Audit Copilot
100% das contas.
Decisão 100% humana.
Um sistema de IA explicável que encontra inconsistências em contas hospitalares, mostra a evidência e preserva a autoria clínica do auditor.
- Papel
- Lead AI Product Designer & Builder
- Escopo
- Discovery, estratégia, XAI, prototipação funcional, interface e pilotos
- Time
- PM, Design, Data Science, Engenharia e especialistas clínicos
- R$ 17,81 M
- economia identificada
- 2,23%
- redução no sinistro auditado
- +35%
- aceite dos alertas de IA
- 100%
- dos itens auditados
Princípio do produto
A IA não fecha a conta. Ela reduz o espaço de busca, torna a evidência legível e aprende com a decisão especialista.
01 / Mandato
Transformar conhecimento especialista em um sistema confiável.
Meu trabalho conectou pesquisa de campo, modelagem do comportamento da IA e interface de alta densidade. Não era apenas desenhar uma tela: era definir como humanos e modelos dividiriam responsabilidade em uma decisão regulada.
Meu papel
Produto e plataforma
Time
Ferramentas
02 / Problema
Auditar por amostragem era aceitar o risco como processo.
Na saúde suplementar brasileira, estima-se que R$ 30 a R$ 34 bilhões por ano sejam perdidos com desperdícios, inconsistências de faturamento, cobranças indevidas e fraudes — cerca de 12,7% da receita bruta do setor. Para conter isso, as operadoras mantêm equipes de auditores que analisam as contas enviadas por hospitais, clínicas e laboratórios antes de autorizar o pagamento.
Amostragem forçada
Subjetividade
Ineficiência operacional
Havia ainda uma resistência histórica a algoritmos “caixa-preta”: automações rígidas do passado geravam glosas indevidas, revertidas depois em longas disputas entre hospitais e operadoras — o que destruiu a confiança dos auditores na tecnologia.
O desafio de design
Projetar uma IA copiloto capaz de varrer 100% dos itens antes do pagamento, apresentando cada anomalia com fundamentação clínica e regulatória irrefutável — mantendo a decisão final 100% sob controle humano.
03 / Sistema
Duas perspectivas. Uma decisão rastreável.
Enfermeira / médico auditor — usuário primário
Profissional assistencial especializado em auditoria de contas. Dores: excesso de telas, fadiga visual, meta de contas por dia e medo de aplicar uma glosa que não consiga sustentar na contestação.
Necessidades: velocidade para achar o erro, prova documental (quais guias comprovam) e respaldo normativo formal (códigos ANS/TISS).
Gestor de regulação e sinistro — decisor de ROI
Responsável por controlar a sinistralidade da operadora. Dores: falta de visibilidade da economia real, alta reversão de glosas em recurso e lentidão no fechamento do ciclo de faturamento.
Necessidades: métricas em tempo real, previsibilidade financeira e garantia de que a IA não desgaste o relacionamento com os hospitais credenciados.
Antes (as-is)
- 1. Recebimento da conta
- 2. Amostragem manual (~10%)
- 3. Busca em tabela PDF/papel
- 4. Registro em planilha
- 5. Contestação por falta de prova
- 6. Reversão da glosa
Depois (to-be)
- 1. Ingestão de 100% das contas
- 2. Varredura pelos agentes de IA
- 3. Triagem por risco relativo
- 4. XAI: alerta + norma + guia comprobatória
- 5. Aprovação em 1 clique
- 6. Glosa defensável
04 / Discovery
O trabalho real acontecia entre papel, memória e sistemas fragmentados.
O discovery durou 12 semanas contínuas, em quatro etapas de investigação e validação:
- Etapa 01
Imersão in-loco e shadowing com auditores em hospitais
- Etapa 02
Data discovery e mapeamento dos agentes de IA
- Etapa 03
Co-criação das fraseologias de IA explicável
- Etapa 04
Pilotos A/B de campo em operadoras parceiras
Etapa 1 — Imersão in-loco e shadowing
Acompanhei enfermeiras auditoras presencialmente em auditoria de leito e de contas finais, com observação não intrusiva, entrevistas em profundidade e mapeamento de fluxo de telas. Três achados guiaram o produto:
- O mito da automação total: os auditores rejeitavam qualquer sistema que “fechasse a conta sozinho” — a análise envolve nuance clínica.
- Guias fragmentadas: uma internação gera guia principal, guias de SADT, prontuário e fatura. Horas eram gastas para descobrir se um exame da fatura A já havia sido cobrado na fatura B.
- Fadiga visual: tabelas cinzas, fonte pequena e sem hierarquia em jornadas de 8 horas de análise.
Etapa 2 — Data discovery e mapeamento dos agentes
Com os cientistas de dados e médicos especialistas, analisamos centenas de milhares de contas históricas para codificar o conhecimento dos auditores mais experientes em mais de 50 agentes especializados:
| Agente | Família de anomalia | Lógica de detecção |
|---|---|---|
| C002 | Conformidade de taxas de sala | Valida se a taxa cobrada é superior ao porte anestésico permitido para o procedimento principal. |
| C006 | Conformidade de auxiliares | Verifica o percentual regulamentar de honorários de auxiliares cirúrgicos perante a CBHPM. |
| C015 | Quantidade excessiva em SADT | Detecta padrões estatísticos anômalos e repetições injustificadas de exames ambulatoriais. |
| C049 / C051 | Pertinência de insumos | Cruza tempo de cirurgia (< 2h) e perfil do paciente para bloquear manta térmica desnecessária. |
| C048 | Uso proporcional de contraste | Modelo preditivo que analisa 6 meses de histórico do prestador para achar desvios em exames de imagem. |
Etapas 3 e 4 — Co-criação de fraseologia e pilotos
O maior desafio não era a acurácia do modelo, mas como comunicar a descoberta de forma defensável. Fizemos workshops de UX writing e testes com auditores para evoluir as mensagens dos algoritmos. Depois, rodamos o produto em beta em grandes operadoras parceiras para medir quanto dos alertas virava economia real.
