Seguros y Gestión de Riesgos

Las aseguradoras están incorporando la IA en la suscripción, la gestión de siniestros y el modelado de catástrofes más rápido de lo que sus marcos de gobernanza pueden asimilarla. Nuestro enfoque consiste en construir la capa de gobernanza y validación de IA que se sitúa entre sus herramientas InsurTech y sus reguladores, de modo que un proyecto se dimensiona para producir los artefactos de documentación que sobreviven a un examen de conducta de mercado de un DOI estatal, a una revisión de impacto dispar de la SB 21-169 de Colorado o a una solicitud de exhibición de pruebas por mala fe bajo la UCSPA presentada por el abogado de un demandante.

Su stack de validación de modelos se construyó para GLM, no para conjuntos potenciados por gradiente

Las herramientas InsurTech ya han llegado. En cuestión de unos pocos meses, los principales proveedores de plataformas incorporaron IA de producción en el núcleo de las operaciones de las aseguradoras:

• Guidewire lanzó su primer asistente de suscripción con IA agéntica en diciembre de 2025.
• Verisk lanzó XactAI y un asistente comercial de suscripción con IA generativa en septiembre de 2025.
• Shift Technology publicó una plataforma agéntica de siniestros ese mismo mes.

Sin embargo, el 90 % de las aseguradoras probó la IA en 2025 y solo el 22 % llegó a producción. La brecha no es la tecnología. Es que la infraestructura de validación de modelos, documentación regulatoria y pruebas de equidad de la mayoría de las aseguradoras se construyó para GLM y tablas actuariales, no para conjuntos potenciados por gradiente, narrativas de riesgo basadas en transformadores o flujos de trabajo de siniestros multiagente. Sus actuarios no fueron formados para validar los modelos que usted está desplegando.

El mosaico regulatorio multiestatal de la IA ya está aquí

Veinticuatro estados más el Distrito de Columbia han adoptado el Boletín Modelo de la NAIC sobre el uso de IA en seguros, pero las reglas de implementación de cada estado difieren. Colorado por sí solo tiene tres requisitos superpuestos:

• SB 21-169 — pruebas cuantitativas de impacto dispar para modelos de suscripción, ampliadas a las aseguradoras de auto y salud en octubre de 2025.
• La Ley de IA de Colorado SB 24-205 — vigente el 1 de febrero de 2026, que cubre la IA de alto riesgo en suscripción y siniestros.
• Enmiendas al Reglamento 10-1-1 — que exigen a las aseguradoras de vida presentar informes anuales de IA a partir de diciembre de 2025.

Connecticut y Vermont tienen sus propios marcos de implementación. Texas y Florida van rezagados. Los estados promulgaron 145 leyes relacionadas con la IA solo en 2025, un aumento del 50 % respecto al año anterior. Las disposiciones de alto riesgo de la Ley de IA de la UE para la fijación de precios de riesgos de seguros alcanzan su plena aplicación el 2 de agosto de 2026. La NAIC está pilotando una Herramienta de Evaluación de Sistemas de IA para su uso en exámenes de conducta de mercado y financieros en 2026, y los grupos del sector ya están cuestionando si los hallazgos del piloto podrían desencadenar acciones de cumplimiento.

Una aseguradora multiestatal que suscribe negocios en quince o veinte jurisdicciones no puede gestionar esto con hojas de cálculo y memorandos legales. Nuestro enfoque consiste en construir sistemas de mapeo de cumplimiento diseñados para rastrear cada característica de un modelo de IA hasta los requisitos específicos de la implementación de la NAIC de cada estado, el régimen de triple capa de Colorado y la Ley de IA de la UE cuando corresponda. Cuando un nuevo estado adopta o modifica sus reglas de IA, el mapeo está diseñado para actualizarse. El resultado previsto: cuando un examinador del DOI pregunta cómo maneja su modelo de suscripción las variables proxy que se correlacionan con la raza, usted le entrega un informe generado, no un análisis actuarial improvisado y desesperado.

