CEO Corner

Por que esta é uma decisão operacional para hoje

O trabalho atuarial utiliza aprendizado estatístico e aproximação computacional há anos. A nova oportunidade é conectar esses métodos a sistemas que possam pesquisar material técnico, auxiliar no código e coordenar o trabalho analítico controlado. Estas capacidades tornam possível redesenhar o trabalho em torno de uma avaliação, ao mesmo tempo que melhoram selectivamente os modelos dentro dela. A adoção não precisa esperar por um sistema autônomo capaz de exercer julgamento atuarial.

Existe também um calendário concreto de governação. A Diretriz E-23 final da OSFI, publicada em setembro de 2025, entra em vigor em 1º de maio de 2027. Ela estende as expectativas de gerenciamento de risco de modelo a instituições financeiras regulamentadas pelo governo federal, incluindo seguradoras, e aborda explicitamente a IA e o aprendizado de máquina. A partir desta edição, essa data efetiva ainda está por vir. Eu usaria o período de preparação para estabelecer inventários de modelos, propriedade e evidências de validação que abrangessem tanto os modelos atuariais estabelecidos como os novos componentes de IA.

A Associação Atuarial Internacional também publicou artigos educacionais sobre governança, testes e documentação de IA. Estes são recursos para a prática profissional e não para aprovação regulatória universal. Juntos, a oportunidade tecnológica e o quadro de governação em desenvolvimento apoiam um programa deliberado de adopção. O atraso acarreta um custo de oportunidade: as equipas adiam a aprendizagem sobre onde a IA funciona, onde falha e quanta revisão requer. Essa aprendizagem é específica dos produtos, dados e decisões de uma seguradora; não pode simplesmente ser comprado posteriormente com uma licença de software.

Dê a cada componente de IA uma função atuarial precisa

Eu distinguiria três funções antes de aprovar um investimento. A aprendizagem estatística estima relações: diferenciais de mortalidade, comportamento de entrega, gravidade dos sinistros ou padrões de despesas. A aproximação numérica acelera um cálculo caro, por exemplo, estimando uma superfície de responsabilidade a partir de um conjunto controlado de execuções completas de modelos. A IA generativa apoia o trabalho com linguagem e código: recuperando uma cláusula de produto, propondo um teste ou redigindo uma explicação a partir de resultados aprovados. Essas funções exigem diferentes evidências de confiabilidade.

A explicação fluente de um modelo de linguagem não estabelece que uma estimativa de mortalidade esteja calibrada. O acordo próximo de um proxy com um mecanismo de referência não estabelece que o mecanismo de referência representa o contrato corretamente. O forte desempenho histórico de um modelo preditivo não estabelece que uma ação de gestão proposta causará o resultado previsto. A primeira responsabilidade do atuário-chefe num programa de IA é tornar explícitas estas distinções.

Minha arquitetura preferida atribui ao mecanismo atuarial a responsabilidade por cálculos específicos, atribui à IA tarefas analíticas ou de coordenação estritamente definidas e atribui aos profissionais autorizados a responsabilidade por suposições e decisões. Onde a IA altera o próprio método numérico, esse componente entra no inventário do modelo e no processo de validação. Ele não desaparece dentro de um aplicativo descrito como assistente.

Melhore o processo de suposição antes de aumentar sua complexidade

Para uma carteira de vida, a análise de mortalidade começa com a construção da exposição, idade atingida, duração, classe de subscrição, valores de benefícios e o momento das mortes relatadas. Os modelos de Poisson com compensações de exposição, modelos aditivos generalizados e modelos de sobrevivência fornecem pontos de partida úteis e interpretáveis. O aprendizado de máquina pode investigar interações que uma ampla proporção entre o real e o esperado oculta, mas a experiência esparsa ainda requer credibilidade e agrupamento disciplinado. Uma estimativa altamente granular não é necessariamente uma suposição mais confiável.

