Nombre del autor:Author

¡Este evento se llevará a cabo el 12 y 13 de junio en Ámsterdam!

El DIA es conocido por ser el evento líder en pensamiento sobre seguros y tecnología de seguros en Europa, y cuenta con una emocionante alineación:

• Lo mejor de lo mejor en insurtechs innovadoras
• Pensadores líderes de la industria y fuera de ella
• Eventos secundarios emocionantes (fiesta de inicio, paseo en ferry para hacer contactos, iAnnet)

Por favor, visítenos en nuestro stand o búsquenos en la aplicación del DIA.

Para obtener más información y entradas, visite ITC DIA Europa – Ámsterdam 2024.

Esta semana, nuestro CTO y cofundador, Dennie van den Biggelaar, fue el ponente principal, como se menciona en esta publicación de LinkedIn, sobre inteligencia artificial en seguros para 120 miembros de la Stichting Assurantie Registratie (SAR). Hubo una gran participación de asesores bajo los esquemas de reconocimiento RMiA, RGA y RPA.

La Stichting Assurantie Registratie (SAR) es una fundación neerlandesa enfocada en la certificación y registro de profesionales del seguro. SAR tiene como objetivo mantener altos estándares dentro de la industria del seguro mediante el reconocimiento y acreditación de profesionales que cumplen con criterios educativos y profesionales específicos. Estas certificaciones, como RMiA (Asesor Hipotecario Registrado), RGA (Asesor de Seguros Registrado) y RPA (Asesor de Pensiones Registrado), aseguran que los miembros posean los conocimientos y habilidades necesarios para brindar asesoramiento y servicios de calidad a los clientes. La fundación también organiza eventos, capacitaciones y oportunidades de desarrollo profesional continuo para que sus miembros se mantengan actualizados con las tendencias y regulaciones de la industria.

Möchten Sie erfahren, wie Sie Ihr Unternehmen mit einem innovativen KI-Automatisierungsansatz optimieren können?

Gerne sehen wir uns am kommenden Dienstag, den 28. Mai, und Mittwoch, den 29. Mai, auf der Messe insureNXT in Köln an Standnummer C011 mit Dialog Group!

A petición de VVP, presentado en la última edición de VVP, la plataforma líder para asesores financieros en los Países Bajos, nuestro CTO y estratega de IA, Dennie van den Biggelaar, explica cómo aplicar la IA y el aprendizaje automático específicos al «asesoramiento en la práctica». En varias ediciones, se destacarán los siguientes temas:

Comenzando con IA y ML específicos Operativización en procesos comerciales Integración en paisajes informáticos existentes Medición = aprendizaje: KPIs para ML Ética, regulaciones y sociedad IA y ML: un vistazo al futuro cercano

En esta tercera edición, respondemos a la pregunta: ¿cómo se integra un algoritmo entrenado con su paisaje informático y herramientas existentes?

Integración de Software de IA

El sector de seguros está al borde de una revolución tecnológica. Con la integración de motores de decisión de IA, los aseguradores pueden mejorar significativamente el servicio al cliente y obtener mejores resultados comerciales. Los algoritmos de IA pueden predecir la pérdida de clientes, calcular el valor de por vida del cliente (CLV) y hacer recomendaciones para la venta cruzada y adicional, lo que permite a los asesores tomar decisiones mejor informadas. Pero ¿cómo se integran estos algoritmos en su paisaje informático existente? ¿Cómo garantiza que sus empleados tengan estas predicciones y sugerencias en el momento adecuado para trabajar de manera más fácil y efectiva? Este artículo analiza varios consejos técnicos concretos para integrar con éxito motores de decisión de IA en sistemas de seguros.

Definir una Integración Exitosa

Creo firmemente que los problemas informáticos siempre deben servir a un objetivo comercial. Una integración exitosa siempre comienza con la pregunta: ‘¿Cuándo es exitosa esta integración?’ Crear una historia de usuario puede ayudar, por ejemplo:

“Como [marketer digital en la agencia de suscripción X], quiero [saber semanalmente qué clientes necesitan un producto adicional Y], para que pueda [configurar una campaña de marketing automática dirigida para este grupo] con el objetivo de [generar (nuevas) oportunidades semanales para mis asesores de campo].”

Este es un buen punto de partida para presentar a los expertos técnicos lo que se espera de ellos. Por lo general, siguen más preguntas:

¿Qué información específica quiere ver el usuario? ¿Con qué frecuencia debe actualizarse? ¿Cómo mediremos el éxito de estas campañas automáticas?

Al plantear y responder estas preguntas, el equipo identifica naturalmente el marco de una integración exitosa. ¡Este no es un trabajo para una sola persona: es importante que tanto los negocios/usuarios como los expertos técnicos estén representados en este ejercicio!

Analizar el Paisaje Informático Existente

Una integración exitosa comienza con un análisis exhaustivo de la infraestructura informática existente. Muchos intentos de integración fracasan debido a una falta de comprensión de los sistemas actuales, lo que lleva a problemas de compatibilidad. ¿Con qué sistemas informáticos, bases de datos e interfaces existentes debe ‘colaborar’ el algoritmo de IA? ¿Qué cantidades de datos deben transferirse? ¿Cuándo y con qué rapidez?

(La integración exitosa significa crear sinergia entre sistemas de backend y de frontend.)

En la práctica, esto significa trabajar y alinearse con varios socios informáticos de sistemas de backend y de frontend. Comience este inventario temprano e incluya a todos los interesados (externos) en sus planes. Si no tiene tiempo o recursos para hacer esto usted mismo, designe a uno de sus socios informáticos para que gestione este proyecto por usted. Después de todo, ¡es su experiencia!

Claro, Escalable y Ágil

Desafortunadamente, a menudo he visto organizaciones con planes innovadores cuyo paisaje informático era demasiado rígido. Por lo tanto, diseñe una arquitectura modular y escalable para permitir futuras expansiones y cambios, asegurando que su organización permanezca ágil. En la actualidad, es mejor práctica utilizar arquitecturas de microservicios, donde cada funcionalidad se ejecuta como un servicio separado. Esto facilita la adición, reemplazo o actualización de nuevos elementos sin reformar toda la infraestructura.

Consistencia y Calidad

La calidad de los datos es crucial para el éxito de la IA. Muchos sistemas de IA funcionan mal debido a datos inconsistentes, incompletos o desactualizados. Por lo tanto, implemente un pipeline de limpieza y preprocesamiento de datos para garantizar que todos los datos enviados al motor de decisión de IA estén limpios y actualizados. Las herramientas automatizadas para la integración y validación de datos pueden ayudar a garantizar la fiabilidad de los resultados de la IA. Utilice procesos ETL (Extract, Transform, Load) para extraer datos de diversas fuentes, transformarlos en un formato uniforme y cargarlos en un repositorio de datos central. Esto garantiza un flujo de datos simplificado, esencial para entrenar y utilizar con éxito modelos de IA.

Pruebas, Validación y Monitoreo

Las pruebas y la validación exhaustivas son esenciales para garantizar que los modelos de IA funcionen correctamente dentro de los sistemas existentes. Pruebas insuficientes pueden provocar errores y problemas inesperados después de la implementación. Por lo tanto, realice pruebas extensas en un entorno simulado que imite el entorno de producción. Valide la salida de los modelos de IA con datos históricos y análisis de escenarios. Involucre a los usuarios finales en la fase de pruebas para garantizar que los modelos cumplan con los requisitos comerciales y las necesidades del usuario.

Usar APIs

Las APIs (Interfaces de Programación de Aplicaciones) son esenciales para conectar los motores de decisión de IA con los sistemas existentes. Sin interfaces estandarizadas, la comunicación entre sistemas puede ser ineficiente y problemática. Al desarrollar e implementar APIs que puedan recibir y enviar datos, la integración se vuelve flexible y escalable. Esto garantiza que el motor de decisión de IA pueda comunicarse robustamente tanto con sistemas de back-office como de front-office.

Seguridad y Privacidad

La seguridad de los datos es crucial, especialmente dada la naturaleza sensible de los datos de seguros. La seguridad insuficiente puede provocar violaciones de datos, lo que resulta en la pérdida de confianza del cliente y violaciones de privacidad. Por lo tanto, utilice solo los datos que sean realmente necesarios y anonimice tanto como sea posible. Si realmente necesita ciertos datos sensibles, aplique cifrado. Asegúrese de que todas las transferencias de datos entre sistemas y el motor de decisión de IA se realicen a través de una conexión cifrada. Utilice controles de acceso y registro de auditoría para garantizar la seguridad de los datos y el cumplimiento de las regulaciones.

