Cuatro preguntas a Eric Sibony: los agentes de Shift

En esta edición de nuestra serie “Cuatro preguntas a…”, hablamos con Eric Sibony, Chief Scientist y Chief Product Officer, para reflexionar sobre la evolución de la compañía hacia la adopción total de la IA agéntica..

Tuvimos una conversación similar sobre IA agéntica cuando presentamos Shift Claims. ¿Cómo ha evolucionado la visión de Shift sobre los agentes y su rol en el sector asegurador desde entonces?

Es una pregunta interesante porque, en esencia, nuestra visión no ha cambiado. Seguimos creyendo que los agentes aportan un valor extraordinario a las aseguradoras que buscan automatizar procesos críticos. Lo que sí ha evolucionado, y de forma radical, es la tecnología que los hace posibles.

Hemos sido testigos de avances gigantescos en el rendimiento de los LLM (Large Language Models) que sustentan la IA agéntica. En apenas seis meses, las realidades técnicas y de producto han madurado a gran velocidad. Los lanzamientos de modelos clave, especialmente los grandes saltos de febrero, han llevado la capacidad de los agentes más allá de la simple ejecución de tareas cortas y supervisadas; ahora son capaces de mantener un razonamiento sostenido durante varios días.

Esto significa que los agentes actúan cada vez más como expertos en la materia y no solo como herramientas para automatizar pasos repetitivos. En la práctica, esto cambia nuestra forma de diseñar productos: ya no añadimos funciones agénticas a componentes aislados, sino que convertimos el razonamiento agéntico en el núcleo de nuestras soluciones para siniestros, fraude o recobros.

A nivel operativo, Shift ha pasado de considerar la "IA como núcleo" a los "agentes como producto". Hemos integrado el razonamiento agéntico en el motor de nuestras soluciones e introducido una capa de integración que permite que los agentes funcionen como servicios ejecutables, capaces de orquestar herramientas como la reconstrucción de entidades, APIs o navegación externa según sea necesario. Seguimos utilizando y mejorando componentes probados (como la resolución de entidades, data pipelines), pero ahora los tratamos como herramientas al servicio de los agentes, no como resultados independientes.

En definitiva, la dirección es la misma, pero el ritmo, la arquitectura y el énfasis en la orquestación y el I+D continuo se han intensificado

Cuando dices que "Shift ahora vende agentes", ¿qué significa exactamente y por qué es importante esta distinción?

Decir que “vendemos agentes” implica dos realidades concretas: primero, que la IA agéntica está embebida en el corazón del producto y no es una capacidad secundaria; segundo, que proporcionamos la capa de integración necesaria para que nuestros productos funcionen como agentes autónomos y conectables.

Bajo este enfoque, una solución de detección de fraude se convierte en un “agente de fraude”: evalúa un siniestro, realiza investigaciones con múltiples herramientas, escala el caso a una persona experta cuando es necesario y puede ser invocado por otros agentes dentro de un flujo de orquestación de siniestros más amplio. La distinción es clave porque cambia las expectativas del comprador: no estás adquiriendo simplemente un modelo predictivo o un servicio de analítica, sino un tomador de decisiones autónomo y adaptable.

Este marco también deja más clara nuestra visión del ecosistema y la arquitectura. Los agentes necesitan acceso fiable a datos seleccionados, integración con herramientas y protocolos de orquestación para encadenar tareas, mantener el contexto durante varios días y apoyarse en expertos humanos cuando sea preciso. Además, este modelo reduce la carga de integración para las aseguradoras: reciben bloques modulares e interoperables que conviven en un ecosistema agéntico, en lugar de modelos aislados de machine learning (ML) o IA generativa enfocados en una sola tarea.

Hay muchas voces en la industria que dicen a las aseguradoras que pueden construir sus propios agentes. ¿A qué retos se enfrentan quienes eligen ese camino?

La oportunidad de construir soluciones propias es real, pero la brecha entre un agente "aceptable" y uno líder en la industria es enorme. Los desafíos inmediatos son técnicos, organizativos y de conocimiento de negocio.

Técnicamente, el reto es crear una arquitectura de datos que alimente correctamente a los agentes, gestionar las integraciones y administrar tareas de largo alcance. En el plano organizativo, requiere equipos de I+D dedicados que puedan adaptarse a modelos que cambian constantemente. El conocimiento del negocio es lo que permite definir cuándo un agente debe actuar, cuándo debe escalar un caso o cuándo debe decir “no lo sé”. El prompt engineering por sí solo no basta; los mejores agentes dependen de un acceso estructurado al contexto y de una lógica de decisión experta, no de instrucciones improvisadas.

También hay un problema de mantenimiento y de tiempo de obtención de valor (time-to-value). Los avances en modelos y herramientas obligan a cambiar la arquitectura óptima con frecuencia; optimizar y migrar sistemas es ahora un trabajo de producto continuo, no un proyecto puntual. Por último, la gestión del riesgo y la calidad es sumamente compleja: para alcanzar los niveles de precisión que requiere el sector seguros, superiores al 99% en ciertos procesos, se necesita revisión multi-agente, supervisión de desviaciones (drift) y barreras de seguridad alineadas con el negocio. Las aseguradoras pueden construir esto, pero tiene un elevado coste y requiere una especialización que muchas no querrán replicar cuando ya existen soluciones verticales probadas.

Shift siempre ha defendido una IA que sepa decir "no lo sé". ¿La adopción de la IA agéntica hace que esta postura sea más o menos importante?

La capacidad de la IA para decir “no lo sé” es más importante que nunca en las arquitecturas agénticas. A medida que delegamos en los agentes decisiones de mayor impacto y autonomía, el coste de una respuesta incorrecta o "excesivamente confiada" aumenta. La única forma de escalar la automatización segura es combinar decisiones de alta precisión con una abstención calibrada: agentes que sepan delegar cuando la confianza es baja o cuando el riesgo de error para el negocio es crítico. Ese sigue siendo el mecanismo fundamental para lograr la fiabilidad que exigen las aseguradoras.

De hecho, las arquitecturas agénticas hacen que esta capacidad sea más sofisticada. Podemos descomponer tareas en agentes de orquestación más agentes especialistas de revisión, añadir módulos de monitorización que detecten inconsistencias y ajustar la capa de orquestación para decidir “sí / no / no lo sé” basándose tanto en la probabilidad de acierto como en el riesgo derivado. En la práctica, esto significa que la abstención no es un error, sino un resultado de primer nivel: justificado, explicable y conectado con procesos de intervención humana para que la automatización escale de forma segura.