Tu IA de Reclamaciones Detecta los Daños a la Perfección. No Tiene Ni Idea de si el Daño Es Real.

Tenía dos fotos del mismo sedán plateado abiertas en una pantalla. La de la izquierda mostraba una abolladura real en el panel trasero, causada por un roce en un estacionamiento. La de la derecha nunca había estado en un accidente: alguien había introducido una foto limpia en un modelo de difusión y le había pedido que añadiera daños. El pliegue, la sombra bajo el borde, la forma en que la pintura captaba la luz: todo generado, nada de ello físico.

Pasé ambas por el modelo de evaluación de daños que estábamos poniendo a prueba. Ambas dieron como resultado daño genuino. Ambas obtuvieron una puntuación de gravedad. Ambas obtuvieron una estimación de reparación. La falsa, si acaso, obtuvo una lectura ligeramente más limpia, porque el daño generado era más prolijo que el desorden del mundo real.

Esa fue la mañana en que comprendí que la IA para reclamaciones de seguros y la detección de deepfakes son dos problemas completamente distintos, y casi todos en el mercado están resolviendo el primero mientras asumen en silencio que cubre el segundo. No es así. Un modelo de evaluación de daños pregunta ¿qué aspecto tiene esto? No pregunta ¿era esto real? Y en 2026, esa brecha es por donde se escapa el dinero.

Tu IA de evaluación de daños evalúa el contenido. El fraude vive en la autenticidad. Esos no son el mismo eje, y la precisión en uno no te compra nada en el otro.

El modelo de amenaza cambió en silencio y las herramientas no

La mayoría de la IA para reclamaciones se diseñó en una época en que lo peor que podía pasar era un número equivocado: una estimación que salía 400 dólares demasiado alta o demasiado baja. Esa era toda la superficie de riesgo: la precisión de la estimación. Los proveedores competían en ello, los equipos de compras la puntuaban, y todos fueron mejorando en ello.

Luego las entradas se volvieron atacables. Cualquiera con un teléfono puede ahora tomar una foto de un coche sin daños y pedirle a un modelo de libre disposición que le inyecte un parachoques destrozado, con una iluminación y unos reflejos verosímiles. La escala de esto no es teórica. Los intentos de fraude con deepfakes aumentaron un 2137% en tres años, y ahora representan el 6,5% de todo el fraude de identidad detectado en el mundo financiero y de los pagos. En los seguros específicamente, los casos de fraude potenciados por IA en EE. UU. pasaron de menos de 20 000 en 2022 a más de 80 000 en 2025.

El número más concreto que he visto viene del Reino Unido. En abril de 2025, las aseguradoras de automóviles de allí revelaron que los estafadores estaban usando modelos de difusión para inyectar arañazos y grietas en fotos benignas, inflando los pagos medios en aproximadamente 13 000 £ por incidente. Eso no es un error de redondeo en una cartera de negocios. Es una fuga estructural.

Y los consumidores no se resisten precisamente. El estudio de fraude de Verisk de marzo de 2026 encontró que el 36% de los consumidores consideraría alterar la imagen de una reclamación, y entre la Generación Z esa cifra sube al 55%. Mientras tanto, el 98% de las aseguradoras reporta ahora un aumento de medios manipulados vinculados a herramientas de IA. La oferta de herramientas es infinita, el riesgo moral es ahora generalizado, y el modelo de evaluación en el otro extremo está leyendo el contenido como verdad.

Pasé el primer tramo construyendo lo equivocado

Esta es la parte de la que no estoy orgulloso. Cuando empezamos, planteé el producto como un modelo de evaluación de daños mejor. Los líderes del mercado eran el listón, así que quería superarlo. Tractable, que recaudó 185 millones de dólares y procesa más de mil millones de dólares en reclamaciones, anuncia alrededor de un 95% de precisión. CCC Intelligent Solutions opera un pipeline de estimación a pago en más de 125 aseguradoras y superó los mil millones en ingresos. La jugada obvia era ser un poco más preciso que eso y vender sobre la diferencia.

