Eduardo y la Pérdida que se Conocía Tarde

Prólogo

Un martes de octubre, tres cosas llegaron al escritorio de Eduardo en la misma semana.

El corredor más grande de la plaza le avisó que la flotilla de doscientas unidades de una empresa de logística —una cuenta que la aseguradora renovaba desde hacía nueve años— se iba con la competencia. La razón no fue el precio. Fue que el competidor entregó la cotización en dos horas; su propio equipo de suscripción había pedido seis días hábiles para analizar el riesgo.

El director técnico le pasó el cierre trimestral: el loss ratio de autos —lo que la aseguradora paga en siniestros por cada peso de prima— había vuelto a subir. Tres trimestres consecutivos.

Y el jefe de siniestros le contó, casi de pasada, que habían destapado un fraude: cuatro reclamaciones de colisión, el mismo taller, daños que no cuadraban con los partes. Lo atraparon porque un ajustador con veinte años de oficio reconoció el patrón. Por suerte, no por sistema.

Eduardo llevaba dieciséis años en el seguro. Dirigía una aseguradora de daños del Bajío: autos y flotillas, cuatrocientos empleados, una red de trescientos agentes. El negocio parecía sano por fuera. Pero el combined ratio —la suma del costo de los siniestros y del costo de operar, sobre la prima— había cerrado el trimestre en 103. Cualquier número por encima de 100 significa una sola cosa: la aseguradora suscribía a pérdida. Ganaba dinero únicamente porque el portafolio de inversión rendía lo suficiente para tapar el hueco.

Vender pólizas le costaba más de lo que le entraba por ellas. Y en un negocio donde el costo real de cada póliza solo se conoce meses o años después de venderla, gobernar con el cierre de ayer era gobernar a ciegas. Algo tenía que cambiar.

El Diagnóstico

El consultor llegó recomendado por un actuario que Eduardo respetaba. Lo recibió sin ceremonia.

"Le ahorro el discurso," dijo Eduardo. "Ya usamos inteligencia artificial. Le pedimos a ChatGPT que nos resuma condicionados de pólizas y que redacte los comunicados a los agentes. Ayuda a escribir. Pero cuando le pregunto a qué precio suscribir una flotilla, contesta cualquier cosa: no conoce mi cartera ni mi siniestralidad."

"Y eso que acaba de describir es justo la diferencia que venimos a resolver," respondió el consultor. "Lo que usa es un LLM, un modelo de lenguaje. Brillante con las palabras, ignorante de su negocio. Redacta el comunicado porque el lenguaje es genérico; falla en el precio porque su siniestralidad, sus flotillas y su fraude no están en internet: están en su cartera."

"¿Entonces para qué sirve?"

"Para más de lo que cree, si aprende a pedírselo bien. Eso es Prompt Engineering: darle el contexto y la instrucción precisos. Pero ahí está el límite: por bien que pregunte, un modelo público no sabe que el taller de la avenida infla las colisiones, ni que su cartera de motos en cierta zona paga el doble de la frecuencia esperada. Eso no se arregla preguntando mejor: se arregla dándole al modelo la memoria de su compañía."

Eduardo lo reconoció. Había intentado que el chatbot le ayudara a estimar una reserva y tuvo que corregirlo tres veces.

"La mayoría de las aseguradoras está donde usted," siguió el consultor. "Usando IA para escribir más rápido, mientras la decisión que vale millones —a qué precio suscribir, cuánto reservar, qué siniestro es fraude— la siguen tomando con el instinto del suscriptor veterano. Eso tiene nombre: la Gen AI Paradox. Tener la herramienta y no la arquitectura."

"¿Y por qué mis modelos de tarificación ya no aciertan?"

"Porque tienen Model Drift. Su tarifa de autos fue calibrada con la siniestralidad de hace tres años, antes de que se encarecieran los repuestos y cambiara el patrón de robo. El riesgo se movió; el modelo no lo sabe y sigue cobrando con la confianza de cuando era correcto. Por eso pierde las cuentas buenas —las tarifa de más— y retiene las malas —las tarifa de menos."

"Y encima, mis sistemas no se hablan," admitió Eduardo. "La emisión de pólizas, el sistema de siniestros y el cotizador son tres plataformas distintas."

