“El seguro no necesita una IA más brillante, sino una IA más fiable”

Autor: José Luis Calderón

Hay momentos en los que una tecnología deja de ser una promesa y empieza a convertirse en un criterio de selección. Creo que eso es exactamente lo que está empezando a ocurrir con la inteligencia artificial en el sector asegurador.

Durante los últimos años, la conversación se ha centrado en la capacidad de la IA para automatizar, acelerar y escalar procesos. Y es cierto: el potencial es enorme. Pero en seguros no basta con generar una respuesta rápida, ni siquiera con acertar con frecuencia. En seguros, lo decisivo es otra cosa: poder sostener una decisión, explicar cómo se ha llegado a ella y demostrar que se apoya en una lógica consistente.

Ahí está, a mi juicio, el punto de inflexión.

La reflexión que plantea Ricardo Alonso Maturana va justamente al corazón del problema: en ámbitos como el fraude, la interpretación de coberturas, la valoración de daños o la respuesta a siniestros complejos, no estamos ante tareas de simple predicción estadística, sino ante procesos que exigen contexto, reglas, relaciones y razonamiento. Y la tribuna de Carlos Biurrun añade un matiz decisivo: el reto no es solo tecnológico, sino estructural, porque el sector opera sobre una complejidad documental masiva y crítica.

Por eso, el debate ya no debería formularse en términos de “qué IA impresiona más”, sino de qué IA puede ser realmente gobernable.

La cuestión es especialmente relevante en un momento en que la regulación europea eleva el listón. Los materiales analizados recuerdan que, en sistemas de alto riesgo, la exigencia ya no se limita a la eficacia: también se requiere trazabilidad, robustez, precisión y capacidad de auditoría. En otras palabras, el futuro pertenece menos a las cajas negras y más a las cajas de cristal.

Y esto, llevado al terreno asegurador, tiene una traducción muy clara.

Una aseguradora no solo gestiona datos; gestiona compromisos contractuales, hechos jurídicos, evidencia pericial, cronologías, responsabilidades, exclusiones, coberturas y decisiones con impacto económico, reputacional y, muchas veces, litigioso. En ese entorno, una IA que solo produce una salida probable puede ser útil para tareas auxiliares, pero resulta insuficiente para procesos donde hay que justificar el criterio seguido.

Por eso me parece especialmente sólida la propuesta de la IA neurosimbólica: no como una moda alternativa, sino como una arquitectura más adecuada para sectores donde el significado importa. Los documentos de GNOSS insisten en esta idea con claridad: la IA neurosimbólica combina métodos probabilísticos con sistemas simbólicos, apoyándose en ontologías y grafos de conocimiento para representar, razonar y generalizar mejor. No se trata solo de “leer” documentos, sino de estructurar la realidad del negocio y operar sobre ella con una lógica verificable.

Aquí hay una diferencia de fondo que conviene subrayar.

Cuando una IA trabaja de espaldas al significado, puede reconocer patrones, pero no necesariamente comprender el sentido de lo que relaciona. En cambio, cuando se apoya en semántica explícita, determinismo y trazabilidad, cada respuesta puede descomponerse en los hechos y reglas que la han generado. Esa triple garantía —semántica explícita, determinismo y trazabilidad— me parece una de las ideas más potentes de los materiales revisados, porque conecta directamente con tres necesidades reales del seguro: consistencia, control y confianza.

En el fondo, esto significa pasar de una IA que “sugiere” a una IA que razona; de una IA que produce texto a una IA que ayuda a construir criterio; de una IA que puede ser brillante en una demo a una IA que puede sostenerse en un comité de riesgos, en una auditoría interna o incluso en un procedimiento judicial.

Y eso no es una abstracción.

Uno de los casos de uso aportados es especialmente ilustrativo: un sistema capaz de leer una demanda con documentación heterogénea —PDF, Excel, fotos, escaneos— y generar un informe que sirva de base al servicio jurídico, detectando información relevante, identificando la que falta, contrastándola con normativa vigente y sugiriendo una respuesta supervisada por un experto. El valor no se resume en la velocidad, aunque esta también es significativa: pasar de días a minutos. El verdadero valor está en que el proceso sea trazable, explicable, confiable y auditable.

Ese ejemplo permite ver con claridad por qué esta conversación interesa tanto al seguro.

Porque la oportunidad no consiste solo en ahorrar tiempo. Consiste en elevar la calidad de la decisión. Consiste en reducir interpretaciones erróneas, inconsistencias entre expedientes, respuestas poco justificables o dependencias excesivas del criterio individual cuando el conocimiento debería estar modelizado y disponible para la organización.

También consiste en algo muy relevante desde el punto de vista estratégico: capturar y operacionalizar conocimiento experto.

Las ontologías y los grafos de conocimiento permiten representar entidades, relaciones, reglas e inferencias del dominio. Eso quiere decir que parte del saber asegurador puede dejar de estar disperso entre documentos, sistemas, equipos y memorias individuales para convertirse en una capa inteligente, navegable e interoperable. Los materiales lo expresan bien al describir una plataforma que no centraliza simplemente los datos, sino que crea una capa donde cada elemento conserva su contexto y puede dialogar con cualquier otro.

Desde esta perspectiva, la IA neurosimbólica no solo automatiza: ordena el conocimiento, lo conecta y lo hace utilizable para decidir mejor.

Y hay un último elemento que me parece esencial. En el sector asegurador, la confianza nunca ha sido un atributo cosmético. Es el corazón del negocio. El cliente confía en que la póliza será interpretada correctamente. El mediador confía en que el proceso será coherente. La compañía confía en que su criterio técnico podrá sostenerse. El supervisor confía en que habrá gobernanza. Y esa confianza, en el nuevo entorno tecnológico, ya no dependerá únicamente del prestigio de la entidad o de la calidad del equipo humano: dependerá también del tipo de inteligencia artificial que se decida incorporar.

Por eso creo que la gran ventaja competitiva de los próximos años no estará en disponer de una IA más llamativa, sino en incorporar una IA más fiable, más explicable y más alineada con la lógica del negocio asegurador.

Una IA que no se limite a correlacionar, sino que sea capaz de razonar.
Una IA que no opaque la decisión, sino que la ilumine.
Una IA que no sustituya el criterio, sino que lo refuerce.

Porque, en seguros, la innovación útil no es la que impresiona durante cinco minutos.
Es la que permite decidir con rigor durante años.