Las aseguradoras en LATAM llevan un par de años probando IA para detectar fraude y acelerar la suscripción de pólizas, pero muy pocas capacitaron a su equipo para sostener eso más allá del piloto. Si diriges tecnología, operaciones o L&D en una aseguradora, el problema no es conseguir el modelo: es que tu gente sepa operarlo, auditarlo y no romper el proceso regulatorio cuando lo metes en producción.
Dónde la IA ya mueve la aguja en seguros
Los casos que de verdad generan ROI en esta industria no son los más vistosos. Detección de fraude en siniestros cruzando patrones históricos, automatización de la primera lectura de un reclamo para decidir si es simple o necesita un ajustador humano, scoring de riesgo más fino en suscripción, y agentes que responden preguntas de pólizas las 24 horas sin escalar todo a un call center. Ninguno de estos reemplaza al suscriptor o al ajustador: los libera de la parte repetitiva para que se enfoquen en los casos que sí necesitan criterio humano.
Lo que casi nadie mide bien es el tiempo que un ajustador o un analista de suscripción pierde en tareas de clasificación pura: leer un reclamo, decidir a qué cola va, buscar el historial del asegurado en tres sistemas distintos. Ese trabajo no requiere experiencia senior, y es justo el que un agente de IA bien supervisado puede absorber primero, liberando horas para los casos donde el criterio humano sí hace la diferencia entre pagar un siniestro legítimo y validar uno sospechoso.
El error más común: comprar la herramienta antes que la capacidad
Vemos esto seguido: una aseguradora compra una licencia de IA generativa o contrata un proveedor para automatizar reclamos, y seis meses después el proyecto está parado porque nadie en el equipo sabe auditar las decisiones del modelo ni ajustar la lógica cuando el resultado no cuadra con la póliza. Automatizar el proceso de leer un reclamo, clasificarlo y generar el borrador de respuesta con agentes de IA es más barato de construir que de sostener sin gente capacitada del lado del negocio, no solo del lado técnico.
Y hay una resistencia que casi nunca se dice en voz alta en la reunión de directorio: los equipos de siniestros y suscripción, con razón, temen que 'automatizar' signifique 'reemplazar'. Un programa de capacitación que no empieza reconociendo eso de frente, y mostrando en qué casos concretos el agente libera tiempo en vez de quitar el puesto, se topa con boicot silencioso: la gente encuentra la forma de no usar la herramienta bien, aunque nadie lo diga en la encuesta de adopción.
El equipo que entiende el proceso de suscripción o de siniestros suele aprender a supervisar un agente de IA más rápido que un desarrollador externo que no conoce el negocio de seguros.
Qué necesita saber tu equipo, según el rol
- ▸Actuarios y suscriptores: cómo leer el scoring de un modelo, qué variables pesan más y cuándo cuestionar el resultado en vez de aceptarlo sin más.
- ▸Operaciones y siniestros: cómo funciona un agente que clasifica y prioriza reclamos, y qué reglas de negocio debe tener para no aprobar algo que no debería.
- ▸TI y datos: cómo se conecta ese agente a los sistemas core sin exponer datos de pólizas o siniestros a un proveedor externo sin control.
El orden importa. Casi siempre conviene empezar por TI y datos, porque si la integración con los sistemas core no queda bien resuelta desde el principio, cualquier capacitación que le des a suscriptores o al equipo de siniestros se vuelve inútil apenas el agente falla por un problema de acceso a datos, no de criterio de negocio. Primero la base técnica, después la capa de negocio que decide cuándo confiar en el modelo y cuándo no.
Qué revisar antes de firmar con un proveedor de IA
En seguros, el proveedor de IA que elijas termina teniendo acceso a información sensible de tus asegurados: historiales médicos en pólizas de salud, patrimonio en pólizas patrimoniales, patrones de conducta en pólizas vehiculares. Antes de firmar, tu equipo de compliance y de datos debería poder responder tres preguntas sin dudar: dónde se procesan y almacenan esos datos, quién más dentro del proveedor tiene acceso a ellos, y qué pasa con esa información si terminas el contrato. Si el proveedor no tiene una respuesta clara y por escrito, ese es el momento de capacitar a tu equipo de TI para evaluar alternativas, no de firmar de todos modos porque el área de negocio ya está apurada por mostrar resultados.
Cómo escalarlo sin quemar el piloto
La secuencia que funciona en la práctica: arrancas con una sola línea de negocio, normalmente la de mayor volumen y menor complejidad regulatoria (seguros vehiculares suele ser más simple de automatizar que seguros de vida o de salud), defines de entrada qué decisiones puede tomar el agente solo y cuáles siempre pasan por un humano, mides durante ocho a doce semanas antes de tocar otra línea de negocio, y recién ahí escalas con el mismo esquema de guardrails ya probado. Saltarse ese orden, y meter IA en tres líneas de negocio a la vez porque 'ya funcionó en el piloto', es la forma más común de perder el control del proyecto.
Cómo lo trabajamos en DataPath
En DataPath para Empresas diseñamos programas a medida para equipos de seguros: empezamos con un diagnóstico de qué procesos son candidatos reales a automatizar, porque no todos lo son, seguimos con el diseño del programa de capacitación por rol, y cerramos con medición de impacto real, no solo asistencia a un taller. Ya trabajamos así con más de 30 empresas en LATAM, entre ellas bancos y aseguradoras que necesitaban el mismo tipo de gobierno sobre sus modelos. Instructores en activo, no consultores de PowerPoint que nunca implementaron nada por su cuenta.
Si tu equipo de TI va a construir o mantener esos agentes, la ruta AI Agentic Engineer les da las herramientas para diseñar sistemas con guardrails reales, no solo un chatbot; y si el foco es que tus analistas exploten mejor los datos de siniestros y suscripción, la ruta de Analista de Datos con IA cubre ese perfil.
Si quieres una propuesta sin costo para tu equipo de seguros, escríbenos desde /empresas y armamos el diagnóstico inicial junto a tu área de operaciones o TI.
