As seguradoras de propriedades e acidentes (P&C) dos EUA tiveram seus melhor ano de subscrição em décadas em 2025, quase triplicando o ganho líquido de subscrição do setor em relação ao ano anterior. E o impulso manteve-se; em 2 de setembro de 2026, Verisk e a American Property Casualty Insurance Association relatado um ganho líquido de subscrição de US$ 31,7 bilhões no primeiro semestre de 2026, um dos resultados semestrais mais fortes da história recente.
Independentemente disso, o mesmo relatório alertou que o desempenho variou acentuadamente por linha de negócio e geografia, com automóveis comerciais, responsabilidades guarda-chuva e outras linhas de sinistros ainda em deterioração. Mesmo num ano recorde, muitas seguradoras podem estar a deixar milhões de lucros na mesa devido à forma como avaliam os seus próprios livros.
O problema é um problema que muitas startups reconhecerão: as decisões são baseadas em médias. E as médias escondem perdedores individuais.
Por que as seguradoras pensam em segmentos
A natureza binária dos resultados dos sinistros de seguros – um sinistro ocorre ou não – significa que as seguradoras normalmente avaliam a viabilidade do seu modelo agregando apólices em “segmentos: que partilham características relevantes para o risco ou sinistros esperados. Pense em automóveis pessoais, imóveis ou linhas comerciais, por exemplo.
Como resultado, as seguradoras correm o risco de reter involuntariamente políticas individuais de lucro negativo escondidas entre as médias dos segmentos saudáveis. Um segmento pode parecer lucrativo, enquanto uma parte das políticas dentro dele perde dinheiro silenciosamente.
De acordo com a McKinsey, melhorias na precisão do nível político podem levar a um Aumento de 30-50% nos resultados de subscrição, um potencial que atraiu uma onda de empresas de IA que tentam empurrar a análise de seguros para baixo do nível do segmento.
A Earnix, com sede em Boston, por exemplo, oferece ferramentas projetadas para segmentar clientes com mais precisão para seguradoras de saúde, vida e P&C. Os participantes mais recentes, como a Soteris, uma startup de aprendizado de máquina que recentemente saiu do sigilo com mais de US$ 8 milhões em financiamento inicial, concentram-se em sinalizar políticas não lucrativas, uma por uma.
Quão grande pode ser o ponto cego
Sunit Shah, fundador e CEO da Soteris, ilustrou particularmente o problema do seguro automóvel. “Uma seguradora típica pode pensar em ‘apólices para casais casados’ ou ‘apólices para motorista único’ como segmentos e pensar em todas as apólices dentro desses grupos da mesma maneira”, disse ele. A Revista Startup.
“As seguradoras já recolhem informação suficiente no processo de candidatura para (individualizar a análise), só que não tinham as ferramentas… antes”, acrescentou, sorrindo.
Shah afirma que algumas transportadoras com as quais a sua empresa trabalhou mantinham políticas de redução de lucros que, em alguns casos, chegavam a 30% do seu valor contabilístico. A empresa afirma ter identificado esse padrão através de seu primeiro produto, que prevê a taxa de perda esperada de uma apólice e tem sido usado pelas operadoras desde 2020, processando mais de 100 milhões de envios cobrindo mais de US$ 180 bilhões em prêmios.
Sua ferramenta mais recente vai um passo além, sinalizando diretamente políticas individuais de lucro negativo e estimando seu impacto no lucro e no EBITDA.
Em teoria, uma seguradora poderia então abandonar as apólices que nunca iriam dar frutos, deixando o resto do segmento inalterado. Segundo a empresa, isso pode ser feito sem alteração de taxas, formulários de apólices ou registros regulatórios.
O CEO também observou que as primeiras provas de conceito mostraram ganhos de 70% a 125% no lucro final ao passar a análise para o nível político.
Para além dos comunicados de imprensa ou do sucesso empresarial, estes números mostram o quanto pode esconder-se abaixo de uma média que parece saudável.
A mesma armadilha, na escala inicial
Poucas startups detêm milhões de apólices de seguro, mas muitas administram seus negócios pensando em nível de segmento, incluindo um nível de preços, grupo de clientes ou canal de vendas que podem parecer lucrativos em conjunto.
Enquanto isso, uma parcela significativa das contas custa mais para servir do que traz. Os custos combinados de aquisição de clientes podem esconder um canal que nunca compensa; uma margem bruta média pode esconder um punhado de contratos empresariais altamente personalizados que a desgastam.
O argumento de Shah sobre as seguradoras também se aplica aqui. A maioria das startups já coleta os dados necessários para ver a lucratividade no nível do cliente por meio de tickets de faturamento, uso e suporte. Mas o que falta é a análise.
À medida que a IA torna essa análise mais barata, os fundadores têm menos motivos para gerir com base nas médias, especialmente agora que os investidores esperam um caminho credível para a rentabilidade, em vez de crescimento a qualquer custo.
A precisão tem seus limites
Tornar-se granular também traz o seu próprio risco – nos seguros, a descontinuação de apólices individuais levanta questões sobre justiça, transparência e como as seguradoras explicam essas decisões aos clientes e reguladores.
As startups enfrentam uma espécie de tensão semelhante: cortar clientes não rentáveis pode aumentar as margens, mas, se feito de forma brusca, pode prejudicar a reputação, as referências e o crescimento futuro. Algumas contas que perdem dinheiro hoje podem ser estratégicas, como um parceiro de design, um logotipo de farol ou um cliente com probabilidade de expansão.
A lição do seguro é não cortar todos abaixo da linha. É saber quem está sentado ali e por quê.
Imagem em destaque: Imagens Getty via Unsplash +
