Molinos y Gigantes. De pilotos a generar valor con IA

De pilotos a impacto real: el verdadero reto de la IA en Seguros

Las estadísticas sobre el sector afirman que la Inteligencia Artificial (IA) ocupa actualmente un lugar central en la agenda de las aseguradoras, pero de acuerdo con la experiencia de Tech and Solve, la realidad dice otra cosa y eso es en parte porque la mayoría de los proyectos piloto y las pruebas de concepto no ofrecen el rendimiento operativo y económico calculado en la fase de diseño. 

“Muchas organizaciones no están frenadas por falta de tecnología, sino porque luchan contra barreras que no son reales y no afrontan los auténticos retos”, aclaró Natasha Luján, gerente general y cofundadora de Tech and Solve. Dicho en términos cervantinos: “Don Quijote no falló por soñar demasiado, sino por elegir mal sus batallas”, resumió el director de soluciones digitales de la firma, Raúl de Villa Cano.

Igual que sucedió a finales del siglo XIX con la mecanización de la agricultura, para De Villa, “la IA es el nuevo tractor”, pero con la capacidad de revolucionar muchos sectores al mismo tiempo. El problema es que, aunque “el 80% de las aseguradoras tiene proyectos apoyados en este tipo de herramientas, solo el 46% la usa en procesos reales, al margen de los pilotos, y apenas el 30% la aplica a la toma de decisiones inteligentes”, puntualizó. 

Molinos y gigantes 

¿Dónde está el verdadero problema y por qué es tan difícil generar valor real a gran escala con la IA? Para los responsables de la firma especializada en soluciones tecnológicas, el verdadero reto no está en la IA, sino en cómo cada organización la integra, la gobierna y la opera. reside en el esfuerzo que se desperdicia en luchar contra problemas ficticios -los molinos que veía Alonso Quijano en la novela de Cervantes- que en este caso son tres: creer que el problema es tecnológico; automatizar tareas sin antes rediseñar procesos; y tratar la IA y la automatización como si fueran procesos distintos. 

Lo mala noticia es que, si hablamos de los auténticos ‘gigantes’ que Don Quijote no era capaz de ver, son aún más numerosos: cultura, procesos, datos, talento y compliance. A este respecto, otro de los consejos que ofreció el director de soluciones digitales de Tech and Solve fue el de “pensar en grande, empezar por lo pequeño y escalar rápido”.

Precisamente en la segunda parte de la jornada, tomaron parte dos expertos del sector que aportaron su visión de esos ‘molinos’ y ‘gigantes’ que encuentran las aseguradoras en su camino hacia la adopción de la IA. 

“Cuando estamos en fase de prueba todo funciona medianamente bien y cuando salimos a producción, los problemas surgen porque el piloto trabaja con muchos menos datos”, admitió Alicia Buisán, abogada IT & AI en Santalucía. “La ‘alfabetización’ de los empleados es muy importante”, añadió, al tiempo que confirmaba que “es por lo que estamos apostando; también por crear una política un apetito al riesgo dentro de la organización”. 

De igual forma, consideró crucial la velocidad a la hora de implementar los proyectos: “Si no eres rápido en la puesta en producción, luego tienes que sacar otro para actualizar lo que habías creado y no quedarte atrás en el mercado”.

Para Patrick Larnaudie-Eiffel, Business Development director para España, Francia y LATAM en Peak3, uno de los ‘molinos’ es la propia organización. “La IA -detalló- aún está administrada como se llevaban antes estos temas, desde el departamento de innovación, pero si ese equipo no participa en el día a día de la operación, no puede tener en cuenta la complejidad que implica la producción real”. 

Además, en su lista particular de ‘gigantes’ incluyó “la limitación de la regulación” o el hecho de “aplicar IA a un ‘core’ que no fue pensado para eso por lo que es extremadamente costoso”, aunque defendió que “la tecnología podría ayudar al 100% de los procesos internos” porque “todo se puede ‘tocar’”, lo importante es “definir la estrategia”. 

Por último, coincidió con Buisán al señalar la importancia que tiene cuando se trabaja con herramientas de IA “la calidad del dato: tenemos algunos que tienen 50 años”. “Cómo lo estructuramos, lo transformamos y lo usamos ahora”, se preguntó.