¿Puede confiar en la IA para evaluar los siniestros de seguros?

El problema

Una gran aseguradora le pidió a su IA que "mejorara" una foto de un parachoques trasero gravemente abollado. La IA borró por completo el daño y devolvió una imagen impecable y ficticia de un coche sin daños. Este es el ya célebre incidente del "Parachoques Impecable". La aseguradora había integrado en su aplicación móvil de siniestros una herramienta de IA generativa —construida sobre el mismo tipo de tecnología que hay detrás de Stable Diffusion y DALL-E—. Cuando un asegurado subía una foto después de una colisión, la IA interpretaba el metal abollado como ruido visual. Alisaba digitalmente la abolladura, reemplazándola con las líneas limpias de un guardabarros perfecto.

Entonces el motor automatizado de siniestros rechazó la reclamación. Su motivo: cero daños visibles. El asegurado, frente a un vehículo destrozado en la entrada de su casa, demandó por mala fe. La aseguradora se quedó con un registro alterado digitalmente que contradecía directamente la realidad física.

Esto no fue un error de programación. La IA hizo exactamente lo que estaba diseñada para hacer. Estos modelos aprenden de miles de millones de imágenes que un "coche" es un objeto liso y simétrico. Una abolladura les parece un error que corregir, no una evidencia que preservar. Si su flujo de trabajo de siniestros toca la IA generativa para el procesamiento de imágenes, este mismo modo de fallo existe hoy en su sistema. La pregunta es si ya se ha disparado —y si usted sabría que lo hizo.

Por qué esto es importante para su negocio

La exposición financiera y legal aquí no es hipotética. Es estructural. Cada vez que una herramienta de IA generativa altera la foto de un siniestro, su organización corre el riesgo de lo que el sistema jurídico denomina spoliation of evidence — la alteración o destrucción de registros pertinentes a un proceso judicial. Los tribunales pueden imponer sanciones, dar instrucciones al jurado sobre inferencia adversa o dictar sentencia sumaria contra la parte que destruyó las pruebas.

Esto es lo que significa para su balance y su consejo de administración:

• Multiplicador de litigios. El libro blanco identifica un riesgo de litigio de 7,2 mil millones de dólares vinculado a fallos de evidencia impulsados por IA en los seguros. Una sola demanda por mala fe a partir de una foto alterada puede costar millones. Multiplique eso por miles de siniestros diarios, y verá la exposición.
• Responsabilidad regulatoria que no puede delegar. El Boletín Modelo de la NAIC sobre el uso de la IA por las aseguradoras exige ahora que las compañías mantengan un programa escrito de gobernanza de IA. Y lo más importante: no puede externalizar la rendición de cuentas a su proveedor de IA. Si una herramienta de terceros alucina o discrimina, la aseguradora responde. Varios estados ya han adoptado esta guía.
• Clasificación según la Ley de IA de la UE. Para las aseguradoras con operaciones globales, la Ley de IA de la UE clasifica la IA utilizada para evaluaciones de riesgo de seguros que involucran a personas como Alto Riesgo. Eso activa requisitos estrictos de gobernanza de datos, registro automático de eventos y supervisión humana.
• Vulnerabilidad al fraude. La misma IA generativa que borra daños reales también permite a los estafadores fabricar daños falsos. Los criminales ya usan herramientas de texto a imagen para añadir parachoques destrozados o daños por incendio a fotos de vehículos impecables. Los revisores humanos obtienen resultados no mejores que el azar al detectar deepfakes de alta calidad. Sus defensas actuales probablemente sean inadecuadas.

El incidente del "Parachoques Impecable" le costó a una aseguradora su credibilidad y una demanda. Su exposición es la misma cada vez que una herramienta generativa toca su cadena de evidencia.

Lo que realmente está pasando bajo el capó

Para entender por qué esto sigue ocurriendo, necesita entender una diferencia clave. Hay dos tipos de IA fundamentalmente distintos: la generativa y la discriminativa. La IA generativa crea contenido nuevo. La IA discriminativa analiza lo que ya existe. La industria de los seguros necesita análisis, pero sigue comprando herramientas de creación.

Piénselo así. Una IA generativa es como un retratista que pinta cómo debería verse un coche. Una IA discriminativa es como un perito forense que mide cómo se ve el coche realmente. Nunca le pediría a un retratista que actúe como testigo experto. Pero eso es esencialmente lo que ocurre cuando integra procesamiento de imágenes generativo en su flujo de siniestros.