Conclusión

Una integración exhaustiva es un requisito previo para que la IA aterrice con éxito en su organización. Debe considerar no solo un caso de negocio escalable y al usuario, sino también pensar en agilidad, seguridad, privacidad y calidad. Por lo tanto, necesita un equipo con diferentes competencias y debe coordinar y colaborar con socios informáticos.

Primero, asegúrese de que usted o alguien en su organización tenga una comprensión clara del marco de negocios de una integración exitosa. Haga esto explícito para que pueda transmitirlo. Luego, designe a alguien responsable de la realización y la gestión de proyectos asociada. Si no desea o no puede liberar recursos para esto, fácilmente puede involucrar a uno de sus socios informáticos de confianza para esto. ¡Entonces puede enfocarse en su propio negocio principal!

«Es fácil crear un algoritmo de autoaprendizaje. Lo difícil es crear una organización de autoaprendizaje.» – Satya Nadella, CEO de Microsoft

En resumen: concebir, construir y validar un algoritmo robusto es solo la fase uno de la implementación exitosa de IA en la práctica. En la próxima edición, profundizaremos en cómo integrarlo con sistemas informáticos y flujos de trabajo existentes.

En esta segunda entrega de la serie sobre emprendimiento estratégico publicada en VVP, la plataforma para asesores financieros en los Países Bajos, ofrecemos formas para que los intermediarios independientes respondan a esta presión de consolidación.

Debido a la consolidación, las grandes empresas están encontrando cada vez más los límites de su crecimiento: una abundancia de clientes, pero escasez de personal. En nuestra opinión, este problema solo puede resolverse mediante el uso inteligente de datos e inteligencia artificial.

Un agradecimiento especial a Marcel van Dijk de MarshBerry – Europa por la inspiración para este artículo.

Los intermediarios solían estar fragmentados y orientados nacionalmente, pero ahora esto está cambiando rápidamente hacia un campo de juego consolidado e internacional. En esta segunda parte de la serie sobre emprendimiento estratégico, profundizamos en esta importante tendencia empresarial y ofrecemos formas para que los intermediarios respondan a esta presión de consolidación.

«Cinco Flechas, el brazo de inversión del banco de inversiones Rothschild, adquiere una participación en la empresa de seguros Voogd & Voogd Groep.» Este titular de prensa de 2017 fue sobre uno de los primeros inversores que operan internacionalmente que ingresaron al mercado de intermediarios holandés. El volumen de negocios de Voogd & Voogd (ahora Alpina) creció de 50 millones en 2017 a más de 200 millones en 2022 a través de fusiones y adquisiciones. Un ejemplo reciente de expansión internacional en el mercado holandés es la adquisición de VLC & Partners (anteriormente propiedad de De Goudse) por parte de Howden Insurance, que opera en ¡50 países! Söderberg de Suecia también es un jugador internacional exitoso, ahora clasificado entre los 5 intermediarios más grandes en los Países Bajos.

¿Qué hace que el mercado de intermediarios sea tan atractivo para la consolidación? ¿Y por qué los inversores están dispuestos a invertir grandes sumas aquí? En primer lugar, los intermediarios suelen tener una base de clientes leales con ingresos recurrentes anuales, lo que los hace relativamente insensibles a los ciclos económicos o crisis, como la pandemia de COVID-19. Los márgenes de beneficio siguen siendo generosos en comparación con otras industrias. Además, el envejecimiento dentro del sector de intermediarios juega un papel importante, tanto entre los asesores como los propietarios. La edad promedio es de más de 50 años. Por último, muchos intermediarios más pequeños dudan sobre las inversiones profundas necesarias en digitalización y el aumento de las regulaciones respecto a la transparencia y la privacidad de los datos. Las empresas más grandes y fuertes fusionadas tienen una ventaja aquí, al menos según muchas partes compradoras y vendedoras.

Actualmente, todavía hay más de 900,000 intermediarios activos en Europa. Esto promedia a un intermediario por cada 600 habitantes en Europa. Hay diferencias significativas: en los Países Bajos, hay un intermediario por cada 2,953 habitantes, en el Reino Unido uno por cada 6,650, en Alemania uno por cada 442, y en Italia uno por cada 250 habitantes. Estas cifras de BIPAR – la asociación europea de intermediarios – confirman que la tendencia de consolidación se manifestó mucho antes en el Reino Unido que en los Países Bajos, mientras que países como Alemania e Italia están rezagados. La consolidación significa literalmente fusionarse. El Reino Unido tiene ahora 4,000 intermediarios y Alemania todavía tiene 45,000, mientras que ambos mercados tienen aproximadamente el mismo volumen de primas. A diferencia de otros países, tanto los Países Bajos como el Reino Unido ya tienen regulaciones estrictas (como una prohibición de comisiones de seguros de vida) y lideran en digitalización. Estas son otras dos tendencias que continuarán y que muchos partidos de consolidación quieren anticipar para convertir la ineficiencia en rentabilidad.

Muchos fondos internacionales de Private Equity (PE) están ahora activos en el mercado de intermediarios europeo, como Blackstone, Rothschild, HG Capital y KKR. Todos siguen una estrategia de compra y construcción reconocible, tomando un interés financiero en un importante intermediario regional y usándolo como una empresa plataforma para agregar intermediarios más pequeños. Este ‘ensartar cuentas’ casi naturalmente crea valor, ya que las grandes empresas tienen múltiplos más altos sobre los ingresos que las empresas pequeñas.

Ensartar cuentas: Acrisure ilustra el potencial de esta estrategia de ‘ensartar cuentas’. Fue fundada en 2005 por Greg Williams y Ricky Norris en Grand Rapids, Michigan. Con una estrategia de crecimiento cuidadosa, la compañía alcanzó rápidamente un volumen de negocios de 30 millones de dólares. Este éxito llevó a PE Genstar a intervenir, y con el capital, la compañía adquirió cientos de intermediarios en los EE. UU. y varios países europeos. En los Países Bajos, se agregó Raetsheren. Acrisure ahora genera ingresos anuales de 4 mil millones de dólares. Se espera que la compañía tenga un valor de 20 mil millones de dólares en una IPO. Para comparación, el valor de mercado de Nationale Nederlanden es de alrededor de 10 mil millones de euros.

«En el corazón de cada gran cambio yace una oportunidad esperando ser descubierta.» – John C. Maxwell

En este momento dinámico de consolidación, los intermediarios holandeses enfrentan desafíos y oportunidades. Como Héroe Local, tienen el poder de elegir su propio camino en medio de los jugadores globales. Sin embargo, mantener la independencia y el espíritu empresarial requiere estrategias inteligentes y modelos de negocio flexibles. Aquí hay algunas opciones prácticas:

1. Trabajar en la Posicionamiento Estratégico: Identifica las fortalezas únicas de tu oficina. Si estas aún no están claras, considera distinguirte en un nicho o especialización en el mercado y construir una base de clientes leales. Construir una marca sólida e identidad comercial es crucial. Un posicionamiento claro puede atraer clientes incluso en medio de la consolidación.

2. Acelerar la Transformación Digital: Invierte al menos el 6% al 8% de tus ingresos en digitalización para operar de manera más eficiente. Observa lo que ofrecen los proveedores de software y enfócate no solo en la oficina central, sino especialmente en una mejor experiencia digital para el cliente. Esto requiere atención continua para mejorar la calidad de los datos. Una fuerte presencia en línea (sitio web, redes sociales) aumenta la competitividad, especialmente si estás activo localmente. Mantente alerta a desarrollos innovadores en el sector, como el aumento de la inteligencia artificial.

3. Colaborar y Red: Busca colaboración estratégica con otros intermediarios y socios de seguros para lograr economías de escala sin una consolidación completa. Selecciona proveedores de servicios que ofrezcan productos alineados con tu estrategia y estén a la vanguardia de la digitalización.

4. Invertir en Desarrollo de Talento y Espíritu de Equipo: Invierte en el desarrollo del personal para construir experiencia, no solo técnica sino también en áreas emergentes como la digitalización, la gestión de riesgos y el cumplimiento. Considera cómo convertir a tus jugadores estrella en un equipo ganador. Comienza estableciendo una ambición inspiradora (misión, visión) para tu oficina.

