Resumo Executivo

Eliane Aparecida Simeão; Flavio Fisch

Resumo elaborado pela ferramenta ResumeAI, solução de inteligência artificial desenvolvida pelo Instituto Pecege voltada à síntese e redação.

A empresa ELI, atuante há mais de duas décadas no mercado de benefícios corporativos, especializou-se na gestão de subsídios de medicamentos para uma vasta carteira de mais de 260 clientes. Seu modelo de negócio, que se baseia em parcerias com redes varejistas de farmácias, enfrentava um desafio crescente: a obsolescência do processo manual de validação de receitas médicas. Este método tradicional, que dependia da análise humana para determinar a elegibilidade do usuário e a aplicação das regras de subsídio, tornou-se um gargalo operacional, elevando o tempo de espera dos usuários e comprometendo a eficiência do serviço.

O contexto de expansão da ELI e a crescente digitalização do varejo farmacêutico exacerbaram as limitações do processo manual. A dependência da análise humana para um volume crescente de receitas médicas resultava em baixa escalabilidade operacional, aumento do tempo de espera no balcão da farmácia e vulnerabilidade a erros na aplicação das regras de subsídio. Esses fatores, conforme o diagnóstico, geravam perda de competitividade no mercado e um risco iminente de insatisfação tanto para os clientes corporativos quanto para os usuários finais, impactando a imagem tecnológica da organização.

A análise da situação revelou atritos crescentes na operação, especialmente no que tange ao ecossistema do parceiro varejista e às diretrizes estratégicas da ELI. Erros de validação manual cometidos pelos balconistas das farmácias, por exemplo, resultavam em glosas e perdas financeiras, gerando resistência no canal de venda. Além disso, a evolução do varejo farmacêutico, que passou a oferecer produtos de benefício próprio, intensificou a concorrência. O processo de digitalização e conferência manual onerava o tempo de atendimento, desengajando o varejo da responsabilidade pela validação de regras de elegibilidade de terceiros.

Estrategicamente, a ELI buscou diferenciar-se pela robustez e segurança de seus processos, decidindo internalizar a validação das receitas médicas. Para isso, propôs um modelo de “Pré-Validação”, onde o usuário submeteria a prescrição via aplicativo antes de ir à farmácia. Embora essa abordagem aumentasse a segurança e o controle, ela introduziu um novo desafio crítico de capacidade operacional. A equipe interna precisava retornar uma resposta de validação em no máximo 30 minutos para não frustrar a jornada do usuário, o que se mostrava inviável em um modelo puramente manual.

A complexidade dos dados das receitas médicas, caracterizadas por baixa padronização e caligrafias variadas, demandava um nível de precisão que exauria o capital intelectual humano quando executada em escala massiva. A análise da situação evidenciou que o processo atual, embora funcional, havia atingido seu limite de eficiência. A área responsável pela validação apresentava desafios de produtividade, pois o baixo nível de automação diminuía a velocidade de validação e elevava o custo final do serviço, um conceito central na gestão “Lean Thinking” (Womack, Jones, 2004).

Os indicadores operacionais da ELI demonstravam que a força de trabalho era composta por 16 assistentes de nível I, operando em escala 6×1, cobrindo 18 horas por dia, sete dias por semana. O volume de fluxo mensal era de 30.000 receitas, com uma demanda diária média de 1.000 receitas. O Tempo Médio de Análise (TMA) era de 2,51 minutos por receita, resultando em uma capacidade individual diária de 52 validações por assistente. O Nível de Serviço (SLA) de resposta médio era de 20 minutos, e a taxa de rejeição (reprovas) correspondia a 20% do volume total, sendo a ausência de data na receita médica o principal ofensor.

Com base nesses dados, projetava-se que, para cada novo grupo de clientes que trouxesse mais 2.000 receitas por mês, a ELI precisaria contratar mais um assistente, o que tornava o crescimento linear do quadro de funcionários oneroso e insustentável. Para investigar as causas da baixa eficiência, aplicou-se o Diagrama de Ishikawa, adaptando-o à realidade da operação. Na dimensão de Tecnologia, identificou-se a presença de sistemas obsoletos que não recebiam atualizações, limitando a capacidade de produção da equipe. A ferramenta interna era limitada, exigindo comandos repetitivos dos assistentes para validar dados simples.

Ainda na dimensão de Tecnologia, a ferramenta atual carecia de inteligência, analisando apenas receitas isoladas e impossibilitando a identificação de padrões de fraude ou uso indevido, o que comprometia a segurança e a integridade do processo. Na dimensão de Método, constatou-se uma baixa automação, com o processo dependendo quase integralmente da atuação humana para validar dados de diferentes sistemas. A burocracia repetitiva, que incluía etapas de baixo valor agregado como a validação de dados de usuários já logados no aplicativo, onerava significativamente o tempo dos assistentes.

