Skip to content
ES 

Tabla de contenido

    SHARE:

    Shift Insurance Perspectives: edición datos compartidos

     

    Del editor

    Hay dos expresiones que resumen perfectamente la importancia de los datos en la inteligencia artificial (IA) y la inteligencia artificial generativa (IA Generativa) aplicadas al sector asegurador.

    La primera, “basura entra, basura sale”, nos recuerda que la calidad de los resultados está directamente relacionada con la calidad de los datos de entrada. Esta máxima es especialmente relevante en el contexto de la IA aplicada a los seguros: si la IA debe ayudar a los profesionales del sector a tomar mejores decisiones, la información que aporta debe ser precisa, pertinente y libre de sesgos o errores. Esto solo es posible si se alimenta con los datos más relevantes y completos disponibles.

    La segunda expresión, “cuando el viento sopla a favor, todos navegan mejor”, se refiere originalmente al efecto positivo de una economía en expansión, pero también resulta aplicable al ecosistema asegurador. Las aseguradoras no operan de manera aislada: las tendencias que afectan a una, probablemente estén impactando a muchas otras. Estas pueden deberse a patrones de fraude, cambios regulatorios, comportamiento del consumidor en sus decisiones de contratación o siniestros, o bien a factores macroeconómicos como interrupciones en la cadena de suministro o fenómenos meteorológicos extremos.

    Si bien la IA ha demostrado su utilidad para abordar estos retos, si se basa únicamente en datos internos, la comprensión de estas tendencias será limitada, restringiendo también la capacidad de respuesta de la aseguradora.

    En esta edición de Insurance Perspectives analizamos el papel de los datos compartidos dentro de una estrategia de IA aseguradora, centrándonos en tres modelos principales: agregadores de datos de terceros, consorcios y redes de intercambio de datos entre aseguradoras. Existen otros modelos, como el open insurance (centrado en el consentimiento del cliente para comparar productos entre aseguradoras) o los data marketplaces (donde se compran/venden datasets anonimizados para el desarrollo de nuevos productos), pero estos tienen una aplicación más limitada actualmente en los procesos de suscripción y gestión de siniestros asistidos por IA/IA Generativa, por lo que no se abordan en detalle aquí.

    Agregadores de datos de terceros

    Los agregadores de datos de terceros desempeñan un papel clave en la maximización del valor de las iniciativas de IA/IA Generativa en seguros. Proveedores y organizaciones reconocidas (muchos de ellos socios de Shift) ofrecen datasets que incluyen información sobre suscripción, siniestros, vehículos, listas de vigilancia gubernamentales y sanciones, datos regulatorios o empresariales, y registros públicos como sentencias civiles o penales.

    Estos datos refuerzan los modelos de IA, proporcionando una visión más completa y precisa del tomador o reclamante, lo que permite tomar mejores decisiones, resolver siniestros con mayor agilidad y ofrecer una mejor experiencia al cliente. Estos datasets son aplicables a soluciones de IA centradas en riesgos de suscripción, fraude en siniestros y recobros, fraude en el sector de seguros de salud, abuso, y delitos financieros como el blanqueo de capitales.

    Los agregadores de datos de terceros desempeñan un papel clave en la maximización del valor de las iniciativas de IA/IA Generativa en seguros.

    También son clave para los procesos de resolución de identidades (entity resolution), fundamentales para el uso eficaz de IA. Esta técnica consiste en identificar si múltiples solicitudes o reclamaciones con diferentes variaciones de datos personales pertenecen realmente a la misma persona. Si bien los datos internos de la aseguradora ayudan, incorporar fuentes externas mejora significativamente la precisión. Por ejemplo, poder cotejar nombres como “Juan Pérez”, “J. A. Pérez”, o “Juan Antonio Pérez” con teléfonos, direcciones o redes sociales permite identificar posibles riesgos previos como reclamaciones sospechosas, fraudes probados o vínculos con redes fraudulentas, mejorando la evaluación de riesgo y la toma de decisiones.

    Intercambio de datos mediante consorcios

    Este modelo permite a los miembros beneficiarse del conocimiento colectivo del sector. Entidades como ALFA (Francia), CLHIA (Canadá), Équité Association, GIA (Singapur), HKFI (Hong Kong), IFB (Reino Unido) o NICB (EE.UU.) permiten compartir información sobre alertas de fraude o redes sospechosas, basadas en el análisis de datos de siniestros agregados.

    Shift colabora activamente con muchos de estos consorcios en iniciativas de detección de fraude mediante IA.

    Compartir datos en consorcio permite obtener una visión del fraude y de tendencias del mercado que serían difíciles de identificar con datos propios. Es especialmente útil para detectar fraude organizado y fraude por parte de prestadores. Cuando un incidente aislado pasa desapercibido, la alerta procedente del consorcio puede advertir a múltiples aseguradoras sobre un reclamante o proveedor sospechoso, generando un efecto preventivo y colaborativo que fortalece al conjunto del sector. Aunque este modelo está centrado actualmente en fraude, su aplicación podría extenderse a la suscripción o gestión de siniestros en el futuro.

    Redes de compartición de datos entre aseguradoras

    Este enfoque ha estado presente durante décadas, facilitando inteligencia sectorial difícil de obtener de forma individual. Tradicionalmente, este intercambio requería búsquedas manuales tras detectar un siniestro sospechoso, funcionando de forma similar al modelo de agregadores.

    Sin embargo, el modelo está evolucionando. En Europa se empezó a implementar hace 5–7 años, y más recientemente se ha extendido a EE.UU. con el Insurance Data Network (IDN). Estas redes incorporan automatización y análisis en tiempo real, generando alertas sobre comportamientos pasados del reclamante, vínculos con redes de fraude o exposición a riesgos asociados (como los que incluyen lesiones corporales ( y protección contra lesiones personales), lo cual permite tomar decisiones informadas con agilidad y fortalecer las estrategias de prevención y mitigación de riesgos.

    La entrega de inteligencia en tiempo real a los miembros participantes mejora significativamente la capacidad de respuesta y control del riesgo, permitiendo tomar medidas más proactivas y efectivas frente al fraude.

    Conclusión

    La cooperación y el intercambio de datos entre aseguradoras representa una oportunidad especialmente relevante para abordar de forma colectiva los principales retos del sector. A medida que más aseguradoras adoptan soluciones basadas en IA y GenAI para impulsar la eficiencia, la precisión y la equidad en los procesos de suscripción y gestión de siniestros, la colaboración estructurada en torno a datos compartidos se perfila como una vía estratégica para asegurar que los modelos de IA trabajen con información pertinente, actualizada y de alta calidad.

    Cada uno de los modelos descritos —agregadores de datos de terceros, consorcios y redes de colaboración entre aseguradoras— aporta valor por sí mismo, pero es la combinación de los tres lo que ofrece una ventaja competitiva real. Juntos, permiten obtener inteligencia accionable que refuerza la posición de las aseguradoras frente al fraude, mejora la gestión del riesgo y favorece una industria más sólida, colaborativa y eficiente.