5. Fortalecer Relaciones con Clientes, Minimizar Pérdidas, Maximizar Ganancias: Concéntrate en construir relaciones sostenibles con los clientes brindando un excelente servicio y soluciones verdaderamente orientadas al cliente. Los clientes satisfechos son esenciales para el crecimiento orgánico. Primero, determina quiénes son tus segmentos de clientes que aportan y quienes te cuestan dinero. Los que aportan son segmentos de clientes rentables para tu oficina. Los que cuestan dinero porque los costos de manejo (visitas, correos electrónicos, llamadas telefónicas, cambios, manejo de reclamos) son más altos que los ingresos por comisión o suscripciones de servicio.

6. Combinar Diferentes Modelos de Negocio: El modelo de comisión parece menos sostenible en la tendencia de aumentar la transparencia. Asegúrate de ser ágil. Además de la suscripción de servicio, existen alternativas como: • Facturación por hora: Cuanto más especializado y único, más alto el precio por hora. • El modelo de plataforma: Unir la oferta y la demanda (en línea con tu especialidad) en un mercado digital. • El modelo freemium: Un producto o servicio básico gratuito para atraer clientes, actualizando a opciones pagas según sus necesidades. • Seguros integrados: Ofrecer seguros de manera perfecta como integración en un producto o proceso de ventas. Ejemplos conocidos: seguro de viaje en una agencia de viajes, seguro de automóvil en un concesionario, o seguro de garantía con compras de equipos. • Externalización: Externalizar ciertas actividades a proveedores de servicios especializados para que puedas centrarte en tus actividades principales. Piensa en externalizar asesoramiento especializado en pensiones, gestión de ausencias o tus propios servicios de TI.

7. Gestionar tu Propia Planificación Financiera: La estabilidad financiera ofrece más control sobre las decisiones estratégicas. Estate preparado para las fluctuaciones económicas y busca una base financiera sólida. Supervisa y compara continuamente los principales KPI de tu oficina. Consulta con expertos en fusiones y adquisiciones (M&A) para comprender cómo ven el desarrollo de valor de tu empresa y cómo puedes optimizarlo para convertirte en un objetivo atractivo de fusión o adquisición en el futuro. Una buena comprensión de los aspectos legales es esencial para proteger los intereses de tu empresa.

Grande no siempre es mejor, y a veces un enano creativo vence a un gigante industrial. Un ejemplo inspirador fuera de la industria de seguros es Pixar Animation Studios, que a principios de los años 90 bajo el liderazgo visionario de Steve Jobs desafió el orden establecido de Disney con sus innovadoras películas animadas por computadora como «Toy Story» y «Buscando a Nemo». El punto culminante de la batalla entre este David y Goliat llegó en 2006 cuando Disney adquirió Pixar por más de 7 mil millones de dólares. Esta colaboración entre fuerzas aparentemente desiguales fue más que una transacción comercial y llevó a una sinergia creativa y un crecimiento extraordinario en la industria del entretenimiento.

Jack Vos es miembro del Panel de Emprendedores, ex intermediario y fundador de la empresa de ciencia de datos de alta tecnología Onesurance.

A solicitud de VVP, destacado en la última edición de VVP, la plataforma líder para asesores financieros en los Países Bajos, nuestro CTO y estratega de IA, Dennie van den Biggelaar, explica cómo aplicar IA y aprendizaje automático específicos al ‘asesoramiento en la práctica’. En varias ediciones, se destacarán los siguientes temas:

• Comenzando con IA y AA específicos
• Operacionalizando en procesos empresariales
• Integrando en paisajes IT existentes
• Medir es aprender: KPIs para AA
• Ética, regulaciones y sociedad
• IA y AA: una visión del futuro cercano

En esta segunda edición, respondemos a la pregunta: ¿cómo se operacionaliza un algoritmo entrenado?

Desafíos en la operacionalización de la IA en procesos empresariales

Imagina que tú y tu equipo de ciencia de datos han diseñado un prometedor algoritmo de IA para predecir cancelaciones, con el objetivo de que los asesores las aborden proactivamente. Este proceso se discutió en la parte 1 de esta serie, ‘IA en la práctica’. El potencial está ahí, pero pronto te das cuenta de que deben superarse varios obstáculos complejos para implementarlo prácticamente. ¿Cuáles son estos obstáculos y cómo puedes superarlos?

Faltan Resultados Medibles

Un objetivo claramente formulado identifica con precisión lo que el algoritmo de IA debe lograr y se alinea con los objetivos empresariales. El alcance, por otro lado, dirige el proyecto definiendo fuentes de datos relevantes, presupuesto, plazos y resultados esperados. ¿Cuáles son los pasos para lograr esto?

Un proyecto de ciencia de datos es generalmente una inversión donde:

• No está claro qué puede entregar.
• No está seguro si tu equipo puede realizarlo.

Por lo tanto, haz que el proyecto sea lo más pequeño y manejable posible sin perder su valor e impacto si tiene éxito. Trata de lograr resultados lo más rápido posible para demostrar que estás en el camino correcto.

Si no logras esos resultados, evalúa y ajusta con el equipo. ¿Si los logras? ¡Primer objetivo alcanzado! Luego, crea una historia convincente y preséntala a tus interesados empresariales, discutiendo cómo escalarlo dentro de tu organización.

Preguntas Sobre la Calidad Consistente de los Datos

Un obstáculo común es la calidad y la provisión consistente de datos actualizados. Las inconsistencias y los valores faltantes pueden poner en peligro la precisión del modelo de IA. ¿La solución? Una exploración exhaustiva de qué datos son siempre Precisos, Disponibles y Consistentes (el ABC de los datos).

Si los datos esenciales no cumplen con estos criterios para lograr tu objetivo, aplica una limpieza de datos extensiva, como manejar valores faltantes, valores atípicos extremos y datos ingresados incorrectamente. Luego, deberás asegurar estructuralmente estos pasos de limpieza en una tubería de transformación de datos y un proceso asociado para que puedas agregar estos datos a tu base para un modelo operativo confiable.

Falta de Confianza en el Modelo de IA

La falta de comprensión y confianza en los modelos de AA forma una barrera para la aceptación entre los usuarios no técnicos. Si no prestas suficiente atención a esto, surgirán desconfianza y resistencia. Una solución es seleccionar modelos transparentes con buena explicabilidad y métodos inteligentes donde la complejidad se traduzca en un concepto comprensible. La visualización y la documentación clara (de procesos) aumentan la confianza, empujando la objeción del «caja negra» al fondo.

Como con cualquier cambio, es importante involucrar cuidadosamente a tus colegas en este proceso. Dales suficiente tiempo para hacer preguntas y acostumbrarse a esta nueva tecnología y sus posibilidades. Ten en cuenta que sus preguntas y comentarios son insumos esenciales para hacer que la aplicación prevista tenga éxito en la práctica.

Preocupaciones Sobre Seguridad, Privacidad y Ética

Es obvio que la seguridad y la privacidad de los datos (de los clientes) son requisitos previos para comenzar. Afortunadamente, se ha implementado mucha legislación nueva en los últimos cinco años, y las organizaciones también la están aplicando de manera práctica y estructural.

La confianza no es solo un tema de legislación y tecnología. También pueden esperarse objeciones éticas desde varios ángulos:

• ¿Estamos seguros de que el algoritmo es justo?
• ¿Y qué significa eso?
• ¿Ciertos grupos están peor con un algoritmo?
• ¿Consideramos eso éticamente responsable?
• ¿Cómo evito que mi algoritmo discrimine?

Afortunadamente, la Asociación de Aseguradores Holandeses ha establecido varias directrices que puedes incorporar en tu algoritmo y enfoque. ¿Quieres asegurarte de no pasar nada por alto? Asigna a una persona responsable de esto.

Falta del Ciclo de Retroalimentación

Escuchar las experiencias de los usuarios y usar esta retroalimentación crea un ciclo iterativo dinámico, permitiendo que el modelo evolucione según los requisitos empresariales. Un mecanismo de retroalimentación estructurado es crucial para la capacidad de autoaprendizaje del modelo de IA. Cómo configurar esto correctamente difiere según la aplicación de IA.

En el caso específico de ‘prevenir cancelaciones’, haz que los asesores, por ejemplo, registren lo que hicieron con la predicción: llamaron al cliente, lo visitaron o no hicieron nada. De esta manera, puedes medir con el tiempo qué efecto tiene en las cancelaciones.