O fluxo de trabalho também era não padronizado, gerando gargalos que atrasavam a resposta final ao usuário e impactavam a experiência do cliente. Na dimensão de Mão de Obra, observou-se uma dependência extrema do esforço físico e mental humano para o resultado da operação, sem suporte tecnológico de crítica prévia. A fadiga operacional era uma consequência direta da leitura manual de grandes volumes de dados não estruturados, aumentando a chance de falhas humanas por cansaço e diminuindo a precisão das validações.

Por fim, na dimensão de Material, a qualidade dos insumos era um fator crítico. Receitas físicas com caligrafia ilegível ou documentos em formato PDF não estruturados impediam uma análise rápida e fluida, contribuindo para a ineficiência geral do processo. Em síntese, o processo operacional de validação de receitas médicas era inerentemente ineficiente e propenso a falhas, operando em seu limite máximo de desempenho. A causa fundamental da ineficiência não residia na falta de habilidade humana, mas sim na obsolescência do fluxo de trabalho e na limitação da capacidade humana em processar um volume tão grande de dados de forma rápida e precisa.

Diante desse cenário, a transformação digital nos serviços de saúde e bem-estar apresentava-se como um caminho inevitável para a ELI, impulsionada pela crescente demanda por serviços ágeis, precisos e personalizados. As receitas médicas, embora fundamentais, frequentemente exibiam desafios como caligrafia ilegível, abreviações não padronizadas e divergências terminológicas. Esses fatores contribuíam para erros de dispensação, atrasos no tratamento e, em casos extremos, comprometiam a segurança do paciente. Qualquer desalinhamento entre a validação e as regras de utilização definidas com os clientes corporativos representava um prejuízo financeiro para a empresa.

Com base na identificação de que o sistema atual havia atingido seu teto de eficiência e segurança, a ELI buscou uma solução. A causa raiz da ineficiência, que inviabilizava a escalabilidade das operações da empresa, era a limitação da capacidade humana em processar um volume tão grande de dados não estruturados de forma rápida e precisa. Para mitigar os gargalos de produtividade e escalabilidade, a proposta consistiu na implementação de uma camada de Inteligência Artificial Generativa no fluxo de validação de receitas, estabelecendo uma parceria estratégica com a Google.

A estratégia de implementação baseou-se na utilização de incentivos e na expertise de um parceiro homologado para desenvolver uma solução de ponta. Essa abordagem permitiu que a ELI mantivesse o foco em seu “core business”, delegando a especialização tecnológica a especialistas. A solução proposta ancorou-se em três pilares da ciência da computação, conforme Russell e Norvig (2010): o Reconhecimento Óptico de Caracteres (OCR), o Processamento de Linguagem Natural (PLN) e o Machine Learning (ML), cada um com uma função específica para otimizar a leitura e análise das prescrições.

O Reconhecimento Óptico de Caracteres (OCR) seria responsável pela conversão de imagens de receitas, tanto manuscritas quanto impressas, em dados digitais estruturados, superando o desafio da caligrafia ilegível. O Processamento de Linguagem Natural (PLN) interpretaria semanticamente o texto para identificar fármacos, dosagens e frequências, garantindo a correta extração das informações essenciais. O Machine Learning (ML) permitiria o aprendizado contínuo do sistema, reconhecendo padrões de caligrafia e corrigindo desvios, elevando a acurácia ao longo do tempo e adaptando-se a novas informações.

A arquitetura operacional da solução não visou a substituição total do capital humano, mas sim a criação de um modelo híbrido, onde a Inteligência Artificial atua como um assistente inteligente, um “copiloto”. Este modelo prevê a triagem inicial, onde a IA valida automaticamente pré-requisitos como data, CRM, dados do paciente e medicamento. Documentos com 100% de conformidade seriam aprovados automaticamente via “Fast Track”, liberando a senha de compra ao usuário instantaneamente, agilizando o processo e melhorando a experiência do cliente.

A IA também seria responsável pela filtragem de reprovas, identificando imediatamente a ausência de anexos ou receitas vencidas, eliminando 20% do volume inútil da fila humana e liberando a equipe para tarefas mais complexas. Receitas complexas ou com ambiguidades seriam encaminhadas para o analista humano através da validação assistida, com alertas específicos, como uma dosagem atípica, reduzindo o esforço cognitivo da análise e aumentando a precisão das decisões.

