MRH Trowe habilita agentes de IA self-service seguros para 400 funcionários na AWS

A MRH Trowe, uma das principais corretoras de seguros comerciais e industriais da Alemanha, colocou agentes de IA self-service nas mãos de cerca de 400 funcionários — e não em um ambiente isolado de laboratório, mas conectados a sistemas internos e a dados sensíveis de clientes. A implementação, feita sobre soluções da AWS, foi desenhada para operar dentro de um perímetro governado, auditável e com custos transparentes, segundo o relato publicado no blog de machine learning da AWS.

O que significa self-service para agentes de IA?

Self-service, aqui, não é um chatbot de perguntas frequentes. É a capacidade de o próprio funcionário — um corretor, um analista de sinistros, alguém do backoffice — formular uma pergunta em linguagem natural e receber uma resposta que veio dos sistemas internos da empresa, não de um modelo genérico desconectado da realidade da corretora. Na prática, o agente assume o trabalho de consulta que antes exigia abrir vários sistemas ou acionar outra área. O número que dimensiona o projeto é justamente esse: cerca de 400 pessoas, o que indica adoção interna em escala, e não um piloto com meia dúzia de entusiastas.

Por que governança e auditoria precedem a velocidade em IA

No setor financeiro, um agente que responde errado não é apenas um aborrecimento operacional — é uma questão de conformidade. Por isso a MRH Trowe descreve a implementação como um ambiente governado e auditável: as interações ficam registradas, o que a IA pode acessar é definido pela própria empresa e o consumo tem custo transparente. Esse tripé ataca o principal risco de qualquer implantação de IA generativa em escritório: o uso paralelo de ferramentas públicas, em que um funcionário cola dados de cliente em um chatbot aberto sem que ninguém saiba.

Como controlar o acesso a dados sensíveis de clientes com IA

Duas decisões pesam mais que a escolha do modelo. A primeira é onde o dado trafega: manter consultas e respostas dentro do ambiente controlado da empresa, com serviços da AWS, reduz a exposição de informações de clientes fora do perímetro corporativo. A segunda é a granularidade das permissões — cada agente deve enxergar apenas o que a função daquele usuário permitiria enxergar em uma consulta manual. Auditoria e custo transparente completam o desenho, tornando possível reconstruir quem perguntou o quê, quando e a que custo.

O que a adoção de agentes de IA self-service muda para o Brasil

Corretoras, seguradoras e bancos que operam no Brasil lidam com a LGPD e com a supervisão de órgãos como SUSEP e Banco Central, o que coloca rastreabilidade no centro de qualquer projeto de IA. O caso alemão interessa menos pelo modelo escolhido e mais pelo formato: IA interna, com identidade, registro e limite de acesso, em vez de assistentes soltos pela organização. É o mesmo movimento que aparece em outras implantações no setor financeiro sobre a AWS, como no assistente de trading sem código criado pelo Jefferies — a diferença é que, em MRH Trowe, o alvo é o trabalho cotidiano de centenas de funcionários, não uma equipe especializada.

O que o anúncio de agentes de IA da MRH Trowe não responde

O relato não traz números de adoção real, tempo economizado, taxa de erro nem detalha quais modelos e serviços específicos estão por trás dos agentes. Também não está claro se a corretora pretende levar a abordagem para o atendimento ao cliente final. E vale o alerta de sempre: um ambiente governado reduz risco de vazamento e de uso indevido, mas não elimina a chance de o agente responder algo incorreto — revisão humana segue sendo parte do desenho, não uma etapa opcional.

Perguntas Frequentes sobre agentes de IA self-service

Quantos funcionários usam os agentes de IA da MRH Trowe?

Cerca de 400 funcionários da corretora alemã, segundo o relato publicado pela AWS.

O que "custo transparente" significa nessa implantação?

Significa que o consumo de IA é rastreável dentro da empresa, permitindo enxergar quanto cada uso ou área gera de gasto, em vez de tratar o custo como um bloco fechado.

Empresas brasileiras podem replicar esse modelo?

Sim, do ponto de vista técnico. O obstáculo maior costuma ser organizacional: definir permissões, manter registro das interações e garantir que o dado do cliente não saia do perímetro controlado, em linha com a LGPD.