Monitoreo Insuficiente

El lema debería ser: «mantén el algoritmo en la correa». No quieres ‘alucinaciones’ o degradaciones inesperadas del rendimiento, por ejemplo, durante una ruptura de tendencia. Esto significa que debe haber un sistema de monitoreo y advertencia cuidadoso para rastrear el rendimiento del modelo. Una aplicación sostenible requiere documentación detallada de los parámetros y los datos utilizados para que el modelo permanezca transparente y reproducible.

El Modelo No es Escalable

Un algoritmo debe ser ‘por diseño’ parte de un sistema con escalabilidad en mente. Las soluciones en la nube seguras y la infraestructura escalable como la tecnología MLOps (la variante ML de DevOps) son generalmente necesarias. Considera las proyecciones de crecimiento y asegura un sistema suficientemente flexible que se adapte a los requisitos empresariales en evolución. Hacer las elecciones correctas para la integración con el paisaje IT es esencial (por ejemplo, procesamiento en tiempo real o por lotes). Más sobre esto en la próxima edición.

Por Último, Pero No Menos Importante: Involucramiento Insuficiente

Según el profesor de innovación Henk Volberda, el éxito de la innovación depende solo un 25% de la tecnología y un 75% de la adopción humana. La adopción exitosa comienza con el «patrocinio del CEO», ya que el agua fluye de arriba hacia abajo. El liderazgo debe asegurar suficiente capacitación, comunicación y apoyo al implementar un modelo de IA. Invierte suficiente tiempo y energía para hacer de esta nueva tecnología parte de tu organización, desde la estrategia hasta la operación. Porque ahí es donde reside el verdadero retorno de la inversión: la colaboración exitosa entre expertos humanos y tecnología de IA.

«Es fácil crear un algoritmo autoaprendizaje. Lo que es desafiante es crear una organización autoaprendizaje.» – Satya Nadella, CEO de Microsoft

En resumen: idear, construir y validar un algoritmo robusto es solo la fase uno de implementar con éxito la IA en la práctica. En la próxima edición, profundizaremos en cómo integrarlo con los sistemas y flujos de trabajo existentes de IT.

En esta entrevista con Odette Bakker (CEO) e Indra Frishert (CMO) de DAZURE, publicada en VVP, la plataforma para asesores financieros en los Países Bajos, Odette e Indra afirman que “Las mentes brillantes de Onesurance están construyendo algo innovador para nuestro proceso médico. Pronto, muchos posibles asegurados tendrán que responder significativamente menos preguntas médicas porque el algoritmo desarrollado puede hacer predicciones basadas en datos históricos. Como resultado, las pólizas pueden emitirse mucho más rápido”.

«Para mí, Onesurance personifica la implementación responsable y efectiva de la IA, produciendo resultados óptimos. Su entusiasmo ilimitado añade una capa de disfrute a la colaboración.»

Odette Bakker, CEO de DAZURE

“Al solicitar un seguro de vida, el asegurador quiere saber exactamente cuán (in)sano es una persona para estimar el riesgo de muerte. Esto lo hacen los especialistas médicos. El solicitante debe llenar una ‘declaración de salud’. Qué palabra tan poco amigable, en realidad… pero en fin. Si resulta que tienes (o has tenido) algo, debes responder aún más preguntas o someterte a exámenes. Sabemos por experiencia que la mayoría de las personas no están deseando hacer esto.

Al solicitar un seguro de vida, ya no es necesario el interrogatorio.

Dazure ofrece seguros de vida, y las propietarias Odette Bakker e Indra Frishert siempre han visto este proceso médico de manera crítica. Toman en serio las señales de los solicitantes. A veces, las personas cancelan su solicitud al escuchar que deben someterse a un examen médico. Durante el periodo de COVID, este problema se volvió más urgente debido a la escasez de personal médico. Los especialistas médicos eran más necesarios en los hospitales.

DECLIVE EN LAS PÓLIZAS DE SEGURO DE VIDA

Hoy en día, las personas esperan que cuando ordenen algo en línea, se entregue al día siguiente. El proceso médico a veces causa largos retrasos. La disminución en el número de pólizas de seguro de vida que se contratan se debe en parte a este proceso. Los asesores financieros a menudo recomiendan contratar un seguro de vida, pero no siempre lo median activamente. El largo proceso de emisión de la póliza puede restar valor a su proceso de asesoramiento. ‘En el pasado,’ el seguro de vida se contrataba en el 60 por ciento de los casos al tomar una hipoteca; ahora, solo es el 16 por ciento. Es extremadamente importante tener un seguro de vida para estar financieramente seguro.

IMPLEMENTACIÓN DE IA

Dazure ha tenido durante mucho tiempo la ambición de hacer que el proceso de aceptación médica sea más rápido, eficiente, agradable y fácil. Ahora hemos desarrollado un sistema inteligente con Onesurance basado en IA (Inteligencia Artificial). Y sí, por supuesto, con un ‘humano en el circuito’ y un marco ético. Este sistema nos permite predecir de manera segura y más precisa qué solicitantes pueden pasar por un proceso más corto. Este grupo no tiene que molestar a los especialistas médicos ni agotarse con largos cuestionarios.

¿CÓMO FUNCIONA?

Hemos construido un algoritmo completamente transparente que puede hacer predicciones confiables y altamente precisas basadas en las preguntas de salud completadas utilizando análisis predictivos. Este algoritmo se entrena con datos históricos.

RESULTADOS IMPRESIONANTES

El algoritmo predijo correctamente la mitad de los procesos médicos con un margen de error de 0.1 por ciento. Más de la mitad de los solicitantes pudieron ser aceptados de inmediato. ¡El tiempo de procesamiento para el resto se redujo de 29-71 días a 7 días! Se estima que el número de cancelaciones se reducirá al menos a la mitad.

Al hacer el proceso mejor, más eficiente y más rápido, esperamos cumplir con las expectativas modernas y que más personas encuentren su camino de regreso al seguro de vida.

A solicitud de VVP, destacado en la última edición de VVP, la plataforma líder para asesores financieros en los Países Bajos, nuestro CTO y estratega de IA, Dennie van den Biggelaar, explica cómo aplicar IA y aprendizaje automático específicos al ‘asesoramiento en la práctica’. En varias ediciones, se destacarán los siguientes temas:

• Comenzando con IA y AA específicos
• Operacionalizando en procesos empresariales
• Integrando en paisajes IT existentes
• Medir es aprender: KPIs para AA
• Ética, regulaciones y sociedad
• IA y AA: una visión del futuro cercano

Naturalmente, comenzamos en esta primera edición con lo básico: ¿qué es y cómo empezar? Si tienes alguna pregunta después de este artículo, no dudes en contactar a Dennie (dennie@onesurance.nl).

IA vs. Aprendizaje Automático (AA) La IA es una máquina o software que realiza tareas que tradicionalmente requieren inteligencia humana. El aprendizaje automático (AA) es un subconjunto específico de la IA, que permite a una máquina o software aprender de predicciones o acciones históricas. El ejemplo más conocido y discutido de software de AA es ChatGPT, diseñado para generar texto significativo para los usuarios. Sin embargo, hay innumerables otros problemas en los que el aprendizaje automático puede ayudarnos. A menudo (todavía) no hay una solución lista para usar como ChatGPT que puedas usar directamente. Para construir una solución de IA utilizable, debes reunir las competencias adecuadas en el momento adecuado. Es tarea del estratega de IA trabajar con un equipo multidisciplinario de expertos en negocios, ingenieros de AA, ingenieros de datos y científicos de datos para determinar qué deseas predecir, cómo (con qué precisión) debe hacerse, qué técnicas usar y, finalmente, cómo se operacionaliza y asegura todo para lograr los resultados deseados.

Ejemplo: Predicción de Cancelaciones Como empresa, deseas asegurarte de que los clientes correctos reciban la atención adecuada de tus asesores en el momento adecuado, minimizando las cancelaciones. Idealmente, sabrías qué clientes tienen más probabilidades de cancelar. Pero, ¿cómo se traduce esto al equipo? A menudo, un cliente cancela una sola póliza, que usualmente es solo un cambio y algo que no quieres contaminar tu modelo de AA. Supongamos que un cliente cancela todas las pólizas dentro de la rama principal de responsabilidad civil pero no las otras (todavía). ¿Es este un cliente a punto de irse? ¿Y qué pasa si cancela todo dentro de la rama principal de incendios pero aún tiene asistencia legal y seguro de vida temporal? ¿Se han transferido pólizas internamente? ¿Cuál es la tasa real de cancelación? Estas son todas cosas que deseas determinar antes de poner a trabajar a un equipo de ingeniería de AA. Además, debes considerar tu horizonte de previsión: ¿cuánto tiempo por adelantado deseas predecir? ¿Quieres saber qué clientes cancelarán en los próximos 1, 3, 6 o 12 meses? Esto puede parecer un detalle, pero en el fondo, significa que entrenarás un modelo de AA completamente diferente.

