Etiqueta: Inteligencia artificial

Publicado el por — Deja un comentario

La inteligencia artificial en el Sector Asegurador

Uno de los grandes cambios e innovaciones del mundo actual es la llamada inteligencia artificial, (IA), la cual ha incursionado en el día a día de los seres humanos y que, por lo que veremos a continuación, no es ajena a sectores como el Asegurador.

En la era actual, la Inteligencia artificial contribuye a la transformación de la industria, creando nuevas oportunidades de crecimiento y nuevos modelos de negocio. Sin embargo, es importante conocer no sol los beneficios de su uso sino también los desafíos y los retos que se generan.

Pero ¿Qué es la inteligencia artificial?, Algunos la definen como una tecnología que automatiza las tareas que pueden repetirse en un proceso determinado y su objetivo en ventas se enfoca principalmente a mejorar la eficiencia y reducir los gastos de personal. La IA busca desarrollar sistemas que funcionen de forma inteligente y autónoma. Sus comienzos se remontan al año 1943 con la publicación del artículo “A logical calculus of ideas immanent in nervous activity” de Warren McCullough y Walter Pitts, que presentó el primer modelo matemático para la creación de redes neuronales. Desde ese momento se han desarrollado múltiples avances en inteligencia artificial, creando varios tipos de ella, de acuerdo con las necesidades de las personas: Artificial narrow intelligence (ANI), Inteligencia artificial general (AGI), Superinteligencia Artificial (ASI), Maquinas reactivas Ej; Deep Blue. IBM, Memoria Limitada Ej: chatbots, Teoría de las emociones y necesidades y la Autoconciencia.

En la actualidad se utilizan tecnologías que buscan automatizar procesos y hacer más ágil la gestión en cada negocio. En el sector de seguros se han manejado tradicionalmente de manera manual y operativa muchos procesos, tales como la atención de siniestros, la gestión de datos de los Clientes, revisión de documentos y suscripción de pólizas. Mediante el uso de la IA se busca contribuir  a que los empleados puedan dedicar su tiempo y esfuerzo a otras actividades más estratégicas  que demanden mayor preparación dejando los procesos automáticos para las máquinas.

Dentro de los desafíos del Sector Asegurador encontramos entre otros la competencia creciente de los insurtechs (empresas que ofrecen servicios de seguros basados en la tecnología digital), proliferación de los datos (ciberdelincuentes), disminución de tasa de fidelidad y retención de los clientes, amplia expectativa en cuanto a facilidad de adquisición de productos, tasas y beneficios.

La utilización de la IA en el Sector Asegurador se efectúa a través de tecnologías como:

  • Visión artificial: permite analizar imágenes y videos con el fin de identificar fraudes, evaluar daños y mitigar riesgos. En el sector Asegurador encontramos sistemas basados en visión artificial que son utilizados, por ejemplo, para analizar imágenes de accidentes de vehículos y evaluar los daños efectuando el cálculo de partes y piezas que van a tener que reemplazarse y tener un aproximado del monto de indemnización a pagar al cliente.
  • Procesamiento de lenguaje natural (NLP) : se utiliza para automatizar la clasificación de documentos, la detección de fraudes, evaluación de riesgos, atención al cliente, etc., optimizando de esta forma los tiempos en la operación.

La automatización en cualquier proceso beneficia la analítica de datos y contribuye a estructurar lineamientos acertados en un negocio. Es así como, por ejemplo, en una base de clientes podemos de manera ágil organizar parámetros que permitan tomar decisiones de productos, vinculación de clientes, recuperación de cartera, etc. La inteligencia artificial hace que este proceso se optimice a través de dashboard que muestran análisis completos y detallados de la información y permiten adicionalmente conocer a través de los diferentes canales de comunicación las inquietudes de los clientes y de esta forma crear oportunidades de mejora para optimizar su experiencia de compra.

En comunicaciones la automatización de datos a través de los chatbots sirve de soporte a los agentes para que las respuestas a los clientes se den en un menor tiempo y con mayor precisión, las 24 horas del día.

