve desaparecer depois que o caso é resolvido. O padrão pode indicar que uma regra precisa mudar, uma base possui problema ou uma exceção ainda não foi incorporada ao fluxo.
Sinal de maturidade: as correções humanas produzem aprendizado para o processo, em vez de funcionar apenas como consertos individuais.
Ter mais projetos de inteligência artificial não significa estar mais avançado.
O último sinal de maturidade é a capacidade de demonstrar o que mudou depois da implantação.
Se o objetivo era reduzir esforço operacional, quanto trabalho deixou de ser necessário? Se a aplicação deveria melhorar a preparação de uma demanda, quanto tempo o processo passou a levar? Se uma automação assumiu parte da execução, quantos casos ainda exigem intervenção humana e por quê?
As métricas precisam conversar com o problema que originou o projeto.
Também é importante acompanhar o desempenho da própria tecnologia: onde aparecem mais exceções, quais tipos de situação concentram divergências e se o comportamento mudou depois de alterações nos dados ou no processo.
Essa lógica se aproxima da estrutura do NIST, em que medir e gerenciar riscos continuam fazendo parte do ciclo depois que o sistema entra em uso.
Uma aplicação que funcionou bem durante seis meses pode precisar de ajustes se a operação mudar.
Sinal de maturidade: a empresa consegue demonstrar não apenas que colocou IA em produção, mas qual resultado melhorou e que evidências sustentam essa conclusão.
Poucas organizações terão o mesmo nível de desenvolvimento em todas essas dimensões.
Uma operadora pode possuir dados muito bem estruturados e ainda precisar amadurecer sua forma de medir resultados. Outra pode ter processos claros, mas enfrentar dificuldade para integrar sistemas. Uma terceira pode já utilizar IA em diferentes áreas e perceber que precisa rever critérios de autonomia e supervisão.
Isso não significa que a organização precise interromper toda inovação até resolver cada ponto.
O valor dos sete sinais está justamente em ajudar a identificar onde uma nova aplicação encontra uma estrutura preparada e onde pode ampliar uma fragilidade existente.
O NIST faz uma ressalva semelhante ao explicar que suas funções e ações não formam uma checklist rígida nem uma sequência obrigatória. Gestão de risco precisa ser adaptada ao contexto de cada organização e de cada aplicação.
Maturidade para IA é, portanto, uma capacidade em evolução.
A estrutura da Benner Saúde reúne processos relacionados a beneficiários, rede credenciada, regulação, auditoria, processamento de contas, faturamento, TISS e indicadores de gestão. A plataforma também incorpora recursos de inteligência artificial em diferentes etapas da operação.
Essa integração importa porque dados, processos e tecnologia não amadurecem separadamente.
A própria Benner informa que suas soluções participam hoje da gestão de mais de 13 milhões de vidas no Brasil e posiciona sua estratégia de inteligência artificial conectada aos dados e às regras da operação.
O desafio, porém, continua sendo menos sobre adicionar IA e mais sobre criar as condições para utilizá-la de maneira consistente.
Quando a operadora conhece seus processos, acompanha a qualidade da informação, integra sistemas, estabelece limites de autonomia, prepara as equipes e mede resultados, a tecnologia deixa de funcionar como uma iniciativa isolada.
Passa a fazer parte da gestão.
A maturidade não acontece de uma vez.
Ela aparece nas escolhas que tornam cada nova aplicação mais compreensível, mensurável e controlável.
Por isso, os sete sinais não servem para classificar uma operadora como “pronta” ou “não pronta”.
Servem para formular perguntas melhores antes de ampliar a presença da inteligência artificial:
Sabemos qual problema queremos resolver?
Conhecemos o processo que será alterado?
Confiamos nos dados que a tecnologia utilizará?
Os sistemas compartilham contexto?
A autonomia possui limites?
As equipes sabem intervir?
Conseguimos provar que o resultado melhorou?
Quanto mais claras forem essas respostas, maior será a capacidade de transformar inteligência artificial em desempenho operacional e não apenas em experimentação tecnológica.
Conheça as soluções Benner para Saúde e veja como dados, processos, integração e inteligência podem evoluir juntos na gestão da sua operadora.
Preencha os campos abaixo e fale agora mesmo com a nossa equipe pelo WhatsApp.
