Inteligencia Artificial y Negocio Asegurador

1. VISIÓN GLOBAL

En 2024 ya el 78 % de las organizaciones usaban IA (frente al 55 % en 2023) (ts2.tech, cepcuyo.com). Su uso se extiende desde marketing y ventas hasta ingeniería, finanzas y operaciones.

El mercado de IA se valoraba en unos 391 000 M USD en 2025, con una tasa de crecimiento anual compuesta del 35,9 %, estimándose que se cuadriplicará al final de la década (1,8 billones USD) (explodingtopics.com). La UNCTAD es más optimista y proyacta su valor en 4,8 billones USD, multiplicando por 25 respecto a 2023, (unctad.org).

La inversión y el talento de IA lo lidera EE.UU. con una inversión de 109.000 M USD en 2024 seguido de China con 9.300 M USD (hai.stanford.edu). Solo 100 empresas (sobre todo en EE.UU. y China) suponen el 40 % del gasto global en I+D corporativa (unctad.org).

Actualmente se han lanzado dos iniciativas estratégicas, Startgate LLC, una por el gobierno federal de los EE.UU. de 100.000 M USD ampliables a 500.000 hasta 2029, y otra de la UE de 200.000 M €, incluidos 20.000 M para cuatro gigafábricas de datos, además de 150.000 M € comprometidos por más de 60 empresas europeas.

En el sector privado Meta, Amazon, Microsoft y Alphabet prevén invertir 1 billón entre 2024 y 2027. Las operaciones de VC en 2024 alcanzaron los 131.000 M USD de deals de IA (+52% vs 2023). Solo el VC Menlo levantó 1.500 M USD para startups de I.A.

Algunas conclusiones:

• La IA es una prioridad estratégica global que moviliza inversiones sin precedentes: desde capex en infraestructura hasta capital riesgo.
• A corto plazo (1‑3 años) se incrementará el destine de fondos: grandes proyectos (Stargate, InvestAI) y refuerzo de centros de datos.
• A medio-largo plazo, se proyecta una expansión del mercado 5‑10×, con infraestructura y servicios moviéndose hacia la rentabilidad.
• Se espera una maduración del ecosistema: del hype y capex al crecimiento sostenido y retornos reales.

2. VISIÓN GLOBAL ASEGURADORA (según informe “The economic potential of generative AI: The next productivity frontier” de MacKinsey)

Generative AI como catalizador tecnológico

La inteligencia artificial generativa (GAI) representa un salto cualitativo en el desarrollo de la IA, gracias a los avances en modelos fundacionales como los LLMs (Large Language Models). Estas tecnologías permiten realizar tareas múltiples a partir de datos no estructurados, como redactar textos, generar código, crear imágenes o responder preguntas complejas. Su capacidad de comprender el lenguaje natural abre nuevas posibilidades en sectores donde el conocimiento, la comunicación y la creatividad son clave. Desde su lanzamiento, herramientas como ChatGPT o GitHub Copilot han mostrado un crecimiento vertiginoso en adopción, impulsadas por un aumento acelerado en inversión, especialmente en Norteamérica.

Casos de uso y sectores con mayor impacto

McKinsey identifica 63 casos de uso específicos en 16 funciones empresariales que podrían generar un valor económico de entre 2.6 y 4.4 billones de dólares al año. Cuatro áreas concentran el 75% de este valor potencial: operaciones de atención al cliente, marketing y ventas, ingeniería de software e investigación y desarrollo. Por ejemplo, en atención al cliente, la GAI mejora la productividad de agentes, reduce tiempos de resolución y mejora la experiencia del cliente. En marketing y ventas, permite personalizar mensajes, generar contenidos a escala y optimizar campañas. En ingeniería de software, acelera la codificación, el diseño y la resolución de errores, mientras que en I+D agiliza el diseño y pruebas de productos. Las industrias más beneficiadas incluyen banca, tecnología, farmacéutica y bienes de consumo.

Transformación del trabajo y productividad

La GAI podría automatizar entre el 60% y 70% del tiempo dedicado por los trabajadores a tareas repetitivas, superando el 50% estimado en 2017 con tecnologías previas. Su impacto será especialmente significativo en trabajos cognitivos intensivos, donde la comprensión del lenguaje es central, como en actividades administrativas, legales o creativas. Esto implica una transformación acelerada del trabajo: la mitad de las actividades laborales actuales podría ser automatizada entre 2030 y 2060, con un punto medio en 2045. Además, se estima que la GAI puede contribuir entre 0.1% y 0.6% al crecimiento anual de la productividad laboral hasta 2040, pudiendo alcanzar hasta 3.4% si se suma con otras tecnologías de automatización.