Sumado a lo aquí enunciado, en el mercado asegurador, la inteligencia artificial permite tener acceso instantáneo a la información, contribuyendo así a la creación de una experiencia personalizada y satisfactoria de los clientes e influyendo en la mayoría de las veces en las decisiones de compra.

Conclusiones

En el Sector Asegurador la inteligencia artificial ofrece muchas oportunidades para mejorar la eficiencia, la personalización de los productos y el servicio al cliente., pero también presenta riesgos y desafíos.

Es importante trabajar en la transparencia de las empresas del Sector Asegurador en la toma de decisiones evitando sesgar los datos analizados por la inteligencia artificial. De igual forma se debe equilibrar el toque humano con la IA para lograr una atención al Cliente adecuada y personalizada.

Se deben priorizar los principios éticos, donde se respete la privacidad y la seguridad de los datos personales de los clientes.

La Inteligencia Artificial no es equivalente a reemplazar a la inteligencia humana, ya que la atención directa con las personas , la calidez del servicio y la experiencia como asesores de seguros no es comparable con los chatbots y asistentes virtuales.

La inteligencia artificial no cuenta con la empatía, la creatividad ni la capacidad de adaptarse a situaciones diversas que hacen parte de la dinámica propia de los seguros.

Se puede generar preocupaciones de confiabilidad por el uso de IA como por ejemplo sesgos en los datos, discriminación en la toma de decisiones, pérdida de la personalización, fallas en la atención al cliente y riesgo de fraude.

La inteligencia artificial es una herramienta complementaria que contribuye a la satisfacción de los clientes a través de la mejora del proceso de venta. El asesor debe continuar preparándose, actualizándose y conociendo más de su negocio para de esta forma captar clientes con agilidad y conocimiento.

Finalmente, recuerden que el Instituto Nacional de Seguros pone a su disposición, un amplio portafolio de cursos de fácil acceso y aplicación al mundo asegurador, porque es necesario estar a la par de los avances que la tecnología nos propone.  

 

Publicado el por — Deja un comentario

¿Puede la IA mejorar y agilizar la tramitación de siniestros en seguros de daños?

«La confianza tarda años en construirse, segundos en destruirse y una eternidad en reconstruirse.» – André Maurois

El tratamiento de siniestros es, sin duda, el proceso más importante para una aseguradora. Es el momento en que el contrato cobra utilidad desde la perspectiva del cliente. La calidad de este proceso influirá de manera determinante en la relación entre el asegurado y la aseguradora.

Un siniestro mal gestionado suele derivar en la pérdida del cliente. Según Accenture, 170.000 millones de dólares en primas estarían en juego en los próximos cinco años (1) debido a la insatisfacción en la gestión de siniestros.

Además, los problemas en la gestión de siniestros pueden ocasionar un deterioro en la siniestralidad (ratio S/P) o costos operacionales demasiado elevados para la aseguradora.

Ante este panorama, ¿cómo puede la IA ayudarnos a mejorar la gestión de siniestros?

 Primera parte: La declaración del siniestro, primer tratamiento y aceptación

Hace algunos años, Lemonade sorprendió al mercado al resolver y pagar un siniestro en solo 3 segundos (2) un récord que Lemonade UK mejoró hace 18 meses al reducir este tiempo a solo 2 segundos (3).

Este ejemplo demuestra el potencial de la IA en las primeras etapas del proceso de gestión de siniestros.

En 2025, las tecnologías de reconocimiento de voz a texto (speech-to-text) presentan un desempeño impresionante (4), y los modelos de lenguaje (LLMs) permiten extraer datos estructurados de un texto (5) sin grandes dificultades.

La combinación de estas dos tecnologías hace obsoletos los formularios de declaración de siniestros o la necesidad de interactuar con un asesor para presentar un reclamo.

Independientemente del canal utilizado (app, teléfono, correo electrónico, etc.), ya sea mediante un texto o un mensaje de voz, la IA permite recopilar rápidamente la información necesaria para la apertura del siniestro.

