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 vários idiomas e em todo o mundo, incluindo no Reino Unido, na Itália, na França e na 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 Admiral, explicou como sua equipe está construindo 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 para o 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 todos os canais e em todos os momentos importantes, 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.

A principal métrica era alcançar 90% de resolução no primeiro contato. Eles também acompanhavam a disponibilidade do serviço 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 a referência principal. A Admiral acompanha, como uma métrica própria e separada da escalada da chamada, se o cliente realmente conseguiu o que procurava. Assim, um encaminhamento intencional para uma pessoa nunca é considerado uma falha.

Como o “bom” precisa ser em um setor regulamentado

O padrão da Admiral para produção é alto. Antes de entrar no ar, eles querem que a solução baseada em agentes seja tão boa quanto as pessoas que atuam hoje — ou melhor.

O conhecimento sobre casos extremos, que antes estava nos instintos 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 a uma pessoa enquanto a equipe aprende mais sobre os casos extremos do uso.

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

O apoio não vem de uma imposição

Uma organização regulamentada não adota IA só porque mandam. 

Dom passou anos na McKinsey trabalhando em programas de gestão de mudanças antes de entrar na Admiral e, quando perguntaram o que ela diria a um colega defendendo a adoção de IA baseada em agentes hoje, ela apresentou três princípios diretamente desse manual.

1) As pessoas apoiam aquilo que ajudam a criar

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 baseada em agentes. 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 se trata apenas de tecnologia

A visão envolve mudanças no P&L, na experiência do cliente e na experiência dos funcionários.

Quando as pessoas se alinham quanto ao resultado, as opções de tecnologia se definem. O conselho de Dom foi não começar pela tecnologia.

3) Crie a governança desde cedo

Os pontos de contato certos, os KPIs certos e os dados certos desde o início 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 importava. A abordagem da Admiral foi escolher uma parte do grupo para experimentar profundamente um tema e, depois, replicar os aprendizados em todos os outros lugares.

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

Demonstração 1: valores de quitação (Admiral Money)

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

Tradicionalmente, obter esse valor significava navegar por uma URA, confirmar sua identidade com um agente humano, esperar enquanto um sistema de backend fazia o cálculo e as telas carregavam, e depois aguardar um PDF na caixa de entrada. Cinco minutos de processo para uma pergunta com uma única resposta.

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

O que foi mostrado:

• A autenticação é executada como um subagente próprio no início do workflow, antes de qualquer outra etapa.
• O subagente sentinela verifica se a pessoa que liga pode falar com o agente de IA — clientes vulneráveis e inadimplentes são transferidos para uma fila prioritária com uma pessoa, enquanto a equipe aprende mais sobre casos extremos. 
• O agente coleta as respostas de forma preditiva logo no início e opera via API, em vez de esperar 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 pela obtenção do valor de quitação, acompanhadas separadamente da escalada.
• No fim da chamada, um agente de feedback pede aos clientes que avaliem a experiência de um a cinco. As chamadas que não são escaladas recebem quase exclusivamente notas quatro e cinco.

Por que isso importa: o tempo economizado vem do workflow ser orientado por API, e não por telas; não se trata apenas de a IA responder em vez de uma pessoa. Nas palavras de Dan, o foco é reduzir bastante o tempo 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 antiga baseada em árvore de decisões (“pressione A para isso, B para aquilo”). A dúvida dela não corresponde à opção A nem à B, então ela sai sem uma resposta.

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

O que foi mostrado:

• O prompt de sistema, a primeira mensagem, os workflows e o subagente foram todos escritos diretamente em francês, não traduzidos do inglês. Dan cita pesquisas que mostram que criar prompts no idioma do cliente envolve o modelo de outra forma, e a equipe obteve resultados significativamente melhores dessa maneira. Quando necessário, Olivia detecta automaticamente e responde em inglês. 
• Conversas reais de clientes são comparadas à base de conhecimento para identificar lacunas, e as correções geralmente aparecem no agente ativo em uma ou duas horas.
• As alterações são implementadas em uma branch com divisão gradual de tráfego — 1%, 2%, 5%, 10%, 25%, 50% e então 100% — com testes de simulação e visualização manual antes de qualquer coisa chegar ao tráfego ativo. Se os dados não sustentarem a alteração, o tráfego volta instantaneamente a zero, 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: o ciclo de lançamento cair de semanas para horas já é notável por si só, mas o principal insight 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 troca de turnos, 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 unir um engenheiro que conhece prompting e arquitetura a um responsável de negócios da entidade local, que dá vida ao contexto do mercado, e tratar essa dupla como a unidade de implementação.

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

Por isso, a equipe espera dedicar mais tempo à educação dos clientes — mensagens de boas-vindas, posicionamento, mensagens na URA etc. — do que ao modelo por trás disso.

Tratamento justo em todos os mercados

Em seguros, a detecção de vulnerabilidade é um requisito básico que precisa se manter em todos os mercados, idiomas e canais.

A abordagem da Admiral é detectar por várias vias. Especificamente para vulnerabilidade, a equipe executa deliberadamente modelos estabelecidos de machine learning junto com IA generativa, em vez de confiar em apenas um deles. Assim, clientes vulneráveis são identificados em qualquer etapa, independentemente de qual sinal apareça primeiro, e atendidos da maneira correta.

Esse padrão vale mesmo antes de a tecnologia receber o caso. No agente de valores de quitação, um subagente sentinela avalia cada pessoa que liga, e clientes vulneráveis ou inadimplentes vão diretamente 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 proteções com a sinalização proativa do inesperado. Assim, eles sempre sabem quem está interagindo com suas ferramentas e como.

A equipe por trás dos agentes 

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

O centro de excelência se divide em duas partes. Primeiro, uma frente de captura de valor responsável pela estratégia, pelos roadmaps, pelo design de produto e por testes de resultados, incluindo testes A/B. Segundo, uma frente técnica de engenheiros, arquitetos e profissionais de entrega, que garante 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 bem as ideias e usar programação baseada em agentes para entregar resultados.

Ao redor da equipe central, especialistas em processos e responsáveis de negócios são reunidos em pequenos grupos com talentos de produto e tecnologia. Nas palavras dela, é “trancá-los em uma sala” para construir e testar juntos, e depois entregar o resultado a clientes reais para que encontrem falhas.

Como a Admiral prioriza o roadmap 

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

O roadmap futuro que a equipe está construindo se concentra na ambição de que o cliente nunca precise repetir o que disse, seja entre URA, agente de voz, pessoa ou canal. Os sinais de intenção, sentimento e vulnerabilidade devem acompanhar cada transferência, não apenas a transcrição. 

Assista à sessão completa

A Admiral reformulou em conjunto o padrão de validação, o engajamento da organização e a stack de tecnologia para se aproximar do objetivo de criar a melhor experiência para clientes de seguros.

Assista ao webinar completo aqui.