Encontrando Patrones Una vez que has definido claramente lo que deseas predecir, es hora de ver si tus datos son suficientemente Precisos, Disponibles y Consistentes (el ‘ABC de los datos’). La razón principal por la que los clientes cancelan a menudo se reduce a recibir muy poca atención. La pregunta es, por supuesto, de quién, cuándo y por qué hubo ‘muy poca atención’. Esta información no está en tu almacén de datos y debe construirse a través de la ingeniería de características. ¿Qué características (atributos) afectan significativamente la probabilidad de cancelación? Este es un proceso analítico y creativo donde el conocimiento y la experiencia de expertos en seguros y científicos de datos se unen. Una vez que se forma una tabla inicial sólida con características, finalmente puedes comenzar con el aprendizaje automático. La experiencia muestra que la predicción de cancelaciones se modela mejor con análisis de clasificación o supervivencia. Hay cientos de técnicas de AA teóricamente adecuadas para esto. En tu elección, es importante considerar: ¿en qué medida necesita ser explicable el algoritmo, cuán complejos pueden ser los patrones y cuántos datos del ABC hay?

Validando Patrones Después de que la ‘máquina’ se pone a trabajar para encontrar patrones y hacer predicciones, siempre hay un momento emocionante… ¿cuán precisos son los diferentes modelos? El ingeniero de AA tiene una amplia caja de herramientas para esto. Primero, mantiene parte de los datos separados para probar y validar un modelo entrenado. Esto asegura la robustez de los patrones descubiertos y previene que un modelo haga predicciones inexactas en el ‘mundo real’. Luego, observan los falsos positivos y falsos negativos y sus costos. Por ejemplo, una predicción falsa positiva de que alguien cancelará el próximo mes no es tan mala. El asesor llama al cliente y concluye que no pasa nada: solo cuesta 15 minutos de su tiempo. Si el algoritmo predice incorrectamente que alguien seguirá siendo leal (falso negativo), esto es mucho más costoso: pierdes un cliente. Basado en, entre otras cosas, precisión, recall y puntajes AUC, se determina el mejor modelo de AA. Además, es posible ajustar los algoritmos para que sean más estrictos o indulgentes, de modo que se adapten mejor al proceso empresarial previsto. Esto se llama ajuste de parámetros, y un ingeniero de AA experimentado sabe cómo hacerlo de manera responsable.

Haciéndolo Usable A continuación, integras el algoritmo en los procesos operativos. ¿Cómo se pueden transferir los datos de manera segura y eficiente? ¿Cómo puede el asesor usar fácilmente la predicción? Esto es trabajo de ingenieros de datos y software. Finalmente, también quieres que el asesor proporcione retroalimentación sobre la calidad del algoritmo para que aprenda del usuario. El algoritmo se vuelve más inteligente y efectivo cuanto más se usa. Ese es el verdadero componente de ‘IA’, pero más sobre esto en la próxima edición.

La IA no siempre es AA. Por ejemplo, el algoritmo Deep Blue (que derrotó al gran maestro de ajedrez Garry Kasparov) en 1997 es IA pero no AA. El AA siempre es IA.

Tres Frases Sobre Dennie Mismo Dennie es un econometrista con 12 años de experiencia en el diseño, construcción e implementación de soluciones de aprendizaje automático en la práctica. Como cofundador y CTO de Onesurance, es responsable del desarrollo de soluciones de IA y de su implementación exitosa para clientes en el sector de seguros.

La NVGA es la comunidad más importante en los Países Bajos para corredores de seguros independientes.

El comité de selección estuvo compuesto por Levent Türkmen (director general de SUREbusiness), Marijn Moerman (CEO de Alicia, ganador del premio de innovación 2022), Annet van den Berg (editora de AMweb_nl) y Caro Sala (asesora de comunicación en NVGA). Revisaron las dieciséis entradas recibidas este año.

Nuestra nominación es para el AI Engine. Este es un motor de decisiones modular impulsado por IA capaz de apoyar a los asesores extrayendo datos de los sistemas de back-office, realizando continuamente análisis con algoritmos complejos y luego entregando predicciones dirigidas en los sistemas de front-end en uso.

La NVGA y AM tienen como objetivo impulsar la innovación en el sector de las agencias de suscripción con el Premio de Innovación NVGA AM.

Una historia personal de Heidy Bouwmans-Bierman en este artículo, que fue publicado en VVP, la plataforma para asesores financieros en los Países Bajos, sobre cómo el equipo personal en Rivez y Zuiderhuis Assurantiën colabora con la aplicación TopDefend de Onesurance.

«La forma en que los datos pueden usarse para predecir, por ejemplo, la probabilidad de abandono de una relación me fascina. Nos proporciona una gran herramienta para servir a nuestros clientes. También podemos predecir la próxima mejor póliza para una relación basada en datos.»

Heidy Bouwmans – Gerente de seguros personales – Rivez Zuiderhuis

¿Qué dice su colega?

«El Asistente de IA cumple con sus promesas, generando entusiasmo entre los empleados al integrar sin problemas tecnología compleja en el lugar de trabajo. Esto se traduce en una reducción del abandono, un aumento en las ventas y una mayor satisfacción tanto entre los clientes como entre el personal».

Michael Dubelaar – COO Rivez Zuiderhuis

Asegurar que cada cliente reciba atención oportuna y personalizada es crucial.

Texto por Willem Vreeswijk

Heidy Bouwmans, Gerente de Seguros Personales y Asesoramiento en Rivez-Zuiderhuis, que cuenta con 165 empleados, dice esto. La compañía de seguros, que genera más de 20 millones de euros en ingresos, se formó en 2022 a partir de una fusión entre Rivez Assurantiën & Risicobeheer y Zuiderhuis Assurantiën. La empresa es parte de la red Söderberg & Partners y tiene sucursales en Helmond, Veghel, Deurne, Schaijk, Tegelen y Venlo. Rivez-Zuiderhuis está activa en seguros, gestión de riesgos, problemas de ausencia, hipotecas y asesoramiento financiero personalizado tanto para individuos como para empresas. Además, hay una especialización en bienes raíces/corporaciones inmobiliarias y asociaciones comerciales.

«Mejor Servicio al Cliente Donde la Mayor Atención se Dedica al Cliente Correcto»

Heidy ha estado activa en su cargo actual durante cuatro años, pero tiene una larga carrera en el sector financiero. «Principalmente he trabajado en el segmento empresarial. Hace unos 35 años, comencé en Aegon. Después de un período de capacitación, fui cedida a uno de sus asesores. Luego, disfruté trabajando en el departamento de Compañías de Vehículos Motorizados en Leeuwarden. Después de que la parte empresarial de Aegon se trasladara a La Haya, trabajé por un corto período en el departamento privado en Leeuwarden. Debido a un traslado, terminé en Quintes, donde trabajé durante doce años como Gerente de Relaciones Comerciales y también aprobé conjuntamente pólizas y reclamaciones delegadas comerciales con un colega. Luego trabajé como Jefa de Asuntos Internos en una oficina más pequeña. Aquí también me ocupé de reclamaciones y relaciones comerciales. Después de ocupar este puesto durante unos diez años, llegué a Rivez-Zuiderhuis en mi puesto actual. Siempre he obtenido mucha energía de proporcionar a las relaciones la mejor solución y asesoramiento de seguros posible. Noté que pasaba mucho tiempo respondiendo preguntas de los empleados y asumiendo un papel más de coaching. Disfruté tanto de esto que hace unos quince años cambié a un rol más de liderazgo. A pesar de los desafíos que conlleva esto, todavía obtengo mucha satisfacción de ello.»

MEJOR SERVICIO AL CLIENTE

«Durante mucho tiempo, la IA y el uso de datos eran un ‘espectáculo lejano’ para mí, y lo asociaba con la tecnología de robots. Hasta que leí cómo se usa la IA en hospitales, por ejemplo, para extraer información de los datos de pacientes en la entrega de diagnósticos de COVID-19 e investigación del cáncer. A través de mis hijos, entré en contacto con una aplicación como ChatGPT, y se me abrió un mundo completamente nuevo. El uso de la IA es mucho más amplio e integrado en la vida diaria de lo que muchas personas se dan cuenta.»

