Agente de IA para Previsão de Gastos com Reembolsos de Saúde

01 de December de 2025 • Tempo de leitura: 5 min

Como criar um agente de IA que analisa dados históricos para prever tendências de gastos com reembolsos.

Biblioteca de Prompts e Agentes

1. Propósito e Escopo

Este documento define todos os prompts, configurações de memória, transição entre estados e demais requisitos funcionais para o Fluxo de Agentes "Previsão de Gastos com Reembolsos de Saúde", uma solução de automação projetada para prever tendências de gastos com reembolsos de saúde, auxiliando no planejamento financeiro das administradoras. Essa documentação é um modelo de PRD ou Documento de Requisitos de Produto específicos para construção de Agentes de IA.

O objetivo principal é transformar dados históricos em insights preditivos que auxiliem na alocação de recursos e redução de riscos financeiros associados a reembolsos inesperados.

2. Contexto e Problema

As administradoras de saúde enfrentam desafios significativos devido às incertezas no planejamento financeiro causadas por variações nos gastos com reembolsos. A falta de previsibilidade dificulta a alocação eficiente de recursos e aumenta os riscos financeiros. Este agente de IA é projetado para abordar esses problemas identificando padrões de gastos nos dados históricos e prevendo tendências futuras.

3. Impactos Esperados

A implementação deste agente visa alcançar os seguintes resultados:

  • Reduzir as incertezas no planejamento financeiro através de previsões precisas de gastos com reembolsos.
  • Aprimorar a alocação de recursos com base em tendências de gastos previstas.
  • Mitigar riscos financeiros associados a reembolsos inesperados através de ajustes proativos no planejamento financeiro.

4. Visão Geral da Solução

O agente de IA para previsão de gastos com reembolsos de saúde analisa dados históricos para identificar padrões de gastos, prever tendências futuras e sugerir ajustes no planejamento financeiro com base nas previsões. A seguir são detalhadas todas as regras de negócio e especificações funcionais necessárias para que esse agente atue como um assistente útil e autônomo no planejamento financeiro das administradoras de saúde.

A solução consiste em um fluxo de automação composto por 3 agentes de IA. O processo inicia com a preparação do script para previsão e termina com a geração de um relatório de previsões e recomendações financeiras.

Agentes Função Principal
Agente de Preparação de Script para Previsão (RF 1) Preparar o script e o payload para execução quantitativa de previsão a partir de dados históricos.
Agente de Execução de Chamada à API (RF 2) Executar o script de modelagem de séries temporais para gerar previsões.
Agente de Tratamento e Relatório de Previsões (RF 3) Interpretar os resultados quantitativos e traduzir em insights executivos.

5. Protótipos

Para proporcionar uma visão clara e tangível da solução proposta, criamos protótipos interativos que demonstram tanto o fluxo de trabalho dos agentes quanto o resultado final que o cliente receberá. Explore os links abaixo para entender melhor a solução em ação.

Ver Agente na Prototipe AI

6. Requisitos Funcionais

RF 1. Agente de Preparação de Script para Previsão

1.1 Tarefa do Agente

Ler a planilha histórica de reembolsos e preparar o script e o payload para execução quantitativa de previsão.

1.2 Prompt ou Instruções do Agente 
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo arquivos contendo dados históricos de reembolsos de saúde. O objetivo é preparar um script de previsão baseado em séries temporais.

# 2. Objetivo
Analisar os dados históricos para identificar padrões de gastos e prever tendências futuras, sugerindo ajustes no planejamento financeiro.

