{"id":15100,"date":"2026-01-13T09:04:31","date_gmt":"2026-01-13T09:04:31","guid":{"rendered":"https:\/\/focalx.ai\/nao-categorizado\/por-que-os-sinistros-permanecem-manuais-mesmo-quando-todos-querem-automacao\/"},"modified":"2026-10-06T17:20:43","modified_gmt":"2026-10-06T17:20:43","slug":"por-que-sinistros-permanecem-manuais","status":"publish","type":"post","link":"https:\/\/focalx.ai\/pt-br\/logistica-de-veiculos-acabados\/por-que-sinistros-permanecem-manuais\/","title":{"rendered":"Por que os sinistros permanecem manuais (mesmo quando todos querem automa\u00e7\u00e3o)"},"content":{"rendered":"<p>Os sinistros permanecem manuais porque as evid\u00eancias n\u00e3o s\u00e3o padronizadas o suficiente para transitar de forma limpa entre as partes interessadas, preencher sistemas posteriores e ainda resistir a condi\u00e7\u00f5es de auditoria. Na log\u00edstica de ve\u00edculos acabados, o problema raramente \u00e9 a falta de fotos ou notas; \u00e9 que o pacote de evid\u00eancias \u00e9 inconsistente, incompleto e dif\u00edcil de comparar entre eventos de cust\u00f3dia. Este artigo explica onde a automa\u00e7\u00e3o falha, o que os sistemas de sinistros realmente exigem, como \u00e9 um \u201cconjunto m\u00ednimo de dados\u201d pr\u00e1tico na entrega e como as equipes podem refor\u00e7ar a prontid\u00e3o para sinistros sem reconstruir tudo de uma vez.  <\/p>\n<h2>Explica\u00e7\u00e3o central: a automa\u00e7\u00e3o de sinistros falha no limite entre a evid\u00eancia e o sistema<\/h2>\n<p>A maioria dos processos de sinistros j\u00e1 cont\u00e9m elementos \u201cdigitais\u201d \u2014 imagens, notas manuais, e-mails, PDFs e entradas em ferramentas de terminais ou transportadoras. A falha ocorre quando esse material precisa se tornar um arquivo de sinistro que possa ser processado de forma consistente entre as partes e defendido posteriormente. Uma equipe de sinistros n\u00e3o pode automatizar a entrada de forma confi\u00e1vel se duas inspe\u00e7\u00f5es do mesmo ve\u00edculo gerarem fotos n\u00e3o compar\u00e1veis, descri\u00e7\u00f5es em texto livre e c\u00f3digos de danos aplicados com interpreta\u00e7\u00f5es diferentes. O resultado \u00e9 previs\u00edvel: retrabalho, solicita\u00e7\u00f5es repetidas de evid\u00eancias, decis\u00f5es de responsabilidade atrasadas e arquivos que param porque ningu\u00e9m pode aprov\u00e1-los com confian\u00e7a.   <\/p>\n<p>Costum\u00e1vamos assumir que os sinistros permaneciam manuais porque as opera\u00e7\u00f5es de sinistros s\u00e3o simplesmente conservadoras. Ent\u00e3o, observamos como um arquivo de sinistro real \u00e9 constru\u00eddo entre partes e sistemas. N\u00e3o era algo \u201cantigo\u201d; era estruturalmente dif\u00edcil. As fotos existiam, mas n\u00e3o eram compar\u00e1veis. As notas existiam, mas n\u00e3o eram padronizadas. Os c\u00f3digos existiam, mas eram aplicados posteriormente por pessoas diferentes, usando interpreta\u00e7\u00f5es distintas. E cada transfer\u00eancia adicionava outra rodada de \u201cvoc\u00ea pode enviar isso de novo?\u201d. Em nosso conjunto de dados, cerca de <b>56 % dos sinistros<\/b> nunca chegam a uma resolu\u00e7\u00e3o. Isso n\u00e3o \u00e9 um pequeno atraso no fluxo de trabalho; \u00e9 uma perda financeira direta impulsionada por evid\u00eancias que n\u00e3o est\u00e3o prontas para o sistema. Para uma vis\u00e3o mais profunda sobre como isso se transforma em atraso operacional e custo, veja nossa an\u00e1lise sobre a <a href=\"https:\/\/focalx.ai\/finished-vehicle-logistics\/claims-cycle-time-trap\/\">armadilha do tempo de ciclo de sinistros<\/a>.         <\/p>\n<h2>Por que a automa\u00e7\u00e3o falha: dados inconsistentes, campos ausentes e fotos n\u00e3o compar\u00e1veis<\/h2>\n<p>A automa\u00e7\u00e3o falha quando a captura inicial \u00e9 vari\u00e1vel. As ferramentas de entrada de sinistros s\u00f3 podem validar o que conseguem interpretar, e a maioria das evid\u00eancias log\u00edsticas n\u00e3o \u00e9 capturada de uma forma que suporte an\u00e1lise consistente, compara\u00e7\u00e3o ou roteamento baseado em regras. <\/p>\n<p>Tr\u00eas falhas aparecem repetidamente na log\u00edstica de ve\u00edculos acabados:<\/p>\n<ul>\n<li><b>Estrutura de dados inconsistente<\/b>. Notas de texto livre diferem por pessoa, local e idioma. O mesmo dano pode ser descrito como \u201crisco\u201d, \u201cescoria\u00e7\u00e3o\u201d ou \u201cproblema na pintura\u201d, o que bloqueia a triagem e os relat\u00f3rios consistentes.  <\/li>\n<li><b>Campos ausentes ou aplicados tardiamente<\/b>. Metadados cr\u00edticos \u2014 localiza\u00e7\u00e3o, registro de data e hora, parte respons\u00e1vel, identificador de entrega ou m\u00e9todo de inspe\u00e7\u00e3o \u2014 geralmente chegam mais tarde (quando chegam). Quando os campos s\u00e3o adicionados ap\u00f3s o fato, a trilha de auditoria torna-se mais fraca e as disputas tornam-se mais dif\u00edceis de resolver rapidamente.  <\/li>\n<li><b>Fotos n\u00e3o compar\u00e1veis<\/b>. As imagens s\u00e3o frequentemente tiradas de diferentes \u00e2ngulos, dist\u00e2ncias, condi\u00e7\u00f5es de ilumina\u00e7\u00e3o e com enquadramentos inconsistentes. Mesmo quando \u201ca evid\u00eancia est\u00e1 l\u00e1\u201d, \u00e9 dif\u00edcil provar a progress\u00e3o entre as mudan\u00e7as de cust\u00f3dia se as vis\u00f5es de antes\/depois n\u00e3o forem repet\u00edveis. A press\u00e3o do tempo \u00e9 um fator conhecido dessa variabilidade; nosso artigo sobre <a href=\"https:\/\/focalx.ai\/vehicle-logistics\/why-inspection-quality-collapses-under-time-pressure\">por que a qualidade da inspe\u00e7\u00e3o entra em colapso sob press\u00e3o de tempo<\/a> explica como a execu\u00e7\u00e3o apressada degrada a qualidade da captura e a ades\u00e3o aos padr\u00f5es.   <\/li>\n<\/ul>\n<p>Esses problemas criam retrabalho cumulativo quando um arquivo cruza fronteiras organizacionais. Cada elo fraco desencadeia outra solicita\u00e7\u00e3o, outro anexo e outra etapa de reconcilia\u00e7\u00e3o manual. Descrevemos esse fardo cumulativo como <a href=\"https:\/\/focalx.ai\/finished-vehicle-logistics\/fvl-evidence-debt-cost\/\">d\u00edvida de evid\u00eancias<\/a>, e \u00e9 um dos motivos mais claros pelos quais \u201capenas automatizar sinistros\u201d raramente funciona com a camada de evid\u00eancias atual.  <\/p>\n<h2>O que os sistemas de sinistros realmente precisam: campos estruturados, trilha de auditoria e c\u00f3digos padr\u00e3o<\/h2>\n<p>Os sistemas de sinistros n\u00e3o precisam de mais informa\u00e7\u00f5es; eles precisam de informa\u00e7\u00f5es em uma forma que suporte valida\u00e7\u00e3o, roteamento e defesa. Isso normalmente significa que o arquivo do sinistro deve ser reproduz\u00edvel, compar\u00e1vel entre eventos e vinculado a uma cadeia de cust\u00f3dia clara. <\/p>\n<p>Na pr\u00e1tica, as plataformas de sinistros e os requisitos de entrada dos OEMs tendem a convergir em tr\u00eas necessidades:<\/p>\n<ul>\n<li><b>Campos estruturados<\/b>. O tipo de dano, a localiza\u00e7\u00e3o no ve\u00edculo, a gravidade e a viabilidade de a\u00e7\u00e3o precisam ser capturados em campos definidos, em vez de incorporados em texto livre. \u00c9 isso que permite regras, limites e processamento direto para casos de menor valor.  <\/li>\n<li><b>Rastreabilidade pronta para auditoria<\/b>. O arquivo deve mostrar quem capturou o qu\u00ea, quando, onde e em qual etapa do processo (por exemplo, em uma transfer\u00eancia de cust\u00f3dia versus uma movimenta\u00e7\u00e3o no p\u00e1tio). Sem isso, as disputas passam a ser sobre a credibilidade do processo, e n\u00e3o sobre o dano em si.  <\/li>\n<li><b>C\u00f3digos padr\u00e3o com interpreta\u00e7\u00e3o consistente<\/b>. A aplica\u00e7\u00e3o precoce de um esquema comum de codifica\u00e7\u00e3o de danos \u00e9 o que torna as evid\u00eancias interoper\u00e1veis entre transportadoras, terminais, OEMs e seguradoras. Quando a atribui\u00e7\u00e3o do c\u00f3digo \u00e9 atrasada, cada parte interpreta o mesmo evento de uma forma e o arquivo se fragmenta. \u00c9 por isso que ancoramos nossa abordagem em c\u00f3digos padr\u00e3o, como o <b>M-22<\/b>, e no alinhamento da interpreta\u00e7\u00e3o entre as partes, conforme discutido em <a href=\"https:\/\/focalx.ai\/finished-vehicle-logistics\/optional-standards-guarantee-disputes\/\">quando os padr\u00f5es s\u00e3o opcionais, as disputas s\u00e3o garantidas<\/a>.   <\/li>\n<\/ul>\n<p>\u00c9 aqui tamb\u00e9m que a camada de inspe\u00e7\u00e3o importa. Se voc\u00ea precisar de uma recapitula\u00e7\u00e3o sobre o que a etapa de captura inicial normalmente inclui, nosso guia b\u00e1sico sobre <a href=\"https:\/\/focalx.ai\/vehicle-inspection\/damage-inspection\/\">inspe\u00e7\u00e3o de danos em ve\u00edculos<\/a> fornece o contexto fundamental de como as evid\u00eancias s\u00e3o geradas antes de se tornarem um arquivo de sinistro. <\/p>\n<h2>O conjunto m\u00ednimo de dados para uma entrega pronta para sinistro<\/h2>\n<p>O conjunto m\u00ednimo de dados \u00e9 o menor pacote consistente que torna uma entrega \u201cpronta para sinistro\u201d sem exigir reconstru\u00e7\u00e3o posterior. Ele n\u00e3o foi projetado para capturar tudo; foi projetado para evitar os modos de falha mais comuns: metadados ausentes, imagens n\u00e3o repet\u00edveis e descri\u00e7\u00e3o amb\u00edgua de danos. <\/p>\n<p>Um conjunto m\u00ednimo de dados pr\u00e1tico para a log\u00edstica de ve\u00edculos acabados inclui:<\/p>\n<ul>\n<li><b>Identidade do ve\u00edculo<\/b>: VIN (ou identificador exclusivo equivalente), modelo e quaisquer identificadores de unidade log\u00edstica usados pelas partes participantes.<\/li>\n<li><b>Metadados do evento<\/b>: registro de data e hora, localiza\u00e7\u00e3o precisa (local e sublocaliza\u00e7\u00e3o, quando relevante), etapa do processo (chegada, descarga, sa\u00edda do port\u00e3o, transfer\u00eancia, etc.) e a parte respons\u00e1vel no momento da captura.<\/li>\n<li><b>Registro de danos padronizado<\/b>: conjunto de c\u00f3digos (por exemplo, <b>M-22<\/b>), tipo de dano, localiza\u00e7\u00e3o do dano no ve\u00edculo e classifica\u00e7\u00e3o de gravidade alinhada ao acordo operacional.<\/li>\n<li><b>Evid\u00eancia visual compar\u00e1vel<\/b>: um conjunto de fotos repet\u00edveis (\u00e2ngulos e dist\u00e2ncias padr\u00e3o) al\u00e9m de close-ups vinculados a cada item codificado, para que as compara\u00e7\u00f5es \u201cantes vs depois\u201d sejam significativas.