Consideraciones clave para empresas y sociedad

La adopción efectiva de la GAI requiere inversiones estratégicas y una gestión cuidadosa de riesgos. Entre los principales desafíos figuran: la necesidad de reentrenar a los trabajadores, la reformulación de procesos internos, la gobernanza de datos, la transparencia en los modelos, y la mitigación de sesgos o errores (“alucinaciones”) en los resultados generados por IA. Asimismo, la calidad y seguridad en sectores regulados como la salud o la banca requieren mantener “humanos en el circuito” y establecer nuevos controles. Las empresas deberán replantear sus sistemas de gestión del conocimiento, impulsar nuevos modelos de colaboración hombre-máquina y adaptarse a cambios en la demanda de habilidades laborales.

Conclusiones para la acción.

• Adoptar con visión estratégica: La GAI no es solo una herramienta técnica, sino un motor de transformación organizacional. Las empresas deben priorizar áreas de alto impacto y desarrollar una hoja de ruta clara para su integración.
• Invertir en talento y reskilling: A medida que algunas funciones se automatizan, otras emergerán. Capacitar al personal en habilidades digitales, creativas y analíticas será esencial para capturar el valor de la GAI y mantener la empleabilidad.
• Gestionar riesgos y gobernanza: Es clave establecer marcos éticos, regulatorios y de calidad para asegurar un uso seguro, justo y responsable de estas tecnologías, especialmente en contextos críticos como la salud, la educación o las finanzas.
• Promover innovación y escalabilidad: Las empresas deben fomentar entornos de experimentación e innovación, sin descuidar la escalabilidad técnica y organizacional para que los casos de uso piloto se traduzcan en beneficios sostenibles.
• Colaborar con el ecosistema: Gobiernos, empresas, academia y sociedad civil deben trabajar conjuntamente para maximizar los beneficios de la GAI y mitigar sus riesgos, promoviendo un desarrollo inclusivo y ético.

3. IA y su aplicación en el seguro español (informe ICEA 2024 “IX Termómetro de Inteligencia Artificial y Data en el sector asegurador»)

 Situación General del Sector

• El 80% de las aseguradoras trabaja en proyectos de IA; el 77,2% ya los tiene implantados.
• La adaptación al reglamento europeo AI Act está en marcha: el 87% de las entidades activas en IA está gestionando planes de adecuación.
• Los principales obstáculos siguen siendo falta de personal especializado y problemas con los datos.
• La mayoría de los proyectos son liderados por departamentos de TI y Data Analytics.
• El 61,7% dispone de un presupuesto anual específico, lo que favorece una estrategia de largo plazo.

Recursos Humanos

• El 68% de las entidades con proyectos en marcha tiene un departamento específico de IA.
• El 70% dispone de la figura de Data Steward.
• Existen serias dificultades para encontrar perfiles clave: Arquitecto de Infraestructura, AI Legalist, Expertos MLOps y Machine Learning Engineers son los más escasos.
• El Data Scientist y el Data Engineer son los perfiles más presentes, mientras que la incorporación de AI Strategists y Legalists es aún muy baja.

Tecnología

• Las plataformas de Big Data más usadas son Spark, Apache Kafka y Hadoop.
• El 98% de las entidades utiliza herramientas de visualización BI, destacando Power BI.
• Casi el 90% emplea plataformas de Data Science (Azure ML, Databricks…), mientras que el 68% usa Deep Learning.
• El 95% utiliza servicios en la nube, siendo Microsoft Azure y AWS los más comunes.
• Las arquitecturas Data Warehouse y Data Lake dominan la gestión de datos, con creciente uso de datos no estructurados (texto, imagen, voz).

Aplicaciones y Modelos

• La IA se aplica sobre todo a: riesgo de fuga, segmentación de clientes, detección de fraude y recomendaciones personalizadas.
• En el ramo de autos, el video peritaje mediante IA se considera esencial.
• El número medio de modelos desplegados es 17 por entidad.
• El 76% automatiza tareas rutinarias y el 93% realiza supervisión automática de sus modelos.
• Las arquitecturas más usadas para modelos por API son SaaS y PaaS.
• Se priorizan aspectos de gobernanza como roles claros, trazabilidad, reentrenamiento y control de acceso.

Conclusiones para la Acción

1. Planificación estratégica y presupuestaria: Es crucial institucionalizar la IA mediante presupuestos anuales y estrategias formales, alineadas con el AI Act.
2. Inversión en talento: Urge fortalecer políticas de atracción, formación y retención de perfiles especializados en IA, en colaboración con universidades y programas de formación.

• Optimización tecnológica: Las aseguradoras deben evaluar su infraestructura tecnológica y adoptar soluciones escalables en la nube que integren BI, Data Science y Deep Learning.

1. Gobernanza de modelos: Implementar protocolos sólidos de control, explicabilidad y reentrenamiento es fundamental para una IA confiable y auditada.
2. Foco en el cliente y la eficiencia: Los proyectos de IA deben orientarse a mejorar la experiencia del cliente (personalización, fidelización) y a optimizar procesos internos (automatización, fraude, pricing).