Además, las capacidades de lectura automática de documentos (6) y clasificación (7) permiten verificar de inmediato la presencia y, en algunos casos, la validez de los documentos adjuntos.

Sin embargo, aunque la IA permite técnicamente estos procesos, la calidad de la experiencia del cliente sigue siendo clave por dos razones:

  1. Para guiar al cliente en los pasos a seguir y generar confianza.
  2. Para asegurar la recolección óptima de los documentos necesarios para la gestión del siniestro.

Este punto suele olvidarse, pero integrar tecnologías de IA sin rediseñar la experiencia de usuario (UX) puede dar resultados decepcionantes (8).

En los últimos años, han surgido soluciones especializadas para siniestros de automóviles y viviendas (Tractable (9), WeProov (10), Bdeo (11)), que facilitan la declaración del siniestro, especialmente en la toma de fotografías necesarias para estos casos. Algunas incluso ofrecen estimaciones de costos en ciertos escenarios.

Estas soluciones pueden acelerar la integración de la IA en los procesos centrales de las aseguradoras.

Todos estos elementos permiten diseñar procesos de gestión de siniestros desde su recepción, utilizando técnicas de IA como el aprendizaje automático (Machine Learning) o enfoques más deterministas. Dichos procesos, diseñados en colaboración entre equipos de datos/IA y expertos en siniestros, deben permitir:

  • Validar o rechazar el siniestro. En caso de rechazo, es fundamental que la IA explique de manera clara los motivos, para evitar altos niveles de insatisfacción del cliente.
  • Solicitar inmediatamente documentos adicionales si son necesarios.
  • Realizar el pago inmediato del siniestro, como lo hace Lemonade en algunos casos.
  • Proponer una indemnización rápida basada en negociación.
  • Asignar el siniestro a un gestor cuando los datos disponibles no permitan tomar una decisión automática o cuando el monto del siniestro supere un umbral determinado.

Segunda parte: Tratamiento y cierre del siniestro por un asesor

 Una vez validado y registrado el siniestro, la IA permite optimizar y acelerar las etapas clave de su gestión, reduciendo las fricciones operacionales.

El primer paso consiste en asignar el siniestro a un gestor. La IA puede intervenir para asignar los casos en función no solo de la carga de trabajo de los asesores, sino también de su nivel de experiencia, la complejidad del siniestro y la categoría del caso.

En la recopilación de documentos y tasación del daño, las mismas técnicas de reconocimiento y lectura automática de documentos pueden aplicarse al gestor de siniestros, ahorrándole un tiempo valioso.

A lo largo de esta etapa, durante los intercambios entre el cliente, el asesor, los expertos y los proveedores externos, la IA debe actuar como un asistente personal del gestor. Entre sus funciones clave:

  • Detectar errores evidentes en los documentos.
  • Proponer sistemáticamente las próximas etapas a seguir, con explicaciones y niveles de confianza.
  • Alertar sobre mensajes críticos, como quejas o reclamos urgentes de los clientes.
  • Organizar las prioridades entre múltiples siniestros que se gestionan en paralelo.

Los modelos de lenguaje (LLMs) son una pieza esencial pero no suficiente en este proceso. Deben estar conectados a sistemas expertos que atiendan las necesidades específicas de los gestores de siniestros.

El reciente lanzamiento de DeepSeek, con su enfoque basado en múltiples modelos “pequeños” especializados (12), podría inspirar a las aseguradoras a desarrollar sus propios modelos especializados para optimizar la gestión de siniestros.

Estos modelos expertos también pueden facilitar la validación de las estimaciones de daños,

ya sean generadas por proveedores externos o desarrolladas internamente.

Una vez que todos los documentos han sido recibidos y validados, y que la tasación ha sido realizada, el siniestro puede ser indemnizado.

En este punto, es crucial contactar al cliente para evaluar su satisfacción con el proceso, incluso si el siniestro ha sido resuelto rápidamente.