A transição para o cenário com IA projeta ganhos estratégicos significativos. Em termos de tecnologia, a automação da “porta de entrada” e a redução da dependência tecnológica do varejo representam uma modernização crucial. No método, a eliminação de 6.000 análises inúteis por mês (reprovas) e o foco humano em exceções promovem uma eficiência operacional notável, transformando o fluxo linear e manual em um fluxo híbrido com triagem automática e “Fast Track” para conformidade de 100%.

Quanto à mão de obra, os assistentes passariam a atuar como supervisores da IA, com uma drástica redução da fadiga e do erro interpretativo. Isso projeta uma escalabilidade que permite absorver novos clientes sem a expansão do quadro de funcionários, além de uma atuação 24×7. Em relação aos dados, a extração estruturada via Machine Learning e o aprendizado contínuo sobre padrões de prescrição prometem uma acurácia que reduz em 15% os reprocessamentos e elimina glosas financeiras.

No que diz respeito à infraestrutura, o processamento descentralizado no balcão das farmácias seria substituído por um processamento centralizado na nuvem da ELI, garantindo controle total sobre a regra de negócio e auditoria. Isso confere protagonismo à ELI, assegurando independência em relação ao parceiro varejista e maior segurança no subsídio. Para que essas etapas fossem executadas, seguindo os princípios de um ciclo de vida adaptativo/híbrido, estimou-se um plano de ação detalhado, conforme o Guia PMBOK (PMI, 2021).

A Fase 1, denominada Concepção e Setup, ocorreu em dezembro de 2025, focando na seleção do parceiro tecnológico e na definição dos fluxos de dados, com a Gestão de Operações e TI como responsável. A Fase 2, Desenvolvimento do Piloto, entre janeiro e fevereiro de 2026, envolveu o treinamento do modelo de IA com a base histórica de receitas da ELI, buscando obter uma acurácia na extração dos dados superior a 85%, um passo fundamental para a validação da tecnologia.

A Fase 3, Implantação Assistida, prevista para março de 2026, estabeleceu que a IA operaria como “sombra” dos assistentes para validação de resultados, com responsabilidade compartilhada entre o Time Operacional e a Consultoria. Finalmente, a Fase 4, Go-Live e Escala, entre abril e maio de 2026, ativaria a reprovação e aprovação automática (“Fast Track”) para receitas com 98% de confiança, marcando a plena operação do sistema. A implementação depende da estabilidade da parceria com a Google e da colaboração do Time de Assistentes para o treinamento fino do algoritmo.

Os marcos do projeto incluíram a conclusão do treinamento da IA em janeiro-fevereiro de 2026 (M1). Em março de 2026 (M2), esperava-se uma redução comprovada do Tempo Médio de Análise (TMA) em 20% no Piloto. Em abril de 2026 (M3), a automação completa das reprovas por falta de data no anexo visava a eliminação de 20% do volume da fila, otimizando ainda mais o processo e liberando recursos humanos para tarefas de maior complexidade e valor agregado.

Nos primeiros resultados colhidos, ao final da Fase 2, já foi possível visualizar ganhos significativos. A inserção prévia de dados, obtida via OCR na ferramenta de validação de receitas, gerou uma redução de 10% no tempo de validação humana de uma receita. Este ganho, já observado, permitiu mensurar um aumento de capacidade produtiva equivalente à força de trabalho de 1,6 assistentes, demonstrando o potencial da solução de IA em otimizar as operações e liberar o capital humano para atividades mais estratégicas.

A avaliação da eficácia da Inteligência Artificial no processo de validação de receitas e a tradução dos ganhos de produtividade em valor econômico sustentável foram definidas por meio de mecanismos de controle e indicadores de sucesso (KPIs). As métricas de sucesso, baseadas em indicadores fundamentais e comparadas regularmente com a linha de base atual, seguiram os critérios de especificidade e mensurabilidade necessários para o monitoramento estratégico do projeto, conforme Parmenter (2015).

Projeta-se uma redução do Tempo Médio de Análise (TMA) de 2,51 minutos para uma média ponderada inferior a 1,5 minuto, considerando o mix entre aprovações automáticas e revisões humanas. A Taxa de Automação (Filtro de Reprovas) visa automatizar a identificação de “ausência de data na receita”, eliminando o contato humano com os 20% de solicitações inválidas identificadas no cenário atual. A Acurácia do Algoritmo deve ser mantida com um índice de confiança superior a 95% nas extrações de dados (OCR/PLN) para evitar o aumento de protocolos reprocessados.