<\/li>\n<li><b>Trilha de auditoria da cadeia de cust\u00f3dia<\/b>: quem capturou a evid\u00eancia, qual dispositivo\/processo foi usado e um hist\u00f3rico de atualiza\u00e7\u00f5es \u00e0 prova de viola\u00e7\u00e3o para que o arquivo possa sobreviver \u00e0 escalada de disputas.<\/li>\n<\/ul>\n<p>Este pacote m\u00ednimo deve ser produzido na mudan\u00e7a de cust\u00f3dia, n\u00e3o reconstru\u00eddo semanas depois. O motivo operacional \u00e9 simples: quanto mais voc\u00ea se afasta do momento da entrega, mais a evid\u00eancia se torna de segunda m\u00e3o e menos defens\u00e1vel ela \u00e9. Nosso artigo sobre <a href=\"https:\/\/focalx.ai\/finished-vehicle-logistics\/vehicle-logistics-handover\/\">o momento da entrega<\/a> explica por que a responsabilidade \u00e9 geralmente ganha ou perdida logo na transfer\u00eancia.  <\/p>\n<h2>Como melhorar sem tentar abra\u00e7ar o mundo<\/h2>\n<p>As equipes costumam tratar a automa\u00e7\u00e3o de sinistros como uma transforma\u00e7\u00e3o de tudo ou nada: substituir o sistema de sinistros, reconstruir o fluxo de trabalho, mudar todos os processos dos parceiros. O caminho mais r\u00e1pido \u00e9 padronizar o pacote de evid\u00eancias primeiro e, em seguida, integrar progressivamente onde isso criar alavancagem imediata. <\/p>\n<p>Uma abordagem de melhoria pragm\u00e1tica \u00e9:<\/p>\n<ul>\n<li><b>Padronizar a captura na ponta<\/b>. Definir o conjunto de fotos repet\u00edveis e os metadados necess\u00e1rios para cada evento de cust\u00f3dia, e exigir a conclus\u00e3o no ponto de inspe\u00e7\u00e3o para que os campos ausentes n\u00e3o se tornem exce\u00e7\u00f5es posteriores. <\/li>\n<li><b>Aplicar c\u00f3digos no momento da captura<\/b>. Atribuir c\u00f3digos de danos padronizados (por exemplo, <b>M-22<\/b>) imediatamente, usando diretrizes claras de interpreta\u00e7\u00e3o interna. Isso evita a recodifica\u00e7\u00e3o posterior por v\u00e1rias partes e reduz disputas sem\u00e2nticas.  <\/li>\n<li><b>Empacotar as sa\u00eddas como um relat\u00f3rio pronto para auditoria<\/b>. Produzir um artefato de entrega de sinistro consistente que possa ser anexado, transmitido e reconciliado de forma confi\u00e1vel. \u00c9 aqui que um formato padronizado de <a href=\"https:\/\/focalx.ai\/vehicle-inspection\/report\/\">relat\u00f3rio de inspe\u00e7\u00e3o de ve\u00edculos<\/a> torna-se uma ponte funcional entre as opera\u00e7\u00f5es de campo e a entrada de sinistros.  <\/li>\n<li><b>Integrar onde o retrabalho for reduzido primeiro<\/b>. Come\u00e7ar exportando campos estruturados e anexos para o destino posterior mais comum (geralmente portais de sinistros de OEMs ou ferramentas internas de sinistros) e, em seguida, expandir a cobertura de integra\u00e7\u00e3o com base em onde os arquivos n\u00e3o resolvidos se concentram. <\/li>\n<\/ul>\n<p>Esta abordagem alinha-se com o que constru\u00edmos em nosso fluxo de trabalho Recover: come\u00e7ar pelas restri\u00e7\u00f5es reais do sinistro \u2014 c\u00f3digos padr\u00e3o, evid\u00eancias consistentes na mudan\u00e7a de cust\u00f3dia e uma trilha de auditoria limpa vinculada ao VIN\/hora\/local\/parte respons\u00e1vel \u2014 e depois conect\u00e1-lo aos sistemas de sinistros dos OEMs para que o arquivo esteja pronto para o sistema no momento em que for criado. Para uma vis\u00e3o mais ampla da camada operacional entre imagens e a\u00e7\u00f5es posteriores, consulte <a href=\"https:\/\/focalx.ai\/finished-vehicle-logistics\/fvl-photo-to-action-workflows\/\">fluxos de trabalho da foto \u00e0 a\u00e7\u00e3o<\/a>. <\/p>\n<h2>Contexto de tecnologia e automa\u00e7\u00e3o: por