"Eso es Deuda Técnica. No le falta data: le falta arquitectura para que la data que ya tiene se convierta en decisión. Esa deuda la paga cada vez que un agente espera seis días una cotización que el competidor entrega en dos horas."

La Arquitectura

La segunda reunión empezó con un inventario de lo que Eduardo sabía y nunca había conectado: dieciséis años de pólizas emitidas, el historial de cada siniestro pagado, el desempeño de cada agente y las tablas actuariales. Cuatro fuentes que no se hablaban.

"¿Cómo aprende el sistema mi siniestralidad, y no una tabla genérica de mercado?" preguntó Eduardo.

"Con RAG. El agente no tarifa con benchmarks de la industria: tarifa con su historia. Qué flotillas le costaron caro, qué perfil de conductor pagó más siniestros de lo esperado, qué taller aparece una y otra vez. Dieciséis años de su experiencia de pérdida convertidos en el contexto que el sistema consulta antes de recomendar un precio."

"Pero lo mío no son datos sueltos. Es saber que una flotilla de reparto urbano, con conductores rotativos, en cierta ciudad, tiene una frecuencia de siniestro distinta a la misma flotilla en carretera. Son relaciones."

"Y por eso necesita un Knowledge Graph. Guarda los vínculos: este perfil de riesgo, con esta cobertura, en esta zona, produce este patrón de siniestro. Cuando algo cambia en un punto de esa red —un repuesto que sube, una zona que se vuelve insegura— el sistema sabe a qué pólizas afecta."

"¿Y cómo conecta con emisión, siniestros y el cotizador?"

"Con MCP. El protocolo que conecta al agente con sus tres sistemas sin integraciones a medida. Lee la póliza vigente, consulta el historial de siniestros del asegurado y puede devolver una cotización antes de que el agente cuelgue el teléfono."

Sobre los siniestros, el consultor fue puntual: "Tienen dieciséis años de reclamaciones descritas en texto: partes, peritajes, fotografías. Sin una Vector Database, nadie puede preguntarle a ese archivo: '¿qué siniestros pagados en los últimos dos años se parecen a este —mismo taller, mismo tipo de daño, mismo perito?'. Con ella, esa pregunta —la que destapa un fraude— tiene respuesta en segundos, no en la memoria de un ajustador con suerte."

Eduardo bajó la voz, aunque estaban solos. "Mi tabla de siniestralidad y mi tarifa son el negocio. Si eso se filtra, la competencia me descrema las cuentas buenas y me deja las malas."

"Esa es la pregunta correcta. Se llama Soberanía del Dato. Su experiencia de pérdida y su tarifa son el activo más sensible de una aseguradora, y además dato regulado. La arquitectura se diseña para que ese dato viva bajo su control, nunca en un modelo público. La soberanía es el punto de partida, no una opción."

El Primer Agente

Cuatro meses después, la aseguradora tenía su primer agente en producción. Lo llamaban internamente el Suscriptor.

Hacía en horas lo que suscripción tardaba días: cruzaba la solicitud de una flotilla —marca, año, uso, historial de conductores, zona— con la siniestralidad histórica de perfiles equivalentes, la tarifa técnica calculada sobre esa experiencia y las reglas de suscripción de la compañía, y devolvía una cotización con precio y condiciones. O escalaba al suscriptor humano el riesgo que no cuadraba en ningún molde.

El equipo dejó de armar cada cotización desde cero en hojas de cálculo. La flotilla que antes esperaba seis días recibía respuesta el mismo día.

"Antes tarificábamos con la tabla de hace tres años y el ojo del suscriptor. Ahora tarificamos con dieciséis años de siniestros, actualizados," dijo Eduardo.

"Esa es la diferencia entre Automatización vs. Autonomía," respondió el consultor. "El sistema anterior automatizaba el cálculo: la misma fórmula, la misma tabla vieja. El Suscriptor tiene autonomía: percibe el riesgo específico de esta flotilla, razona sobre la siniestralidad de perfiles equivalentes y propone un precio que refleja el riesgo real, no el promedio."