«El año pasado, entramos en contacto con Onesurance, y mi interés en la IA fue realmente despertado. La forma en que se pueden usar los datos para predecir, por ejemplo, la probabilidad de abandono de una relación me fascina. Nos proporciona una gran herramienta para servir a nuestros clientes. Los desarrollos son rápidos. Por ejemplo, también pueden predecir la próxima mejor póliza para una relación basada en datos.»

«Lo que buscamos lograr con el uso de datos es un mejor servicio al cliente donde la mayor atención se dedica al cliente correcto. Las predicciones que usamos crean un sentido de relevancia entre los empleados. También sienten que están manteniendo al cliente correcto, lo que es muy motivador. Especialmente porque ha habido un cambio en el enfoque hacia los clientes privados en los últimos años. Los días en que el asesor venía a tomar café por la noche para revisar el paquete han quedado atrás. Proporcionar un buen enfoque al cliente mientras se cumple con el deber de cuidado sigue siendo un desafío, especialmente con las luchas actuales en el mercado laboral.»

PUNTOS DE APRENDIZAJE

«Comenzamos pequeños con unos pocos empleados que proporcionaron muchos comentarios, lo que permitió ajustes continuos y que el programa comenzara a funcionar de manera más óptima. Gradualmente, el programa se está implementando en todo el departamento privado. Los empleados manejan un número de contactos diarios.»

¿Cuáles son los puntos de aprendizaje para otros asesores? «Un punto importante es hacer tiempo e instruir a los empleados. En el ajetreo del día, es necesario asegurar que haya suficientes oportunidades para contactar a varios clientes cada día. Facilitar esto suficientemente para nuestros empleados sigue siendo un desafío.»

Insurance Data y Onesurance anuncian con orgullo una asociación estratégica en esta publicación vinculada, combinando sus fortalezas únicas para transformar drásticamente el uso de datos en el mercado de seguros. Esto marca una nueva fase de progreso en la industria.

Como experto líder en la optimización, integración y visualización de datos de seguros, Insurance Data ha construido un impresionante historial en Inteligencia de Negocios avanzada. Complementando esto, el equipo de ingenieros de IA experimentados de Onesurance ha desarrollado un motor de IA innovador. Este motor modular está diseñado específicamente para aseguradoras, agencias de suscripción e intermediarios, proporcionando predicciones avanzadas de abandono y una suscripción de IA altamente precisa para riesgos empresariales.

Jack Vos (CEO Onesurance): «Esta colaboración aumenta nuestro impacto en el mercado, ya que servimos al mismo grupo selecto de clientes.»

Lex De Bruijn (CEO Insurancedata): «Esta alianza no solo ofrece una mayor visibilidad, sino que también nos permite agregar valor directo a nuestros clientes.»

La urgencia de aprovechar los datos y la IA para temas críticos como la gestión activa de clientes, los flujos de trabajo eficientes, el crecimiento escalable y el cumplimiento está impulsada por la consolidación de carteras cada vez más grandes y la creciente escasez de personal calificado. Con más de 12 meses de colaboración intensiva detrás de escena, los expertos en datos de ambas compañías han construido el motor de IA, permitiendo un rápido tiempo de valor para los clientes.

En el mundo de los seguros, el tiempo es crucial. El motor de IA aborda este problema mientras mantiene la precisión y el enfoque en el cliente, manteniendo a las empresas por delante de la competencia. Un ejemplo es el módulo genérico de fusiones y adquisiciones (M&A), que predice las valoraciones de carteras utilizando algoritmos.

Para satisfacer rápidamente la creciente demanda del mercado, Frank Rensen (RGA) ha sido nombrado como experto en seguros con experiencia. Es bien conocido en el mercado.

El 18 de diciembre de 2023, aparecimos en un artículo en Het Financieele Dagblad con una entrevista extensa en la que desmitificamos en parte el ‘hype de la IA’ y nos centramos particularmente en los aspectos éticos de la IA.

LA ®EVOLUCIÓN DE LA IA EN EL SECTOR DE SEGUROS

Introducción: Es notable que muchos todavía piensen que la IA se limita a la IA generativa, como Chat-GPT. Sin embargo, la IA específica se ha utilizado en el sector de seguros durante algún tiempo, particularmente por los principales aseguradores para la optimización de primas y riesgos. La empresa de ciencia de datos Onesurance se centra en la IA específica para apoyar a los proveedores de servicios financieros a atender mejor a sus clientes.

Dennie Van Den Biggelaar, econometrista y científico de datos con 12 años de experiencia como estratega de IA, enfatiza que en el sector de seguros, se trata más de una ‘evolución de la IA específica’ en lugar de una ‘revolución de la IA generativa’. Esta (r)evolución está impulsada por una creciente necesidad de atender a los clientes de manera escalable y personal. Debido a las consolidaciones, las carteras están aumentando de tamaño con una creciente escasez de asesores. Las compañías de seguros están llegando a los límites de su crecimiento. “Este problema solo se puede resolver utilizando los datos y la IA de manera más inteligente,” dice Van Den Biggelaar, quien, junto con su socio Jack Vos, fundó Onesurance. Vos, que está bien familiarizado con el mundo de los seguros, explica que sus módulos de IA no están destinados a reemplazar a los asesores y expertos, sino a apoyarlos en su trabajo. «En el mundo de los seguros, las hipotecas y las pensiones, en última instancia, se trata de la confianza: es y seguirá siendo un negocio de personas.»

Onesurance elige conscientemente desplegar IA específica para resolver problemas muy específicos para las compañías de seguros. Basado en datos históricos, se hacen predicciones confiables para la aceptación, el riesgo de terminación, el valor de vida del cliente o la gestión efectiva del cliente, asegurando que el cliente adecuado reciba la atención adecuada en el momento adecuado. “Nuestros módulos de IA son ‘por diseño’ explicables, transparentes y cumplen con los marcos éticos de datos de la Asociación Holandesa de Aseguradores,” señala Van den Biggelaar, quien es responsable del desarrollo técnico de los módulos de IA. Vos agrega, “Estas son cualidades típicamente requeridas en la industria de seguros, pero que la IA generativa aún no puede proporcionar.”

El potencial para hacer más con los datos y la IA es considerable. Según un estudio del CapGemini Research Institute realizado entre 204 aseguradores, los ‘maestros de datos’ en el sector de seguros logran unos ingresos por ETP un 175% más altos y son un 63% más rentables. Este hecho obviamente atrae a las partes que constantemente hacen adquisiciones en su ambición de crecer de manera escalable.

Al mismo tiempo, los dilemas en torno a la privacidad, el sesgo y la responsabilidad siguen siendo significativos. Si la IA se despliega sin contexto y sin el llamado ‘humano en el bucle,’ pueden ocurrir errores no intencionados, lo que lleva a la insatisfacción del cliente, problemas éticos y una pérdida de confianza en el sector de seguros. “No se deben hacer compromisos éticos y morales cuando se trabaja con el aprendizaje automático y la IA,” dice Van den Biggelaar. “Es crucial que los expertos en IA se sientan responsables de dirigir esto en la dirección correcta. Y tomamos nuestro papel en esto muy en serio.” Por lo tanto, Onesurance colabora intensamente con Brush-AI, la primera empresa holandesa dedicada a gestionar sistemáticamente el componente ético en la IA.

Que esta responsabilidad también se tome en serio por el sector de seguros es evidente por el comité asesor KOAT, que comenzó bajo el liderazgo de SIVI en 2019. SIVI desarrolla y gestiona estándares para el negocio digital en el mundo financiero. Jack Vos, que está en el comité, dice: “KOAT significa Calidad en Aplicaciones de Asesoramiento y Transacción No Tripuladas. Por ‘aplicaciones no tripuladas,’ nos referimos a software inteligente capaz de reemplazar tareas, no personas. El uso creciente de tales aplicaciones automatizadas en el sector financiero, combinado con nuevas regulaciones (europeas), hace que el control de calidad de las aplicaciones no tripuladas sea cada vez más importante para proteger los intereses del cliente.” El Instituto de Quejas de Servicios Financieros (Kifid) ve cada vez más quejas sobre servicios digitales. La plataforma SIVI ofrece a aseguradores, agentes de suscripción y empresas de software una lista de verificación y una base de conocimientos, entre otras cosas. No es impensable que la lista de verificación sea un buen primer paso hacia un estándar de calidad. Esto es importante para el consumidor final, pero también para el propio asesor financiero. Después de todo, el proveedor de servicios financieros sigue siendo responsable del asesoramiento dado, incluso si la aplicación no tripulada es desarrollada por un proveedor de software externo.