El modo técnico de fallo se llama inpainting. Los modelos generativos funcionan aprendiendo patrones estadísticos. En sus datos de entrenamiento, los coches aparecen abrumadoramente con superficies lisas e intactas. Cuando el modelo ve una abolladura —una perturbación de alta frecuencia en el patrón esperado— la trata como ruido. Su objetivo matemático es producir una salida que parezca una "imagen normal de coche". Así que rellena los píxeles abollados con otros lisos. Cura el daño.

Este proceso se ejecuta sobre matemáticas de difusión, en las que el modelo invierte la introducción de ruido para recuperar una señal "limpia". Una abolladura parece ruido para estos modelos. La eliminan. En la restauración de arte, eso es una característica. En los siniestros de seguros, es destrucción automatizada de evidencia. El modelo reemplaza la realidad desordenada y costosa de un accidente por una ficción plausible y barata.

El problema se agrava cuando depende de envoltorios de API de terceros. La mayoría de las herramientas InsurTech no construyen su propia IA. Envían sus datos a modelos de propósito general que no entienden de indemnización, física de colisiones ni estándares forenses. Si el proveedor del modelo actualiza sus pesos para ser más "estético", su herramienta de evaluación de daños podría empezar a borrar abolladuras con mayor agresividad —y usted no tiene ningún control sobre ese cambio.

Qué funciona (y qué no)

Empecemos por lo que falla en la práctica.

Envoltorios genéricos de IA generativa: estas herramientas tratan el daño como ruido visual y lo eliminan. Alteran píxeles, creando riesgo de alteración de pruebas. Son vulnerables al fraude por deepfake porque evalúan el contenido, no la física de cómo se hizo la imagen. Se menciona una tasa de fallo del 99% en el contexto de lo inadecuadas que son estas herramientas para el trabajo forense.

Clasificadores simples de imágenes: los modelos de clasificación estándar (como ResNet) dan una respuesta binaria —"dañado" o "sin daños"—. No pueden decirle dónde está el daño, qué profundidad tiene una abolladura ni si la foto es un deepfake. Ese nivel de vaguedad no sobrevive a una impugnación ante el tribunal.

Revisión exclusivamente humana a escala: los humanos son malos detectando falsificaciones generadas por IA. También introducen variabilidad subjetiva. Dos peritos que miran la misma abolladura pueden dar puntuaciones de gravedad distintas. No se puede auditar la subjetividad.

Esto es lo que funciona — un enfoque forense determinista que analiza sin alterar:

1. Entrada — Bloqueo de la evidencia. La foto original se protege con hash SHA-256 en el momento en que llega. La IA lee la imagen pero nunca escribe en ella. Los metadatos —marca de tiempo, coordenadas GPS— quedan bloqueados en el archivo. Esto crea una cadena de custodia que se sostiene ante el tribunal.

2. Procesamiento — Análisis de tres capas. Primero, la segmentación semántica —una técnica en la que la IA clasifica cada píxel individual— identifica y delimita los bordes del daño. Puede decirle que un rasguño mide 14 centímetros de largo y que una abolladura cubre 45 centímetros cuadrados de superficie. Segundo, la estimación de profundidad monocular —calcular geometría 3D a partir de una foto 2D— mide la profundidad y el volumen de la abolladura. Un gradiente de profundidad pronunciado indica un pliegue agudo que exige el reemplazo de la pieza. Un gradiente suave significa que puede bastar una reparación de abolladuras sin pintura. Tercero, el análisis de reflexión especular —estudiar cómo rebota la luz en la superficie del coche— detecta daños invisibles como abolladuras de granizo o reparaciones previas que la IA estándar pasa por alto por completo.

3. Salida — Informe estructurado y auditable. El sistema produce un informe JSON que enumera las piezas dañadas, las puntuaciones de gravedad y las recomendaciones de reparar o reemplazar según sus reglas de negocio configuradas. Todo el análisis se guarda como archivos sidecar independientes vinculados al hash de la imagen original. Nada de la evidencia original se modifica.

Esto es lo que su equipo de cumplimiento necesita escuchar. La superposición del análisis puede activarse y desactivarse. El perito sigue siendo el humano en el bucle con autoridad de decisión final —un puerto seguro crítico bajo la Ley de IA de la UE. Cada paso del procesamiento queda registrado. Puede explicar exactamente por qué se aprobó o rechazó un siniestro, hasta las mediciones de píxeles. Esa es la diferencia entre un sistema que sobrevive al escrutinio regulatorio y uno que provoca su próxima demanda.

Cuando su proveedor actual de IA diga que usa "IA para siniestros", pregunte de qué tipo. Si la respuesta implica generación, mejora o cualquier proceso que escriba nuevos píxeles en su evidencia, está cargando con un riesgo que quizá no haya presupuestado.