05 / Decisão central
Explicar melhor gerou mais valor do que simplesmente prever melhor.
A arquitetura garante um princípio simples: a IA sugere, o humano decide e assina.
- Etapa 01
Ingestão da conta médica
- Etapa 02
Varredura pelos agentes de IA (C001–C053)
- Etapa 03
Apresentação explicável no Arvo Hub
- Etapa 04
Decisão humana: aprovar ou manter cobrança
Evolução da fraseologia dos alertas
Geração 1 — caixa-preta
38% de rejeição“Sugerimos glosa de R$ 55,60 para o item 60033690.”
“Por quê? Não sei de onde veio esse valor. Não vou glosar sem saber o motivo.”
Geração 2 — com norma
55% de aceitação“Item 60033690 cobrado acima do limite. Amparo regulatório: código ANS 2405.”
“Melhorou, mas qual foi a conta de origem? Tenho que procurar a guia na mão?”
Geração 3 — XAI contextual
90%+ de aceitação“A taxa 60033690 (taxa de sala de observação) pode ser cobrada até 1 vez, mas foi cobrada 6 vezes no evento. O excedente foi glosado. A análise considerou o cruzamento com as guias {348830, 4170538} sob fundamentação do código ANS 2405.”
“Perfeito. Tenho o item, o cálculo, a prova das guias cruzadas e a norma da ANS para responder ao hospital.”
Flywheel de aprendizado (RLHF)
06 / Interface
O craft aparece quando a complexidade deixa de pesar sobre o auditor.
As telas originais mostram a interface real da operadora. Cada etapa revela uma decisão de produto: preservar o contexto clínico, dar forma à evidência da IA e manter a autoria da decisão humana.
01 / Orientar
Do protocolo à conta certa.
A visão do prestador organiza protocolos por status, valor e apontamentos. Dentro do protocolo, as contas mantêm especialidade, início do atendimento, valor e responsáveis no mesmo campo visual. O filtro de críticas reduz o universo sem ocultar a possibilidade de revisar o restante.
Craft: densidade com propósito — alinhamento de números, status por etapa e leitura comparativa sem trocar de página.
02 / Examinar
A conta é a unidade de trabalho.
A guia agrupa cirurgias, diárias, taxas, medicamentos e materiais. Quantidade, preço, valor apontado e análise permanecem lado a lado. Categorias e filtro de itens com críticas permitem alternar entre a visão completa e o recorte que exige julgamento, sem perder a posição na conta.
Craft: divulgação progressiva numa interface densa — a IA prioriza, mas não subtrai o contexto necessário à auditoria.
03 / Decidir
A IA fundamenta. O auditor decide.
A validação abre ao lado do item: motivo, valor e justificativa aparecem antes das ações de aceitar, aceitar parcialmente ou recusar. A crítica só chega ao prestador depois da decisão do auditor. Quando necessário, ele também pode registrar uma glosa manual com motivo, quantidade, valor e comentário.
Craft: a explicação e a ação ocupam o mesmo contexto; o painel lateral mantém visível a linha que originou a decisão.
04 / Negociar
A decisão atravessa organizações.
Após a revisão, a conta é enviada ao hospital. O estado passa a “Aguardando prestador”; aceitações parciais ou recusas devolvem o item à operadora para nova análise. Os indicadores de estado permitem acompanhar o consenso item a item antes do faturamento.
Craft: estados explícitos tornam visível quem precisa agir, evitando que uma negociação assíncrona vire uma fila opaca.
05 / Fechar
Do consenso ao faturamento.
Com todos os itens acordados, a conta segue para faturamento com status “Concluído”. A exportação separa XML limpo, capeante, negociação e documentos adicionais: cada artefato responde a uma necessidade distinta do processo, sem misturar decisão clínica com operação financeira.
Craft: o fim do fluxo preserva rastreabilidade e traduz o trabalho do auditor em artefatos utilizáveis pelo faturamento.
06 / Escalar
A mesma decisão, em múltiplas contas.
Na auditoria em lote, a seleção explicita quantos protocolos entram na operação. O apontamento em massa permite aplicar uma crítica recorrente a itens de diferentes guias, com motivo, quantidade e valor visíveis antes de salvar.
Craft: escala sem perder controle — seleção, escopo e impacto da ação permanecem visíveis antes da confirmação.
07 / Impacto
Da evidência da IA à economia efetivada.
Para alinhar design, produto e executivos das operadoras, criei uma árvore única de indicadores que liga a jornada do auditor ao resultado financeiro:
- 01
Sinistro total
Volume bruto apresentado pelos hospitais.
- 02
Sinistro processado
Base líquida sobre a qual os agentes de IA atuam.
- 03
Potencial identificado pela IA
Soma das irregularidades flagradas pelos agentes.
- 04
Potencial enviado à operadora
Alertas validados e exibidos ao auditor (taxa de envio).
- 05
Ganho efetivado
Glosa real mantida após a decisão humana (taxa de aceite).
Resultados de negócio
- R$ 17,81 milhões de economia identificada sobre R$ 797,3 milhões auditados.
- 2,23% de redução direta no sinistro auditado.
- R$ 2,73 M em TUSS e insumos; R$ 2,54 M em OPME e materiais; R$ 2,06 M em SADT e exames.
Resultados de UX e IA
- +35% na taxa de aceite dos alertas após o redesign da fraseologia XAI.
- 100% de cobertura de itens — fim da amostragem manual.
- Queda expressiva no tempo de revisão por conta hospitalar.
08 / Aprendizados