Llevé ese planteamiento a una conversación con un responsable de reclamaciones de una aseguradora mediana, y la respuesta fue una versión cortés de ya tenemos uno de esos. Y era la respuesta correcta. Otro punto de precisión en la evaluación de daños era una vitamina, no un analgésico. Lo que preocupaba a ese equipo no era si sus estimaciones tenían un 94% de precisión en lugar de un 96%. Era cuántas de las fotos que alimentaban esas estimaciones eran reales en primer lugar.

Esa conversación me costó cerca de un mes de convicción. Habíamos construido hacia el eje equivocado por completo. La revelación que pagó por todo lo que vino después fue sencilla y un poco humillante: un modelo de contenido más preciso empeora el problema del fraude, no lo mejora, porque otorga un sello de aprobación más seguro a una imagen fabricada. Cuanto mejor sea tu modelo leyendo daños, más limpio será el pago sobre la falsificación.

Así que dejamos de competir en precisión y empezamos a construir para la autenticidad. Eso significaba tratar cada foto de reclamación no como datos a puntuar, sino como prueba a autenticar — medida y preservada.

¿Por qué no funciona "simplemente añadir un detector de deepfakes"?

El primer instinto que todos tienen —incluido el nuestro— es acoplar un detector de deepfakes a la entrada del pipeline. Existe una técnica forense muy conocida llamada PRNU, abreviatura de no uniformidad de respuesta fotográfica. Cada sensor de cámara tiene una huella de ruido tenue y única, y si una imagen fue sintetizada en lugar de capturada, esa huella falta o es incorrecta. En un laboratorio, es elegante.

En un pipeline de reclamaciones real, el PRNU por sí solo se desmorona. Las fotos de teléfono se comprimen, se vuelven a guardar, pasan por la aplicación de mensajería que usó el asegurado para enviarlas, y se posprocesan antes de que lleguen a ti. Todo eso emborrona la huella del sensor, y la técnica es además computacionalmente pesada. Por sí sola, simplemente no es competitiva frente a la generación moderna. Las aseguradoras saben que esto es difícil, y por eso solo el 32% de las aseguradoras dice sentirse muy segura de detectar deepfakes, y el 76% reporta que los envíos manipulados que ven son cada vez más sofisticados.

El problema de la detección no es "¿tenemos un modelo de deepfakes?". Es que la detección reside en un producto separado del de la evaluación, de modo que la comprobación de autenticidad y la comprobación de daños en realidad nunca se hablan entre sí.

Esta es la brecha estructural hacia la que orientaría a cualquier aseguradora, y es la razón por la que construimos visión por computadora forense para todo el pipeline de pruebas de reclamaciones en lugar de un detector independiente. Verisk publica una excelente investigación sobre fraude y opera una analítica potente, pero su detección es a posteriori: se dispara tras el envío, separada de la herramienta de daños. VAARHAFT hace una puntuación de fraude de imágenes hecha a medida con análisis de metadatos y mapas de calor para los peritos, pero no hace evaluación de daños, así que estás operando dos proveedores que no comparten un modelo. Tractable y CCC hacen la evaluación de forma preciosa y no incorporan detección de deepfakes en absoluto. La aseguradora acaba cosiendo la autenticidad y la evaluación a través de proveedores, y la costura entre ellos es exactamente donde una imagen fabricada sobrevive.

La respuesta honesta no es un detector. Es un conjunto: forense a nivel de sensor, más segmentación que razona sobre si el daño es físicamente coherente (el tipo de comprobación en la que una pasada de estimación de profundidad marca una abolladura cuya geometría la iluminación no puede explicar, que es exactamente donde una falsificación de difusión limpia se delata), más una verdadera cadena de custodia, todo dentro del mismo sistema que produce la estimación.

