Por Mariluz Rodríguez - Gerente Comercial de ACL
En los últimos años, casi todas las conversaciones estratégicas con ejecutivos de la industria de seguros en Chile terminan en los mismos conceptos: inteligencia artificial, datos e innovación.
Pero entre el discurso y la ejecución sigue habiendo una brecha importante. Muchas compañías ya hicieron pilotos de IA, compraron licencias o contrataron consultorías, pero continúan con las mismas preguntas de fondo: ¿Dónde enfocar realmente la innovación para que IA y datos generen valor en seguros? ¿Y cómo hacerlo sin poner en riesgo el cumplimiento regulatorio ni la confianza de los asegurados?
A nivel global, distintas estimaciones apuntan a lo mismo: la oportunidad es enorme, pero aún poco capturada. McKinsey calcula que las tecnologías avanzadas de IA podrían generar hasta US$ 1,1 billones anuales de valor en la industria de seguros a nivel mundial. Y, aun así, solo un grupo reducido de aseguradoras está capturando “valor extraordinario” con sus iniciativas de IA.
En paralelo, el 80% de las aseguradoras ya está usando IA o planea hacerlo en el próximo año, y un 68% declara estar satisfecha con el retorno de inversión de la IA aplicada a decisiones de negocio, según el Ethical AI in Insurance Consortium (EAIC).
En este contexto, la pregunta ya no es si usar IA y datos, sino cómo priorizar y dónde enfocar la innovación. En este artículo comparto una mirada práctica, desde la experiencia en transformación digital y servicios TI, sobre cómo orientar esa innovación en los próximos años. El foco no es tener “más proyectos de IA”, sino construir modelos de negocio más resilientes, eficientes y centrados en el cliente, apalancados en datos de calidad.
Cuando hablamos de IA y datos en seguros no hablamos de futurismo abstracto, sino de capacidades muy concretas:
Analizar grandes volúmenes de información para entender mejor el riesgo.
Automatizar tareas operativas en suscripción, siniestros y atención.
Personalizar ofertas y comunicaciones según el perfil real del cliente.
Detectar patrones de fraude o comportamientos anómalos en tiempo (casi) real.
En Latinoamérica, el uso de IA en seguros se está acelerando dentro de una ola más amplia: el mercado regional de IA podría crecer desde unos US$ 21.000 millones en 2024 hasta más de US$ 360.000 millones en 2033, con un crecimiento anual superior al 25–30%, impulsado por servicios financieros y seguros.
El segmento específico de IA aplicada a modelos de seguros en la región podría pasar de US$ 4,1 mil millones en 2025 a US$ 14,7 mil millones en 2031, con un CAGR cercano al 24%. En Chile, este impulso se da en el marco de una agenda país que busca la digitalización total de los servicios al 2035, lo que incluye el fortalecimiento de capacidades de datos, ciberseguridad y analítica avanzada en sectores como banca y seguros.
En síntesis: la industria ya está invirtiendo fuerte en IA y datos. La pregunta es cómo convertir esa inversión en valor sostenible.
Antes de definir “dónde innovar”, conviene asumir algo incómodo: muchos proyectos de IA en seguros fracasan o se quedan en piloto. No porque la tecnología sea mala, sino porque el fundamento de datos, procesos y gobierno no está listo.
Una característica recurrente en aseguradoras de la región es la llamada deuda tecnológica: core de seguros antiguos, bases de datos fragmentadas, integraciones punto a punto y reportes que aún se arman en Excel.
La calidad de datos es inconsistente.
La trazabilidad del dato (desde el origen hasta el indicador final) es baja.
Los esfuerzos de IA terminan consumiendo tiempo en limpieza y correcciones manuales.
Al mismo tiempo, el mercado global de analítica de datos en seguros está creciendo rápidamente: pasó de unos US$ 8.000 millones en 2021 a más de US$ 12.000 millones en 2025, reflejando el esfuerzo de las aseguradoras por estructurar y explotar sus datos.
Pretender construir modelos realmente robustos sin una base de datos decente es como construir un edificio sobre arena: se puede levantar, pero no resiste un “terremoto regulatorio” ni de negocio.