Eu exigiria validação em períodos de experiência posteriores e coortes de produtos relevantes, com proteção contra vazamento de informações entre o mesmo segurado. Eu examinaria a calibração por segmento, o efeito da mudança no mix de negócios e a sensibilidade aos dados faltantes. Ajustar os níveis de mortalidade passados ​​e selecionar a melhoria futura da mortalidade são tarefas distintas. Um modelo pode ajustar-se perfeitamente à experiência recente, ao mesmo tempo que fornece poucas evidências sobre uma suposição de melhoria a longo prazo.

A modelagem lapso merece a mesma disciplina. Os modelos de sobrevivência ou de risco competitivo podem representar morte, rendição e outras saídas; modelos mais ricos podem investigar a interação entre taxas creditadas, alternativas de mercado, encargos de resgate e distribuição. No entanto, o comportamento histórico dos segurados pode não cobrir as condições tarifárias ou garantir incentivos importantes em situações de tensão. Eu manteria julgamentos de cenários explícitos para essas lacunas. Uma associação preditiva entre uma intervenção e a retenção também necessita de uma análise causal antes de apoiar uma estratégia de intervenção.

A avaliação de vida e anuidade deve preservar o contrato

Para um contrato de prazo simples, um cálculo de fluxo de caixa prospectivo projeta prêmios, benefícios por morte e despesas usando premissas consistentes de decréscimo e desconto. A vida inteira e a vida universal introduzem dependências adicionais: valores de conta, flexibilidade de prémios, taxas creditadas, valores de resgate e garantias. As anuidades introduzem pagamentos contingentes à sobrevivência, possíveis garantias e opções para os segurados. A IA pode ajudar a montar especificações e identificar inconsistências, mas cada característica contratual material deve sobreviver à tradução em lógica executável.

A mesma mudança demográfica pode ter consequências financeiras diferentes entre produtos. A mortalidade mais baixa geralmente amplia os pagamentos sob uma anuidade contingente à vida, ao mesmo tempo que reduz os pedidos de indenização por morte esperados em uma carteira de seguro a prazo. Mesmo assim, prêmios, despesas, caducidades e garantias afetam o resultado total. Uma explicação que diz apenas que “a mortalidade melhorou” é inadequada. Espero que identifique os grupos afetados, os fluxos de caixa alterados e as consequências para a base de avaliação específica.

IFRS 17 adiciona outra distinção importante. Os fluxos de caixa de cumprimento e a margem de serviço contratual têm funções diferentes; uma alteração numa simples reserva de prémio bruto não é automaticamente uma alteração no lucro reportado. O tratamento depende do modelo de mensuração, da origem do movimento e se este se refere a serviços futuros ou atuais e passados. Eu usaria a IA para ajudar a traçar o tratamento contabilístico da política aprovada e a gerar provas, com a classificação e conclusão revistas pelas equipas atuariais e financeiras responsáveis.

Avaliação estocástica mais rápida deve trazer mais desafios

Para produtos com opções de materiais e garantias, o cálculo pode se tornar muito mais exigente. Um exercício de risco pode exigir um conjunto externo de cenários económicos e uma avaliação interna de cada estado futuro. Regressão, mínimos quadrados de Monte Carlo e proxies de aprendizado de máquina podem reduzir o custo dos cálculos selecionados. A Society of Actuaries publicou estudos de caso práticos de vida e anuidades sobre o uso de análise preditiva e aprendizado de máquina. Isso estabelece uma área confiável para investigação, e não uma garantia de desempenho para um livro específico.

Eu definiria o domínio de entrada permitido do proxy antes de treiná-lo. A validação deve incluir estados de tensão, combinações de fatores de risco e contratos próximos dos limites de garantia. Deve examinar o viés sistemático, o erro de cauda e as estimativas de sensibilidade, e não apenas o ajuste médio. Numa carteira meramente ilustrativa com um passivo de 10 mil milhões de UM, um erro sistemático de avaliação de 0,1% representa 10 milhões de UM. Uma percentagem aparentemente pequena pode ser importante antes de considerar o efeito do erro nas coberturas ou no capital.

