Resumo do webinar: como uma das maiores seguradoras da Europa colocou agentes de IA em produção

Os clientes de seguros raramente ligam quando tudo está bem. Eles ligam após um acidente, para acionar o seguro ou em meio a uma crise de verdade. Essa conversa define tudo o que vem depois e, muitas vezes, é a única interação real que um cliente tem com sua seguradora.

A Admiral conduz milhões dessas conversas todos os anos no Reino Unido, na Itália, na França e na Espanha. Agora, está usando agentes de IA para ajudar a conduzi-las em conformidade com as normas. 

Neste webinar, a equipe da Admiral nos mostrou como fez isso: escolhendo um primeiro caso de uso, envolvendo as equipes jurídica e de compliance desde o dia zero e passando de um protótipo funcional para mudanças em produção que agora são implementadas em horas, em vez de semanas.

Principais aprendizados

• Comece com algo focado, mas real. O primeiro caso de uso da Admiral em produção — cotações para quitação em sua operação de crédito no Reino Unido — tinha um escopo delimitado o suficiente para ser implementado em um prazo realista, mas ainda envolvia telefonia e integrações de back-end. Isso bastou para validar a arquitetura sem tentar resolver tudo de uma vez.
• Eleve o padrão antes de escalar; não o reduza. A Admiral desenvolveu para produção desde o primeiro dia, reformulou seu ritmo de governança para acompanhar a velocidade da tecnologia e envolveu as equipes jurídica e de compliance desde o dia zero, com um piloto de escopo bem definido.
• A regulamentação é o ponto de partida, não todo o projeto. A Admiral acrescenta suas próprias regras internas ao que a regulamentação exige, usa lógica determinística para tudo o que precisa ser comprovável e direciona clientes vulneráveis ou em situação de sofrimento para atendentes humanos.
• O trabalho de verdade começa em produção. Cada alteração no agente é executada em uma suíte completa de testes de simulação e passa de 1% para 100% do tráfego — um ciclo que foi reduzido de semanas para horas.

Comece com algo focado, mas não focado demais

O primeiro caso de uso da Admiral em produção foram as cotações para quitação em sua operação de crédito no Reino Unido: um ponto de partida deliberadamente controlado, em vez do problema mais difícil da lista. Kampa descreveu a abordagem como escolher um país e uma linha de negócios para experimentar antes de expandir.

Neely disse que esse é o padrão que separa implementações que chegam à produção daquelas que ficam paradas: o caso de uso precisa ser focado o suficiente para ser resolvido em um prazo realista, mas complexo o bastante para realmente testar os sistemas ao redor. As cotações para quitação funcionaram porque a conversa tem um número limitado de caminhos, embora ainda envolva telefonia e integrações de back-end — o suficiente para validar a arquitetura sem tentar resolver tudo de uma vez.

Alguns pontos foram importantes nessa escolha:

• Escopo delimitado, complexidade real. O caso de uso precisa ter variação suficiente para testar a telefonia e a integração com o back-end, não apenas um fluxo ideal roteirizado.
• Chegar rápido à produção. Quanto mais tempo uma solução fica em desenvolvimento, mais demora para que conversas reais gerem o feedback que de fato aprimora o agente. Neely chamou isso de "os últimos 20%": a parte que só aparece quando clientes reais começam a falar com o sistema.
• Volume e impacto juntos. A Admiral começou com interações simples e de alto volume, nas quais tempos de espera menores e resoluções mais rápidas fariam uma diferença visível na experiência do cliente.

Eleve o padrão, não o reduza, antes de escalar

A liderança da Admiral deixou claro que os agentes de IA deveriam elevar o padrão de compliance e testes, não reduzi-lo. Kampa foi direta: o padrão de validação precisa ser mais rigoroso do que antes, porque o risco de um agente sair do roteiro ou violar uma regra é diferente, em sua natureza, de um atendente humano tomar uma decisão.

Esse padrão se refletiu em três compromissos assumidos pela equipe desde cedo:

• Desenvolva para produção, não para uma prova de conceito. Kampa orientou suas equipes a projetar desde o primeiro dia pensando em entrar em operação, em vez de conduzir um pequeno experimento que nunca escala.
• Governança que acompanha o ritmo da tecnologia. Kampa observou que um processo de governança que leva seis meses para aprovar algo corre o risco de aprovar uma tecnologia que já estará ultrapassada quando for implementada. A Admiral reformulou a frequência de suas revisões para acompanhar a rapidez com que os modelos e as ferramentas mudavam.
• Jurídico e compliance desde o dia zero. Ao serem perguntados quando as equipes jurídica e de compliance entraram no projeto, Kampa e Clark responderam de imediato: no dia zero, com um piloto de escopo claramente definido — um número determinado de ligações — em vez de um pedido aberto de aprovação.

Deixe que a regulamentação defina o ponto de partida, não todo o projeto

Clark deixou claro que os requisitos regulatórios — como informar ao cliente que ele está falando com uma IA e, em algumas jurisdições, oferecer o encaminhamento para um atendente humano — variam entre Reino Unido, Itália, França e Espanha. A Admiral criou seus agentes para lidar com essas diferenças sem permitir que um cliente simplesmente "escale" uma conversa que pode ser resolvida.