La amenaza que no vi venir éramos nosotros

Durante un tiempo pensé que todo el problema era externo: estafadores por fuera, nuestro pipeline por dentro, un muro entre ellos. Luego nos sorprendimos a nosotros mismos causando el daño.

Un asegurado había subido una foto de un panel trasero abollado a través de una aplicación móvil. Nuestro pipeline de imágenes, como muchos pipelines, ejecutaba una pasada de "mejora" para limpiar el ruido de la cámara del teléfono antes de la evaluación. El escalador, entrenado para hacer que las imágenes se vean mejor, interpretó la abolladura como ruido y suavizó parte de ella. El perito vio un coche más limpio y menos dañado que el que el asegurado realmente había fotografiado. No nos habían atacado. Habíamos alterado la prueba nosotros mismos, en silencio.

Fue entonces cuando la dimensión legal cayó sobre mí, y es la experiencia especializada con la que ahora lidero cada conversación con una aseguradora. Según la ley estadounidense, alterar pruebas relevantes para un procedimiento legal es destrucción de pruebas, y la intención no te salva. La prueba no es "¿tenías buena intención al mejorar la foto?". La prueba es si píxeles sintéticos —píxeles que el sensor de la cámara nunca capturó— se introdujeron antes de que alguien preservara el original. Si una reclamación denegada llega a litigio y tu flujo de trabajo sobrescribió el original con una versión modificada por IA, te enfrentas a instrucciones de inferencia adversa, sanciones o un fallo sumario.

Cualquier pipeline en el que la IA generativa toque una imagen de reclamación —escalado, reducción de ruido, "mejora"— acarrea esta exposición, y la mayoría de las aseguradoras nunca la han auditado. La solución en nuestro sistema se convirtió en una regla que no rompemos: la imagen original, capturada por el sensor, se preserva, se hashea y nunca se sobrescribe; cada transformación ocurre sobre una copia con un rastro de procedencia registrado. La mejora todavía puede ocurrir. Simplemente no puede ocurrirle a la única copia que un tribunal jamás pedirá.

Los reguladores han terminado de aceptar "lo hizo la caja negra del proveedor"

Las dos amenazas —el fraude sintético que entra, la destrucción de pruebas que sucede dentro— chocan con un entorno de cumplimiento que se volvió agresivo rápidamente.

El Boletín Modelo de la NAIC, ahora adoptado por 24 estados, exige una gobernanza de IA documentada, decisiones de reclamaciones explicables y una monitorización continua de los modelos. La Ley de IA de Colorado entra en vigor el 30 de junio de 2026, y una infracción se trata como una práctica comercial injusta o engañosa. La Ley de IA de la UE clasifica la IA de seguros como de alto riesgo con una fecha límite de aplicación de agosto de 2026 y multas de hasta 35 millones de euros o el 7% de la facturación mundial. Y se espera que la NAIC introduzca este año una ley modelo sobre la supervisión de proveedores externos.

Esta última es el terremoto silencioso. Una aseguradora es responsable de los resultados de la IA de un tercero: "el modelo de nuestro proveedor de SaaS lo decidió" no es una defensa que un regulador o un tribunal acepte. Una aseguradora que usa una puntuación de caja negra para denegar una reclamación no puede producir la explicación que los reguladores ahora exigen. Una aseguradora cuyo pipeline alteró la prueba no puede producir el original que un tribunal exige. Ambos son el mismo fallo con dos disfraces: no controlas, no puedes explicar y no preservaste.

Esta es también la razón por la que soy escéptico respecto a la vía en la que un gran integrador de sistemas maneja todo el asunto. Las grandes firmas son genuinamente buenas en la integración de Guidewire y Duck Creek y en la redacción de marcos de riesgo. Pero recomiendan e integran proveedores de plataformas; no construyen visión por computadora forense a medida. Su trabajo de IA es centrado en LLM —copilotos y triaje agéntico— y un contrato va de 500 000 a 5 millones de dólares con un plazo de seis a dieciocho meses antes de que ningún modelo toque una reclamación real. Puedes gastar un año y un presupuesto de siete cifras y aún así estar sosteniendo una caja negra que no puedes explicarle a Colorado.

