IA en seguros: dónde aporta y dónde no

Hablar de IA en seguros suele acabar en dos extremos igual de inútiles: el del folleto que promete suscripción instantánea y siniestros que se pagan solos, y el del departamento que lleva veinte años con las mismas tablas y no ve qué va a cambiar. La realidad está en medio y es bastante concreta: el seguro es un negocio de documentos, reglas y probabilidad, y eso es exactamente lo que un sistema de IA sabe tratar. Lo que no sabe tratar es el criterio de cuándo saltarse la regla, y en seguros eso pasa todos los días.

Esta guía recorre el ciclo completo —captación, suscripción, emisión, siniestro, fraude, renovación— y en cada tramo dice tres cosas: qué se automatiza hoy con red, qué dato hace falta para que funcione y qué sigue siendo trabajo de persona. Sirve igual para una correduría de quince personas que para un departamento técnico de aseguradora, aunque el punto de partida y el presupuesto no se parezcan en nada.

Un matiz de arranque: el sector asegurador lleva décadas haciendo modelos. Las tarifas son modelos. La novedad no es «usar matemáticas», es que ahora se puede trabajar con texto, imagen y documentos no estructurados, y eso abre el 80% del trabajo administrativo que antes no era automatizable.

¿Dónde aporta de verdad la IA en seguros?

Ordenado por lo que vemos que funciona primero, no por lo que suena mejor en una presentación.

| Tramo | Caso concreto | Madurez | Quién lo nota | |---|---|---|---| | Entrada de documentos | Leer pólizas de la competencia, partes, facturas y peritajes y volcarlos a campos | Alta | Administración, back office | | Atención | Resolver consultas de cobertura y estado de siniestro 24/7 | Alta | Cliente, call center | | Siniestros | Clasificar, estimar coste y enrutar el expediente al tramitador adecuado | Media-alta | Tramitación | | Suscripción | Prellenar y priorizar riesgos, detectar incoherencias en la propuesta | Media | Suscriptor | | Fraude | Señalar expedientes raros para revisión humana | Media | Investigación | | Cartera | Predecir no renovación y priorizar la llamada | Media | Comercial | | Daños por imagen | Estimar daño de un vehículo o inmueble desde fotos | Media-baja | Peritación |

Dos lecturas de esa tabla. La primera: lo más maduro es lo menos glamuroso. Nadie da una charla sobre leer partes de siniestro, y es donde está la mayor parte del ahorro real. La segunda: cuanto más abajo bajas, más decide el sistema sobre el dinero de alguien, y más control hay que montar alrededor.

En seguros, el orden correcto es automatizar primero lo que no decide nada y ganar con eso el permiso para tocar lo que sí decide.

¿Qué cambia la IA en la suscripción?

La suscripción es donde la IA en seguros promete más y donde más cuidado hay que tener. Lo que funciona hoy, en concreto:

Prellenado de la propuesta. Un corredor que recibe la póliza actual del cliente en PDF puede tener los datos volcados a su ERP en segundos en vez de teclearlos: tomador, coberturas, capitales, franquicias, vencimiento. Es el mismo mecanismo que explicamos en extracción de datos de documentos, aplicado a condicionados. Ahorra horas y, sobre todo, elimina errores de transcripción que luego aparecen en un siniestro.

Detección de incoherencias. Un sistema que compara lo declarado con lo que ya consta (actividad, metros, flota, histórico de siniestralidad) y señala lo que no cuadra antes de emitir. No rechaza: avisa. Es un control de calidad, no una decisión.

Priorización de la cola. Cuando entran más propuestas de las que el equipo puede estudiar, ordenar por ajuste al apetito de riesgo y por valor esperado hace que el suscriptor dedique las horas buenas a los riesgos que importan.

Resúmenes de riesgo. Para riesgos empresariales, un informe que sintetiza memorias, informes de prevención, visitas y reportes previos en una ficha de dos páginas. El suscriptor lee la ficha y va a la fuente cuando algo le chirría.

Lo que no recomendamos: delegar la tarificación fina a un modelo opaco. Una tarifa tiene que poder explicarse, defenderse ante supervisión y mantenerse estable. Un modelo que mejora un punto de ratio combinado pero no se puede explicar es un pasivo, no un activo. Si el modelo entra en tarifa, que entre con variables justificadas, documentación técnica y seguimiento de deriva, como contamos en MLOps para empresas.

Y un límite legal que conviene tener claro antes de diseñar nada: hay variables que no se pueden usar y correlaciones que las reintroducen por la puerta de atrás. El código postal, por ejemplo, es una variable actuarialmente razonable en algunos ramos y un proxy de origen en otros. La pregunta no es si el dato está disponible, es si puedes justificar por qué lo usas.

