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 mercados ao redor do mundo (incluindo Reino Unido, Itália, França e Espanha).

No nosso webinar mais recente Behind the Agent: como a Admiral gerencia ligações de seguros com agentes de IA, Dominika Kampa, Head 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, os padrões de teste e o trabalho organizacional por trás disso.

A principal ambição da Admiral era criar a experiência do cliente mais confiável do setor 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 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 acompanharam a disponibilidade do atendimento 24 horas por dia, 7 dias por semana, interações concisas e um NPS consideravelmente maior. 

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

Mas a resolução era o foco. A Admiral acompanha, como uma métrica própria, se o cliente de fato conseguiu o que buscava ao ligar, separadamente de a chamada ter sido escalada. Assim, um encaminhamento intencional para uma pessoa nunca é considerado uma falha.

Como deve ser o padrão de qualidade em um setor regulado

O padrão da Admiral para colocar algo em produção é alto. Antes de entrar no ar, eles querem que sua solução de IA agêntica seja tão boa quanto os atendentes humanos atuais — ou melhor.

Queremos elevar o padrão de validação, sem reduzir o padrão de conformidade.

O conhecimento sobre casos extremos, que antes estava no instinto dos agentes mais experientes, agora precisa ser testado explicitamente em cada caso de uso.

Na prática, a equipe também definiu limites claros de escopo. Por exemplo, casos de vulnerabilidade e inadimplência continuam sendo encaminhados para uma pessoa enquanto a equipe aprende mais sobre os casos extremos desse uso.

Como grande 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 a empresa seja exatamente o esperado.

O engajamento não vem de uma imposição

Uma organização regulada não adota IA só porque mandaram.

Dom passou anos na McKinsey trabalhando em programas de gestão de mudanças antes de entrar na Admiral. Quando perguntaram o que ela diria a alguém que hoje defende a IA agêntica, ela compartilhou três princípios desse playbook.

1) As pessoas apoiam o que ajudam a construir

A resposta da Admiral ao ceticismo foi colocar a ferramenta diretamente diante das pessoas céticas.

A equipe realizou demonstrações e sessões educativas em toda a organização, inclusive com os 50 principais líderes do grupo, para explicar o que é IA com agentes. A ElevenLabs e Dom conduziram 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 mudar o P&L, a experiência do cliente e a experiência dos funcionários.

Quando as pessoas se alinham em torno do resultado, as opções de tecnologia se resolvem. O conselho de Dom é não começar pela tecnologia.

3) Crie uma estrutura de governança cedo

Os pontos de contato certos, os KPIs certos e os dados certos desde o início tornam a tomada de decisões muito mais fácil. O antipadrão, nas palavras dela, é confiar 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, levar os aprendizados a todos os outros lugares.

Eles fazem isso primeiro com implementações rápidas e, depois, com uma adoção completa. Em vez de um caso de uso em um domínio, o que, segundo Dom, teria desacelerado muito o processo, eles seguem uma disciplina intencional de não reinventar a roda dez vezes.

Demonstração 1: cotações de liquidação (Admiral Money)

Cenário: Uma cliente quer quitar seu empréstimo antes do prazo. É uma solicitação simples: ela só precisa saber o valor para quitar a dívida.

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

Dan Clark, Head de IA Generativa do Grupo Admiral, mostrou o que a equipe criou.

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 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 APIs, em vez de esperar por telas de sistemas legados. A mesma jornada que leva cerca de cinco minutos com um atendente humano leva aproximadamente dois minutos e meio com o agente.
• O sucesso é medido com base em o cliente ter se autenticado e recebido sua cotação de quitação, acompanhada separadamente do escalonamento.
• No fim da chamada, um agente de feedback pede aos clientes que avaliem a experiência de um a cinco. As chamadas que não são escalonadas recebem quase sempre notas quatro e cinco.

Por que isso importa: o tempo economizado vem do workflow ser orientado por APIs, e não por telas, não apenas do fato de a IA responder em vez de uma pessoa. Nas palavras de Dan, trata-se muito de reduzir o tempo das ligações e, como resultado, melhorar a experiência do cliente. E as escaladas atuais refletem os 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 árvores de decisão (“pressione A para isso, B para aquilo”). A dúvida dela não corresponde à opção A nem à opção B, então ela sai sem uma resposta.

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

O que foi mostrado:

• O prompt de sistema, a primeira mensagem, os workflows e o subagente foram todos escritos diretamente em francês, sem tradução do inglês. Dan cita pesquisas que indicam que criar prompts no idioma do cliente faz o modelo se engajar de forma diferente, e a equipe obteve resultados significativamente melhores dessa forma. Quando necessário, Olivia detecta automaticamente o inglês e responde nesse idioma. 
• Conversas reais com clientes são analisadas em comparação com a base de conhecimento para identificar lacunas, e as correções costumam ser refletidas no agente em produção em uma ou duas horas.
• As mudanças são implantadas em uma branch com divisão gradual de tráfego — 1%, 2%, 5%, 10%, 25%, 50% e, então, 100% — com testes de simulação e prévia manual antes que qualquer alteração alcance o tráfego em produção. Se os dados não sustentarem a mudança, 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 implantações que levam duas semanas.

Por que isso importa: a redução do ciclo de lançamento 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 playbook resiste 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 uma solução mágica. Segundo Dom, o que funciona é unir um engenheiro que entende de prompting e arquitetura a um responsável de negócios da operação local, que traz o contexto do mercado à vida, e tratar essa dupla como a unidade de implementação.

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

Se seus clientes não confiam nisso, se não entendem isso, eles vão imediatamente (no segundo número dois da conversa) dizer: "por favor, me transfira para uma pessoa"

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

Tratamento justo em todos os mercados

Em 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 várias vias. Especificamente para vulnerabilidade, a equipe usa intencionalmente modelos consolidados 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 recebem o atendimento adequado.

Esse padrão é mantido mesmo antes de a tecnologia receber a confiança para lidar com o caso. No agente de cotações de quitação, um subagente sentinela analisa cada pessoa que liga, e clientes vulneráveis ou inadimplentes vão direto para uma fila prioritária com um atendente humano — 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 salvaguardas com a sinalização proativa do inesperado, para sempre saber quem está interagindo com suas ferramentas e de que forma.

A equipe por trás dos agentes

A Admiral trabalha com 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. A primeira é voltada à geração de valor e é responsável por estratégia, roadmaps, design de produto e 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 da infraestrutura.

Para Dom, o engenheiro de IA do futuro vai escrever muito menos código e se concentrar muito mais em entender como a IA generativa funciona, estruturar ideias corretamente e usar programação com agentes para entregar resultados.

Em torno da equipe principal, especialistas em processos e responsáveis de negócios se unem em pequenos grupos com talentos de produto e tecnologia. Nas palavras dela, eles ficam “trancados na sala” para criar e testar juntos, e depois entregam a solução a clientes reais para que a coloquem à prova.

Na McKinsey, costumávamos dizer que, para cada libra gasta em tecnologia, você gasta três em redesenho de processos e cinco em gestão de mudanças

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 suporte central possa remover 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 criando se concentra na ambição de que o cliente nunca precise se repetir, seja na URA, com o agente de voz, com uma pessoa ou entre canais. Os sinais de intenção, sentimento e vulnerabilidade são levados em cada transferência, não apenas a transcrição.

Assista à sessão completa

A Admiral reformulou ao mesmo tempo o padrão de validação, o engajamento da organização e a stack de tecnologia para se aproximar do objetivo de oferecer a melhor experiência do cliente em seguros.

Assista ao webinar completo aqui.