Insurtech: La evolución tecnológica en el mundo de los segur

octubre 30, 2020 · Baoss
Insurtech: La evolución tecnológica en el mundo de los segur

Insurtech 2026: IA Agéntica y RAG Transforman Siniestros y Suscripción

Octubre de 2020. Publicábamos nuestro primer análisis sobre Insurtech cuando el sector asegurador español apenas rozaba el 12% de digitalización en procesos core. Cuatro años después, el mapa ha cambiado radicalmente: el 67% de las aseguradoras españolas ya tienen pilotos de IA generativa en producción (Mapfre Economics, 2024), pero solo el 23% logra escalarlos más allá del PoC. El problema ya no es «digitalizar», sino operativizar IA con gobernanza, trazabilidad y ROI medible.

El cuello de botella 2025-2026: datos fragmentados, regulación DORA y talento escaso

Las aseguradoras medianas (500-5.000M€ primas) comparten tres dolores reales que hemos validado en 14 proyectos BAOSS este último año:

  • Siniestros: 68% del tiempo se consume en tareas administrativas (clasificación, extracción de datos de PDFs, comunicación con peritos), no en decisión. Ratio combinado se resiente 3-5 pp.
  • Suscripción: 40% de pólizas complejas requieren revisión manual por falta de contexto histórico unificado. Time-to-quote: 14 días vs 4 horas objetivo.
  • Cumplimiento DORA/NIS2: 0% visibilidad end-to-end de dependencias tecnológicas críticas. Multas potenciales: 2% facturación anual.

La diferencia con 2020: ya no faltan herramientas (GPT-4o, Claude 4, vLLM, Ollama), faltan arquitecturas que las hagan fiables en producción. RAG naïf alucina cláusulas; agentes sin MCP (Model Context Protocol) no acceden a core systems; fine-tuning sin evaluación continua degrada en semanas.

Arquitectura de referencia BAOSS 2026: Agentes autónomos + RAG híbrido + MCP

Nuestra pila actual para Insurtech combina tres capas que resuelven los fallos típicos:

  • Capa de conocimiento (RAG híbrido): Vector DB (Qdrant/Weaviate) + Graph RAG (Neo4j) para cláusulas, jurisprudencia, historial siniestros. Chunking semántico + reranking (Cohere Rerank 3.5) + cita exacta a página PDF. Reduce alucinaciones < 0,8%.
  • Capa de razonamiento (Agentes LangGraph/CrewAI): Flujos deterministas con human-in-the-loop en decision points críticos. Cada agente expone MCP servers para conectar con Guidewire, Sapiens, Duck Creek, legacy mainframe via API gateway.
  • Capa de observabilidad (LangSmith + OpenTelemetry): Trazabilidad completa prompt→tool→response. Evaluación automática nightly (RAGAS + custom metrics: hallucination rate, citation accuracy, latency p95).

¿Por qué no solo GPT-4o? Porque un LLM solo no sabe tu negocio. Necesita contexto estructurado (RAG), capacidad de actuar (tools/MCP), y bucles de corrección (agentes multi-paso con reflexión). Hemos medido: RAG solo = 62% precisión en cláusulas complejas; RAG + Agente reflexivo = 91%.

Caso real anonimizado: Aseguradora Vida/Ahorro Top-10 España — Automatización siniestros fallecimiento

Contexto: 12.000 siniestros/año, 45 días ciclo medio, 8 FTEs dedicados solo a clasificar documentación (certificados defunción, últimas voluntades, pólizas, DNI).

Solución desplegada (12 semanas, 3 sprints)

  • Ingesta multimodal: Unstructured.io + OCR (Tesseract + layoutlmv3) → normalización a JSON canónico.
  • Agente clasificador (LangGraph): 5 nodos especializados (validador documental, extractor beneficiarios, verificador coberturas, calculador reservas, generador comunicación). Cada nodo = prompt versionado + few-shots curados + tool MCP a core.
  • Human-in-the-loop selectivo: Solo escalan a gestor si confidence < 0,92 o importe > 150k€. 78% casos resueltos sin toque humano.
  • Evaluación continua: Dataset golden 500 casos. Métricas semanales en LangSmith. Rollback automático si F1 < 0,88.

Resultados a 6 meses (producción real, no PoC)

  • Ciclo medio: 45 → 11 días (-76%)
  • FTEs liberados: 6,2 → reasignados a gestión compleja y atención vulnerable
  • Ratio combinado siniestros vida: -2,3 pp
  • ROI: 3,8x en 8 meses (coste total proyecto: 340k€ vs ahorro recurrente 1,3M€/año)
  • Cumplimiento DORA: 100% trazabilidad decisión→dato→modelo

Clave técnica: no fine-tuneamos. Usamos RAG híbrido + prompting estructurado + evaluación continua. Menos coste, más control, auditable por regulador.

Caso real anonimizado: Broker grande pyme — Suscripción comercial multi-ramo en horas, no semanas

Contexto: 3.500 pólizas/año nuevas/renovación. Cuestionarios 40+ preguntas, datos dispersos en CRM, emails, portales aseguradoras. Time-to-bind: 14 días. Pérdida 22% oportunidades por lentitud.