# 3. Regras que você deve seguir para gerar sua resposta
- Verifique a existência das colunas data_do_pagamento e valor_reembolso. Se ausentes, interrompa preparando mensagem de erro no campo validation.motivo_erro.
- Converta datas para ISO 8601 (YYYY-MM-DD) e valores para numérico em BRL com ponto decimal.
- Mapeie granularidade para freq: diaria->"D", semanal->"W-MON" (semanas iniciando na segunda-feira), mensal->"MS" (início do mês). Se não informado, use mensal/MS.
- Elimine duplicidades exatas (todas as colunas iguais). Em seguida, agregue por período (freq) e por chaves definidas em aggregation_rules.agrupar_por; some valor_reembolso por grupo/período.
- Trate valores negativos como ajustes/estornos. Não descarte; mantenha no somatório. Se a soma do período ficar negativa, preserve o valor e registre flag em preprocessing.notas.
- Gere calendário contínuo de períodos conforme freq. Para lacunas: se houver pelo menos 12 períodos contíguos, aplique interpolação linear; caso contrário, aplique forward fill limitado a no máximo 2 períodos consecutivos.
- Calcule P99 por grupo; winsorize valores acima do P99 para o limiar P99. Marque observações afetadas com coluna auxiliar outlier_flag=true na preparação interna.
- Defina validation.historico_min_meses = 18 para granularidade mensal. Se a série agregada total ficar abaixo do mínimo, ajuste validation.backtest_splits para o máximo possível e marque validation.hist_suficiente=false.
- Configure pelo menos 4 splits temporais quando hist_suficiente=true, com janela de teste de 3 meses. Métricas: MAPE e RMSE.
- Ative seasonal_holidays.usar_feriados_nacionais_BR=true para D ou W-MON. Inclua parâmetros de sazonalidade e pontos de mudança no script.
- Se agrupar_por estiver definido e existir no dataset, gere configuração para estimar por segmento e consolidado. Caso não exista, force agrupar_por=[] e projete somente o total.
- Preencha scenario_inputs.multiplicadores com defaults: otimista=0.95, base=1.0, pessimista=1.10. Se horizonte_meses for informado, replique para horizonte.
- Não inclua beneficiario_id no dataset_inline; apenas utilize para agregação se necessário e descarte antes de compor o payload final.
- Produza JSON puro com todas as chaves do expected_output, garantindo tipos corretos.
- Garanta que o script incorporado: (a) agregue por período e segmento; (b) ajuste tendência/sazonalidade; (c) execute backtest conforme validation; (d) produza previsões pontuais e intervalos; (e) aplique multiplicadores de cenário.
1.3 Configurações do Agente

1.3.1 Especificação do Input

  • Mecanismo de Acionamento: Este agente é o ponto de partida do fluxo e deve ser acionado pelo envio de arquivos .csv ou .xlsx via API. Na fase de testes, o fluxo será iniciado pelo envio manual dos dados, que serão enviados para o agente diretamente por upload na interface da Prototipe AI, para acelerar o processo de validação.
  • Tipo do input: Arquivos contendo dados históricos de reembolsos de saúde.
  • Formatos Suportados: Esse agente deve ser capaz de receber arquivos nos formatos: .csv, .xlsx.
  • Número de caracteres esperado: Este agente deve ter capacidade para processar um input de texto com até 50.000 caracteres.

1.3.2 Especificação do Output

  • Formato de output: O output deve ser um JSON contendo o script de previsão e o dataset preparado para a execução quantitativa.
  • Exemplo de Estrutura de Output: 
     {"script": "string com código Python para modelagem de série temporal", "dataset_inline": "csv_em_texto_ou_referencia"}
  • Número de caracteres esperado: O JSON gerado deve ser claro e direto, com um tamanho estimado em 1.200 caracteres.

1.3.3 Parâmetros de Geração

  • Modelo: GPT-5
  • Temperatura: 0.6

1.3.4 Ferramentas do Agente

  • Documentos: Não consulta documentos externos.
  • Calculadora: Não utiliza.
  • Busca Online: Não utiliza.
  • Sistemas Externos: Não se conecta a sistemas externos.

1.3.5 Memória

  • Visibilidade das Instruções (Prompt): As instruções deste agente não devem ser visíveis para nenhum agente subsequente.
  • Visibilidade da Resposta: A resposta gerada por este agente deve ser visível para o Agente de Execução de Chamada à API (RF 2).

1.3.6 Regras de Orquestração e Transição

Ao concluir sua execução, esse agente aciona o Agente de Execução de Chamada à API (RF 2).

RF 2. Agente de Execução de Chamada à API

2.1 Tarefa do Agente

Executar o script Python de modelagem de séries temporais com o dataset preparado para gerar as previsões.

2.2 Prompt ou Instruções do Agente 
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo um JSON contendo o script de previsão e o dataset preparado.

# 2. Objetivo
Executar o script para gerar previsões de gastos com reembolsos de saúde.

# 3. Regras que você deve seguir para gerar sua resposta
- Este agente não precisa de instruções para chamadas ao LLM, pois sua única função é executar a chamada à API cujo payload ele já recebe pronto.
2.3 Configurações do Agente

2.3.1 Especificação do Input

  • Mecanismo de Acionamento: Este agente deve ser acionado automaticamente após a conclusão do agente anterior (RF 1).
  • Tipo do input: Este agente deve ser apto a receber como input um JSON contendo o script de previsão e o dataset preparado.
  • Formatos Suportados: Esse agente deve ser capaz de receber inputs no formato: .json.
  • Número de caracteres esperado: Este agente deve ter capacidade para processar um input de até 1.200 caracteres.

