IA y tecnología:
La brecha de adopción
Capítulo 2
Casi universalmente, los profesionales entienden que la IA representa un cambio radical en la capacidad de detección de fraudes. La prueba de valor existe, y el panorama de amenazas que lo exige está bien comprendido. Sin embargo, la realidad operativa sigue siendo: la gran mayoría de las aseguradoras aún no están preparadas para responder. El coste de esa brecha no es abstracto, diariamente se paga por ello en pérdidas por reclamaciones, ineficiencia manual y desventaja competitiva.
Lo que hace que la brecha de adopción sea especialmente llamativa es que no se trata de una historia de ignorancia. El problema no es la concientización, sino la ejecución. Las barreras son reales, el camino está comprendido y los primeros usuarios ya han demostrado lo que es posible. Lo que falta en la mayoría de las organizaciones es la voluntad colectiva y las condiciones estructurales necesarias para cerrar la distancia entre saber y hacer.
Dónde se sitúan realmente las organizaciones
El panorama de la adopción se divide en cuatro grupos distintos. El 36% de las aseguradoras están en fase piloto o de despliegue parcial, lo que significa que se han tomado medidas concretas pero la tecnología aún no está operativa a gran escala. Un 36% adicional planea implementarlo, lo que indica que se ha tomado una decisión estratégica pero aún no ha comenzado la ejecución. Mientras tanto, el 19% informa no tener planes actuales y solo el 9% ha implementado completamente IA o aprendizaje automático (ML).
El 72% combinado que está planificando o pilotando puede parecer un avance hasta que se examina lo que realmente significa en la práctica. Planificar sin ejecución no es protección, y un piloto que nunca escala no es una defensa. Estas organizaciones aún no están recibiendo los beneficios de la IA para la detección de fraudes; en cambio, están en varias etapas de acercarse a la línea de salida. El único punto de referencia que importa operativamente es el 9% que lo ha implementado completamente. Esa cifra es una clara acusación de la distancia que aún queda por recorrer, especialmente dado el calendario de amenazas que se va a establecer.
También existe un riesgo oculto en el grupo de planificación que merece ser nombrado: la inercia organizativa disfrazada de diligencia debida. Cuando la planificación se extiende indefinidamente, cuando los pilotos se ejecutan sin condiciones definidas de escalado y cuando los presupuestos se estudian pero nunca se comprometen, la fase de planificación se convierte en una alternativa cómoda a la acción. La ventana para la preparación ya se está cerrando, y las organizaciones que permanezcan más tiempo en modo de planificación serán las que menos tiempo tendrán para cerrar la brecha cuando la amenaza se acelere.
36%
36%
19%
9%
En piloto / despliegue parcial
Planificación para implementar
No hay planes actuales
Totalmente implementado
Qué está bloqueando la adopción y qué revelan las barreras
Las limitaciones presupuestarias (29%) y los problemas de calidad de datos (27%) dominan como las principales barreras para la adopción de la IA. De forma crítica, estos no son problemas independientes. En cambio, forman un ciclo acumulativo que mantiene a muchas organizaciones atrapadas permanentemente en la fase de planificación. La mala calidad de los datos dificulta la construcción de modelos de IA fiables. Los modelos poco fiables dificultan demostrar el retorno de la inversión (ROI). La falta de evidencia de retorno de inversión dificulta la aprobación presupuestaria, y los presupuestos limitados dificultan la inversión en infraestructura de datos. El ciclo continúa.
Romper este ciclo requiere reconocer que es un bucle interconectado y que abordar cualquiera de las restricciones de forma aislada es insuficiente. Las organizaciones que invierten en calidad de datos sin asegurar un presupuesto para herramientas de IA acabarán con datos limpios pero sin modelos para utilizarlos. Por el contrario, las organizaciones que aseguran un presupuesto sin mejorar la calidad de los datos dispondrán de herramientas sin los insumos necesarios para funcionar. Las dos inversiones deben avanzar juntas, guiadas por un liderazgo que entienda que ambas son requisitos previos y no pasos opcionales secuencialmente.