Las Skills del Suscriptor eran quirúrgicamente acotadas: evaluación de riesgo, cálculo de tarifa técnica dentro de las bandas actuariales, generación de la cotización. Nada más. No emitía la póliza ni ligaba cobertura: eso requería la autoridad de un suscriptor humano. Sobre riesgos no estándar —una flotilla atípica, una cuenta grande— el agente preparaba el análisis y la persona decidía.

"¿Y los datos de siniestros de mis asegurados, quién los toca?" preguntó Eduardo.

"Solo el agente con el Least Privilege correcto. El Suscriptor lee siniestralidad agregada para tarifar, pero no accede al detalle de un siniestro de personas ni a los datos de pago. Cada agente ve solo lo que su función necesita: regla básica cuando maneja dato regulado."

En el primer trimestre con el Suscriptor, el tiempo de cotización de flotillas cayó de días a horas, y los agentes —que antes perdían cuentas por la demora— empezaron a traer más negocio del que la compañía había visto en años.

La Pérdida que Nadie Había Provisionado

Cinco meses después del lanzamiento ocurrió algo que Eduardo no esperaba. Dos cosas, en realidad, que resultaron ser la misma.

El Agente de Siniestros —el segundo del ecosistema— detectó un patrón que ningún ajustador había conectado: once reclamaciones de colisión en cuatro meses, tres talleres distintos pero un mismo perito, daños fotografiados con un encuadre casi idéntico, y todas justo por debajo del monto que disparaba revisión manual. No era coincidencia: era un anillo.

El agente no rechazó las reclamaciones. Escaló a la Unidad de Investigación con el análisis: las once reclamaciones, el vínculo del perito, la probabilidad de fraude y la recomendación de abrir investigación.

"Eso es Human-on-the-Loop en seguros," explicó el consultor. "El agente detectó la anomalía; el investigador la validó con criterio, y con la facultad legal de negar un siniestro, que un algoritmo no puede tener. La decisión fue humana; la inteligencia que la informó fue agéntica."

Pero el hallazgo abrió una segunda puerta. Si ese fraude llevaba meses drenando la cartera de autos sin detectarse, entonces las IBNR —las reservas que la aseguradora aparta para siniestros que ya sucedieron pero todavía no le reportan— estaban calculadas sobre una siniestralidad contaminada. El Agente Actuarial lo confirmó: la tendencia de pérdida real de la línea venía por encima de lo provisionado. La reserva estaba corta.

"Y eso no es un problema contable: es un problema de solvencia," dijo el consultor. "Una reserva corta significa que la compañía cree tener un colchón que no tiene. Cuando esos siniestros afloren, el hueco aparece de golpe." Ante el regulador —la CNSF— eso pesaba doble: cada reserva y cada siniestro negado debía poder sustentarse. "Por eso ningún agente puede operar como caja negra. Necesita Explicabilidad: cuando el sistema marca un siniestro o recomienda subir una reserva, tiene que mostrar en qué se basó —qué reclamaciones, qué tendencia, qué regla. Ante la CNSF, 'el modelo lo dijo' no es una respuesta."

Esa semana salió algo más. Dos actuarios habían estado pegando extractos de la tabla de siniestralidad en ChatGPT para acelerar sus cálculos.

"Shadow AI en una aseguradora tiene dos filos," dijo el consultor. "El primero: su siniestralidad es dato regulado y su activo competitivo; en un modelo público, se fue. El segundo: una Alucinación en un número de reserva no es un error de redacción; es una cifra que el modelo inventa con aplomo y que termina en un reporte a la CNSF. Un actuario que confía en ese número firma un estado financiero equivocado."

Eduardo cerró el acceso a herramientas no aprobadas ese mismo día. Pero, más importante, les dio a los actuarios acceso al Agente Actuarial gobernado. La herramienta que buscaban ya existía; no necesitaban el atajo.

Ese trimestre definieron el LOA del ecosistema: el Agente de Siniestros marcaba anomalías de fraude de forma autónoma; abrir la investigación y negar el pago requería al investigador; el Agente Actuarial recomendaba ajustes de reserva, pero cambiar una reserva la firmaba el actuario responsable. La máquina señala; la persona con la facultad legal decide.

El Sistema Nervioso

Un año después, la aseguradora operaba de un modo que Eduardo no habría podido describir al empezar.