La responsabilidad de la IA en siniestros tras UnitedHealth y Cigna

El panorama litigioso para las decisiones de siniestros asistidas por IA cambió de forma permanente en 2025 y 2026:

• Un juez federal de Minnesota ordenó a UnitedHealth divulgar los documentos de su algoritmo nH Predict en marzo de 2026 después de que las pruebas mostraran que el 90 % de los siniestros denegados por IA se revirtieron en apelación.
• Cignael algoritmo PxDx rechazó más de 300 000 siniestros en dos meses, y el juez Drozd permitió que la demanda colectiva Kisting-Leung avanzara en marzo de 2025.

Los abogados de los demandantes están construyendo ahora teorías basadas en la UCSPA (Ley de Prácticas Desleales en la Liquidación de Siniestros) en torno a la adjudicación automatizada, y el patrón es claro: si su IA paga de menos o deniega siniestros de forma sistemática siguiendo líneas demográficas, se expone tanto a acciones regulatorias como a demandas colectivas.

Diseñamos sistemas de gobernanza de IA para siniestros (vea nuestra demostración funcional de adjudicación determinista de siniestros) para producir tres cosas que necesitan las aseguradoras que despliegan Shift Technology, Tractable, CLARA Analytics o modelos de adjudicación personalizados:

1. Registros de auditoría de decisiones que registran cada entrada, salida del modelo y anulación humana con marcas de tiempo y justificación.
2. Monitoreo de equidad que prueba continuamente los resultados de los siniestros en busca de impacto dispar entre clases protegidas, no solo en el despliegue, sino a lo largo de la operación continua.
3. Paquetes de documentación que su asesor jurídico general puede entregar al abogado de un demandante durante la exhibición de pruebas sin crear exposición adicional.

El modo de fallo al que apunta esto está bien documentado: una auditoría de equidad encontró disparidades de precios del 11-17 % en códigos postales predominantemente negros catorce meses después del despliegue de un modelo que había superado las pruebas iniciales de sesgo. El monitoreo continuo está diseñado para detectar la deriva que la validación puntual pasa por alto.

Validación de modelos actuariales para sistemas que los actuarios no pueden leer

El problema central en la validación de la IA en seguros es que las personas responsables de aprobar los modelos —sus actuarios y su equipo de validación de modelos— fueron formadas en modelos lineales con coeficientes interpretables. Un modelo de suscripción XGBoost con 500 características y efectos de interacción no se somete a las mismas pruebas de supuestos. Un transformador que genera narrativas de riesgo a partir de datos de solicitud no estructurados no tiene coeficientes en absoluto. Las aseguradoras responden frenando el despliegue de la IA, contratando validadores con conocimientos de ML que no encuentran en número suficiente, o confiando en silencio en las afirmaciones de los proveedores, que no se sostienen ante una impugnación de una presentación de tarifas.

Nuestro enfoque para salvar esta brecha es una arquitectura específica. El modelo de IA opera dentro de una capa de restricciones deterministas cimentada en la ontología de su dominio —directrices de suscripción, reglas del manual de tarificación, umbrales regulatorios—, de modo que las rutas de decisión se vuelven auditables sin leer pesos tensoriales. El método genera informes de importancia de características basados en SHAP, análisis de importancia por permutación y resultados de pruebas de equidad en el formato que su equipo actuarial ya utiliza para la documentación de GLM. El resultado previsto: cuando su actuario jefe necesita firmar la presentación de tarifas, está revisando un paquete de validación estructurado, no una caja negra.

Se ha demostrado en la literatura publicada que las arquitecturas de autocrítica adversaria reducen las alucinaciones en la suscripción comercial de 11,3 % a 3,8 % (arXiv 2602.13213). Diseñamos el sistema para incorporar esa disciplina desde el primer día.

