A série de IA da Marsh Health identifica a personalização como o elo perdido dos benefícios e a confiança nos dados dos funcionários como o obstáculo
A maioria dos pacotes de benefícios patrocinados pelos empregadores partilham uma fraqueza estrutural que nada tem a ver com o que eles contêm. Os funcionários não se envolvem com eles – e a cobertura que recebem raramente reflete quem eles realmente são ou onde moram. Essa lacuna, de acordo com Nick McMenemy, Mercer Pântano Benefícios Líder do Reino Unido, é o problema que a IA está melhor posicionada para resolver e aquele que o setor tem demorado a resolver.
“O maior desafio que temos em relação ao engajamento é a falta de personalização e a falta de caminhos para diferentes benefícios”, disse McMenemy no último episódio do Marsh’s Transformando benefícios com tecnologia série de vodcast, publicada no início deste ano.
A observação acompanha uma realidade de mercado mais ampla. UM WTW Um inquérito realizado a 312 empregadores, publicado em maio de 2026, concluiu que apenas 20% estão atualmente a operacionalizar a IA nos seus programas de benefícios, apesar de 72% planearem incorporá-la dentro de dois anos. A lacuna entre esses dois números – intenção versus prática atual – é onde a maior parte do trabalho de consultoria está realmente acontecendo no momento.
Do tamanho único para algo que cabe
McMenemy e Andrew Owens, diretor de tecnologia da Marsh Health and Benefits, apontam a personalização como a aplicação mais clara da IA no espaço de benefícios e aquela com implicações mais diretas para a saúde. Se um plano puder ser concebido em torno da fase de vida, localização e perfil de saúde de um indivíduo, em vez de uma média da força de trabalho, o argumento é que os funcionários o utilizam mais – e funcionários mais saudáveis e mais empenhados representam um retorno quantificável para os empregadores.
Owens ilustrou a lógica com uma observação sobre o contexto: “Se eu moro no meio do campo, não quero que me ofereçam uma academia. Não há academias por perto. Quero algo alternativo”. O exemplo é deliberadamente simples, mas o princípio subjacente é o que impulsiona investimentos significativos.
A dimensão preditiva descrita por Owens vai além da navegação de matrículas. Ele apontou para o sector automóvel e de logística, onde os dados telemáticos originalmente recolhidos para conformidade da frota estão agora a ser usados para identificar padrões de saúde ocupacional. Sinalizar, por exemplo, se um condutor que parte tarde pode estar com problemas de sono ou se paragens frequentes sugerem dores físicas. Esses dados informam então as conversas individuais sobre saúde ocupacional e, significativamente, podem ser transmitidos às seguradoras para uma fixação de preços de risco mais precisa, ajustando os prémios para melhor refletir o perfil real de saúde de uma força de trabalho.
A confiança é o fator limitante da taxa
Ambos os palestrantes são consistentes sobre o que existe entre a tecnologia e sua adoção: a disposição dos funcionários em compartilhar dados pessoais e a responsabilidade do empregador pela forma como esses dados são usados. Owens observa que as organizações precisam demonstrar “que seus dados estão sendo usados para personalizar sua experiência e não para meta-análises para as quais elas não dão permissão”.
Essa preocupação não é abstrata. Prudencial Estudo Benefícios e Além de 2026que entrevistou 3.096 trabalhadores nos EUA, descobriu que 83% dos empregadores desejam usar IA para ajudar os funcionários a entender melhor seus benefícios, enquanto apenas 58% dos funcionários dizem que a usariam para esse fim, e apenas 24% o fazem hoje. A diferença de 27 pontos entre o entusiasmo do empregador e a preparação dos funcionários é uma expressão direta do problema de confiança descrito pelos palestrantes da Marsh.
Construir essa confiança, argumenta Owens, requer uma postura organizacional em vez de uma solução técnica. Ele chama-lhe uma “cultura AI-first”, na qual os profissionais de benefícios perguntam como a IA pode melhorar cada oferta, em vez de a procurarem como uma solução complementar para uma ineficiência específica.
As organizações que avançam mais rapidamente, sugeriu ele, são aquelas que tratam a IA não como um substituto do julgamento humano, mas como uma forma de alargar o que os consultores podem fazer em grande escala. À medida que os grandes corretores adquirem plataformas nativas de IA em vez de construí-las internamente, a questão da infraestrutura tecnológica é cada vez mais resolvida no nível do corretor, e não no nível do empregador.
Na medição, a resposta de Owens foi deliberadamente de baixa tecnologia: pergunte aos funcionários como eles se sentem. A pontuação líquida do promotor e os índices de satisfação do cliente, argumentou ele, capturam algo que as métricas de utilização não percebem – se a ferramenta está realmente fazendo diferença para a pessoa que a utiliza.
“No final, você quer que o funcionário sinta que isso está realmente trazendo benefícios para ele”, disse ele. “A melhor coisa a fazer é perguntar a eles.”
