Resumo do webinar: como a Admiral gerencia ligações de seguros com agentes de IA

A Admiral gerencia milhões de interações com clientes por ano, em diversos idiomas e em todo o mundo (incluindo Reino Unido, Itália, França e Espanha).

Em nosso webinar mais recente, Por trás do agente: como a Admiral gerencia chamadas de seguros com agentes de IA, Dominika Kampa, diretora de IA generativa do grupo na Admiral, explicou como sua equipe está criando a camada de IA para lidar com esse volume, incluindo a arquitetura, o padrão de testes e o trabalho organizacional por trás disso.

A principal meta da Admiral era criar a experiência mais confiável para clientes de seguros 

O objetivo da Admiral era criar uma nova categoria de experiência do cliente.

É fácil criar um agente que encerra uma conversa rapidamente sem de fato resolver o problema do cliente. 

O objetivo final é que cada cliente, em cada canal e em cada momento importante, tenha sua questão resolvida na hora ou seja encaminhado a uma pessoa que conheça o cliente, o contexto e a situação que ele está tentando resolver.

Sua principal métrica era alcançar 90% de resolução no primeiro contato. Eles também acompanharam a disponibilidade de atendimento 24 horas por dia, 7 dias por semana, interações concisas e um NPS consideravelmente mais alto. 

A contenção era uma métrica secundária. No primeiro caso de uso por voz, a equipe a melhorou muito à medida que os clientes perceberam que o agente era mais rápido.

Mas a resolução era seu ponto de referência. A Admiral acompanha, como uma métrica própria e separada de saber se a chamada foi escalada, se o cliente realmente conseguiu o que procurava ao ligar. Assim, uma transferência intencional para uma pessoa nunca é considerada uma falha.

Como o “bom” precisa ser em um setor regulamentado

O padrão da Admiral para colocar algo em produção é alto. Antes de entrar no ar, eles querem que sua solução com agentes seja tão boa quanto seus atendentes humanos são hoje, ou melhor.

O conhecimento sobre casos extremos que antes vivia na intuição dos agentes mais experientes agora precisa ser testado explicitamente em cada caso de uso.

E, na prática, a equipe definiu limites deliberados de escopo. Por exemplo, casos de vulnerabilidade e inadimplência continuam sendo encaminhados para uma pessoa enquanto a equipe aprende mais sobre casos extremos do uso em questão.

Como a maior parte da regulamentação de seguros se baseia em resultados, a visão de Dom é pragmática: o “como” é flexível, desde que o resultado para o cliente e para a empresa seja exatamente o pretendido.

A adesão não vem de uma imposição

Uma organização regulamentada não adota IA só porque mandam. 

Dom passou anos na McKinsey trabalhando com programas de gestão de mudanças antes de entrar na Admiral. Quando perguntaram o que ela diria a alguém defendendo a IA agêntica hoje, ela apresentou três princípios diretamente desse manual.

1) As pessoas apoiam o que ajudam a construir

A resposta da Admiral ao ceticismo foi colocar a ferramenta diretamente diante dos céticos.

A equipe realizou demonstrações e sessões educativas em toda a organização — inclusive com os 50 principais líderes do grupo — para desmistificar o que é IA agêntica. A ElevenLabs e Dom realizaram um dia de treinamento em que a equipe de liderança, incluindo a CEO do grupo, Milena Mondini de Focatiis, criou agentes do zero. Nas palavras de Dom, eles “de fato… gostaram da experiência”.

2) Nunca é só sobre tecnologia

A visão abrange a mudança no P&L, na experiência do cliente e na experiência dos funcionários.

Quando as pessoas se alinham quanto ao resultado, as opções de tecnologia são definidas. O conselho de Dom era não começar pela tecnologia.

3) Crie a governança desde cedo

Os pontos de contato certos, os KPIs certos e os dados certos desde os primeiros dias facilitam muito a tomada de decisões. O antipadrão, nas palavras dela, é se basear na intuição e acabar com “um artefato muito bonito” que ninguém usa e que não melhora nenhuma métrica importante.