En paralelo, el entorno regulatorio se pone cada vez más exigente. Los supervisores globales destacan que las herramientas digitales y la analítica basada en IA son clave para mejorar eficiencia y experiencia, pero siempre dentro de marcos de control, protección de datos y gestión de riesgo operacional.
A esto se suma el impacto de iniciativas regionales y locales en protección de datos personales, ciberseguridad y responsabilidad algorítmica. Eso implica que no basta con que el modelo “funcione” técnicamente. Debe ser:
Explicable (al menos en su lógica general).
Trazable (qué datos usó, cómo se entrenó, quién lo aprobó).
Auditado y validado en el tiempo.
Cuando esto no se aborda desde el diseño, las áreas de Riesgo, Jurídico o Cumplimiento—con justa razón—frenan o limitan despliegues productivos.
El tercer eje es el factor humano. Se presume que la adopción de IA a nivel corporativo ya supera el 70% a escala global, pero el valor capturado sigue concentrado en quienes logran alinear talento, datos y negocio.
En seguros, eso implica complementar capacidades actuariales tradicionales con:
Científicos e ingenieros de datos.
Arquitectos de soluciones de IA.
Perfiles de producto que conecten negocio, tecnología y regulación.
Sin esa mezcla, se cae en dos extremos:
Proyectos muy técnicos, pero desconectados del negocio.
Iniciativas muy comerciales, pero sin sustento en datos.
La innovación sostenible ocurre cuando equipos mixtos trabajan sobre problemas de negocio bien definidos, con datos gobernados y una arquitectura tecnológica que los soporta.
Si asumimos que recursos y tiempo son finitos, la pregunta clave es: si solo pudiéramos invertir en algunos frentes de innovación, ¿Cuáles priorizar?
Propongo cinco ámbitos que, bien ejecutados, combinan impacto en negocio, mejora de experiencia y reducción de riesgo.
Históricamente, la industria de seguros ha sido de “baja interacción”: el cliente contrata, paga… y se acuerda de la compañía cuando algo sale mal.
La IA y los datos permiten cambiar ese paradigma hacia una lógica de acompañamiento continuo, con interacciones más útiles y contextualizadas:
Onboarding digital inteligente: asistentes que ayudan a entender coberturas y exclusiones en lenguaje simple y adaptado al perfil del cliente.
Recomendaciones personalizadas: uso de analítica para sugerir coberturas complementarias según etapa de vida, activos y necesidades reales.
Atención proactiva: notificaciones anticipadas de vencimientos, brechas de cobertura o recomendaciones ante eventos climáticos.
A nivel internacional, ya hay ejemplos de aseguradoras que, tras transformar su dominio de ventas y servicios con IA, han logrado que hasta el 80% de las transacciones migren a canales digitales, con aumentos de más de 30 puntos en indicadores de recomendación del cliente (McKinsey & Company).
La innovación aquí no es simplemente “poner un chatbot”, sino re-diseñar el viaje del asegurado con datos en el centro.
El corazón del negocio asegurador es la correcta evaluación del riesgo y la tarificación. IA y datos permiten pasar de modelos estáticos a enfoques más dinámicos y granulares:
Integrar variables externas (clima, comportamiento de conducción, historial de pagos, patrones de salud) para enriquecer modelos de riesgo.
Implementar esquemas de pricing más dinámicos, dentro de marcos regulatorios, ajustando tarifas según comportamiento real.
Lograr una segmentación de clientes más precisa, identificando subgrupos donde se puede competir con mejores coberturas y servicios.
McKinsey estima que las aseguradoras que escalan con éxito la IA pueden alcanzar ganancias de productividad de 10–20%, crecimiento de primas de 1,5–3 % y mejoras de 1,5–3 puntos porcentuales en resultados técnicos, cifras que impactan directamente en el margen y la capacidad de reinversión en innovación.
Lo relevante no es solo “predecir mejor”, sino combinar precisión técnica con decisiones comerciales responsables y explicables.
El fraude en seguros sigue siendo una fuente de pérdida masiva. Solo en Estados Unidos, se estima que el fraude le cuesta a la industria más de US$ 300.000 millones al año.
Identificar patrones atípicos en siniestros, redes de proveedores o intermediarios.
Analizar textos, documentos e imágenes para detectar inconsistencias.
Cruzar información interna y externa para validar identidades y antecedentes.