¿Cómo se automatiza un siniestro sin perder el control?

El expediente de siniestro es el proceso con más documentos por euro del sector, y el que más frustra al cliente cuando se atasca. El tramo automatizable, por fases:

1. Apertura. Leer el parte, el correo o el formulario y abrir el expediente con los campos ya rellenos: póliza, fecha, garantía afectada, descripción. 2. Clasificación. Asignar tipo de siniestro y complejidad. Un agua doméstica sencilla y una responsabilidad civil con lesionado no van a la misma cola ni al mismo perfil. 3. Estimación preliminar. Un rango de coste esperado a partir del histórico de casos parecidos. Sirve para reservar y para decidir si hace falta perito. 4. Documentación que falta. Detectar qué documento no está y pedirlo al cliente de forma automática, que es la causa número uno de expedientes parados. 5. Tramitación simple. En siniestros de importe bajo y garantía clara, propuesta de liquidación automática con revisión humana por muestreo. 6. Comunicación. Mantener informado al asegurado del estado sin que nadie tenga que llamar. Aquí un chatbot bien acotado resuelve la mayoría de las consultas de estado.

El punto 5 es el que separa a los que han pensado el proyecto de los que no. Pagar automáticamente por debajo de un umbral es defendible si tienes muestreo, registro y una tasa de error medida. Lo que no es defendible es rechazar automáticamente. Un rechazo afecta a los derechos del asegurado y necesita una persona que lo firme y que pueda explicar el motivo con el condicionado en la mano.

Sobre la peritación por imagen: funciona razonablemente para daños de chapa visibles y estándar, y mal para todo lo demás. Es útil como estimación preliminar y para orientar al asegurado, no como sustituto del perito en siniestros con desacuerdo o con daño estructural. Quien lo venda como sustitución completa no ha tramitado un siniestro complicado.

¿Detectar fraude con IA funciona?

Funciona, con dos condiciones que casi nunca se explican en la demo.

La primera: el fraude es raro. Si el fraude detectado es el 2% de los expedientes, un modelo que diga «no hay fraude» siempre acierta el 98% de las veces y no sirve para nada. Lo que importa no es el acierto global, es cuántos de los expedientes que señala resultan ser fraude —precisión— y cuánto fraude real detecta —cobertura—. Pide siempre esas dos cifras, nunca un porcentaje de acierto a secas.

La segunda: solo aprendes de lo que investigaste. El histórico de fraude confirmado está sesgado por lo que al equipo le dio por mirar. Si siempre se investigaron ciertos perfiles, el modelo aprende a señalar esos perfiles. Es el mismo problema de fondo que en scoring de leads: la etiqueta refleja la atención del equipo, no la realidad.

Lo que sí aporta valor, en orden de dificultad:

• Reglas duras bien mantenidas. Siniestro a los pocos días del alta, coincidencias de IBAN entre expedientes no relacionados, reparadores que aparecen siempre juntos. Muchas corredurías no tienen ni esto, y es lo más barato.
• Detección de anomalías. Señalar expedientes que se parecen poco a cualquier patrón conocido. No dice «es fraude», dice «esto es raro».
• Grafos de relaciones. Conectar personas, vehículos, talleres, peritos y cuentas entre expedientes. Es donde se descubren las redes, no los casos sueltos.
• Coherencia del relato. Contrastar la descripción del parte con los daños documentados y con las fechas. El texto libre contiene más información de la que nadie explota.

Y el límite de todo esto: una señal de fraude es una hipótesis de trabajo para una persona, nunca una acusación ni un motivo de rechazo automático. El expediente marcado va a investigación con el dato de por qué se marcó, y ahí decide alguien.

¿Qué dato exige cada caso?

La pregunta que decide si el proyecto es viable este año o el que viene.

| Caso | Dato mínimo | Señal de que no estás listo | |---|---|---| | Lectura de documentos | 200-300 documentos reales del tipo que vas a procesar | No tienes los PDF, están en papel o en buzones personales | | Clasificación de siniestros | 2-3 años de expedientes con tipo y coste final | El tipo se rellena a mano y nadie lo revisa | | Estimación de coste | Histórico con reserva inicial y coste de cierre | No puedes cruzar reserva y liquidación en el mismo sistema | | Detección de fraude | Expedientes investigados, con resultado, al menos 3 años | No se registra el resultado de la investigación | | No renovación | 3 años de cartera con altas, bajas y motivo | La baja se graba sin motivo o con un motivo genérico | | Atención automatizada | Condicionados vigentes y FAQ reales del call center | Los condicionados están desactualizados o duplicados |

Si la columna de la derecha describe tu casa, el primer proyecto no es de IA: es de calidad de datos. Lo decimos sin dramatismo, porque suele ser más rápido de arreglar de lo que parece y porque todo lo demás depende de ello.