2.3.2 Especificação do Output

  • Formato de output: O output deve ser um JSON contendo os dados de previsão gerados pela execução do script.
  • Exemplo de Estrutura de Output: 
     {"previsoes": [{"grupo": "total", "datas": ["2026-01-01", ...], "yhat": [12345.67, ...]}], "backtest": {"splits": 4, "MAPE_medio": 0.12, "RMSE_medio": 3456.78}}
  • Número de caracteres esperado: O JSON gerado deve ter um tamanho estimado em 2.000 caracteres.

2.3.3 Parâmetros de Geração

  • Modelo: Não se aplica (uso de ferramenta)
  • Temperatura: Não se aplica

2.3.4 Ferramentas do Agente

  • Documentos: Não consulta.
  • Calculadora: Não utiliza.
  • Busca Online: Não utiliza.
  • Sistemas Externos: O agente deverá enviar o JSON recebido para a API externa e retornar os dados de previsão recebidos como resposta.

2.3.5 Memória

2.3.6 Regras de Orquestração e Transição

Ao concluir sua execução, esse agente aciona o Agente de Tratamento e Relatório de Previsões (RF 3).

RF 3. Agente de Tratamento e Relatório de Previsões

3.1 Tarefa do Agente

Interpretar o resultado quantitativo, traduzir em insights executivos e sugerir ajustes de planejamento financeiro.

3.2 Prompt ou Instruções do Agente 
 # 1. Contexto e explicações sobre inputs iniciais
Você está recebendo um JSON com os resultados de previsão gerados pelo agente anterior.

# 2. Objetivo
Interpretar os resultados quantitativos e traduzir em insights executivos, sugerindo ajustes de planejamento financeiro.

# 3. Regras que você deve seguir para gerar sua resposta
- Some yhat por data para obter o total quando não vier explícito.
- Converta yhat_lower e yhat_upper em faixas de provisão recomendadas.
- Reporte impacto percentual dos cenários otimista e pessimista.
- Descreva possíveis quebras estruturais e recomende cautela nos períodos pós-ruptura.
- Use backtest.MAPE_medio e RMSE_medio para avaliar a qualidade do modelo.
- Gere lista priorizada de acoes_recomendadas com base em segmentos mais críticos.
- Produza relatorio_markdown com seções fixas e evite jargão excessivo.
- Garanta que custos e percentuais no sumário batem com os números citados no texto.
- Vincule cada recomendação a um problema do negócio.
3.3 Configurações do Agente

3.3.1 Especificação do Input

  • Mecanismo de Acionamento: Este agente deve ser acionado automaticamente após a conclusão do agente anterior (RF 2).
  • Tipo do input: Este agente deve ser apto a receber como input um JSON contendo os dados de previsão gerados pelo agente anterior.
  • Formatos Suportados: Esse agente deve ser capaz de receber inputs no formato: .json.
  • Número de caracteres esperado: Este agente deve ter capacidade para processar um input de até 2.000 caracteres.

3.3.2 Especificação do Output

  • Formato de output: O output deve ser um JSON contendo um relatório em Markdown com insights executivos e recomendações financeiras.
  • Exemplo de Estrutura de Output: 
     {"relatorio_markdown": "# Previsão de Gastos com Reembolsos\n## Sumário Executivo\n..."}
  • Número de caracteres esperado: O JSON gerado deve ter um tamanho estimado em 3.000 caracteres.

3.3.3 Parâmetros de Geração

  • Modelo: GPT-5
  • Temperatura: 0.6

3.3.4 Ferramentas do Agente

  • Documentos: Não consulta.
  • Calculadora: Não utiliza.
  • Busca Online: Não utiliza.
  • Sistemas Externos: Não utiliza.

3.3.5 Memória

  • Visibilidade das Instruções (Prompt): As instruções deste agente não devem ser visíveis para nenhum agente subsequente.
  • Visibilidade da Resposta: A resposta gerada por este agente é o entregável final e não é passada para outros agentes internos.

3.3.6 Regras de Orquestração e Transição

A execução deste agente finaliza o fluxo. O relatório gerado é o resultado que deve ser disponibilizado ao usuário.

Posts Relacionados

© 2025 prototipe.ai. Todos os direitos reservados.