O SLA de Atendimento ao Usuário projeta uma redução do tempo médio de resposta, percebido pelo usuário, de 20 para 16 minutos, melhorando a experiência do cliente. Para o monitoramento e o ciclo de melhoria contínua, o sistema de Machine Learning continuará evoluindo, utilizando o conceito de intervenção humana no ciclo, conhecido como “Human-in-the-Loop” [HITL]. Mensalmente, 2% das receitas aprovadas automaticamente pela IA serão auditadas por um analista sênior para garantir que não se observem “falsos positivos”, assegurando a qualidade e a precisão do sistema.

A análise de desvios, onde todas as discrepâncias sinalizadas pela IA que resultarem em correção humana são utilizadas para o treinamento contínuo do algoritmo, aumentará a precisão em caligrafias específicas ou novos nomes de medicamentos. Para a avaliação do Retorno sobre o Investimento (ROI) e o impacto no capital intelectual, a avaliação financeira confrontará a redução dos custos operacionais, como a possibilidade de absorver novos clientes com a mesma estrutura de 16 assistentes, contra os custos recorrentes de manutenção da solução Google Cloud/parceiro.

Do ponto de vista qualitativo, será realizada uma pesquisa de clima e satisfação com o time de Assistentes de Operações para mensurar o impacto da IA na motivação da equipe. O objetivo é verificar se a tecnologia foi efetivamente adotada como um “copiloto” que removeu a carga de trabalho braçal e exaustiva, promovendo um ambiente de trabalho mais estratégico e menos repetitivo. Essa abordagem integrada de avaliação, combinando métricas quantitativas e qualitativas, garante uma compreensão abrangente dos benefícios e desafios da implementação da IA.

O presente Business Case demonstrou de forma clara que o modelo operacional atual da ELI, embora historicamente sólido, atingiu seu limite de eficiência e escalabilidade. A análise da situação revelou que a dependência de processos manuais para a validação de receitas médicas, que demandava 16 assistentes e um tempo médio de 2,51 minutos por análise, atuava como um gargalo para o crescimento da empresa e um ponto de atrito na jornada do usuário. A solução proposta, baseada na implementação de Inteligência Artificial Generativa (OCR e PLN) em parceria estratégica com o ecossistema Google, apresentou-se não apenas como uma melhoria tecnológica, mas como uma redefinição estratégica do negócio.

Ao adotar o modelo de “IA Copiloto”, a ELI passou a automatizar a triagem inicial e as reprovas por falta de data na documentação, que representam 20% do volume total, permitindo que o capital humano focasse exclusivamente em análises de alta complexidade. Diante do cenário de digitalização acelerada do setor farmacêutico e da crescente agressividade da concorrência, a inação representaria um risco de obsolescência e perda de mercado. Os custos de implementação e manutenção seriam amplamente compensados pelos ganhos de produtividade e pela proteção das margens de contribuição da empresa.

Portanto, conclui-se que a aprovação deste investimento foi a decisão mais acertada para garantir a sustentabilidade financeira, a excelência operacional e o protagonismo da ELI na gestão de benefícios corporativos no Brasil. O projeto alcançou o estágio de transição para a Fase 3 do plano de implementação, conforme as diretrizes estabelecidas na recomendação. Para a consolidação final do Business Case, os próximos passos serão de apuração rigorosa dos índices de acurácia e performance da solução tecnológica, visando validar as metas de eficiência projetadas.

Adicionalmente, será priorizada a realização da pesquisa de clima junto ao time operacional para identificar o nível de aceitação e a percepção das vantagens advindas deste modelo híbrido de trabalho. Essas ações buscarão o embasamento necessário para o monitoramento contínuo e para a sustentabilidade da automação dentro da organização, assegurando que a tecnologia atue como um “copiloto” efetivo na redução da fadiga humana e no ganho de produtividade, consolidando a ELI como referência em inovação e eficiência no mercado de benefícios corporativos.

Referências Bibliográficas:

Parmenter, D. 2015. Key Performance Indicators: Developing, Implementing, and Using Winning KPIs. 3ed. John Wiley & Sons, New Jersey, NJ, EUA.

Project Management Institute [PMI]. 2021. Um guia do conhecimento em gerenciamento de projetos. Guia PMBOK®. 7ed. PMI, Newtown Square, PA, USA.

Russell, S.; Norvig, P. 2010. Inteligência Artificial. 3ed. Elsevier, Rio de Janeiro, RJ, Brasil.

Womack, J. P.; Jones, D. T. 2004. A Mentalidade Enxuta nas Empresas: Elimine o Desperdício e Crie Riqueza. Campus, Rio de Janeiro, RJ, Brasil.

Resumo executivo oriundo de Trabalho de Conclusão de Curso da Especialização em Executivo em Liderança e Gestão do MBA USP/Esalq

Para saber mais sobre o curso, clique aqui e acesse a plataforma MBX Academy