O mecanismo de referência continua essencial. Um caso fora do domínio deve desencadear um cálculo completo ou uma exceção explícita, e as alterações no modelo devem desencadear uma reavaliação do proxy. Os cenários do mundo real utilizados para estudar resultados futuros e os cenários neutros ao risco utilizados para uma avaliação consistente com o mercado servem propósitos diferentes; o design deve preservar essa distinção. Meu caso de investimento perguntaria quantos testes de estresse adicionais a computação salva possibilitariam. Repetir mais rapidamente um conjunto restrito de cenários é uma conquista menor do que compreender uma exposição anteriormente não examinada.

Conecte o resultado do passivo a ativos, liquidez e capital

Uma estimativa de passivo torna-se útil quando altera uma decisão. Na gestão de activos e passivos, gostaria de perguntar se uma análise melhorada altera a interpretação dos intervalos de duração, das exposições às taxas de referência, da convexidade ou das quebras de fluxo de caixa. Uma correspondência de duração pode coexistir com risco de base, risco de spread, ativos ilíquidos e opções de segurados. Um modelo treinado em condições normais pode ser menos confiável quando os incentivos de resgate e os custos de realização de ativos interagem.

Para o capital, a preocupação avança ainda mais para a cauda conjunta. Uma proxy que reproduza valores médios de passivos ainda pode distorcer a classificação de cenários adversos, um percentil final ou a alocação de capital entre riscos. Os pressupostos de correlação e dependência merecem o seu próprio desafio. Eu reportaria o erro de aproximação separadamente do erro de amostragem do cenário e da incerteza nos pressupostos subjacentes. Combinar todos os três numa única pontuação de confiança inexplicável torna o resultado mais difícil de governar.

O mesmo princípio se aplica além do seguro de vida. Nas reservas de P&C, um método de IA deve ganhar o seu lugar em relação ao chain-ladder relevante, Bornhuetter–Ferguson ou outros benchmarks, com atenção à inflação de sinistros, alterações de liquidação e mix de portfólio. A maior complexidade preditiva não elimina a necessidade de explicar por que a reserva selecionada é apropriada para o negócio.

Um fechamento de avaliação que pode responder à próxima pergunta

Considere um fechamento de anuidade ilustrativo em que os passivos aumentam inesperadamente. Eu gostaria que o fluxo de trabalho separasse movimentos de novos negócios e portfólio, liquidação esperada, mudanças econômicas, desvios de experiência, atualizações de suposições e correções de modelos. As repetições controladas devem estabelecer essas contribuições. A atribuição sequencial pode depender da ordem em que as alterações são aplicadas, pelo que o relatório deve indicar a sua convenção e identificar os efeitos materiais da interação.

Um assistente de IA poderia recuperar a base aprovada anteriormente, localizar registros de suposições alteradas, propor as repetições necessárias e reunir as evidências resultantes. Só poderia redigir comentários depois de os resultados numéricos relevantes estarem disponíveis. Se o modelo não conseguir conciliar o movimento, o assistente deverá expor o resíduo não resolvido. Não deve fornecer uma história económica persuasiva para fazer a tabela parecer completa.

O pacote de revisão conteria um gráfico de fluxo de caixa, uma ponte de movimentação, uma análise de experiência de coorte e comparações de sensibilidade. Cada figura material identificaria sua execução de origem, versão do modelo e base de suposição. A narrativa distinguiria uma contribuição calculada de uma interpretação e de uma ação proposta. É aqui que vejo uma oportunidade substancial a curto prazo: dar ao actuário um melhor ponto de partida para a investigação e tempo suficiente para prosseguir a segunda questão.

