Hay una frase a la que merece la pena volver: «la conciencia de la ignorancia como conocimiento».
Cada mañana partimos de la base de que hay menos certeza que el día anterior. Tras muchos años en el ámbito de la tecnología aplicada al riesgo empresarial, cabría esperar lo contrario: un mayor reconocimiento de patrones y más confianza en lo que está por venir. Pero esa no es la realidad de este sector, ni es ahí donde ninguno de nosotros debería estar.
La IA avanza tan rápido que algo que se entendía la semana pasada puede que ya esté desfasado. Una funcionalidad que no existía hace seis meses ya está en funcionamiento hoy mismo. Las suposiciones que parecían sólidas hace un año —sobre lo que puede hacer el software, sobre el valor de la experiencia humana, sobre cómo es la jornada laboral de un gestor de riesgos— se están replanteando en tiempo real.
Piénsalo: el guion básico de un seminario web reciente de Archer se redactó tres meses antes de su celebración. Al revisarlo durante los preparativos, algunas partes ya parecían obsoletas. No es que estuvieran equivocadas, sino incompletas. El sector había avanzado.
Si en este momento te sientes seguro —seguro de que entiendes la IA, seguro de que tu actual sistema de información de gestión (RMIS) es adecuado para su finalidad, seguro de que lo que funcionó el año pasado funcionará el año que viene—, esa seguridad puede ser lo más peligroso con lo que te enfrentas de cara a los próximos años.
¿Qué es el RMIS y por qué debe evolucionar?
Los sistemas de información para la gestión de riesgos (RMIS) llevan tres décadas haciendo básicamente lo mismo: recopilar datos, almacenarlos y generar informes. Se han ido sofisticando progresivamente —con mejores interfaces, más integraciones y una mayor capacidad de configuración de los informes—, pero el modelo fundamental no ha cambiado.
Una persona introduce los datos. El sistema los almacena. Una persona los recupera. El sistema genera informes sobre ellos.
Ese modelo resultó muy útil para el sector cuando el objetivo era la visibilidad: ¿puedo ver qué riesgos tengo, dónde se encuentran mis siniestros y cuál es mi exposición? Para las organizaciones que gestionaban todo esto mediante hojas de cálculo o sistemas inconexos, el RMIS supuso un auténtico paso adelante.
El problema es que la mayoría de las organizaciones se quedaron ahí. Consiguieron visibilidad y dieron el asunto por zanjado.
La pregunta clave sobre los resultados: ¿Para qué sirven realmente tus datos de riesgo?
Las conversaciones con los gestores de riesgos, los directores de riesgo (CRO) y los responsables de programas de seguros suelen desviarse rápidamente de las características del sistema para centrarse en los resultados. No se trata de qué hace el sistema, sino de qué te aporta.
La distinción es importante. Un sistema que registra cada reclamación con todo detalle, pero que no es capaz de indicarte de dónde vendrá tu próxima pérdida, no es más que un archivador muy caro. Un sistema que almacena datos de incidentes de los últimos diez años, pero que no es capaz de sacar a la luz el patrón oculto en ellos, supone una oportunidad perdida a gran escala.
La pregunta que hay que plantearse no es cuántos datos tenemos, sino : ¿cuántos de esos datos nos están resultando realmente útiles en este momento?
En la mayoría de los casos, la respuesta sincera es: ni de lejos lo suficiente.
¿Qué significa «activar tus datos de riesgo»?
Activar tus datos no consiste en recopilar más información. La mayoría de las organizaciones ya disponen de más datos sobre riesgos de los que saben cómo aprovechar. Se trata de sacar partido a esos datos: hacerlos accesibles, conectarlos entre los distintos silos y, en última instancia, convertirlos en predictivos.
Esto se divide en tres niveles:
Integración.Los datos sobre riesgos se encuentran dispersos en demasiados sitios: las reclamaciones en un sistema, los incidentes en otro, los datos sobre la exposición en otro lugar y la información sobre los programas de seguros en una hoja de cálculo en el ordenador de alguien. Para que la inteligencia artificial resulte útil, esos datos deben estar disponibles en un único lugar. Esto parece obvio, pero es más difícil de lo que parece.
Enriquecimiento.Los datos operativos brutos cobran mucha más relevancia cuando se combinan con contexto externo: análisis comparativos del sector, señales macroeconómicas, modelos de catástrofes y novedades normativas. Es aquí donde el panorama pasa de centrarse en lo que ha sucedido a centrarse en lo que es probable que suceda.
Inferencia.Aquí es donde la IA demuestra su utilidad. Una vez que se dispone de datos integrados y enriquecidos, los equipos pueden empezar a plantearse preguntas que antes no tenían respuesta: ¿qué ubicaciones tienen más probabilidades de generar una reclamación significativa en los próximos 12 meses? ¿Qué proveedores de la cadena de suministro representan un riesgo de concentración que no se ha tenido en cuenta en la tarificación? ¿En qué medida está expuesto el programa de seguros en comparación con la experiencia real en materia de siniestros?
No se trata de preguntas hipotéticas. Los equipos de gestión de riesgos las están respondiendo ahora mismo con la tecnología de la que se dispone en la actualidad.
IA generativa frente a IA predictiva en la gestión de riesgos
Hay una distinción en la que merece la pena detenerse: la IA generativa y la predictiva hacen cosas fundamentalmente diferentes, y la confusión entre ambas lleva a las organizaciones a destinar mal sus inversiones.