La falta de compromiso interno (18%) es la barrera que refleja más directamente un problema de cultura organizativa que un problema de recursos. En casi una de cada cinco organizaciones, el obstáculo no es la capacidad, sino la voluntad. Esto proviene bien del escepticismo de los líderes sobre el valor de la IA o de la resistencia cultural entre los profesionales que han desarrollado experiencia en flujos de trabajo existentes y perciben la IA como una amenaza para esa experiencia en lugar de un multiplicador de fuerza. Afortunadamente, ambos son problemas solucionables. Los datos de rendimiento de los adoptantes de IA, detallados en la siguiente sección, proporcionan el contraargumento más claro posible al escepticismo interno.
Las preocupaciones regulatorias y de privacidad (16%) completan el panorama. Aunque estas son limitaciones reales, su menor posición sugiere que la mayoría de los profesionales las ven como manejables, viéndolas más como un factor a navegar que como una razón para detenerse. Esto envía una señal importante a proveedores, consultores y organismos del sector: las organizaciones que más necesitan ayuda no están esperando claridad regulatoria. Están esperando presupuesto, datos y alineación organizativa.
29%
27%
18%
16%
Limitaciones presupuestarias
Problemas de calidad de datos
Falta de apoyo interno
Preocupaciones regulatorias / de privacidad
La prueba de valor ya está ahí
70%
45%
35%
25%
25%
Detección de fraude más rápida
Mejora de la calidad de la cartera
Reducción de falsos positivos
Mejor experiencia del cliente
Menores costes operativos
* Los porcentajes reflejan a los encuestados que han adoptado IA (piloto o implementación completa). Respuestas de 'No aplicable' excluidas.
Un portafolio de herramientas inclinado hacia el pasado
Las herramientas más utilizadas hoy en día cuentan una historia reveladora sobre dónde están ancladas las defensas de la industria. Las señales de alerta automáticas y las bases de datos de referencia cruzada alcanzan cada una un 60%. Estos son enfoques fundamentalmente basados en reglas o en consultas que son potentes para detectar patrones conocidos. Sin embargo, estructuralmente son incapaces de detectar esquemas novedosos porque solo pueden encontrar lo que fueron configurados específicamente para encontrar.
Las redes sociales e investigación en línea (44%), la verificación de documentos y medios (36%) y los modelos de IA o aprendizaje automático (20%) completan el panorama. El 81% de las aseguradoras que aún no han desplegado completamente modelos de IA están entrando en la fase más peligrosa de la carrera armamentística contra el fraude con armamento anticuado. Este retraso llega precisamente en el momento en que los estafadores empiezan a desplegar IA generativa, identidades sintéticas y sistemas agénticos para los que ningún sistema basado en reglas fue diseñado para detectar.
El 60% de los encuestados califica sus herramientas actuales de detección de fraude como “algo efectivas”, mientras que sólo el 15 % dice que son “muy efectivas”. Esto no significa que los practicantes desestimen sus herramientas; más bien, son los practicantes que reconocen honestamente sus límites inherentes. La diferencia entre "algo efectivo" y "muy efectivo" no depende de la habilidad del operador ni de la optimización del flujo de trabajo. Es una brecha fundamental de capacidades que solo una tecnología mejor puede cerrar. La industria es consciente de esta realidad. La cuestión crítica que queda es si las condiciones estructurales se alinearán para permitir a las aseguradoras actuar antes de que la amenaza llegue con toda su fuerza.
60%
60%
44%
36%
20%
Geautomatiseerde signalen / bedrijfsregels
Referencias cruzadas / bases de datos externas
Redes sociales / investigación en línea
Verificación de documentos / medios
Modelos de IA / ML
Conclusión clave
La brecha de adopción es un problema organizativo más que tecnológico. El presupuesto y la calidad de los datos son limitaciones reales, pero son totalmente solucionables. El 9% de aseguradoras que han implementado completamente la IA no son excepciones con recursos únicos; simplemente tomaron una decisión estratégica para priorizar. Las organizaciones que aún están en fase de planificación no están protegidas por su intención. Cada mes en la fase de planificación es un mes que se dedica a operar con herramientas diseñadas para detectar el fraude de ayer.