Este momento es ideal para realizar estrategias de upsell o cross-sell. Herramientas de recomendación basadas en IA, como Zelros (13), son valiosas para identificar oportunidades de venta y proporcionar argumentos personalizados a los asesores, optimizando la tasa de conversión y mejorando la calidad del servicio.

Aspectos transversales: Comunicación con el cliente y detección de fraudes

 La gestión de un siniestro puede ser un proceso largo y estresante para los clientes, quienes a menudo desean recibir actualizaciones frecuentes.

En lugar de sobrecargar a los gestores de siniestros, este seguimiento puede ser manejado por LLMs, que pueden responder proactivamente a las preguntas del cliente o enviar actualizaciones personalizadas sobre el estado del siniestro.

Para lograrlo, los LLMs deben estar conectados a las fuentes de datos adecuadas y contar

con mecanismos de supervisión humana para prevenir errores o malentendidos (14).

La detección de fraudes es un caso de uso ideal para la IA. La gran cantidad de datos disponibles permite entrenar modelos capaces de identificar riesgos de fraude.

Sin embargo, debido a la creciente complejidad de los fraudes en seguros, y la necesidad de compartir información entre aseguradoras, han surgido empresas especializadas en detección de fraude como Shift Technology (15).

Estos especialistas cuentan con algoritmos avanzados y trabajan con múltiples aseguradoras, lo que les permite alcanzar niveles de precisión difíciles de lograr con modelos desarrollados internamente.

 Conclusiones

 No hay duda de que la IA, al igual que otras tecnologías antes que ella, transformará la gestión de siniestros, agilizando y simplificando su procesamiento.

Gracias a la automatización, las declaraciones son más fluidas, la validación es más rápida y el seguimiento del cliente es más eficiente. No obstante, el equilibrio entre tecnología y experiencia del usuario es fundamental para evitar frustraciones e insatisfacción.

Las aseguradoras que integren la IA de manera inteligente no solo mejorarán su eficiencia operativa, sino que también fortalecerán la lealtad de sus clientes.

 Referencias:

[1](EN) Transforming claims and underwriting with AI – Accenture – https://www.accenture.com/us-en/insightsnew/insurance/ai-transforming-claims-underwriting

2 (EN) La limonada bate un nuevo récord mundial Lemonade https://www.lemonade.com/blog/lemonade-sets-new-world-record

3 (EN) Aceleración de los siniestros: Lemonade celebra que el seguro pague en 2 segundos – InsurTech Digital

https://insurtechdigital.com/articles/speeding-up-claims-lemonade-hails-2-second-insurance-payout

4 (EN) Evaluación comparativa de voz a texto: Comparación de la tasa de errores de palabra [2025] – Cem Dilmegani – https://research.aimultiple.com/speech-to-text/

5 Comportamiento del modelo: por qué su empresa necesita la extracción de datos LLM – Usman Hasan Khan https://www.astera.com/es/type/blog/llm-data-extraction/

6 (FR) Lectura automática de documentos: comparación de las soluciones LAD para todas las organizaciones 

https://www.archimag.com/demat-cloud/2020/10/02/lecture-automatique-documents-comparatif-solutions- lad

7 (FR) Clasificación automática para una gestión eficaz de los documentos en el Comité Internacional de la Cruz Roja

https://www.elca.ch/fr/news/classification-automatique-pour-une-gestion-documentaire-efficace-au-sein-d u-comite

8 (EN) Diseño UX para IA: la clave de la interacción persona-máquina – https://www.wirecube.com/ux-for-ai/

9 Sitio de Tractable – https://tractable.ai/

10 Sitio de WeProov – https://www.weproov.com/weproov-application-gestion-declaration-sinistres

11 Sitio de Bdeo – https://bdeo.io/en/motor/motor-claims-management/

12 (EN) DeepSeek: ¿Qué se esconde bajo el capó del nuevo chatbot de IA? – https://www.bbc.com/future/article/20250131-what-does-deepseeks-new-app-mean-for-the-future-of-ai

13 (EN) ¿Su juego de recomendación de seguros personalizados está en su punto? – https://www.zelros.com/2023/09/26/is-your-personalized-insurance-recommendation-game-on-point/ 