La IA generativa—la que sustenta los grandes modelos lingüísticos— destaca por su capacidad para trabajar con información no estructurada: redactar, resumir, sintetizar y responder a preguntas en lenguaje natural. En el contexto de la gestión de riesgos, esto supone una transformación en el análisis de documentos normativos, las respuestas a las solicitudes de propuestas, la presentación de informes al consejo de administración y la facilitación del acceso a datos complejos para las partes interesadas que no son usuarios avanzados del sistema.
La IA predictivafunciona de otra manera. Detecta patrones en datos históricos estructurados y los extrapola al futuro. Es en este ámbito donde se enmarcan la previsión de pérdidas, la puntuación de riesgos y la modelización de la exposición.
Ambas son importantes. No se trata de prioridades que compitan entre sí. Sin embargo, comprender qué problema resuelve cada una ayuda a las organizaciones a utilizarlas allí donde aportan mayor valor, en lugar de esperar que una haga el trabajo de la otra.
Cómo es una estrategia sólida de IA para los sistemas de información de gestión de riesgos (RMIS)
No todas las organizaciones tienen que estar a la vanguardia en la adopción de la IA. Lo cierto es que quedarse estancado es una decisión que acarrea consecuencias.
Las organizaciones que saben gestionar bien esta situación comparten algunas características:
- Lo primero que hicieron fue invertir en poner en orden sus datos
- Eligieron socios tecnológicos que puedan demostrar una capacidad real en materia de inteligencia artificial, y no simples promesas incluidas en una hoja de ruta.
- Empezaron con casos de uso concretos y delimitados en los que el valor es cuantificable, en lugar de intentar abarcar demasiado.
- Crearon las condiciones internas necesarias para que la tecnología tuviera éxito: gobernanza de datos, aceptación por parte de los usuarios y apoyo de la dirección.
Nada de esto tiene nada de glamuroso. Pero es la diferencia entre una estrategia de IA y un simple anuncio sobre IA.
Los datos que poseen la mayoría de las organizaciones expuestas a riesgos constituyen un activo infrautilizado. La tecnología necesaria para sacarle partido ya existe. La cuestión no es si hay que dar el paso, sino cómo hacerlo de forma inteligente.
Y el mejor punto de partida es aquel que resulta incómodo: aceptar que probablemente haya menos certeza sobre lo que es posible de lo que parece.
Archer lleva más de dos décadas ayudando a las organizaciones a sentar las bases de datos que hacen posibles momentos como este. Si estás listo para pasar de la visibilidad a la activación —de un sistema de registro a un sistema de inteligencia—, descubre lo que las capacidades RMIS de Archer pueden aportar a tu organización en archerirm.com/rmis.
¿Qué es un RMIS basado en la inteligencia artificial?
Un RMIS (sistema de información para la gestión de riesgos) basado en la inteligencia artificial va más allá del mero almacenamiento y la presentación de informes sobre datos de riesgo. Utiliza el aprendizaje automático y el análisis predictivo para identificar patrones, prever pérdidas, evaluar la exposición al riesgo y extraer información útil que las plataformas RMIS tradicionales no pueden ofrecer.
¿Cuál es la diferencia entre la IA generativa y la IA predictiva en la gestión de riesgos?
La IA generativa trabaja con información no estructurada: puede redactar informes, resumir documentos y responder a preguntas en un lenguaje sencillo. La IA predictiva analiza datos históricos estructurados para pronosticar resultados futuros, como qué ubicaciones son propensas a generar reclamaciones o dónde existen lagunas en los programas de seguros. Ambas desempeñan funciones distintas en una estrategia madura de tecnología de gestión de riesgos.
¿Cómo mejora la IA la activación de los datos de riesgo?
La IA mejora la activación de los datos de riesgo al ofrecer tres capacidades que los RMIS tradicionales no pueden proporcionar: integrar datos de sistemas aislados, enriquecerlos con señales externas, como índices de referencia y datos normativos, y aplicar modelos de inferencia para responder a preguntas prospectivas sobre la exposición y la probabilidad de pérdidas.
¿Qué deben hacer las organizaciones antes de implementar la IA en sus RMIS?
Antes de implementar la IA, las organizaciones deben dar prioridad a la integración de datos, es decir, a la consolidación de los datos sobre siniestros, incidentes, riesgos y programas de seguros en un entorno unificado. Es necesario garantizar la calidad y la gobernanza de los datos antes de que la IA pueda generar resultados fiables.
¿El análisis predictivo en los sistemas de información de gestión de riesgos (RMIS) es solo para las grandes empresas?
No. Aunque las grandes empresas fueron las primeras en adoptarlas, las capacidades de los sistemas de información de gestión de riesgos (RMIS) basados en la inteligencia artificial están cada vez más al alcance de los equipos de gestión de riesgos de las empresas medianas. La clave está en empezar por casos de uso delimitados en los que el valor sea cuantificable, en lugar de intentar una transformación a gran escala de una sola vez.
¿Cómo se mide el retorno de la inversión (ROI) en la inversión en IA para la gestión de riesgos?
El retorno de la inversión (ROI) de la IA en la gestión de riesgos suele medirse a través de la reducción de pérdidas, la mejora de la fijación de precios de los programas de seguros, la reducción del tiempo dedicado a la elaboración manual de informes y la identificación más temprana de las exposiciones de alto riesgo. Empezar por casos de uso específicos y cuantificables facilita demostrar el valor antes de ampliar la escala.