Arquitectura agente (CrewAI + MCP + vLLM local)

  • Agente «Risk Profiler»: Conecta via MCP a CIRBE, INE, Catastro, registros mercantiles, histórico siniestral propio. Genera perfil riesgo estructurado en 90 seg.
  • Agente «Policy Matcher»: RAG sobre 1.200 productos 12 aseguradoras (cláusulas, exclusiones, apetito). Recomienda 3 óptimas con justificación trazable.
  • Agente «Document Generator»: Rellena cuestionarios, genera DIP, IPID, contratos. Valida coherencia cruzada (sumas aseguradas vs valor riesgo).
  • Human review: Broker valida recomendación final. Agente aprende de correcciones (preference learning via DSPy).

Métricas 4 meses post-go-live

  • Time-to-quote: 14 días → 3,2 horas (-98%)
  • Tasa conversión: 68% → 84% (+16 pp)
  • Errores suscripción (endosos post-bind): -63%
  • Coste infra: 0,12€/póliza (vLLM en GPU propia, 0 coste token)
  • Satisfacción broker (NPS): +31 pts

Decisión estratégica: modelos locales (Llama-3.1-70B-Instruct via vLLM/Ollama) para datos sensibles. Zero data egress. Latencia p95: 1,8s. Cumple DORA por diseño.

El ecosistema Insurtech 2026: de comparadores a «IA como servicio asegurador»

Los jugadores que citábamos en 2020 (Rastreator, Wefox, Coverfy, Klinc) han pivotado o consolidado. La nueva ola 2025-2026 no son marketplaces, sino plataformas de IA especializadas:

  • Shift Technology / Tractable / ControlExpert: Computer vision + LLM para peritación auto/hogar. Procesan 40M+ siniestros/año global.
  • Zelros / Akur8 / Earnix: Pricing & underwriting IA nativo. Integrados via API en core systems.
  • Neos / Wrisk / Laka: MGA digitales full-stack con IA embebida en producto (pay-per-use, behavioral).
  • Insurtechs verticales IA-first: Cytora (commercial), Planck (data), Atidot (life), Digital Fineprint (SME).

En España, Mapfre Insur_space, Wayra (Telefónica), Startupbootcamp Insurtech aceleran startups con tracción real (ARR > 500k€), no solo slides. La colaboración corporación-startup ha madurado: PoC pagado en 8 semanas → contrato marco si KPIs cumplidos.

Checklist técnico para tu roadmap 2026 (validado en 14 despliegues)

  • [ ] Inventario datos + calidad: ¿Tienes catálogo unificado cláusulas, siniestros, pólizas? ¿Lineage documentado? (Prerequisito RAG fiable)
  • [ ] Casos de uso priorizados por ROI, no hype: Siniestros alta frecuencia/baja complejidad > Suscripción compleja > Atención cliente.
  • [ ] Arquitectura MCP-first: Expón core systems como MCP servers. Evita spaghetti de conectores ad-hoc.
  • [ ] Evaluación antes que modelo: Define golden dataset, métricas negocio (no solo accuracy), CI/CD para prompts.
  • [ ] Gobernanza IA desde día 1: Registro modelos, risk assessment (EU AI Act), human oversight, rollback plan.
  • [ ] Talento híbrido: Necesitas AI Engineers (no solo data scientists) que dominen LangGraph, RAG, evals, infra GPU.
  • [ ] Quick win medible < 12 semanas: Clasificador documental, extractor cláusulas, recomendador coberturas. Demuestra valor, compra licencia.

Errores que siguen matando proyectos Insurtech IA (y cómo los evitamos)

  • «Compramos Copilot/ChatGPT Enterprise y ya está» → Sin RAG propio, alucina cláusulas. Solución: RAG híbrido + evaluación continua.
  • «Fine-tuneamos Llama con nuestros PDFs» → Catastrofico: olvida conocimiento base, caro, opaco. Solución: RAG + prompting + few-shots. Fine-tune solo si > 100k ejemplos curados y evals demuestran ganancia > 5 pp.
  • «Agentes autónomos sin freno» → Riesgo regulatorio/reputacional. Solución: LangGraph con interrupt nodes + policy engine (OPA) + auditoría inmutable.
  • «Datos en la nube pública sin soberanía» → DORA/NIS2 lo prohíbe para críticos. Solución: vLLM/Ollama on-prem/híbrido + GPU soberana (AWS EU Soberano, Azure EU, proveedores locales).
  • «Proyecto TI, no negocio» → Sin KPIs de siniestralidad, conversión, coste. Solución: Co-ownership negocio/TI desde kickoff. OKRs compartidos.

Próximos 18 meses: tendencias que ya estamos implantando

  • Agentes multi-organización (A2A): Broker ↔ Aseguradora ↔ Reasegurador ↔ Perito intercambiando contexto via MCP estandarizado. Protocolo Agent-to-Agent emergente.