{"id":12419,"date":"2026-01-13T09:04:31","date_gmt":"2026-01-13T09:04:31","guid":{"rendered":"https:\/\/focalx.ai\/sem-categoria\/porque-e-que-os-sinistros-continuam-a-ser-manuais-mesmo-quando-todos-querem-a-automatizacao\/"},"modified":"2026-03-24T11:03:12","modified_gmt":"2026-03-24T11:03:12","slug":"porque-as-reclamacoes-permanecem-manuais","status":"publish","type":"post","link":"https:\/\/focalx.ai\/pt-pt\/logistica-de-veiculos-acabados\/porque-as-reclamacoes-permanecem-manuais\/","title":{"rendered":"Porque \u00e9 que os sinistros continuam a ser manuais (mesmo quando todos querem a automatiza\u00e7\u00e3o)"},"content":{"rendered":"<p>As reclama\u00e7\u00f5es permanecem manuais porque as provas n\u00e3o s\u00e3o suficientemente padronizadas para se moverem de forma limpa entre os intervenientes, preencherem os sistemas a jusante e ainda se manterem sob condi\u00e7\u00f5es de auditoria. Na log\u00edstica de ve\u00edculos acabados, o problema raramente \u00e9 a falta de fotografias ou notas; o problema \u00e9 que o pacote de provas \u00e9 inconsistente, incompleto e dif\u00edcil de comparar entre eventos de cust\u00f3dia. Este artigo explica onde a automatiza\u00e7\u00e3o falha, o que os sistemas de sinistros realmente exigem, o que \u00e9 um \"conjunto m\u00ednimo de dados\" pr\u00e1tico na entrega e como as equipas podem aumentar a prontid\u00e3o dos sinistros sem reconstruir tudo de uma vez.  <\/p>\n<h2>Explica\u00e7\u00e3o principal: a automatiza\u00e7\u00e3o das reclama\u00e7\u00f5es falha na fronteira entre as provas e o sistema<\/h2>\n<p>A maioria dos processos de sinistros j\u00e1 cont\u00e9m elementos \"digitais\" - imagens, notas de m\u00e3o, e-mails, PDFs e entradas em ferramentas de terminais ou de transportadoras. A falha acontece quando esse material tem de se transformar num processo de sinistro que pode ser processado de forma consistente entre as partes e defendido mais tarde. Uma equipa de sinistros n\u00e3o pode automatizar a rece\u00e7\u00e3o de forma fi\u00e1vel se duas inspec\u00e7\u00f5es do mesmo ve\u00edculo gerarem fotografias n\u00e3o compar\u00e1veis, descri\u00e7\u00f5es de texto livre e c\u00f3digos de danos aplicados com diferentes interpreta\u00e7\u00f5es. O resultado \u00e9 previs\u00edvel: retrabalho, pedidos de provas repetidos, decis\u00f5es de responsabilidade atrasadas e ficheiros que ficam parados porque ningu\u00e9m os consegue aprovar com confian\u00e7a.   <\/p>\n<p>Costum\u00e1vamos assumir que os sinistros continuavam a ser manuais porque as opera\u00e7\u00f5es de sinistros s\u00e3o simplesmente conservadoras. Depois, observ\u00e1mos como se constr\u00f3i um verdadeiro ficheiro de sinistros entre partes e sistemas. N\u00e3o era \"\u00e0 moda antiga\"; era estruturalmente dif\u00edcil. As fotografias existiam, mas n\u00e3o eram compar\u00e1veis. As notas existiam, mas n\u00e3o eram padronizadas. Os c\u00f3digos existiam, mas eram aplicados mais tarde por pessoas diferentes, com interpreta\u00e7\u00f5es diferentes. E cada transfer\u00eancia acrescentava outra ronda de \"podes enviar isso outra vez?\" No nosso conjunto de dados, cerca de <b>56% dos pedidos de indemniza\u00e7\u00e3o<\/b> nunca chegam a ser resolvidos. N\u00e3o se trata de um pequeno atraso no fluxo de trabalho, mas sim de uma fuga financeira direta causada por provas que n\u00e3o est\u00e3o preparadas para o sistema. Para uma vis\u00e3o mais aprofundada de como isto se transforma em atrasos e custos operacionais, v\u00ea a nossa an\u00e1lise da <a href=\"https:\/\/focalx.ai\/finished-vehicle-logistics\/claims-cycle-time-trap\/\">armadilha do tempo de ciclo dos pedidos de indemniza\u00e7\u00e3o<\/a>.         <\/p>\n<h2>Porque \u00e9 que a automatiza\u00e7\u00e3o falha: dados inconsistentes, campos em falta e fotografias n\u00e3o compar\u00e1veis<\/h2>\n<p>A automatiza\u00e7\u00e3o falha quando a captura a montante \u00e9 vari\u00e1vel. As ferramentas de rece\u00e7\u00e3o de pedidos de indemniza\u00e7\u00e3o s\u00f3 podem validar o que podem interpretar e a maioria das provas log\u00edsticas n\u00e3o \u00e9 captada de forma a suportar uma an\u00e1lise consistente, compara\u00e7\u00e3o ou encaminhamento baseado em regras. <\/p>\n<p>Na log\u00edstica dos ve\u00edculos acabados, h\u00e1 tr\u00eas falhas que se repetem:<\/p>\n<ul>\n<li><b>Estrutura de dados inconsistente<\/b>. As notas de texto livre diferem consoante a pessoa, o local e a l\u00edngua. O mesmo dano pode ser descrito como \"arranh\u00e3o\", \"arranh\u00e3o\" ou \"problema de pintura\", o que impede uma triagem e um relat\u00f3rio consistentes.  <\/li>\n<li><b>Campos em falta ou aplicados tardiamente<\/b>. Os metadados cr\u00edticos - localiza\u00e7\u00e3o, carimbo de data\/hora, parte respons\u00e1vel, identificador de transfer\u00eancia ou m\u00e9todo de inspe\u00e7\u00e3o - chegam frequentemente mais tarde (se \u00e9 que chegam). Quando os campos s\u00e3o adicionados ap\u00f3s o facto, a pista de auditoria torna-se mais fraca e os lit\u00edgios tornam-se mais dif\u00edceis de resolver rapidamente.  <\/li>\n<li><b>Fotografias 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 \"as provas est\u00e3o l\u00e1\", \u00e9 dif\u00edcil provar a progress\u00e3o das altera\u00e7\u00f5es de cust\u00f3dia se as vistas antes\/depois n\u00e3o forem repet\u00edveis. A press\u00e3o do tempo \u00e9 um fator conhecido desta variabilidade; o nosso artigo sobre <a href=\"https:\/\/focalx.ai\/vehicle-logistics\/why-inspection-quality-collapses-under-time-pressure\">a raz\u00e3o pela qual a qualidade da inspe\u00e7\u00e3o cai sob press\u00e3o do tempo<\/a> explica como a execu\u00e7\u00e3o apressada degrada a qualidade da captura e a ades\u00e3o \u00e0s normas.   <\/li>\n<\/ul>\n<p>Estes problemas criam retrabalho agravado quando um ficheiro atravessa fronteiras organizacionais. Cada elo fraco desencadeia outro pedido, outro anexo e outro passo de reconcilia\u00e7\u00e3o manual. Descrevemos este fardo composto como <a href=\"https:\/\/focalx.ai\/finished-vehicle-logistics\/fvl-evidence-debt-cost\/\">d\u00edvida de provas<\/a>, e \u00e9 uma das raz\u00f5es mais claras pelas quais \"apenas automatizar os pedidos\" raramente funciona com a atual camada de provas.  <\/p>\n<h2>O que os sistemas de reclama\u00e7\u00f5es realmente precisam: campos estruturados, pista de auditoria e c\u00f3digos padr\u00e3o<\/h2>\n<p>Os sistemas de sinistros n\u00e3o precisam de mais informa\u00e7\u00e3o; precisam de informa\u00e7\u00e3o numa forma que suporte a valida\u00e7\u00e3o, o encaminhamento e a defensibilidade. Normalmente, isto significa que o ficheiro de sinistros deve ser reproduz\u00edvel, compar\u00e1vel entre eventos e associado a uma cadeia de cust\u00f3dia clara. <\/p>\n<p>Na pr\u00e1tica, as plataformas de sinistros e os requisitos de admiss\u00e3o dos OEM 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 possibilidade de a\u00e7\u00e3o t\u00eam de ser captados em campos definidos em vez de serem incorporados em texto livre. \u00c9 isto que permite regras, limiares e processamento direto para casos de menor valor.  <\/li>\n<li><b>Rastreabilidade pronta para auditoria<\/b>. O ficheiro deve mostrar quem capturou o qu\u00ea, quando, onde e em que passo do processo (por exemplo, numa transfer\u00eancia de cust\u00f3dia versus uma mudan\u00e7a de estaleiro). Sem isso, as disputas tornam-se mais sobre a credibilidade do processo do que sobre o dano em si.  <\/li>\n<li><b>C\u00f3digos normalizados com interpreta\u00e7\u00e3o consistente<\/b>. A aplica\u00e7\u00e3o antecipada de um esquema comum de codifica\u00e7\u00e3o de danos \u00e9 o que torna as provas interoper\u00e1veis entre transportadoras, terminais, OEMs e seguradoras. Quando a atribui\u00e7\u00e3o de c\u00f3digos \u00e9 atrasada, cada parte reinterpreta o mesmo evento e o ficheiro fragmenta-se. \u00c9 por isso que baseamos a 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 tamb\u00e9m aqui que a camada de inspe\u00e7\u00e3o \u00e9 importante. Se necessitar de uma atualiza\u00e7\u00e3o sobre o que o passo de captura a montante normalmente inclui, a nossa cartilha sobre a <a href=\"https:\/\/focalx.ai\/vehicle-inspection\/damage-inspection\/\">inspe\u00e7\u00e3o de danos em ve\u00edculos<\/a> fornece o contexto de base sobre como as provas s\u00e3o geradas antes de se tornarem um processo de sinistro. <\/p>\n<h2>O conjunto m\u00ednimo de dados para uma transfer\u00eancia pronta para o pedido<\/h2>\n<p>O conjunto m\u00ednimo de dados \u00e9 o pacote consistente mais pequeno que torna uma transfer\u00eancia \"pronta a ser reclamada\" sem exigir uma reconstru\u00e7\u00e3o posterior. N\u00e3o foi concebido para captar tudo; foi concebido para evitar os modos de falha mais comuns: metadados em falta, imagens n\u00e3o repet\u00edveis e descri\u00e7\u00e3o amb\u00edgua dos danos. <\/p>\n<p>Um conjunto m\u00ednimo de dados pr\u00e1ticos para a log\u00edstica de ve\u00edculos acabados inclui:<\/p>\n<ul>\n<li><b>Identidade do ve\u00edculo<\/b>: VIN (ou identificador \u00fanico equivalente), modelo e quaisquer identificadores de unidades log\u00edsticas utilizados pelas partes participantes.<\/li>\n<li><b>Metadados do evento<\/b>: carimbo de data\/hora, localiza\u00e7\u00e3o exacta (local e sub-localiza\u00e7\u00e3o, se for caso disso), etapa do processo (chegada, descarga, sa\u00edda, transfer\u00eancia, etc.) e a parte respons\u00e1vel no momento da captura.<\/li>\n<li><b>Registo de danos normalizado<\/b>: conjunto de c\u00f3digos (por exemplo, <b>M-22<\/b>), tipo de danos, localiza\u00e7\u00e3o dos danos no ve\u00edculo e classifica\u00e7\u00e3o da gravidade de acordo com o acordo de explora\u00e7\u00e3o.<\/li>\n<li><b>Provas visuais compar\u00e1veis<\/b>: um conjunto de fotografias repet\u00edveis (\u00e2ngulos e dist\u00e2ncias padr\u00e3o) e grandes planos associados a cada item codificado, para que as compara\u00e7\u00f5es \"antes vs depois\" sejam significativas.<\/li>\n<li><b>Pista de auditoria da cadeia de cust\u00f3dia<\/b>: quem capturou a prova, que dispositivo\/processo foi utilizado e um hist\u00f3rico de actualiza\u00e7\u00f5es inviol\u00e1vel para que o ficheiro possa sobreviver a uma escalada de lit\u00edgio.<\/li>\n<\/ul>\n<p>Este pacote m\u00ednimo deve ser apresentado aquando da mudan\u00e7a de cust\u00f3dia e n\u00e3o reconstru\u00eddo semanas mais tarde. A raz\u00e3o operacional \u00e9 simples: quanto mais te afastas do momento da transfer\u00eancia, mais as provas se tornam de segunda m\u00e3o e menos defens\u00e1veis s\u00e3o. O nosso artigo sobre o <a href=\"https:\/\/focalx.ai\/finished-vehicle-logistics\/vehicle-logistics-handover\/\">momento da transfer\u00eancia<\/a> explica por que raz\u00e3o a responsabilidade \u00e9 normalmente ganha ou perdida logo no momento da transfer\u00eancia.  <\/p>\n<h2>Como melhorar sem ferver o oceano<\/h2>\n<p>As equipas tratam frequentemente a automatiza\u00e7\u00e3o dos sinistros como uma transforma\u00e7\u00e3o do tipo \"tudo ou nada\": substituir o sistema de sinistros, reconstruir o fluxo de trabalho, alterar todos os processos dos parceiros. O caminho mais r\u00e1pido \u00e9 padronizar primeiro o pacote de provas e, em seguida, integr\u00e1-lo progressivamente onde ele cria uma vantagem imediata. <\/p>\n<p>Uma abordagem pragm\u00e1tica de melhoria \u00e9:<\/p>\n<ul>\n<li><b>Padroniza a captura no limite<\/b>. Define o conjunto de fotografias repet\u00edveis e os metadados necess\u00e1rios para cada evento de cust\u00f3dia e imp\u00f5e a conclus\u00e3o no ponto de inspe\u00e7\u00e3o para que os campos em falta n\u00e3o se tornem excep\u00e7\u00f5es a jusante. <\/li>\n<li><b>Aplica os c\u00f3digos no momento da captura<\/b>. Atribui c\u00f3digos de danos padronizados (por exemplo, <b>M-22<\/b>) imediatamente, utilizando diretrizes de interpreta\u00e7\u00e3o internas claras. Isto evita a recodifica\u00e7\u00e3o posterior por v\u00e1rias partes e reduz as disputas sem\u00e2nticas.  <\/li>\n<li><b>Empacota os resultados como um relat\u00f3rio pronto para auditoria<\/b>. Produzir um artefacto de entrega de sinistros consistente que possa ser anexado, transmitido e reconciliado de forma fi\u00e1vel. \u00c9 aqui que um formato normalizado <a href=\"https:\/\/focalx.ai\/vehicle-inspection\/report\/\">de relat\u00f3rio de inspe\u00e7\u00e3o de ve\u00edculos<\/a> se torna uma ponte funcional entre as opera\u00e7\u00f5es no terreno e a rece\u00e7\u00e3o de sinistros.  <\/li>\n<li><b>Integra primeiro onde reduz o retrabalho<\/b>. Come\u00e7a por exportar os campos estruturados e os anexos para o destino mais comum a jusante (frequentemente portais de sinistros OEM ou ferramentas internas de sinistros) e, em seguida, expande a cobertura da integra\u00e7\u00e3o com base no agrupamento de ficheiros n\u00e3o resolvidos. <\/li>\n<\/ul>\n<p>Esta abordagem alinha-se com o que constru\u00edmos no nosso fluxo de trabalho Recover: come\u00e7ar a partir das restri\u00e7\u00f5es reais do sinistro - c\u00f3digos padr\u00e3o, provas consistentes na mudan\u00e7a de cust\u00f3dia e uma pista de auditoria limpa ligada ao VIN\/hora\/local\/parte respons\u00e1vel - e depois lig\u00e1-lo aos sistemas de sinistros OEM para que o ficheiro esteja pronto para o sistema no momento em que \u00e9 criado. Para obter uma vis\u00e3o mais ampla da camada operacional entre as imagens e a a\u00e7\u00e3o a jusante, consulte <a href=\"https:\/\/focalx.ai\/finished-vehicle-logistics\/fvl-photo-to-action-workflows\/\">os fluxos de trabalho da fotografia \u00e0 a\u00e7\u00e3o<\/a>. <\/p>\n<h2>Contexto da tecnologia e da automatiza\u00e7\u00e3o: porque \u00e9 que a vis\u00e3o por computador ajuda e onde n\u00e3o ajuda<\/h2>\n<p>A IA ajuda as opera\u00e7\u00f5es de sinistros quando torna as provas mais consistentes e n\u00e3o quando apenas acrescenta mais um artefacto. A vis\u00e3o por computador pode apoiar a normaliza\u00e7\u00e3o atrav\u00e9s da dete\u00e7\u00e3o e localiza\u00e7\u00e3o de danos vis\u00edveis, solicitando ao utilizador os metadados em falta e produzindo resultados estruturados que s\u00e3o mapeados 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 do processo. Se o passo de captura permitir \u00e2ngulos arbitr\u00e1rios, campos incompletos e codifica\u00e7\u00e3o tardia, o resultado do modelo n\u00e3o pode reparar a falta de uma pista de auditoria. A automatiza\u00e7\u00e3o s\u00f3 se torna fi\u00e1vel quando o sistema imp\u00f5e uma norma m\u00ednima no momento da captura e preserva um historial inviol\u00e1vel \u00e0 medida que o ficheiro se desloca entre as partes.  <\/p>\n<h2>Conclus\u00e3o<\/h2>\n<p>Os pedidos de indemniza\u00e7\u00e3o continuam a ser manuais porque a camada de provas n\u00e3o est\u00e1 suficientemente normalizada para sobreviver \u00e0 transi\u00e7\u00e3o da captura no terreno para ficheiros de pedidos de indemniza\u00e7\u00e3o auditados e prontos para o sistema. Nas nossas observa\u00e7\u00f5es, a principal fric\u00e7\u00e3o n\u00e3o \u00e9 a falta de informa\u00e7\u00e3o; s\u00e3o fotografias n\u00e3o compar\u00e1veis, notas n\u00e3o normalizadas e c\u00f3digos aplicados demasiado tarde e de forma demasiado inconsistente - seguidos de pedidos repetidos quando o ficheiro muda de m\u00e3os. A consequ\u00eancia \u00e9 material: no nosso conjunto de dados, cerca de <b>56% das reclama\u00e7\u00f5es<\/b> nunca chegam a ser resolvidas, o que aponta para uma perda direta de valor e n\u00e3o para um mero inconveniente do processo.  <\/p>\n<p>O caminho pr\u00e1tico a seguir consiste em 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 nos sistemas OEM e de sinistros. Para as partes interessadas da ind\u00fastria autom\u00f3vel, da log\u00edstica e da log\u00edstica de ve\u00edculos acabados, isto muda a automatiza\u00e7\u00e3o dos sinistros de um projeto de substitui\u00e7\u00e3o de sistemas para um problema de normaliza\u00e7\u00e3o de provas que pode ser resolvido em passos mensur\u00e1veis. <\/p>\n","protected":false},"excerpt":{"rendered":"<p>As reclama\u00e7\u00f5es permanecem manuais porque as provas n\u00e3o s\u00e3o suficientemente padronizadas para se moverem de forma limpa entre os intervenientes, [&hellip;]<\/p>\n","protected":false},"author":12,"featured_media":10370,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"_seopress_robots_primary_cat":"none","_seopress_titles_title":"","_seopress_titles_desc":"Os pedidos de indemniza\u00e7\u00e3o continuam a ser manuais devido a provas inconsistentes. Aprende o que os sistemas de sinistros precisam e como os dados padronizados tornam a automatiza\u00e7\u00e3o poss\u00edvel. ","_seopress_robots_index":"","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":[140],"tags":[],"class_list":["post-12419","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-logistica-de-veiculos-acabados"],"acf":[],"_links":{"self":[{"href":"https:\/\/focalx.ai\/pt-pt\/wp-json\/wp\/v2\/posts\/12419","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/focalx.ai\/pt-pt\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/focalx.ai\/pt-pt\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/focalx.ai\/pt-pt\/wp-json\/wp\/v2\/users\/12"}],"replies":[{"embeddable":true,"href":"https:\/\/focalx.ai\/pt-pt\/wp-json\/wp\/v2\/comments?post=12419"}],"version-history":[{"count":0,"href":"https:\/\/focalx.ai\/pt-pt\/wp-json\/wp\/v2\/posts\/12419\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/focalx.ai\/pt-pt\/wp-json\/wp\/v2\/media\/10370"}],"wp:attachment":[{"href":"https:\/\/focalx.ai\/pt-pt\/wp-json\/wp\/v2\/media?parent=12419"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/focalx.ai\/pt-pt\/wp-json\/wp\/v2\/categories?post=12419"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/focalx.ai\/pt-pt\/wp-json\/wp\/v2\/tags?post=12419"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}