Eric Sibony i es CSO (Chief Scientific Officer) y CPO (Chief Product Officer) de Shift. En esta edición de “Cuatro preguntas”, Eric comparte su visión sobre la IA basada en agentes, cómo las aseguradoras deberían abordar los distintos tipos de IA que pueden aplicar a sus procesos clave, cuáles son los casos de uso ideales para la IA basada en agentes y cómo Shift la está incorporando en sus productos.
The La manera más sencilla de pensar en la IA basada en agentes es verla como inteligencia artificial diseñada para automatización compleja. Me gusta usar el siguiente ejemplo para ilustrarlo. Los aeropuertos en todo el mundo utilizan trenes sin conductor para transportar pasajeros de una terminal a otra. Eso es automatización, pero es una automatización simple. Sí, el tren se detiene en el lugar correcto y las puertas se abren, pero no se necesita mucho para que esto ocurra de manera fiable.
La IA basada en agentes se parece más a lo que está pasando con los vehículos autónomos. Ya no hablamos de moverse del punto A al punto B en línea recta o en un recorrido cerrado. Estamos hablando de desplazarse por calles urbanas, esquivar otros vehículos y peatones, detenerse ante un semáforo en rojo y seguir las reglas de tránsito. Esto es realmente complejo. Cada momento del trayecto exige un análisis preciso de los datos recibidos —¿es una señal de alto o una señal de ceda el paso?— para decidir correctamente cómo proceder. La decisión aquí sería: ¿debe detenerse el vehículo o reducir la velocidad para evaluar el entorno antes de continuar? Ese es el nivel de complejidad que le pedimos que maneje a la IA basada en agentes.
Ahora quiero profundizar un poco más sobre cómo la IA basada en agentes se diferencia de otras formas de IA que las aseguradoras ya conocen. El machine learning (ML), a veces llamado IA predictiva, es muy bueno para tomar datos de múltiples fuentes y generar una puntuación, por ejemplo, un índice de sospecha de fraude. También puede mostrar los factores que influyeron en esa puntuación. Sin embargo, no es tan eficaz para decidir qué hacer con esa puntuación una vez que llega al usuario final.
La IA generativa analiza datos para producir algo. En el caso de una aseguradora, ese “algo” podría ser un resumen de documentos de un siniestro, una lista de pasos recomendados para un investigador de fraude ante un caso sospechoso o un correo electrónico para un asegurado sobre el estado de su siniestro. Si bien la IA generativa puede automatizar tareas más complejas que el ML, sigue estando restringida a actividades relativamente simples basadas en extracción y clasificación de información.
La IA basada en agentes cambia por completo las reglas del juego. Pensemos en todo lo que implica comprar un billete de avión: buscar horarios convenientes, comparar precios, reservar y pagar asientos. La mayoría seguimos haciendo esos pasos manualmente, incluso usando sitios web agregadores. Con la IA basada en agentes, basta con pedir: “¿Puedes comprarme un billete de avión de París a Boston para el 1 de enero de 2026?”. Tal vez se necesiten algunos parámetros adicionales, pero en esencia, los agentes de IA pueden identificar los vuelos adecuados, gestionar la reserva y proporcionar la información de pago. Es casi como pedirle a una persona que lo haga por ti.
En resumen, existe una diferencia clave entre un LLM (asistente de IA, chatbot, copiloto, etc.) y un agente. Con un LLM, haces una pregunta y recibes una respuesta. Con un agente, haces una solicitud y este realiza una acción. Esa es la manera más clara de entender qué son los agentes de IA y qué pueden hacer.
Dado lo que es capaz de hacer la IA basada en agentes, las aseguradoras deberían verla como “IA para automatización compleja”. Esto significa que puede razonar, encadenar múltiples acciones y operar con datos estructurados y no estructurados, tanto internos como externos
Los casos de uso ideales en el sector asegurador se encuentran en todo el proceso de siniestros: clasificación inicial, recomendación de los mejores pasos siguientes, respuesta según urgencia y momento oportuno, facilitación de procesos de recobro y tareas que requieren establecer conexiones entre documentos y resultados previos. En definitiva, la IA basada en agentes es especialmente poderosa en tareas que requieren adaptación y criterio, no solo una predicción puntual.
Dicho esto, la IA basada en agentes no es la mejor opción para flujos de trabajo deterministas simples, como solicitar un informe policial o realizar puntuaciones puras, donde el aprendizaje automático tradicional es más preciso y menos costoso.
Lo fundamental es que las aseguradoras piensen en cómo combinar modelos agénticos con controles específicos del dominio, la capacidad de responder “no lo sé” cuando corresponde y mecanismos de supervisión humana. Este enfoque previene alucinaciones y garantiza fiabilidad.
Shift considera la IA agéntica como una poderosa forma de automatización capaz de razonar, ejecutar acciones de varios pasos y unificar datos no estructurados y externos. También sabemos que, especialmente en seguros, no existe una única forma de IA que funcione para todos los casos. Debemos asegurarnos de aplicar el tipo correcto de IA al problema correcto.
Nuestro enfoque facilita a las aseguradoras adoptar la IA agéntica: incorporamos agentes diseñados específicamente dentro de Shift Claims, combinamos modelos generativos/agénticos con ML para scoring y envolvemos todo en una capa de fiabilidad específica para seguros que evita alucinaciones. Esta capa introduce controles, permite una respuesta explícita de “no lo sé” y puntos de intervención humana. Enfocamos los agentes en siniestros complejos y de alta variabilidad, no en tareas deterministas simples, y mejoramos continuamente los modelos con retroalimentación para perfeccionar seguridad y precisión.
La IA basada en agentes de Shift Claims es ideal para la transformación de siniestros porque gestiona la complejidad y variabilidad de los casos reales. Puede recibir y analizar datos no estructurados —notas, documentos, correos electrónicos, fotos, imágenes—, comparar siniestros actuales con resultados históricos y ejecutar acciones de múltiples pasos, para luego recomendar la acción adecuada según el tiempo y la urgencia. Esto la hace especialmente valiosa en la clasificación, la gestión de casos y los siniestros complejos, donde las decisiones personalizadas generan ahorros significativos.
El resultado de la IA basada en agentes en Shift Claims: decisiones más eficaces y consistentes, un procesamiento más ágil y una reducción cuantificable de pérdidas, manteniendo siempre la supervisión humana en los momentos críticos.