A AWS publicou em 30 de setembro de 2026 um guia técnico que mostra, passo a passo, como construir um assistente conversacional para consultas de sinistros. O sistema responde perguntas em linguagem natural e devolve citações das fontes usadas.
A proposta está no blog de machine learning da empresa e combina o Amazon Bedrock Knowledge Bases, recurso gerenciado de Retrieval Augmented Generation (RAG), com a API AgenticRetrieveStream. O texto é um how-to baseado em registros sintéticos de sinistros.
Segundo a própria AWS, não descreve uma implantação de cliente em produção.
O desafio: a resposta mora em vários documentos
No mercado de seguros, a resposta sobre um sinistro raramente está em um único campo pesquisável. Ela aparece distribuída entre diários de ajustadores, estimativas de reparo, boletins de ocorrência, registros de pagamento e anexos digitalizados.
Cada perfil de usuário faz perguntas diferentes. O segurado quer saber, por exemplo, se a estimativa do sinistro CLM-100482 foi aprovada e quando o cheque será emitido.
O atendente do contact center precisa de resposta rápida durante a ligação, sem transferir a chamada. O ajustador faz perguntas compostas, como quais sinistros de automóvel abertos acima de US$ 10 mil foram registrados no mês anterior e o que ainda falta em cada um.
Há outro complicador: os registros podem conflitar ou ser substituídos. Uma estimativa revisada pode anular a anterior.
Um pagamento provisório pode ser estornado depois. O assistente precisa identificar qual documento controla a informação naquele momento.
Como o setor é regulado, toda resposta tem de estar ancorada nas fontes e vir acompanhada de citações. Assim o atendente verifica o documento antes de repetir a informação, e o supervisor audita o caminho percorrido até ela.
Como a arquitetura funciona
O guia descreve dois fluxos. Na ingestão, documentos de sinistro em PDF, Word ou texto chegam ao Amazon S3 acompanhados de arquivos de metadados correspondentes.
Um job de ingestão sincroniza a fonte de dados com a knowledge base conforme os documentos mudam. O serviço cuida de parsing, chunking, embeddings e indexação em armazenamento vetorial gerenciado.
Na recuperação, o aplicativo chama a AgenticRetrieveStream com a pergunta, o histórico da conversa e filtros opcionais de metadados que delimitam a busca.
A recuperação agêntica planeja a resposta e decompõe uma pergunta de várias partes em subconsultas. Executa uma ou mais passagens de recuperação.
Antes de gerar a resposta, o sistema verifica se as evidências reunidas são suficientes, respeitando um limite de rodadas definido em maxAgentIteration.
Em seguida, uma checagem de contextual grounding do Amazon Bedrock Guardrails bloqueia respostas sem respaldo nos registros recuperados. A API transmite eventos de trace, texto da resposta e citações, o que permite exibir o resultado conforme ele chega ao usuário.
Rastreabilidade e filtros
Dois recursos sustentam a confiança no resultado. Os eventos de trace expõem o plano de recuperação montado pelo modelo.
Cada citação associa um trecho da resposta a um documento de sinistro específico.
Os filtros de metadados restringem a busca por atributos como identificador do sinistro e tipo de sinistro. Isso ajuda quando o usuário quer apenas um recorte, como sinistros automotivos.
O material também cobre perguntas de acompanhamento em múltiplos turnos, nas quais o contexto da conversa é reaproveitado para refinar a busca.
Por que isso importa
O caso ilustra como o RAG saiu do terreno conceitual e passou a ser empacotado como infraestrutura gerenciada. Ao absorver parsing, chunking, embeddings e armazenamento vetorial, o Amazon Bedrock Knowledge Bases reduz o trabalho de engenharia para colocar um assistente documental de pé.
Isso pesa em setores com muito documento não estruturado e exigência de auditoria, como seguros, saúde e jurídico.
A ênfase em citações, trace e verificação de grounding responde a uma crítica recorrente a sistemas generativos corporativos: a dificuldade de provar de onde veio cada afirmação.
A ressalva feita pela própria AWS é importante. O roteiro usa dados sintéticos e serve como demonstração técnica, não como relato de um cliente em produção.
Ainda assim, ele sinaliza a direção das ferramentas de IA generativa para empresas. A qualidade da resposta depende tanto do modelo quanto da governança sobre os documentos que o alimentam.
