Lo que la IA en la suscripción de seguros se equivoca sin buenos datos

En 2026, la IA en la suscripción de seguros ya no es una diapositiva futurista de sala de juntas. Está en el triaje de envíos, la extracción de horarios de flotas, las verificaciones de elegibilidad, las revisiones de renovaciones, el soporte de precios y en todos los rincones donde los suscriptores solían vivir de café y copiar y pegar. Aquí está mi opinión después de una década en seguros: **el mayor riesgo no es que la IA tome decisiones de suscripción. El mayor riesgo es que las aseguradoras le pidan a la IA que tome decisiones limpias a partir de datos en los que nunca dejarían que un suscriptor junior confiara.** Todos conocemos la tentación. Un proveedor dice que el sistema puede leer PDFs, calificar riesgos, enriquecer registros, enrutar envíos y reducir días del tiempo de respuesta. Encantador. Pero si los historiales de siniestros son inconsistentes, los VINs están mal escritos, la dirección de garaje está desactualizada y los datos de la aseguradora anterior viven en una hoja de cálculo llamada Final_Final_v7, la IA no está suscribiendo. Está adivinando con mejor postura. Una vez vi a un suscriptor pasar media mañana conciliando al mismo conductor en tres documentos. William J. Carter, Bill Carter y W Carter. La misma persona, probablemente. Diferentes registros, absolutamente. Ese es el tipo de pequeño desastre que parece inofensivo hasta que se multiplica por miles de envíos. La IA no hace desaparecer ese desastre por arte de magia. O lo arregla, lo marca o lo incorpora silenciosamente en la decisión. ## El problema del tiempo del suscriptor es real Empecemos con la razón por la que la IA en la suscripción de seguros está recibiendo tanta atención. Los suscriptores están ahogados en trabajo administrativo. McKinsey ha estimado que los suscriptores pueden pasar hasta el 60 por ciento de su tiempo en tareas no esenciales en lugar de en la evaluación real de riesgos. Eso suena correcto. Si has trabajado en suscripción de autos comerciales, pequeñas empresas, especialidades o MGAs, has visto la rutina: abrir el correo del corredor, descargar los archivos adjuntos, volver a escribir el horario, verificar los VINs, perseguir historiales de siniestros faltantes, comparar coberturas anteriores, buscar detalles del conductor, pegar notas en el sistema y luego, finalmente, pensar en el riesgo. No es de extrañar que las aseguradoras y las MGAs quieran automatización. [Accenture ha informado](https://www.accenture.com/us-en/insights/insurance/technology-vision) una fuerte inversión por parte de los CEOs de seguros en IA para reclamaciones y suscripción. El apetito está ahí. El caso de negocio está ahí. El backlog definitivamente está ahí. Pero hay una trampa. Si automatizamos una mala entrada, simplemente movemos el desorden más rápido. Es como poner un motor a reacción en un carrito de compras. Impresionante durante tres segundos, luego todos tienen preguntas. ## Lo que la IA se equivoca cuando los datos son débiles La IA en la suscripción de seguros tiende a fallar de maneras predecibles cuando la base de datos es pobre. Los problemas rara vez son dramáticos al principio. Por lo general, no obtienes una gran alerta roja que diga: Advertencia, esta puntuación de riesgo está construida sobre tonterías. Obtienes una recomendación ordenada que parece lo suficientemente razonable como para pasar por un escritorio ocupado. Eso es lo que lo hace peligroso. ### Confunde información faltante con bajo riesgo El problema de datos más común no son los datos incorrectos. Son los datos faltantes que parecen normales. Un historial de siniestros en blanco podría significar que el asegurado no tiene siniestros. También podría significar que el historial de siniestros no se adjuntó, el corredor subió el archivo incorrecto, el nombre de la aseguradora cambió, el sistema no pudo analizar un PDF escaneado, o el historial de siniestros está escondido en un hilo de correo electrónico del martes. Un flujo de trabajo de suscripción inteligente debería tratar la información faltante como una señal de riesgo, no como un encogimiento de hombros. Desconocido no es lo mismo que limpio. Si un envío de autos comerciales no tiene información reciente de MVR, sin fechas de nacimiento del conductor y VINs parciales, el sistema no debería recompensar el envío por ser ligero en malas noticias. Debería pausar, pedir los datos correctos o enrutar el archivo a un suscriptor con la razón claramente indicada. Eso suena básico. También es donde muchos proyectos de automatización de suscripción tropiezan. ### Aprende hábitos operativos en lugar de riesgo Aquí hay una que no se discute lo suficiente. Los datos pobres pueden hacer que la IA de suscripción aprenda tus flujos de trabajo, no tus riesgos. Digamos que el Corredor A envía envíos hermosos con horarios ordenados, campos consistentes e historiales de siniestros completos. El Corredor B envía cuentas rentables, pero los envíos llegan como PDFs desordenados, escaneos torcidos y notas de correo electrónico que requieren traducción del dialecto del corredor al inglés. Si tu sistema no está construido para normalizar datos desordenados correctamente, puede comenzar a tratar los envíos del Corredor A como mejores riesgos porque son más fáciles de procesar. Eso no es selección de riesgo. Es un sesgo de formato con corbata. He visto buenos negocios retrasarse porque el papeleo era feo, y negocios mediocres volar porque la plantilla se veía limpia. Los humanos también hacen esto, por cierto. Simplemente tendemos a no admitirlo en voz alta. ### Produce falsa precisión Nada me hace más sospechoso que una puntuación muy específica construida a partir de datos muy cuestionables. Un sistema de IA podría devolver una puntuación de riesgo de 82.4. Eso se siente científico. Pero si la dirección de garaje es de dos renovaciones atrás, el uso del vehículo es autoinformado, el kilometraje no está verificado y el historial de siniestros se analizó incorrectamente, ese punto decimal está haciendo mucho trabajo emocional. La falsa precisión es especialmente peligrosa para las MGAs y aseguradoras que intentan crecer rápidamente. Puede hacer que los equipos tengan demasiada confianza en las decisiones de elegibilidad, la adecuación de precios, la colocación en niveles y el enrutamiento de referencias. La puntuación parece objetiva, por lo que menos personas la cuestionan. Los buenos datos de suscripción no eliminan el juicio. Le dan al juicio una oportunidad de luchar. ### Rompe la confianza del suscriptor Los suscriptores no están en contra de la automatización. La mayoría están en contra de la mala automatización, que es algo muy diferente. Si el sistema marca una cuenta limpia tres veces por la razón equivocada, o recomienda declinar el apetito porque malinterpretó una descripción de siniestro, los suscriptores comenzarán a ignorarlo. Una vez que eso sucede, buena suerte recuperando la confianza. La primera mala recomendación se murmura en la máquina de café durante semanas. Por eso la calidad de los datos no es una preocupación técnica de back-office. Es una cuestión de