IA operacional na saúde: o risco do algoritmo gatekeeper

A conversa sobre IA na saúde ainda gravita em torno do diagnóstico — o modelo que lê a tomografia, o algoritmo que detecta o câncer. É a parte glamourosa. Mas o dinheiro, hoje, está em outro lugar: na agenda, na triagem, na conta médica. E é exatamente aí que mora um risco que quase ninguém está discutindo.

A tese é simples e desconfortável: quando a IA passa a decidir quem recebe vaga primeiro, quem é remarcado e qual canal de atendimento cada paciente recebe, ela deixa de ser uma ferramenta administrativa e vira um gatekeeper de acesso à saúde. E a maioria das clínicas e operadoras que está implantando essas soluções não desenhou nenhuma governança para isso.

Os números são bons demais para ignorar

Primeiro, o lado positivo — porque ele existe e é robusto. Segundo relatório da McKinsey & Company, clínicas que implementam IA em processos administrativos alcançam até 25% de redução em custos operacionais anuais. No contexto das operadoras de saúde brasileiras, análises de mercado apontam faixa semelhante: redução de 13% a 25% em custos administrativos, puxada principalmente pela automação de tarefas repetitivas, análise de contas médicas e detecção de fraudes.

A Comissão Europeia, via sua direção de saúde pública (DG SANTE), vai na mesma linha: modelagem preditiva com IA consegue prever entradas de pacientes e otimizar uso de leitos, equipe e equipamentos, reduzindo desperdício sem sacrificar qualidade.

Os casos concretos já operam em escala. A Zocdoc usa IA para montar agendas dinâmicas com base em padrões de demanda e preferências dos pacientes, reduzindo faltas e realocando vagas automaticamente. A Ada Health e o Dokbot fazem pré-triagem digital: coletam sintomas, organizam a demanda e direcionam o paciente para o canal certo — telemedicina, pronto atendimento ou consulta eletiva. No prontuário, o Google Cloud oferece o Speech-to-Text para transcrição de consultas e a Healthcare API para consolidar dados clínicos dispersos.

Nada disso é promessa. É operação rodando. E é por isso que o problema merece atenção agora, não depois.

O gatekeeper que ninguém contratou

Pense no que um algoritmo de agendamento inteligente realmente faz. Ele não apenas "organiza a agenda". Ele decide, na prática:

quem recebe a vaga mais próxima e quem espera mais
quem é remarcado automaticamente quando surge um conflito
quem é direcionado para o chatbot e quem chega a um humano

Essas são decisões de acesso. Historicamente, elas eram tomadas por uma recepcionista, um enfermeiro de triagem, um auditor — pessoas falíveis, sim, mas identificáveis, questionáveis e sujeitas a supervisão. Quando o modelo assume, a decisão continua acontecendo. Só que ninguém a vê.

E aqui entra a distorção mais provável. Um modelo de agenda otimizado para maximizar ocupação e reduzir no-show vai, naturalmente, aprender a priorizar pacientes com histórico de comparecimento — e a despriorizar quem falta mais. Só que quem falta mais, no Brasil, tem perfil conhecido: trabalho informal sem flexibilidade de horário, transporte precário. O algoritmo não é malicioso; ele é obediente. Otimiza exatamente o que pediram, e o resultado é uma fila que aprofunda desigualdades já existentes — com a aparência de neutralidade técnica.

A plataforma Sermo, voltada a médicos, e as análises de mercado sobre operadoras convergem nesse alerta: é preciso transparência nos processos de decisão da IA, entendimento do viés de treinamento e regras rígidas de segurança de dados. O consenso existe no papel. Na implantação, quase nunca.

O segundo risco: o lock-in do fluxo crítico

Há um agravante menos ético e mais econômico. Quando agenda, faturamento e autorização passam a rodar dentro de plataformas proprietárias, a organização entrega seus fluxos mais críticos a um fornecedor. Mudança de preço, descontinuação de funcionalidade, dificuldade de exportar dados — tudo vira risco operacional concentrado.

A Comissão Europeia insiste na interoperabilidade e na governança de dados de saúde justamente por isso. E a própria arquitetura da Google Cloud Healthcare API, centrada em padrões de troca de dados, reconhece implicitamente o problema: dado de saúde preso em silo proprietário é passivo, não ativo.

A lição prática: a pergunta "quanto essa ferramenta economiza?" precisa vir acompanhada de "o que acontece se eu quiser sair dela em dois anos?". Quem não faz a segunda pergunta está trocando custo administrativo por dependência estratégica.

Governar o gatekeeper é mais barato que consertá-lo

Minha posição: nenhuma clínica ou operadora deveria colocar em produção um algoritmo que influencia fila, priorização ou canal de atendimento sem três controles mínimos.

Primeiro, critérios de otimização explícitos e documentados. Se o modelo prioriza ocupação de agenda, isso precisa estar escrito, aprovado por alguém com nome e cargo, e revisado periodicamente. "O sistema decidiu" não é resposta aceitável para um paciente — nem para a ANS, nem para a ANPD.

Segundo, monitoramento de equidade, não só de eficiência. O dashboard que mostra taxa de no-show caindo precisa mostrar também se o tempo médio de espera está subindo para algum segmento de pacientes. Se você só mede o que o algoritmo otimiza, nunca verá o que ele sacrifica.

Terceiro, rota de escape humana. Todo fluxo automatizado de acesso precisa de um caminho claro para o paciente contestar e chegar a uma pessoa com poder de decisão. Isso não é burocracia; é o seguro mais barato contra dano reputacional e regulatório.

No Brasil, esse desenho não é opcional. Dados de saúde são dados sensíveis sob a LGPD, o que exige base legal específica e medidas reforçadas de segurança para qualquer solução que trate prontuário, agendamento ou histórico de utilização. Operadoras, além disso, respondem à ANS por rastreabilidade em auditoria e prevenção a fraudes — o que significa que um modelo antifraude opaco pode economizar sinistro hoje e gerar contencioso amanhã.

O que isso significa para empresas brasileiras

A janela de oportunidade é real: economia de 13% a 25% em custos administrativos, segundo os dados de mercado citados para operadoras, e até 25% em custos operacionais de clínicas, segundo a McKinsey, não são cifras que um gestor pode ignorar em um setor pressionado por sinistralidade e escassez de mão de obra.

Mas o diferencial competitivo dos próximos anos não será ter IA na agenda e na triagem — isso vira commodity rápido, como mostram Zocdoc, Ada Health e plataformas de faturamento como CureMD e DrChrono. O diferencial será ter IA governada: critérios de priorização documentados, métricas de equidade ao lado das métricas de eficiência, dados portáveis e um humano identificável no comando das decisões de acesso.

Quem implanta o algoritmo sem governança está comprando eficiência com risco embutido — regulatório, reputacional e ético. Quem desenha a governança junto com a automação transforma a mesma tecnologia em vantagem durável. A diferença entre os dois não está no modelo. Está em quem escreveu as regras antes de apertar o botão.

O algoritmo que decide quem é atendido primeiro: o risco invisível da IA operacional na saúde