O modelo de implementação também foi importante. A abordagem da Admiral foi escolher uma área do grupo para experimentar profundamente um tema e, depois, replicar os aprendizados em todo o restante.

Eles fazem isso primeiro com implementações rápidas e, depois, com uma implementação completa. Em vez de um caso de uso em um domínio, o que, segundo Dom, teria atrasado muito o trabalho, adotam a disciplina deliberada de não reinventar a roda dez vezes.

Demonstração 1: valores para quitação (Admiral Money)

Cenário: Uma cliente quer quitar seu empréstimo antecipadamente. É uma solicitação simples: ela só precisa saber o valor para quitação.

Tradicionalmente, obter esse número significava passar por uma URA, confirmar a identidade com um atendente humano, esperar enquanto um sistema de back-end fazia o cálculo e as telas carregavam, e então ficar de olho na caixa de entrada para receber um PDF. Cinco minutos de processo para uma pergunta com uma única resposta.

Dan Clark, diretor de IA generativa do grupo na Admiral, mostrou o que a equipe criou.

O que foi apresentado:

• A autenticação funciona como um subagente próprio no início do workflow, antes de qualquer outra etapa.
• O subagente sentinela verifica se quem liga está apto a falar com o agente de IA — clientes vulneráveis e clientes inadimplentes são transferidos para uma fila prioritária com um atendente humano, enquanto a equipe aprende mais sobre casos extremos. 
• O agente coleta as respostas de forma preditiva logo no início e opera por meio de API, em vez de esperar pelas telas legadas. A mesma jornada que leva cerca de cinco minutos com uma pessoa leva aproximadamente dois minutos e meio com o agente.
• O sucesso é medido pela autenticação do cliente e pelo recebimento da cotação de quitação, acompanhado separadamente da escalada.
• No fim da chamada, um agente de feedback pede que os clientes avaliem a experiência de um a cinco. As chamadas que não são escaladas recebem quase totalmente notas quatro e cinco.

Por que isso importa: o tempo economizado vem de o workflow ser orientado por API, e não por telas, não simplesmente de a IA responder em vez de uma pessoa. Nas palavras de Dan, trata-se muito de reduzir a duração das chamadas e, como resultado, melhorar a experiência do cliente. E as escaladas atuais refletem limites que a equipe escolheu enquanto aprende, não uma falha do agente em ajudar.

Demonstração 2: Olivia (L’Olivier)

Cenário: Uma cliente na França tem uma dúvida sobre sua apólice. Ela abre o chat no site e encontra o Ollie Bot, uma ferramenta tradicional baseada em árvore de decisão (“pressione A para isto, B para aquilo”). A dúvida dela não é a opção A nem a opção B, então ela sai sem resposta.

Essa era a experiência que a L’Olivier queria substituir. A equipe criou a Olivia, um agente de base de conhecimento na ElevenLabs, já disponível no site.

O que foi apresentado:

• O prompt do sistema, a primeira mensagem, os workflows e o subagente foram escritos diretamente em francês, não traduzidos do inglês. Dan cita pesquisas que mostram que criar prompts no idioma do cliente engaja o modelo de uma forma diferente, e a equipe obteve resultados significativamente melhores dessa maneira. A Olivia detecta automaticamente e responde em inglês quando necessário. 
• Conversas reais de clientes são analisadas em comparação com a base de conhecimento para identificar lacunas, e as correções geralmente são refletidas no agente em produção em uma ou duas horas.
• As mudanças são implementadas em uma branch com divisão gradual de tráfego — 1%, 2%, 5%, 10%, 25%, 50% e então 100% —, com testes de simulação e pré-visualização manual antes que algo chegue ao tráfego em produção. Se os dados não sustentarem a mudança, o tráfego volta a zero instantaneamente, sem nada para reverter. 
• Um ciclo completo de branch leva de algumas horas a um dia, do início ao fim. Chega de sprints de duas semanas e implementações de duas semanas.

Por que isso importa: a redução do ciclo de lançamento de semanas para horas já é notável por si só, mas a percepção mais importante é que o idioma pode não ser apenas um detalhe de localização — ele pode mudar a forma como o modelo raciocina. 