que a vis\u00e3o computacional ajuda e onde n\u00e3o ajuda<\/h2>\n<p>A IA ajuda as opera\u00e7\u00f5es de sinistros quando torna as evid\u00eancias mais consistentes, n\u00e3o quando apenas adiciona outro artefato. A vis\u00e3o computacional pode apoiar a padroniza\u00e7\u00e3o detectando e localizando danos vis\u00edveis, solicitando ao usu\u00e1rio metadados ausentes e produzindo sa\u00eddas estruturadas que se mapeiam em esquemas de sinistros. O impacto operacional \u00e9 a melhoria da comparabilidade entre eventos: o mesmo ve\u00edculo pode ser inspecionado por pessoas diferentes em locais diferentes, mas o pacote de evid\u00eancias resultante permanece alinhado o suficiente para suportar a an\u00e1lise de progress\u00e3o e decis\u00f5es de responsabilidade mais r\u00e1pidas.  <\/p>\n<p>A IA n\u00e3o elimina a necessidade de disciplina de processo. Se a etapa de captura permitir \u00e2ngulos arbitr\u00e1rios, campos incompletos e codifica\u00e7\u00e3o tardia, a sa\u00edda do modelo n\u00e3o poder\u00e1 reparar a trilha de auditoria ausente. A automa\u00e7\u00e3o torna-se confi\u00e1vel apenas quando o sistema imp\u00f5e um padr\u00e3o m\u00ednimo no momento da captura e preserva um hist\u00f3rico \u00e0 prova de viola\u00e7\u00e3o \u00e0 medida que o arquivo transita entre as partes.  <\/p>\n<h2>Conclus\u00e3o<\/h2>\n<p>Os sinistros permanecem manuais porque a camada de evid\u00eancias n\u00e3o \u00e9 padronizada o suficiente para sobreviver \u00e0 transi\u00e7\u00e3o da captura em campo para arquivos de sinistros auditados e prontos para o sistema. Em nossas observa\u00e7\u00f5es, o atrito central n\u00e3o \u00e9 a falta de informa\u00e7\u00f5es; s\u00e3o fotos n\u00e3o compar\u00e1veis, notas n\u00e3o padronizadas e c\u00f3digos aplicados tarde demais e de forma inconsistente \u2014 seguidos por solicita\u00e7\u00f5es repetidas quando o arquivo muda de m\u00e3os. A consequ\u00eancia \u00e9 material: em nosso conjunto de dados, cerca de <b>56 % dos sinistros<\/b> nunca chegam a uma resolu\u00e7\u00e3o, o que aponta para uma perda direta de valor em vez de um mero inconveniente de processo.  <\/p>\n<p>O caminho pr\u00e1tico a seguir \u00e9 definir e aplicar um conjunto m\u00ednimo de dados na mudan\u00e7a de cust\u00f3dia, aplicar c\u00f3digos padr\u00e3o como o <b>M-22<\/b> na captura e produzir um pacote pronto para auditoria que possa ser integrado progressivamente aos sistemas de OEMs e de sinistros. Para as partes interessadas em log\u00edstica automotiva e log\u00edstica de ve\u00edculos acabados, isso desloca a automa\u00e7\u00e3o de sinistros de um projeto de substitui\u00e7\u00e3o de sistemas para um problema de padroniza\u00e7\u00e3o de evid\u00eancias que pode ser resolvido em etapas mensur\u00e1veis. <\/p>\n","protected":false},"excerpt":{"rendered":"<p>Os sinistros permanecem manuais porque as evid\u00eancias n\u00e3o s\u00e3o padronizadas o suficiente para transitar de forma limpa entre as partes [&hellip;]<\/p>\n","protected":false},"author":12,"featured_media":15101,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"_seopress_titles_title":"","_seopress_titles_desc":"Os sinistros permanecem manuais devido a evid\u00eancias inconsistentes. Saiba o que os sistemas de sinistros precisam e como dados padronizados tornam a automa\u00e7\u00e3o