«Una tecnología se vuelve poderosa solo cuando está incrustada en el contexto ético y humano.” Satya Nadella, CEO de Microsoft.

Recuadro de hechos: Desde septiembre de 2022, Onesurance forma parte del Grupo Cronos, el mayor proveedor de servicios TIC en Bélgica, con 10,000 empleados, 500 de los cuales están en los Países Bajos. Esto ha permitido a Onesurance escalar rápidamente, ya que todos los expertos en TIC complementarios están directamente disponibles dentro de las unidades de Cronos. Los fundadores Jack Vos y Dennie van den Biggelaar han adquirido años de experiencia en el desarrollo e implementación exitosos de soluciones de ciencia de datos en Building Blocks, que forma parte de la empresa cotizada CM.com. En 2019, ganaron el Premio de Innovación NVGA con la solución Data Driven Underwriting. Onesurance tiene oficinas en Amsterdam-IJburg, Breda y Kontich (Bélgica).

Concluimos enfatizando la importancia del Comité Asesor KOAT de SIVI, que incluye representantes de la Asociación Holandesa de Aseguradores, Adfiz, la Fundación Contact Group Automation, la Universidad de Leiden y la Universidad de Tilburg.

KOAT significa Calidad en Aplicaciones de Asesoramiento No Tripuladas. Esto se refiere a software inteligente que puede reemplazar tareas, pero no personas. El seguro es y seguirá siendo un negocio de personas.

El auge de la inteligencia artificial (IA) parece haber alcanzado el sector de seguros a través del entusiasmo por ChatGPT, y la discusión sobre sus efectos está lejos de ser blanco y negro. La pregunta es cómo podemos encontrar un equilibrio entre los aspectos positivos y negativos del auge de la IA, ya que este equilibrio es crucial en ningún otro sector tanto como en el mundo de los seguros.

AUTOR – JACK VOS – ONESURANCE.NL

Para empezar, el concepto de inteligencia artificial ciertamente no es nuevo. El término en sí se utilizó por primera vez durante el «Dartmouth Workshop» en 1956, donde científicos se reunieron para discutir cómo las máquinas podrían exhibir un comportamiento inteligente. Desde entonces, podemos distinguir tres fases principales en el desarrollo de la IA dentro del panorama de los seguros:

• Sistemas basados en reglas (1960-1990) En los primeros años de la IA, estos sistemas solo usaban reglas introducidas manualmente para tomar decisiones simples basadas en entradas específicas. Por ejemplo, la aceptación basada en reglas predefinidas simples. Estos sistemas todavía eran demasiado limitados para tomar decisiones complejas.

• Modelado estadístico y análisis de datos (1990-2010) A medida que las computadoras se volvieron más rápidas y el software de análisis más inteligente, se desplegaron modelos de aprendizaje automático para descubrir patrones y tendencias en grandes cantidades de datos de seguros. Esto fue particularmente útil en la evaluación de riesgos y la detección de fraudes.

• Aprendizaje automático y análisis predictivo (2010-presente) Con la llegada de técnicas más avanzadas de aprendizaje automático, como redes neuronales y aprendizaje profundo, se ha vuelto posible realizar análisis aún más complejos. Esto incluye predecir el comportamiento del cliente, determinar tarifas basadas en características individuales y detectar actividades fraudulentas con mayor precisión. La IA también se utiliza para mejorar el servicio al cliente con chatbots, asistentes virtuales e interacciones automatizadas.

Y ahora, desde noviembre de 2022, existe Chat-GPT, en el que Microsoft quiere invertir €10 mil millones. Este es un Modelo de Lenguaje Grande (LLM) que predice la siguiente palabra en un texto, imitando el lenguaje humano. Entre los expertos en datos que han trabajado durante años refinando algoritmos y comprendiendo grandes datos, el reciente entusiasmo por la IA causado por ChatGPT ha suscitado una mezcla de emoción y preocupación. Dos tuits de figuras prominentes en IA encapsulan el contraste entre los aspectos positivos y negativos.

• El lado positivo: «Va a ser glorioso» El tuit 1 es del conocido capitalista de riesgo Marc Andreessen, en enero de 2023: «Estamos entrando en una edad de oro de escritura, arte, música, software y ciencia impulsada por la IA. Va a ser glorioso. Histórico mundial.» El entusiasmo por la IA ciertamente está justificado en el sector de seguros, ya que ha introducido nuevas posibilidades que antes parecían impensables. La IA promete eficiencia y precisión a un nuevo nivel. La IA puede analizar grandes cantidades de datos y crear conocimientos en evaluación de riesgos, manejo de reclamaciones o servicio al cliente que los evaluadores humanos nunca podrían lograr. Los beneficios de la IA son simplemente demasiado atractivos para ignorar, por lo que cada vez más tomadores de decisiones están poniendo la IA en la agenda. Permite a las compañías de seguros obtener ventajas competitivas, mejorar la experiencia del cliente y reducir costos simultáneamente. En resumen, una oportunidad única para liderar como un ‘Maestro de Datos’ en una industria tradicional sujeta a cambios.

• El lado negativo: «una impresión engañosa de grandeza» El contraste con el tuit 2 es marcado: «ChatGPT es increíblemente limitado, pero lo suficientemente bueno en algunas cosas como para crear una impresión engañosa de grandeza. Es un error confiar en él para algo importante en este momento. (…)» El autor de este tuit es Sam Altman, el fundador y CEO de ChatGPT de OpenAI. ¿Alguna vez has oído a un CEO decir sobre su propio producto que aún es bueno para crear una grandeza fuera de lugar? La preocupación está justificada porque la persuasión es, de hecho, el factor principal que permite que la información falsa haga su trabajo devastador. La persuasión de ChatGPT está sobrevalorada en este sentido. Esto significa que cualquier persona profesionalmente involucrada con la verdad debe estar alerta, ya que hacer las preguntas correctas puede producir tonterías altamente creíbles y persuasivas. Según el profesor Terrence Sejnowski, autor de The Deep Learning Revolution, los modelos de lenguaje también reflejan la inteligencia y diversidad de su entrevistador. Sejnowski, por ejemplo, preguntó a ChatGPT-3: «¿Cuál es el récord mundial de caminar a través del Canal de la Mancha?» a lo que GPT-3 respondió: «El récord mundial de caminar a través del Canal de la Mancha es de 18 horas y 33 minutos.» La verdad, que no se puede caminar a través del Canal de la Mancha, fue fácilmente doblada por GPT-3 para reflejar la pregunta de Sejnowski. La coherencia de la respuesta de GPT-3 depende totalmente de la coherencia de la pregunta que recibe. De repente, para GPT-3, es posible caminar sobre el agua, todo porque el entrevistador usó el verbo ‘caminar’ en lugar de ‘nadar.’

Hay una analogía llamativa que ilustra los inconvenientes de la IA: el loro estocástico. Estocástico significa ‘aleatorio o basado en el azar,’ refiriéndose a procesos donde los resultados no son completamente predecibles. La IA, especialmente en la forma de IA Generativa como Chat-GPT, esencialmente funciona como un mecanismo de repetición sin comprensión completa. Al igual que un loro puede repetir palabras sin conocer su significado, la IA puede reproducir patrones (textuales) sin la capacidad de comprender la lógica subyacente. Esto es preocupante, especialmente cuando pensamos en decisiones con consecuencias significativas, como la aceptación de riesgos o la evaluación de reclamaciones de seguros. Si se utiliza la IA para tomar estas decisiones sin una comprensión profunda del contexto y sin la intervención humana, el llamado humano en el bucle, pueden ocurrir errores no intencionados. Esta imprevisibilidad inherente puede llevar a la insatisfacción del cliente, problemas éticos y, en última instancia, socavar la confianza en la industria de seguros. A esto se suma la complejidad de la implementación de la IA y las preocupaciones sobre la privacidad y seguridad, y es comprensible que algunos tomadores de decisiones en las compañías de seguros sean reacios a invertir completamente en IA.