Algumas conversas ficam totalmente fora do alcance do agente: a Admiral direciona clientes vulneráveis ou em situação de sofrimento para atendentes humanos, com a IA treinada para identificar os sinais que acionam essa transferência.

Kampa apresentou a abordagem mais ampla como uma estrutura em camadas: "A regulamentação é apenas o ponto de partida", e as próprias regras internas e os padrões culturais da Admiral se sobrepõem a ela, às vezes indo além do que a regulamentação exige.

Essa estrutura em camadas também definiu onde a Admiral usou lógica determinística ou não determinística. Clark explicou que o raciocínio não determinístico é adequado para entender a intenção de quem liga ou detectar sofrimento, enquanto tudo que a empresa precisa conseguir comprovar, uma declaração regulatória obrigatória ou um caminho pelo qual o cliente precisa passar deve ser executado de forma determinística, sem nenhuma tolerância para improvisos do agente.

Neely descreveu como a estrutura de workflow da ElevenLabs apoia isso na prática: os agentes são criados como um conjunto de subagentes especializados, com bloqueios determinísticos — como a autenticação — que liberam ou restringem funcionalidades conforme uma condição é atendida, em vez de deixar o modelo deduzir o que pode fazer.

Desenvolva em conjunto com quem é responsável pelo processo

Em vez de uma transferência tradicional entre requisitos de negócio e desenvolvimento de engenharia, a Admiral e a ElevenLabs realizaram workshops presenciais que reuniram, em uma mesma sala, as pessoas que conheciam o caso de uso, a equipe de engenharia e a equipe de telefonia. Neely disse que o primeiro workshop produziu, em quatro ou cinco horas, uma versão v0 funcional do agente, conectada ao back-end e à telefonia, que Kampa e Clark puderam demonstrar internamente para obter aprovação e continuar o desenvolvimento.

Clark afirmou que essa proximidade foi importante além do primeiro protótipo: agora, os responsáveis pelo negócio estão próximos o suficiente da tecnologia para fazer algumas mudanças por conta própria, porque o workshop tratou a plataforma como uma forma de transferir um processo de negócios já existente, e não de introduzir algo novo e desconhecido. Kampa relacionou isso à gestão de mudanças de modo mais amplo: envolver desde cedo lideranças, gerentes intermediários e profissionais da linha de frente para que a tecnologia se torne parte de como a empresa realmente funciona, e não um projeto paralelo.

O trabalho de verdade começa em produção

Depois de entrar em operação, a Admiral trata toda alteração no agente, grande ou pequena, da mesma forma: como uma ramificação que passa por uma suíte completa de testes de simulação antes de chegar aos clientes. Clark descreveu um lançamento que começa com 1% do tráfego, monitora em tempo real as métricas de satisfação e resolução dos clientes e se expande para 100% quando os indicadores se mantêm — um ciclo que foi reduzido de semanas para horas.

Duas lições se destacaram nesse processo de iteração:

• Localize o idioma, não apenas as palavras. Inicialmente, a Admiral escreveu todos os prompts e workflows em inglês e percebeu que o desempenho na França, Espanha e Itália não correspondia ao do Reino Unido. Reescrever os prompts diretamente no idioma de cada mercado, em vez de traduzi-los do inglês, gerou respostas alinhadas às expectativas e à cultura locais dos clientes.
• Os testes de simulação precisam ser levados a sério, não tratados como uma formalidade. Neely disse que escrever um prompt que passa em alguns testes simulados parece fácil, mas criar suítes de teste que realmente desafiem o agente e definir critérios claros de sucesso desde o início é o trabalho mais difícil e mais importante. Agora, a Admiral executa de centenas a milhares de conversas simuladas para cada mudança antes de implementá-la.

Sobre os resultados, Kampa destacou o tempo de atendimento como a principal métrica: conversas conduzidas por IA muitas vezes chegam à mesma resolução mais rápido do que as conduzidas por humanos, em parte porque não há silêncio enquanto um sistema carrega. Ela também relatou que as taxas de CSAT e resolução aumentaram gradualmente, mercado a mercado, por meio de rodadas repetidas de testes e ajustes, em vez de um único grande salto.

O que tirar disso se você está começando

O conselho de Neely para equipes que estão começando esse trabalho é: escolha um caso de uso com escopo bem definido, coloque-o rapidamente em produção e deixe que conversas reais com clientes — e não mais testes antes do lançamento — revelem os casos extremos. Clark acrescentou que, depois que as integrações nas duas pontas, telefonia e sistemas internos, são comprovadas, escalar para outros casos de uso se torna cada vez mais rápido, porque a equipe já sabe quais avaliações e métricas importam.

O ponto final de Kampa olhou mais adiante: a ambição vai além de automatizar conversas e inclui usar a mesma camada de IA para apoiar diretamente os atendentes humanos, com transcrições ao vivo, sugestões da melhor próxima ação e simulações de treinamento.

Como resumiu nosso anfitrião, a ideia central desta conversa é que regulamentação e IA não estão em conflito. Desenvolver desde o dia zero com auditabilidade, consistência e encaminhamento para humanos em mente tornou os agentes da Admiral mais disciplinados, não menos.

Assista à sessão completa

Assista à sessão completa aqui, incluindo a demonstração ao vivo e as perguntas e respostas do público.