14 (EN) Contra el Códice: El auge del abuso de las plataformas LLM – https://www.arkoselabs.com/blog/rise-llm-platform-abuse

15 Sitio de Shift Technology – https://www.shift-technology.com/es-mx

Publicado el por — Deja un comentario

Personalización de seguros mediante IA: Oportunidades y desafíos

«[La personalización es cuando] entras en un bar, te sientas y el camarero te pone un whisky delante sin que tengas que pedir lo que quieres.» – Jeff Bezos

En este artículo voy a presentar uno de los retos que la IA plantea al mundo de los seguros. En este sentido inicio con la siguiente pregunta:

¿Cómo la integración de la IA en los productos de seguros permite ofrecer coberturas personalizadas que se ajustan a las necesidades específicas de cada cliente y qué beneficios aporta?

Mientras que los principales actores del mundo digital han personalizado naturalmente sus soluciones, en el sector asegurador parece que todavía están rezagadas en adoptar la personalización masiva de sus ofertas. Al mismo tiempo, los datos disponibles (IoT, telemática, redes sociales) y las diversas directivas de Open Insurance representan una oportunidad para conocer mejor a los clientes.

Aplicado al mundo de los seguros, la personalización puede implementarse principalmente a través de personalización del producto y de personalización de la relación con el cliente. En cada una de estas dimensiones, la IA ofrece soluciones innovadoras. Voy a detallar a continuación cada una de estas.

Personalización del producto 

Los productos de seguros generalmente cuentan estándares y opciones de personalización que incluyen la activación de garantías, elección de ciertos montos de deducibles o de límites de coberturas. Algunos aseguradores ya permiten un primer nivel de personalización a través de cuestionarios. La IA puede llevar esto más allá, considerando cientos de datos de forma automática. El desafío entonces se convierte en acceder a datos relevantes, un problema que está lejos de ser trivial.

En este sentido, las iniciativas se están multiplicando para permitir a los usuarios proporcionar una gran cantidad de datos de manera fácil y segura como Eiopa y Open Insurance Brasil. También se encuentran muchas fuentes de datos abiertos como Open Data Barometer.

La llegada de la IA generalizada en los últimos dos años promete ir aún más lejos. En el mundo de los seguros, la relación entre el asegurado y la aseguradora se define a través de un contrato. Los LLM[1] prometen permitir la redacción automática de contratos ultra-personalizados para cada cliente. Sin embargo, debido a los riesgos asociados a la naturaleza crítica de los contratos, este tipo de escenarios no es realista a corto plazo.

Para avanzar, es necesario adoptar un enfoque más controlado. El primer paso es usar los LLM se puede dar en la redacción de cláusulas personalizadas y, potencialmente, en contratos completos para seguros de alto riesgo y específicos. Este nivel de aplicación ya está en progreso, ya que muchos suscriptores y abogados han reconocido lo que tecnologías como ChatGPT o Gemini pueden aportar a sus profesiones[2].

Este paso hacia la producción representa el próximo gran desafío. Los equipos de datos y de TI deberán colaborar estrechamente con los primeros usuarios para identificar cómo aprovechar los LLM para sistematizar e integrar este tipo de personalización en todos los procesos de suscripción, implementando las salvaguardas necesarias. Al final, contar con contratos personalizados para cada cliente, que aprovechen al máximo los datos disponibles permitirá evitar fenómenos de selección adversa, optimizar la tarificación para cada cliente y maximizar tanto la satisfacción como la protección de los clientes, mejorando al mismo tiempo los ingresos desde la perspectiva del asegurador.

Personalización en la relación con el cliente 

Más allá del núcleo del producto, toda la relación con el cliente ya está siendo impactada por la IA. En una frase, la IA debe permitir ofrecer el producto correcto, en el momento adecuado, con los argumentos correctos y a través de los canales adecuados. Esto es ideal desde el punto de vista de la relación comercial con los asegurados.