Nenhum manual sobrevive ao contato com um novo mercado

As convenções de alternância de fala, a tolerância a interrupções e o que é considerado um ritmo normal de conversa variam muito entre os mercados. 

Não existe fórmula mágica. Segundo Dom, o que funciona é combinar um engenheiro que entende de prompting e arquitetura com uma pessoa responsável pelo negócio na entidade local, que dá vida ao contexto do mercado, e tratar essa dupla como a unidade de implementação.

A construção em si não varia tanto de um mercado para outro. A adoção, sim. E Dom acredita que isso vale para qualquer implementação de IA, não apenas para operações de atendimento ao cliente.

É por isso que a equipe espera gastar mais tempo educando os clientes — com mensagens de boas-vindas, posicionamento, mensagens na URA etc. — do que trabalhando no modelo por trás disso.

Tratamento justo em todos os mercados

No setor de seguros, a detecção de vulnerabilidade é uma base que precisa funcionar em todos os mercados, idiomas e canais.

A abordagem da Admiral é detectar por diversas vias. Especificamente para vulnerabilidade, a equipe usa deliberadamente modelos consolidados de machine learning junto à IA generativa, em vez de confiar apenas em um deles. Assim, clientes vulneráveis são identificados em qualquer etapa, independentemente de qual sinal apareça primeiro, e recebem o atendimento adequado.

Esse padrão vale mesmo antes de a tecnologia receber a confiança para lidar com o caso. No agente de valores para quitação, um subagente sentinela avalia cada pessoa que liga, e clientes vulneráveis ou inadimplentes vão direto para uma fila prioritária com uma pessoa — um limite deliberado enquanto a equipe aprende mais sobre casos extremos.

E, como os clientes são imprevisíveis — por exemplo, alguém perguntou à Olivia como fazer sopa de cebola —, a equipe combina barreiras de segurança com a sinalização proativa do inesperado. Assim, sempre sabe quem interage com suas ferramentas e como.

A equipe por trás dos agentes 

A Admiral opera com um modelo hub-and-spoke, em que a expertise em nível de grupo fica no “hub”, enquanto especialistas locais ficam nos “spokes” e conhecem o mercado, os clientes e os funcionários.

O centro de excelência se divide em duas partes. A primeira é voltada à geração de valor e é responsável pela estratégia, pelos roadmaps, pelo design de produto e pelos testes de resultados, incluindo testes A/B. A segunda é técnica, formada por engenheiros, arquitetos e profissionais de entrega que garantem que tudo o que é criado atenda aos padrões e se integre ao restante do ambiente.

Para Dom, o engenheiro de IA do futuro terá muito menos a ver com escrever código e muito mais com entender como a IA generativa funciona, estruturar ideias adequadamente e aproveitar a programação agêntica para entregar resultados.

Em torno da equipe principal, especialistas em processos e responsáveis pelo negócio são reunidos em pequenos grupos com talentos de produto e tecnologia. Nas palavras dela, “trancando-os em uma sala” para criar e testar juntos e, depois, entregar para clientes reais testarem até encontrar falhas.

Como a Admiral prioriza o roadmap 

O modelo hub-and-spoke também faz esse trabalho. O grupo define prioridades inegociáveis para os grandes projetos — nos quais o risco e o valor são maiores, e a viabilidade é um pouco menor — para que o apoio central possa destravar os gargalos. Os spokes têm espaço para inovação de baixo para cima, desde que tenham capacidade e sigam as diretrizes de cima para baixo.

O roadmap futuro que a equipe está criando se concentra na ambição de que o cliente nunca precise se repetir, seja entre URA, agente de voz, pessoa ou canal. Para isso, sinais de intenção, sentimento e vulnerabilidade são levados em cada transferência, não apenas a transcrição. 

Assista à sessão completa

A Admiral reformulou conjuntamente o padrão de validação, a adesão da organização e a stack tecnológica para se aproximar de seu objetivo de criar a melhor experiência do cliente em seguros.

Assista ao webinar completo aqui.