¿Qué límites legales y de cumplimiento aplican?

Cuatro frentes que en seguros se cruzan y conviene tratar juntos desde el principio.

Decisiones automatizadas sobre personas. Rechazar una propuesta, denegar una prestación o fijar un precio solo con un sistema automático entra en el terreno que el RGPD limita. La vía segura: el sistema propone, una persona con capacidad real de cambiarlo decide, y queda registro. Lo desarrollamos en RGPD e IA.

Datos de salud. En salud, vida y accidentes se tratan categorías especiales de datos. Eso cambia la base legal, las medidas técnicas y quién puede ver qué. No es un caso de uso más.

Explicabilidad frente al cliente y al supervisor. Tienes que poder explicar por qué se tarificó así, por qué se denegó aquello y qué versión del modelo estaba activa ese día. Si el sistema no lo guarda de serie, lo estarás reconstruyendo justo cuando no tengas tiempo.

Clasificación de riesgo del sistema. El marco europeo de IA trata de forma específica los sistemas usados para evaluación de riesgos y fijación de precios en seguros de vida y salud, con obligaciones de documentación, supervisión humana y gestión de la calidad del dato. Qué significa eso para una empresa mediana está en el reglamento europeo de IA.

A esto se suma algo que no es legal pero cuesta igual de caro: la relación con el mediador. Si la herramienta hace que el corredor pierda visibilidad sobre lo que pasa con su cliente, no la usará, por buena que sea. Es un problema de gestión del cambio, y se resuelve diseñando con ellos, no presentándoles el resultado.

¿Por dónde empieza una correduría y por dónde una aseguradora?

No es el mismo proyecto, aunque el titular sea el mismo.

Correduría. El cuello de botella es administrativo: comparar pólizas, preparar propuestas, perseguir documentación, atender consultas de estado. El primer proyecto rentable casi siempre es lectura de documentos más atención automatizada de consultas simples. Inversión contenida, resultado visible en semanas y cero decisiones delegadas. Después, no renovación de cartera, que es dinero que ya tienes y se escapa.

Aseguradora. El cuello de botella es tramitación y coste de siniestro. El primer proyecto suele ser clasificación y enrutado de expedientes, con estimación preliminar de coste. Es medible contra una línea base clara —días de tramitación, desviación de reserva— y no toca la tarifa, que es el terreno más regulado.

En ambos casos, la métrica que importa el primer año no es la precisión del modelo. Es cuántas horas de un proceso concreto se han liberado y en qué se han empleado. Cómo medir eso sin engañarse está en medir el ROI de la IA.

Preguntas frecuentes

¿Puede la IA rechazar un siniestro automáticamente?

No es recomendable y entra en conflicto con los límites del RGPD a las decisiones automatizadas que afectan significativamente a una persona. El sistema puede proponer el rechazo con el motivo y el artículo del condicionado, pero la decisión la firma un tramitador que puede revertirla, y queda registrada.

¿Cuánto histórico necesita una correduría para empezar con IA?

Para los casos de lectura de documentos y atención al cliente, prácticamente ninguno: funcionan con los condicionados y unos cientos de documentos de ejemplo. El histórico solo hace falta para predecir —no renovación, coste de siniestro, fraude— y ahí se piden dos o tres años con el resultado bien registrado.

¿La IA sustituye al perito o al suscriptor?

No en el trabajo que justifica su sueldo. Sustituye la parte mecánica: transcribir, buscar, resumir, preparar. El perito sigue decidiendo en el daño dudoso y el suscriptor en el riesgo que se sale de tabla, que es donde se gana o se pierde dinero de verdad.

¿Qué pasa con los datos de salud en seguros de vida o salud?

Son categorías especiales de datos y exigen base legal específica, control de accesos estricto y, normalmente, evaluación de impacto previa. No conviene mezclarlos en el mismo proyecto que los ramos generales: cambia el nivel de control y conviene tratarlos con su propio diseño.

---

Si estás valorando por dónde entrar y quieres un mapa de qué procesos de tu correduría o tu departamento son automatizables con el dato que ya tienes, una auditoría lo deja por escrito, con el orden y el coste de cada paso. Y si prefieres contrastarlo en media hora sobre un expediente real, hablemos.