Según un estudio de Accenture, 170 millones de dólares en primas están en juego[1] en los próximos cinco años, debido a asegurados que buscan una mejor experiencia del cliente. En este entorno competitivo, la IA desempeña un papel crucial, no solo optimizando la interacción con el cliente, sino también anticipando sus necesidades antes de que se manifiesten claramente.

La determinación de los productos adecuados se basa en varios métodos. Utilizar puntajes de apetencia o propensión es una primera aproximación. Sin embargo, este método puede ser limitante, especialmente para productos de nicho, ofertas personalizadas o nuevos productos. Por lo tanto, es esencial modernizar nuestra comprensión de las necesidades de los clientes y la definición de sus perfiles de riesgo. Esto implica integrar más datos, ya sean zero, first, second o third party, y desarrollar métodos de recolección de datos más innovadores.

Ahora bien, la identificación de los mejores argumentos debe surgir de este enfoque. La explicabilidad[1] es un ámbito de la IA que ha sido ampliamente estudiado en los últimos años y permite entender en detalle los elementos en los que se basan las recomendaciones hechas. Estos, combinados con LLM para la redacción de argumentos, el objetivo debe ser evolucionar hacia mensajes únicos para cada cliente.

Un ejemplo destacado de personalización avanzada es la colaboración entre Matmut y Zelros, donde se implementaron recomendaciones de productos en tiempo real, mejorando así la eficacia de los asesores y la experiencia del cliente.

Finalmente, la identificación de los canales y el timing de contacto deben estar al nivel de lo que hacen los gigantes del e-commerce, gestionando dinámicamente la presión comercial en los diferentes canales, incluidos los canales integrados, mediante la implementación de las mejores herramientas del mercado.

[1] Explicabilidad en IA: Existen diferentes formas de utilizar la IA y el aprendizaje automático, en particular algoritmos de black box y de white box. Los algoritmos black box dan un resultado, pero no una explicación, predecirán que el mejor producto para un cliente es un seguro médico sin dar explicaciones.

Por otra parte, los algoritmos white box, en cambio, te dirán que el mejor producto para ese cliente es el seguro de salud, indicando que el criterio de la edad fue decisivo y que también tuvo en cuenta la situación familiar y profesional.

Límites

Estas soluciones representan un enorme potencial, pero no son soluciones milagrosas. Las dificultades de empresas como Lemonade o, más recientemente, Wefox muestran que apostar todo al digital y la IA no es el camino real hacia el éxito, sino tan solo es una pieza del rompecabezas.

La adopción de estas tecnologías debe realizarse rápidamente mientras impacta de manera estructural en los hábitos de trabajo. La idea debe ser, primero comenzar ejecutando rápidamente en las áreas donde el valor añadido parece más evidente, por ejemplo, en salud, donde parece que los datos disponibles están aumentando mientras que las necesidades de personalización son fuertes, o en el seguro de empresas donde la personalización a medida es aún más demandada.

En este contexto, las empresas que obtendrán mayor valor de la personalización a través de la IA serán aquellas que establezcan hojas de ruta ambiciosas, que apunten más allá de las pruebas de concepto, prototipos y demos, y que sean adaptables continuamente en función de los resultados obtenidos, involucrando a todas las partes interesadas según los temas.

Referencias 

[1] LLM: Large Language Models – modelos de lenguaje de gran tamaño.

[2] https://www.oliverwyman.com/our-expertise/insights/2023/aug/how-insurers-can-successfully-use-generative-artificial-intelligence.html

[3] https://www.accenture.com/us-en/insightsnew/insurance/ai-transforming-claims-underwriting

[4] Explicabilidad en IA: Existen diferentes formas de utilizar la IA y el aprendizaje automático, en particular algoritmos de black box y de white box. Los algoritmos black box dan un resultado, pero no una explicación, predecirán que el mejor producto para un cliente es un seguro médico sin dar explicaciones.

Por otra parte, los algoritmos white box, en cambio, te dirán que el mejor producto para ese cliente es el seguro de salud, indicando que el criterio de la edad fue decisivo y que también tuvo en cuenta la situación familiar y profesional.