poss\u00edvel.","_seopress_robots_index":"","_seopress_robots_follow":"","_seopress_robots_imageindex":"","_seopress_robots_snippet":"","_seopress_robots_primary_cat":"none","_seopress_robots_breadcrumbs":"","_seopress_robots_freeze_modified_date":"","_seopress_robots_custom_modified_date":"","_seopress_robots_canonical":"","_seopress_social_fb_title":"","_seopress_social_fb_desc":"","_seopress_social_fb_img":"","_seopress_social_fb_img_attachment_id":0,"_seopress_social_fb_img_width":0,"_seopress_social_fb_img_height":0,"_seopress_social_twitter_title":"","_seopress_social_twitter_desc":"","_seopress_social_twitter_img":"","_seopress_social_twitter_img_attachment_id":0,"_seopress_social_twitter_img_width":0,"_seopress_social_twitter_img_height":0,"_seopress_redirections_value":"","_seopress_redirections_enabled":"","_seopress_redirections_enabled_regex":"","_seopress_redirections_logged_status":"ambos","_seopress_redirections_param":"","_seopress_redirections_type":301,"_seopress_analysis_target_kw":"","content-type":"","site-sidebar-layout":"default","site-content-layout":"","ast-site-content-layout":"default","site-content-style":"default","site-sidebar-style":"default","ast-global-header-display":"","ast-banner-title-visibility":"","ast-main-header-display":"","ast-hfb-above-header-display":"","ast-hfb-below-header-display":"","ast-hfb-mobile-header-display":"","site-post-title":"","ast-breadcrumbs-content":"","ast-featured-img":"","footer-sml-layout":"","ast-disable-related-posts":"","theme-transparent-header-meta":"default","adv-header-id-meta":"","stick-header-meta":"","header-above-stick-meta":"","header-main-stick-meta":"","header-below-stick-meta":"","astra-migrate-meta-layouts":"set","ast-page-background-enabled":"default","ast-page-background-meta":{"desktop":{"background-color":"var(--ast-global-color-5)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"ast-content-background-meta":{"desktop":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"tablet":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""},"mobile":{"background-color":"var(--ast-global-color-4)","background-image":"","background-repeat":"repeat","background-position":"center center","background-size":"auto","background-attachment":"scroll","background-type":"","background-media":"","overlay-type":"","overlay-color":"","overlay-opacity":"","overlay-gradient":""}},"footnotes":""},"categories":[187],"tags":[],"class_list":["post-15100","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-logistica-de-veiculos-acabados"],"acf":[],"_links":{"self":[{"href":"https:\/\/focalx.ai\/pt-br\/wp-json\/wp\/v2\/posts\/15100","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/focalx.ai\/pt-br\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/focalx.ai\/pt-br\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/focalx.ai\/pt-br\/wp-json\/wp\/v2\/users\/12"}],"replies":[{"embeddable":true,"href":"https:\/\/focalx.ai\/pt-br\/wp-json\/wp\/v2\/comments?post=15100"}],"version-history":[{"count":1,"href":"https:\/\/focalx.ai\/pt-br\/wp-json\/wp\/v2\/posts\/15100\/revisions"}],"predecessor-version":[{"id":15929,"href":"https:\/\/focalx.ai\/pt-br\/wp-json\/wp\/v2\/posts\/15100\/revisions\/15929"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/focalx.ai\/pt-br\/wp-json\/wp\/v2\/media\/15101"}],"wp:attachment":[{"href":"https:\/\/focalx.ai\/pt-br\/wp-json\/wp\/v2\/media?parent=15100"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/focalx.ai\/pt-br\/wp-json\/wp\/v2\/categories?post=15100"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/focalx.ai\/pt-br\/wp-json\/wp\/v2\/tags?post=15100"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}