¿Qué limita la IA en siniestros, suscripción y asesoramiento?

La IA en siniestros, suscripción y asesoramiento tiene límites reales: la ambigüedad, los casos límite y las normas que mantienen a una persona en el bucle para las decisiones de alto impacto.

La IA es rápida, incansable y consistente. La gestión de siniestros, la suscripción y el asesoramiento están llenos de lo único que peor maneja: la ambigüedad que una persona tiene que sopesar.

La IA en siniestros, suscripción y asesoramiento funciona bien en casos limpios, bien documentados y de gran volumen, y alcanza su límite allí donde entran en juego el criterio, la información incompleta y la rendición de cuentas. Dos fuerzas marcan ese límite, y se refuerzan mutuamente. La primera es la capacidad: los modelos tienen dificultades cuando los hechos son ambiguos, la documentación es escasa o no está estructurada, y la respuesta correcta depende de un contexto que ningún conjunto de datos ha capturado. La segunda es la regulación: la ley mantiene deliberadamente a una persona al mando de las decisiones individuales de alto impacto, de modo que incluso un modelo capaz puede no tener permitido decidir por sí solo. El resultado práctico es que los límites de la IA en siniestros y suscripción se trazan de forma más estricta precisamente donde más se juega el cliente.

La tensión central, en una línea:

La IA es más débil precisamente donde una decisión equivocada más perjudica al cliente, y ese es también el punto en el que los reguladores insisten en que una persona siga siendo responsable.

Caso de uso: una aseguradora que despliega IA en siniestros puede liquidar automáticamente un siniestro de automóvil sencillo con un atestado policial claro en cuestión de segundos, y sin embargo el mismo modelo se bloquea ante un siniestro de responsabilidad civil disputado, con declaraciones contradictorias y un anexo manuscrito. El primero es un problema de datos que la máquina resuelve; el segundo es un problema de criterio que solo puede señalar.

1. Dónde falla la IA en siniestros, suscripción y asesoramiento

Empecemos por la capacidad, porque explica la mayor parte de la fricción. La IA en la gestión de siniestros puede leer un formulario limpio y cotejarlo con una póliza, pero hay cuatro cosas que sistemáticamente la superan, y las cuatro son habituales en el sector financiero.

Ambigüedad y evidencia no estructurada. La nota de un perito, la carta de un médico, el testimonio contradictorio de un testigo: el modelo tiene que interpretar, no solo extraer, y la interpretación es donde se esconden los errores.
Criterio subjetivo y contextual. Si las circunstancias de un cliente son “excepcionales”, si un riesgo es aceptable en el margen, si un asesoramiento se ajusta a una etapa vital: son valoraciones cualitativas que los datos estructurados no resuelven.
Casos límite y expedientes escasos. Un prestatario primerizo, una ocupación poco habitual, un tipo de siniestro novedoso. El modelo tiene menos ejemplos justo donde la decisión es más difícil.
Explicabilidad. Una decisión que una entidad no puede explicar es una decisión que no puede defender ante un cliente o un regulador, lo que limita cuánto del proceso puede residir dentro de un modelo opaco.

Por eso el sector avanza hacia un trabajo híbrido en lugar de la automatización total. Ninguno de estos límites de la IA en siniestros y suscripción desaparece con un modelo más grande; son propiedades de las propias decisiones. Un estudio del MIT Sloan Management Review encontró que el 87 por ciento de los directivos espera que el criterio humano y el de la máquina se combinen en lugar de que uno sustituya al otro. El Foro Económico Mundial llega a la misma conclusión desde el ámbito de la gobernanza, al sostener en su trabajo sobre la IA en los servicios financieros que la confianza y la supervisión humana, y no la capacidad técnica en bruto, serán las que determinen qué entidades logran escalar la IA de forma responsable.

2. Dónde la ley limita la autonomía

Incluso cuando un modelo es capaz, la regulación impone un segundo límite, más estricto. La ley trata la IA en siniestros, crédito y asesoramiento como decisiones que afectan a la vida de las personas, por lo que reserva la última palabra, o al menos un derecho de recurso, a una persona.

Normativa	Qué limita	Qué exige en la práctica
RGPD, artículo 22	Decisiones totalmente automatizadas con efectos jurídicos o de importancia similar	Una base legal, información significativa sobre la lógica aplicada y una vía de revisión humana
Reglamento de IA de la UE, anexo III	La IA para la solvencia crediticia y para la tarificación de seguros de vida y salud, clasificada como de alto riesgo	Documentación, supervisión humana registrada, pruebas de sesgo y una evaluación de impacto sobre los derechos fundamentales
Idoneidad según MiFID II	Asesoramiento de inversión automatizado o semiautomatizado	Un asesoramiento ajustado al cliente, en el que la entidad, y no la herramienta, sigue siendo responsable

Cada una de estas normas traza la misma línea con palabras distintas. El artículo 22 del RGPD otorga a una persona el derecho a no ser objeto de una decisión basada únicamente en el tratamiento automatizado que le afecte de manera significativa, con derecho a la intervención humana. El anexo III del Reglamento de IA de la UE cataloga la calificación crediticia y la tarificación de seguros de vida y salud como de alto riesgo, lo que integra la supervisión humana y las pruebas de sesgo en el propio diseño en lugar de dejarlas para la auditoría. Y la ESMA es explícita al señalar que, en el asesoramiento, automatizar la evaluación de idoneidad no traslada la responsabilidad fuera de la entidad. Dicho de otro modo, el regulador ya ha decidido que la IA en siniestros y suscripción puede ayudar a tomar la decisión, pero es una persona quien responde por ella.