"Pero, ¿no ralentiza esto el procesamiento directo?"

Esta es la objeción que más recibo, y es justa. Toda la industria está impulsando el procesamiento directo: las principales aseguradoras de automóviles apuntan a un 70–90% de STP en reclamaciones básicas de autos particulares, e IDC proyecta una tasa de STP del 65% en autos y viviendas para este año. Los peritos son caros; el objetivo de la IA es mantener a los humanos fuera de las reclamaciones rutinarias.

La gente asume que la autenticación forense es una fricción que hace retroceder el STP. Es lo contrario. La forma más rápida de matar un programa de procesamiento directo es un anillo de fraude publicitado o una sanción por destrucción de pruebas; después de eso, cada reclamación recibe una segunda mirada humana "solo para estar seguros", y tu tasa de automatización se desploma. La autenticación es lo que te permite mantener la puerta abierta. Cuando el sistema puede certificar que una imagen es real, inalterada y con procedencia registrada, esa es la reclamación que puedes aprobar automáticamente con seguridad. No estás añadiendo un punto de control; estás ganándote el derecho a saltarte uno.

Una reclamación que puedes demostrar que es real es una reclamación que puedes pagar con seguridad sin que un humano la toque jamás.

Y la economía no es sutil. El fraude automotriz ya añade aproximadamente 900 dólares al año a la prima de cada asegurado, y se proyecta que la visión por computadora bien hecha reduzca los costos de procesamiento de reclamaciones en 12 000 millones de dólares anuales. Nada de eso se materializa si las imágenes que entran son fabricadas y los originales que salen están alterados.

¿Qué debería comprobar realmente un responsable de reclamaciones?

Una vicepresidenta de reclamaciones me guió una vez a través de su cuadrícula de evaluación de proveedores: un pulcro cuadro de precisión, integración, despliegue, precio. La columna de "detección de deepfakes" estaba en blanco en todos los proveedores preseleccionados. No con puntuación baja. En blanco. Nadie lo había construido, así que nadie fue calificado en ello, así que quedó fuera de la evaluación por completo. Esa es la trampa: puedes llevar a cabo una adquisición rigurosa y no comprobar ni una sola vez la amenaza que realmente está creciendo.

Así que la columna que yo añadiría pregunta algo que la puntuación de precisión no puede: ¿puede la herramienta decirte si una imagen es auténtica, no solo qué representa? A partir de ahí, las preguntas dejan de ser sobre rendimiento y empiezan a ser sobre pruebas. ¿Expondrá su razonamiento —la máscara de segmentación, las señales forenses— o simplemente te entregará un número para que confíes? La imagen original del sensor necesita sobrevivir con un rastro de procedencia que podrías poner delante de un juez. Y bajo todo ello está la cuestión de la propiedad: ¿estás operando tu propio modelo y tus propios datos, o alquilando un modelo compartido y sin afinar que no puedes ajustar a tu cartera ni explicarle a tu regulador?

Las aseguradoras que superen los próximos dos años no serán las que tengan las estimaciones de daños más precisas. Serán las que puedan pararse frente a un regulador, un perito y, con el tiempo, un juez, y demostrar que el píxel por el que pagaron era real cuando se disparó el obturador — y que nunca lo tocaron después. Si quieres ver cómo construimos visión por computadora forense exactamente para eso, está todo ahí.

Mantengo esas dos fotos del sedán plateado en mi escritorio. Una fue un accidente real. La otra nunca ocurrió. El modelo no podía distinguirlas, y para la mayoría de la industria todavía no puede. Resulta que todo el trabajo nunca fue sobre ver mejor el daño. Fue sobre poder decir, con pruebas, cuál era verdad.