Torne a incerteza e a responsabilidade visíveis

O padrão profissional deve aumentar com a velocidade da produção. ASOP No. 56 fornece uma referência útil nos EUA para a finalidade pretendida, compreensão do modelo, testes, validação e documentação. Não é um substituto global para padrões locais. O quadro profissional e regulamentar aplicável deve ser identificado para a entidade e trabalho em causa. Nesses ambientes, a questão central permanece se outro revisor qualificado pode compreender os julgamentos e limitações materiais.

Para IA generativa, eu testaria afirmações numéricas não suportadas, recuperação incorreta de fontes, qualificações omitidas e respostas a evidências conflitantes. Eu também testaria se material não confiável pode fazer com que um agente altere suas instruções ou tente uma ação não autorizada. O acesso a um repositório de modelos não deve implicar autoridade para divulgar uma avaliação. Mudanças no modelo de linguagem, fontes de recuperação, prompts ou ferramentas conectadas podem alterar o comportamento e exigir uma reavaliação proporcional.

Para IA preditiva, o monitoramento deve distinguir uma população de dados em mudança da deterioração na calibração ou na qualidade da decisão. Uma mudança no mix do portfólio pode alterar os resultados observados sem tornar o modelo errado; o erro agregado estável pode ocultar a deterioração do desempenho em um grupo pequeno, mas material. Quando os resultados afectam os clientes, a utilização legal, a equidade e as consequências dos erros necessitam de um exame específico. Um revisor nomeado só é significativo se essa pessoa tiver provas, tempo e autoridade para contestar o resultado.

O que eu investiria nos primeiros 90 dias

Eu começaria com uma decisão recorrente e suas evidências. Uma revisão do movimento de avaliação de vida ou uma investigação de suposição de anuidade é um ponto de partida mais forte do que uma instrução geral para “usar IA”. Estabeleça o tempo decorrido atual, o esforço de preparação atuarial, o esforço do revisor, as exceções não resolvidas e o retrabalho. Acorde os critérios de aceitação antes de escolher a tecnologia, incluindo como os erros materiais serão identificados.

Durante o primeiro mês, reconcilie os dados selecionados, documente o modelo e a base, estabeleça um benchmark histórico e atribua direitos de decisão. Durante a segunda, execute o fluxo de trabalho proposto em paralelo em casos históricos, incluindo deliberadamente coortes difíceis, cenários adversos e documentos conflitantes. Durante o terceiro, avalie-o num ciclo de relatórios controlado e decida se prolonga, revisa ou interrompe. Noventa dias é um período de aprendizagem proposto e não uma promessa de que um modelo de avaliação de materiais possa ser aprovado nesse prazo.

A avaliação económica deve incluir integração, cálculo, validação, monitorização contínua e revisão humana. Os minutos economizados na elaboração podem ser compensados ​​pelas horas gastas na verificação de erros plausíveis. Eu mediria as perguntas adicionais respondidas antes do prazo de decisão, a qualidade das explicações dos movimentos e a estabilidade dos resultados após as alterações. Eu também protegeria o desenvolvimento atuarial: os colegas mais jovens deveriam reproduzir cálculos e explicar falhas, em vez de aprenderem apenas a operar uma interface.

A decisão que eu tomaria agora

Eu autorizaria agora um programa atuarial de IA limitado, com um proprietário atuarial nomeado, desafio independente e critérios de aceitação mensuráveis. Eu financiaria os dados e o trabalho de validação junto com o aplicativo. Esperaria que o primeiro resultado demonstrasse uma melhor investigação ou um processo de decisão mais confiável, com as limitações visíveis.

O prêmio de longo prazo é uma função atuarial capaz de gastar mais de sua capacidade examinando suposições, testando cenários difíceis e aconselhando o negócio antes do fechamento das opções. Essa capacidade se desenvolve através do uso repetido, da correção e do desafio profissional. A hora de começar é agora porque construir leva mais tempo do que instalar a tecnologia.