3. La visión por sector: el mismo límite, con formas distintas

El armazón de esta página nombraba una restricción por sector. Cada una es correcta, y cada una es el titular de una cuestión más profunda sobre dónde se encuentra la IA en siniestros, suscripción y asesoramiento con un caso real.

Sector	El límite duro	Qué aspecto tiene sobre el terreno	Por qué una persona sigue en el bucle
Seguros	Interpretación de siniestros complejos	Responsabilidad disputada, redacciones ambiguas, indicios de fraude que requieren un juicio	La ambigüedad supera al modelo; la tarificación de vida y salud es de alto riesgo según el Reglamento de IA
Gestión patrimonial	Criterio asesor contextual	Un acontecimiento vital, un cambio en la tolerancia al riesgo, un objetivo que el cliente no ha expresado	La idoneidad se juzga en interés del cliente, y esa obligación recae en la entidad
Banca	Evaluación crediticia de casos límite	Solicitantes con expediente escaso, ingresos atípicos, los motivos que se deben al denegar	La equidad y el derecho a una explicación limitan las decisiones adversas totalmente automatizadas

La escala no es hipotética. La encuesta de digitalización de 2024 de la EIOPA encontró que el 50 por ciento de las aseguradoras de no vida y el 24 por ciento de las de vida ya usan IA a lo largo de toda la cadena de valor, incluidas la suscripción y la gestión de siniestros. Estos límites se aplican a sistemas ya en funcionamiento, no a sistemas futuros.

4. Lo que la mayoría de las entidades hace mal

He aquí el error habitual. Bajo presión de costes, las entidades dirigen la IA en siniestros y suscripción precisamente a los casos más difíciles y ambiguos, porque son los que más tiempo humano consumen. Eso es exactamente al revés. El caso límite ambiguo es donde el modelo es menos fiable y donde la regulación más exige una persona, así que automatizarlo maximiza a la vez el riesgo operativo y el riesgo de cumplimiento.

El diseño acertado invierte este planteamiento. La IA en siniestros y suscripción debería asumir el núcleo limpio, bien documentado y de gran volumen, donde es precisa y económica, y derivar la ambigüedad, los expedientes escasos y las decisiones de alto impacto a personas cualificadas, con el modelo aportando evidencias en lugar de un veredicto. La supervisión humana sigue siendo fundamental en las decisiones financieras de alto impacto, no como una cortesía, sino porque ahí es donde se concentran a la vez el valor y la responsabilidad. Entendido así, el límite deja de ser un muro que escalar y se convierte en un mapa de dónde situar a las mejores personas.

La pregunta no es cuánto de la decisión puede asumir la IA, sino qué parte debería asumir. Automatiza la certeza; reserva a las personas para la duda.
Optimizium, práctica de IA y Datos

Ejemplo: un prestamista ejecuta una comprobación automatizada de solvencia sobre las solicitudes completas y resuelve la mayoría en minutos, mientras que los casos de expediente escaso o atípicos pasan a una cola gestionada por personas, con el razonamiento del modelo adjunto. La velocidad en los casos sencillos financia el cuidado en los difíciles, y cada denegación sigue llevando un motivo que una persona puede respaldar.

En Optimizium no tratamos estos límites como una decepción que haya que superar mediante ingeniería. Son un encargo de diseño. Los equipos dentro de su entidad que saben por qué un siniestro está disputado, por qué un prestatario es mejor riesgo de lo que sugiere el expediente, o por qué un cliente necesita una conversación distinta este año, poseen un conocimiento que ningún modelo tiene. Nuestro trabajo es construir la IA que elimina el trabajo tedioso a su alrededor, no sustituir el criterio que aportan.

Le ayudamos a decidir dónde la automatización se gana su lugar y dónde debe permanecer una persona en el bucle, a integrar esa frontera en el flujo de trabajo y a mantener el rastro de evidencias que un supervisor pedirá. Los compañeros de riesgos y cumplimiento entran en ese diseño como coautores, no como una barrera al final, y eso es lo que permite que la IA en siniestros, suscripción y asesoramiento avance con rapidez sin avanzar con imprudencia.

Descubra cómo abordamos esto en Banca, Seguros y Gestión Patrimonial, consulte el Centro de preguntas frecuentes, o vea la pregunta relacionada: ¿Cómo crean los canales digitales nuevos activos de datos?