Eric Sibony CSO (Chief Scientific Officer) y CPO (Chief Product Officer) de Shift. En esta entrega de “Cuatro preguntas”, Eric nos da su opinión sobre la IA basada en agentes, cómo deben plantearse las aseguradoras los diferentes tipos de IA que pueden aplicarse a sus procesos clave, los casos de uso ideales de la IA basada en agentes y cómo Shift la está incorporando a sus productos.
La forma más fácil de pensar en la IA basada en agentes es que se trata de inteligencia artificial diseñada para la automatización compleja. Me gusta usar el siguiente ejemplo para ayudar a ilustrar lo que quiero decir. Los aeropuertos de todo el mundo utilizan trenes sin conductores para llevar a los pasajeros de una terminal a otra. Se trata de automatización, pero es una automatización simple. Sí, el tren se detiene en el lugar correcto y las puertas se abren, pero en realidad no hace falta mucho para que esto suceda de forma fiable.
La IA basada en agentes se parece más a lo que está sucediendo con el desarrollo de los vehículos autónomos. Ya no estamos hablando de ir del punto A al punto B en línea recta o incluso en bucle. Ahora navegamos por las calles de la ciudad, esquivamos otros vehículos y peatones, nos detenemos en los semáforos en rojo y seguimos todas las demás normas de circulación. Se trata de algo realmente complejo. Cada paso del trayecto requiere un análisis preciso de los datos introducidos, ¿es una señal de stop o una señal de ceda el paso?, para tomar la decisión correcta sobre cómo proceder. La decisión en este caso: ¿se detiene el vehículo o reduce la velocidad para evaluar su entorno antes de continuar su trayecto? Este nivel de complejidad es el que le pedimos que aborde a la IA basada en agentes.
Ahora voy a hablar un poco más específicamente sobre cómo la IA basada en agentes se diferencia de otras formas de IA con las que las aseguradoras pueden estar familiarizadas. El machine learning (ML), que a veces se denomina IA predictiva, es muy bueno para tomar datos de múltiples fuentes y proporcionar una puntuación, por ejemplo, una sospecha de fraude. También puede informar de los factores que han influido en la generación del scoring. Sin embargo, no es muy eficaz a la hora de saber qué hacer con ese scoring una vez presentada al usuario final.
La IA generativa se basa en el análisis de datos para producir algo. Para las aseguradoras, ese algo podría ser un resumen de los documentos incluidos en un siniestro, una serie de pasos a seguir por un investigador de la unidad especial de investigación de fraude si se detecta un siniestro sospechoso, o un correo electrónico a un asegurado para informarle sobre el estado del siniestro que ha presentado. Y aunque la IA generativa es sin duda capaz de una automatización más compleja que la del aprendizaje automático, las tareas que puede automatizar siguen siendo relativamente sencillas, ya que se basan en la extracción y clasificación de datos.
La IA basada en agentes cambia realmente las reglas del juego. Piensa en todo lo que conlleva la compra de un billete de avión. Buscas horarios de vuelo convenientes, comparas precios, reservas y pagas los asientos. La mayoría de nosotros seguimos realizando estos pasos manualmente, incluso cuando utilizamos un sitio web agregador. Con la IA basada en agentes, solo tienes que preguntar: “¿Puedes comprarme un billete de avión de París a Boston para el 1 de enero de 2026?”. Es posible que tengas que añadir algunos parámetros adicionales a la solicitud, pero, básicamente, los agentes de IA son capaces de identificar los vuelos que cumplen tus requisitos, garantizar la reserva y proporcionar la información de pago adecuada. La IA se comporta casi igual que si le hubieras pedido a alguien que te comprara un billete.
Básicamente, acabamos encontrando una gran diferencia entre un LLM (asistente de IA, chatbot, copiloto, etc.) y un agente. Con los LLM, tú les preguntas algo y obtienes una respuesta. Con los agentes, tú solicitas algo y ellos realizan una acción. Yo diría que esa es la forma más fácil de entender a los agentes de IA y lo que son capaces de hacer.
Basándose en lo que es capaz de hacer la IA basada en agentes, las aseguradoras deberían considerarla como “IA para la automatización compleja”. Con esto quiero decir que es capaz de razonar, encadenar acciones de varios pasos y actuar sobre datos estructurados y no estructurados, tanto de la propia aseguradora como de fuentes externas.
Los casos de uso ideales para la IA basada en agentes en el sector de los seguros se pueden encontrar en todo el proceso de siniestro, incluyendo la clasificación inicial, la recomendación de los mejores pasos a seguir, la reacción ante la urgencia o el momento oportuno, la facilitación de vías de recobro y aquellas tareas que requieren establecer conexiones entre documentos y resultados anteriores. En definitiva, la IA basada en agentes puede ser realmente poderosa cuando se aplica a tareas que requieren adaptación y juicio, y no solo una única predicción.
Dicho esto, la IA basada en agentes es menos adecuada para procesos de trabajo deterministas simples. Piensa en solicitar un informe policial o realizar tareas de scoring puro, donde el aprendizaje automático tradicional es menos costoso y más preciso.
Lo fundamental es que las aseguradoras deben pensar en cómo combinar los modelos agénticos con controles específicos del dominio, la respuesta por defecto “no lo sé”, lo que significa que el agente no se limita a inventar una respuesta o una acción requerida, y comprobaciones humanas en el bucle. Este enfoque ayuda a prevenir alucinaciones y garantiza la fiabilidad.
Shift considera que la IA agencial es una potente automatización que puede razonar, ejecutar acciones de varios pasos y reunir datos no estructurados y externos. También sabemos que la IA, especialmente en el caso de los seguros, no es una propuesta “única para todos”. Debemos asegurarnos de que estamos aplicando la IA adecuada a los problemas de seguros adecuados.
Nuestro enfoque está diseñado para facilitar a las aseguradoras la adopción de la IA agencial: incorporar agentes diseñados específicamente en Shift Claims para que las aseguradoras no tengan que crearlos; combinar modelos generativos/agentales con el aprendizaje automático tradicional para la puntuación; y envolverlo todo en una capa de fiabilidad específica para los seguros que evite las alucinaciones. Esa capa impone controles, permite un recurso explícito de «no lo sé» y rampas de salida con intervención humana. Centramos a los agentes en siniestros y triajes complejos y de alta varianza, no en tareas deterministas simples, y refinamos continuamente los modelos a partir de los comentarios para mejorar la seguridad y la precisión.
La IA basada en agentes de Shift Claims es muy adecuada para la transformación de siniestros porque maneja la complejidad y la variabilidad de los siniestros del mundo real. Puede realizar la ingesta y analizar datos no estructurados, como notas, documentos, correos electrónicos e incluso fotos e imágenes. La IA agencial puede comparar las siniestras actuales con los resultados históricos y ejecutar acciones/instrucciones que contienen múltiples pasos, para luego recomendar el siguiente curso de acción preciso con el tiempo y la urgencia asociados. Eso la hace valiosa para la clasificación, la gestión de casos y los siniestros complejos, donde las decisiones personalizadas generan ahorros materiales.
El resultado de la IA basada en agentes de Shift Claims: decisiones más eficaces y coherentes, un rendimiento más rápido y una reducción cuantificable de las pérdidas, al tiempo que se mantiene la supervisión crítica en manos humanas.