La clave es combinar estos modelos con la experiencia de los equipos de fraude y siniestros. No se trata de que “la IA acuse”, sino de priorizar mejor los casos para una revisión humana más eficiente, reduciendo falsos positivos y tiempos de respuesta.
Monitorear fallas recurrentes en procesos.
Identificar puntos de fricción que generan reclamos.
Medir el impacto de incidentes de ciberseguridad o caídas de sistemas.
Un cuarto frente de innovación está dentro de casa: cómo usamos IA y datos para liberar tiempo de los equipos y enfocarlos en tareas de mayor valor.
Automatización del procesamiento de siniestros simples mediante reglas + IA.
Generación asistida de informes recurrentes para áreas técnicas, comerciales o regulatorias.
Asistentes internos que ayudan a ejecutivos, agentes o corredores a encontrar información clave, estimar impactos o simular escenarios.
No es casualidad que estudios recientes de Deloitte señalen que más del 75% de las aseguradoras ya ha desplegado capacidades de IA generativa en al menos una función de negocio, y que muchas de ellas lo han hecho precisamente en dominios operativos y de atención.
Eficiencia operacional: menos tareas manuales y retrabajo.
Mejor experiencia del colaborador: menos tiempo copiando y pegando datos, más tiempo pensando en el cliente.
Ninguna de las líneas anteriores se sostiene sin una base clara de gobierno de datos y QA regulatorio ágil.
Eso implica:
Definir responsables de datos (data owners/stewards) por dominios críticos: clientes, pólizas, siniestros, canales.
Establecer políticas de calidad, clasificación y seguridad de datos, especialmente para información sensible.
Integrar a Riesgo, Legal, Cumplimiento y Tecnología desde el diseño de los casos de uso de IA.
Organismos como la IAIS y los supervisores nacionales coinciden en que la adopción de IA en seguros debe ir acompañada de marcos sólidos de gobernanza, transparencia y rendición de cuentas.
En ACL powered by DataArt hemos aplicado este enfoque a través de iniciativas de QA regulatorio ágil para proyectos de IA en seguros, donde el gobierno de datos y la validación regulatoria avanzan en paralelo a la innovación, evitando que el cumplimiento se transforme en un freno y convirtiéndolo en un habilitador de valor.
Desde la experiencia acompañando proyectos de transformación y servicios TI en diferentes industrias —incluidas compañías de seguros— hay patrones que se repiten.
Casos de uso anclados en problemas reales: reducción de tiempos de emisión, mejora en detección de fraude, aumento en conversión de campañas.
Equipos mixtos: negocio, datos, TI, riesgo y experiencia de cliente en la misma mesa.
Gobernanza desde el diseño: seguridad, protección de datos y cumplimiento integrados desde el inicio.
Comunicación clara a los equipos: explicar qué hace la IA, qué no hace y cómo cambia (o no) el trabajo diario.
Proyectos motivados solo por moda tecnológica o marketing.
Implementaciones desconectadas de los sistemas y datos reales de la compañía.
Subestimar la complejidad regulatoria o las expectativas del supervisor.
Dejar fuera a los equipos que luego operarán la solución.
La pregunta ¿Dónde debería enfocarse la innovación en la industria de seguros? no se responde con una lista de tecnologías, sino con una visión clara de negocio.
IA y datos son, sin duda, aceleradores poderosos. Pero su verdadero impacto se ve cuando:
Están al servicio de una mejor experiencia de cliente.
Fortalecen la disciplina técnica y actuarial, en lugar de reemplazarla.
Se integran con una cultura de cumplimiento y responsabilidad.
Las compañías que logren combinar estos elementos estarán mejor posicionadas para competir en un mercado cada vez más exigente, regulado y digital, tanto en Chile como en el resto de la región.
Si tu organización está evaluando cómo avanzar en este camino, la invitación es a empezar por una conversación honesta sobre su madurez de datos e IA, sus prioridades de negocio y sus brechas reales.
Desde ACL powered by DataArt, acompañamos a aseguradoras y actores del sector financiero a diseñar e implementar este tipo de hojas de ruta, integrando tecnología, negocio y cumplimiento, para que la innovación no sea solo un eslogan, sino una ventaja competitiva concreta y sostenible.
Gerente Comercial, ACL Tecnología