Modelado de catástrofes donde se cruzan lo estocástico y el ML

Los modelos de catástrofes de Moody's (antes RMS), Verisk y AIR tienen bases físicas y estocásticas: conjuntos de eventos derivados de la sismicidad histórica, las trayectorias de ciclones tropicales o los patrones hidrológicos. Cuando las aseguradoras superponen ML —usando imágenes satelitales de Maxar o Planet para la validación de la exposición, datos alternativos para la amplificación de pérdidas o reconocimiento posterior al evento impulsado por IA para el triaje rápido de siniestros (vea nuestra investigación sobre inteligencia de inundaciones)—, el sistema combinado se sitúa en una tierra de nadie de la validación. El proveedor del modelo de catástrofes valida el motor estocástico. Nadie valida la superposición de ML, y los efectos de interacción entre ambos pueden producir puntuaciones de riesgo que ninguno de los dos equipos comprende del todo.

El seguro privado de inundaciones es el ejemplo más nítido. El mercado creció de 600 millones de dólares en primas suscritas en 2016 a más de 2500 millones de dólares en 2025. Las aseguradoras privadas usan modelos de inundación específicos por propiedad impulsados por IA que divergen significativamente de la metodología Risk Rating 2.0 de la FEMA, creando dinámicas de selección adversa que los reguladores están empezando a examinar. El trece por ciento de los asegurados que enfrentaban los mayores aumentos de primas de Risk Rating 2.0 abandonaron por completo su cobertura. Diseñamos marcos de validación para sistemas híbridos de catástrofe y ML que prueban los componentes estocásticos y de ML de forma independiente y en combinación, documentan los efectos de interacción y producen la justificación actuarial que necesita ver un examinador de presentaciones de tarifas del DOI.

Detección de fraude más allá del piso del 30 % de falsos positivos

Los sistemas de detección de fraude basados en reglas de la mayoría de las aseguradoras funcionan con tasas de falsos positivos del 30-50 %. Cada falso positivo consume tiempo del liquidador, retrasa siniestros legítimos y erosiona la confianza del asegurado. Los puntos de referencia de la IA cuentan una historia diferente:

• La detección de fraude con IA logra menos del 10 % de falsos positivos con una reducción del 40 % de las pérdidas por fraude, según datos de la Coalition Against Insurance Fraud.
• McKinsey informa que las soluciones de vanguardia mejoran la detección un 15-20 % mientras reducen los falsos positivos un 20-50 %.

Pero bajar de una tasa de falsos positivos del 5 % —el umbral en el que los liquidadores realmente confían en el sistema— requiere una detección multimodal que abarque texto, imágenes y señales de comportamiento, además de una calibración continua frente a su cartera de negocios específica.

Diseñamos arquitecturas de detección de fraude para combinar datos estructurados de siniestros, notas no estructuradas de liquidadores, análisis de imágenes (detallado en nuestra investigación sobre visión artificial determinista para el análisis forense de seguros) y análisis de redes en un sistema de puntuación calibrado según sus patrones de pérdidas. La arquitectura produce puntuaciones de riesgo explicables, no solo alertas, de modo que su equipo SIU entiende por qué se marcó un siniestro y puede defender la investigación ante los reguladores. Para las aseguradoras que despliegan herramientas de fraude de proveedores como Shift Technology o FRISS, diseñamos la capa de integración y calibración para ajustar la salida del proveedor a su cartera en lugar de funcionar con umbrales genéricos.

¿Por qué no Accenture, Deloitte o el proveedor de su sistema central?

Accenture registró 3600 millones de dólares en ingresos por IA en el año fiscal 2025, contrató a 77 000 empleados de IA y datos, y adquirió Faculty en enero de 2026. Deloitte lidera con su marco de IA Confiable. Ambos son fuertes en metodología de gobernanza, diseño de modelos operativos y ampliación de personal. Pero la fortaleza en metodología no es lo mismo que entregar los artefactos que sus reguladores, auditores y abogados examinan realmente.

Somos neutrales respecto al proveedor en la capa de plataforma. Nuestro enfoque consiste en construir la arquitectura de gobernanza, validación y restricciones que envuelve las herramientas que ya utiliza, y un proyecto se dimensiona para producir los artefactos que sus reguladores, auditores y abogados examinan realmente.