El 95% de los pilotos de IA en aseguradoras no genera impacto medible en el negocio, y casi nunca es culpa del modelo
La dificultad suele estar tanto en el modelo como en la arquitectura, los datos, el gobierno y la integración con la operación.
Un piloto de inteligencia artificial puede producir resultados prometedores en pocas semanas. Llevar esa misma capacidad a producción dentro de una aseguradora es un desafío diferente.
Un estudio de 2025 del MIT sobre adopción empresarial de inteligencia artificial encontró que el 95% de los pilotos de IA generativa en empresas no genera un impacto medible en los resultados de negocio. Gartner, por su parte, proyecta que para 2026 las organizaciones abandonarán el 60% de los proyectos de IA que no cuenten con datos preparados para IA. En seguros, esa transición añade exigencias particulares: datos provenientes de múltiples sistemas, procesos críticos, regulación, seguridad, auditoría y la necesidad de explicar cómo se toman determinadas decisiones.
El piloto y la producción viven en mundos diferentes
Durante un piloto, el caso de uso suele estar acotado. Los datos pueden haber sido seleccionados y depurados previamente, el volumen es controlado y un equipo especializado supervisa de cerca el comportamiento de la solución.
En producción, la IA debe convivir con pólizas, siniestros, clientes, canales, reglas de negocio, integraciones, cambios de versión y excepciones operativas. Una capacidad que funciona bien de manera aislada puede perder efectividad cuando entra en contacto con la complejidad real de la operación.
La arquitectura que rodea al modelo importa
Imaginemos un modelo que ayuda a clasificar siniestros de automóviles. En pruebas puede trabajar con información homogénea. En producción, los datos pueden llegar desde una aplicación móvil, un portal, un intermediario o procesos internos, con diferentes niveles de calidad y completitud.
Si las interfaces cambian, los datos no son consistentes o no existe trazabilidad suficiente, el problema deja de ser únicamente la precisión del modelo. Se convierte en un problema de arquitectura y operación.
Capacidades que ayudan a llevar la IA a producción
Entre las capacidades fundamentales que una arquitectura aseguradora debería soportar se encuentran APIs y servicios consistentes para integrar sistemas y canales; gobierno y calidad de datos; mecanismos de seguridad y control de acceso; reglas de negocio configurables; observabilidad y monitoreo; y trazabilidad suficiente para auditar decisiones y resultados.
Dependiendo del caso de uso, también será necesario definir gobierno del modelo, intervención humana, criterios de excepción y responsabilidades sobre decisiones automatizadas.
La IA depende de estas capacidades.
El papel del Core
El Core es una de las principales fuentes de contexto operacional de una aseguradora. Allí convergen productos, pólizas, clientes, coberturas, movimientos, siniestros y reglas de negocio. Por eso, su capacidad de integración y evolución tiene un impacto directo sobre la facilidad con la que nuevas capacidades de IA pueden incorporarse a procesos reales.
ACSEL Suite está orientado a una arquitectura modular e integrada, con capacidades de configuración y servicios que permiten conectar el Core con otros componentes del ecosistema tecnológico. Esa base es relevante para construir progresivamente casos de uso de IA aplicados al negocio asegurador.
Primero el problema de negocio
Antes de preguntar qué modelo de IA implementar, la pregunta inicial es: ¿qué problema del negocio queremos resolver y qué condiciones necesita nuestra arquitectura para llevar esa capacidad a producción de manera segura y sostenible?
Cuando esas condiciones están claras, la conversación sobre IA deja de ser un experimento tecnológico y empieza a convertirse en una capacidad empresarial.
Comentarios