El Suscriptor seguía siendo el motor comercial, pero ahora coordinaba con el Agente de Siniestros —que triaba cada reclamación, detectaba fraude y aceleraba el pago legítimo— y con el Agente Actuarial, que vigilaba en tiempo real la tendencia de pérdida por línea y avisaba cuando una reserva se quedaba corta, antes de que el hueco creciera.

No eran sistemas separados. Era Orquestación aplicada al ciclo del seguro: el Suscriptor tarifaba una flotilla con la siniestralidad más reciente; cuando esa flotilla tenía un siniestro, el Agente de Siniestros lo procesaba y devolvía el dato al Actuarial; el Actuarial ajustaba la tendencia de pérdida, y esa señal volvía al Suscriptor, que tarifaba la siguiente cuenta con la experiencia de ayer, no la de hace tres años. El costo real de la póliza —que antes se conocía años después— empezaba a leerse casi en tiempo real.

La Silicon-based Workforce de la compañía no sumó empleados. El equipo de suscripción pasó de armar cotizaciones a gobernar reglas de tarifa; los actuarios, de exportar tablas a mano a auditar los modelos que las producían; los ajustadores, de perseguir papeles a investigar los casos que el sistema marcaba.

Lo más difícil fue el momento que Eduardo llamó Agency Transfer: cuando el director de suscripción pidió delegar formalmente al Suscriptor la cotización de las flotillas estándar, dentro de las bandas de tarifa definidas, sin aprobación manual de cada una. No fue de golpe. En el año, el Suscriptor había generado miles de cotizaciones; el comité técnico revisó una muestra y las desviaciones estaban por debajo del umbral que él mismo había fijado. Esa evidencia era la licencia para delegar. Los riesgos grandes y atípicos seguían pasando por un humano.

Los números al cierre eran los que Eduardo llevaba tres años prometiéndole al consejo. El tiempo de cotización de flotillas cayó tres cuartas partes. La activación de agentes —la proporción que colocaba negocio cada mes— subió más de veinte puntos, porque ahora recibían respuesta el mismo día. Las primas emitidas crecieron a doble dígito. Y el loss ratio bajó, porque el fraude que antes se pagaba ahora se detectaba y porque cada póliza se tarifaba al riesgo real. El combined ratio volvió por debajo de 100: la compañía había recuperado la ganancia técnica, ganar dinero suscribiendo y no solo invirtiendo.

"¿Cómo medimos que el ecosistema es responsable de esto?" preguntó el director de finanzas en el cierre de año.

Eduardo respondió con el vocabulario que había aprendido: "Con CLASSic Metrics: tiempo de cotización, exactitud de la tarifa contra la siniestralidad real, siniestros de fraude detectados, suficiencia de reservas y seguridad del dato regulado. El ROI Agéntico es auditable: por cada peso invertido en el ecosistema, la aseguradora recuperó varios en fraude evitado, cuentas buenas retenidas y reservas bien calculadas."

El Ecosistema Agéntico en el seguro no reemplaza al suscriptor que huele un riesgo raro, ni al ajustador que conoce los talleres, ni al actuario que responde ante el regulador. Los amplifica. La diferencia entre la aseguradora que gana y la que sobrevive nunca fue el tamaño de la cartera: es si entiende que dieciséis años de siniestros pagados son el activo más valioso que tiene, y que sin arquitectura agéntica seguirá tarificando el futuro con la pérdida de anteayer, mientras la competencia lo hace con la de hoy.

Epílogo

Eduardo lo entendió del todo un jueves, cuando el corredor de la flotilla de logística —la cuenta que había perdido el año anterior por llegar seis días tarde— volvió a llamar.

Esta vez la cotización salió en dos horas, con un precio que reflejaba el riesgo real de esas doscientas unidades: ni de más, para no perder la cuenta; ni de menos, para no pagarla cara en siniestros después. La flotilla renovó.

Del otro lado de la ciudad, un competidor seguía armando su propuesta a mano. La tarificaría con una tabla de hace tres años, sin saber que el taller de la avenida infla las colisiones — y sin sospechar que el número que le costaría la cuenta, o el margen, ya lo había calculado alguien que aprendió a leer su propia pérdida a tiempo.