El Papel Importante de la IA Específica El intenso debate sobre la IA parece centrarse principalmente en la IA Generativa, de la cual ChatGPT es el ejemplo más conocido. La IA Generativa se refiere a un subconjunto de la inteligencia artificial que utiliza algoritmos para generar resultados nuevos, originales y creativos. La distinción entre la IA Generativa y la IA Específica se está volviendo cada vez más relevante en el sector de seguros. La IA Específica se enfoca en resolver problemas específicos o realizar tareas específicas. La principal aplicación de la IA Específica en la industria de seguros ha sido el análisis predictivo durante años. Con datos históricos, se pueden hacer predicciones muy precisas de manera confiable y matemática, por ejemplo, para la evaluación de riesgos, el desarrollo de la relación combinada, los montos de las reclamaciones o el servicio al cliente más efectivo. La fiabilidad y la precisión son cualidades típicamente demandadas en la industria de seguros. La IA Específica tampoco es una ‘moda’ y se ha aplicado cada vez más con éxito durante los últimos 10 años, particularmente por los ‘Maestros de Datos’ en el mercado. Los Maestros de Datos son empresas que utilizan de manera óptima sus datos de recursos, entre otras cosas, mediante el uso de la ciencia de datos y la IA.

Para los aseguradores, los datos son la clave del éxito [Cap Gemini] Según un estudio reciente de Cap Gemini realizado entre 204 aseguradores en todo el mundo, solo el 18% de los aseguradores pueden llamarse ‘Maestros de Datos.’ Más del 70% de los aseguradores todavía se encuentran entre los ‘Rezagados de Datos.’ Las diferencias son notables: los ingresos por ETP son un 175% más altos para un Maestro de Datos, y son un 63% más rentables que los Rezagados de Datos. Las iniciativas de los Maestros de Datos en torno a la ciencia de datos y la IA conducen a un NPS más alto, una relación combinada mejorada y un aumento en los ingresos por primas en más del 95% de los casos. Además de la fiabilidad y la precisión, una ventaja significativa de los sistemas de IA Específica es que permite a los desarrolladores controlar y ajustar con precisión la transparencia y equidad de los algoritmos. De esta manera, se pueden diseñar y calibrar aplicaciones para cumplir con los estándares éticos de datos establecidos por la Asociación Holandesa de Aseguradores. Por ahora, incluso según el CEO de ChatGPT, esto es muy desafiante para las aplicaciones de IA Generativa.

Encontrar el Equilibrio: Crucial para el Sector de Seguros En resumen, la pregunta es: ¿podemos confiar en la IA o no (aún)? Una definición conocida de confianza es: «la creencia en un buen nombre y honestidad.» La Asociación Holandesa de Aseguradores ha establecido marcos éticos de datos para garantizar que las aplicaciones de seguros impulsadas por datos sean justas y respetuosas. Adherirse a estos marcos debería asegurar que el uso de la IA no conduzca a la discriminación, por ejemplo. Nadie quiere un segundo ‘escándalo de beneficios’ que pueda dañar gravemente el buen nombre de la compañía de seguros. Esto plantea un desafío adicional, especialmente porque la IA puede descubrir patrones complejos que son invisibles a simple vista. La capacidad de explicar estos patrones y mantener los estándares éticos es esencial para mantener la confianza en el sector. Aquí reside una tarea importante y una responsabilidad para los expertos en datos experimentados y los estrategas de IA en nuestra industria. Con conocimientos y experiencia relevantes en IA y una comprensión profunda del contexto de los seguros, pueden mantener el equilibrio entre la innovación tecnológica y las consideraciones éticas. No solo debemos mirar lo que la IA puede hacer por nosotros, sino también lo que los expertos humanos pueden contribuir a un futuro sostenible y equilibrado. La IA no se trata solo de innovación y más eficiencia, sino también de mantener el factor humano y la confianza que es tan crucial en nuestra industria. Encontrar este equilibrio es un desafío, pero también una obligación que debemos tomar en serio.

Comience con la Lista de Verificación KOAT de SIVI KOAT significa Calidad en Aplicaciones de Asesoramiento y Transacción No Tripuladas. ‘Aplicaciones no tripuladas’ es un término agradable para tecnología inteligente que puede reemplazar tareas, no personas. El uso creciente de tales aplicaciones automatizadas en el sector financiero, combinado con nuevas regulaciones (europeas), hace que el control de calidad de las aplicaciones no tripuladas sea cada vez más importante. SIVI ha desarrollado una herramienta con la Plataforma de Aplicaciones No Tripuladas, que incluye una base de conocimientos y una lista de verificación, para todas las partes que desarrollan y usan aplicaciones no tripuladas. Con una representación amplia en el Comité Asesor de Aplicaciones No Tripuladas de Calidad, el sector muestra su compromiso con esta plataforma. Visite www.sivi.org.

En la edición especial de innovación de VVP, la plataforma líder para asesores financieros en los Países Bajos, se publicó este mes un artículo de mi colega Dennie van den Biggelaar. El artículo destaca claramente la diferencia entre las dos formas de IA, a saber, IA generativa (como la popular Chat-GPT) e IA específica.

La IA específica, en particular, ya proporciona a los intermediarios herramientas concretas para utilizar el tiempo escaso de los asesores de manera mucho más efectiva. Con base en sus 10 años de experiencia en ciencia de datos e IA, Dennie también describe cómo comenzar con la IA en su empresa con un riesgo mínimo.

Con el rápido avance de la IA, el sector de seguros está al borde de una revolución. Esta revolución afecta a los aseguradores, pero también tiene implicaciones significativas para los intermediarios. ¿Reemplazará la IA a los intermediarios y cómo pueden mantenerse relevantes en este entorno en rápido cambio?

Las matemáticas son una ciencia exacta que se ha utilizado en los seguros desde sus inicios para calcular primas y riesgos. Tradicionalmente, los actuarios realizaban estos cálculos. Sin embargo, el surgimiento del aprendizaje automático (ML) y la inteligencia artificial (IA) permite analizar grandes cantidades de datos utilizando fórmulas matemáticas sofisticadas (algoritmos) para descubrir patrones y tendencias. Esto ya ha llevado a cálculos de primas más precisos (por ejemplo, el ejemplo de la caja VPI). La combinación de IA y las enormes cantidades de datos que poseen los aseguradores también se puede utilizar para mejorar significativamente la eficiencia de los procesos de aceptación y manejo de reclamaciones y proporcionar oportunidades para un servicio al cliente personalizado a gran escala. En consecuencia, los aseguradores ganadores del mañana reducirán drásticamente sus costos mientras mejoran significativamente el servicio al cliente.

Sin embargo, este avance pone aún más presión sobre el modelo de negocio del intermediario. El intermediario se convierte en un canal de distribución relativamente caro si informar, asesorar y gestionar se puede automatizar en gran medida a través de algoritmos a una fracción de la comisión actual.

Además, los consumidores ahora pueden encontrar fácilmente la información que buscan en Internet. Por ejemplo, simplemente pueden preguntarle a chatGPT sobre los 20 puntos más importantes a considerar al asegurar una caravana. Ya están disponibles en el mercado aplicaciones de asesoramiento financiero impulsadas por IA como Parthean o Mint, aunque actualmente no son adecuadas para vincularse a cuentas bancarias holandesas.

En este entorno en rápido cambio, donde la IA tiene un impacto significativo en el sector de seguros, es crucial que los intermediarios tomen las decisiones estratégicas correctas. Por un lado, deben enfocarse aún más en aprovechar las cualidades humanas, y por otro lado, deben aprender a aprovechar el poder de la IA para respaldar su trabajo.

El Poder del Asesor

Las cualidades humanas como la amabilidad, la empatía, la comprensión, la confianza y el respeto son difíciles de replicar a través de la IA. Como se mencionó anteriormente, estas cualidades son y seguirán siendo esenciales para construir relaciones sólidas con los clientes. «Cliente» proviene de la palabra francesa «chalant», que significa «atención». La atención personal permite a los asesores crear un factor de lealtad que va más allá de la relación puramente transaccional entre el cliente y los sistemas de IA. Esto es especialmente cierto si los asesores brindan apoyo proactivo, haciendo que los clientes se sientan valorados y bien atendidos.

Los asesores también pueden especializarse y desarrollar conocimientos profundos dentro de nichos específicos o áreas de productos. Al mantenerse al día con los últimos desarrollos, los asesores pueden proporcionar ideas valiosas basadas en su intuición, más allá de lo que la IA puede ofrecer actualmente.

Sin embargo, ¿cómo pueden los intermediarios con decenas de miles de clientes brindar atención personal a todos? Contratar más asesores no es escalable y es demasiado costoso. El desafío es asegurarse de que el tiempo escaso del asesor se utilice de manera efectiva y se invierta en el cliente adecuado en el momento adecuado. Las herramientas de IA inteligentes pueden ayudar con esto, lo que exploraremos más a fondo.

El Poder de la IA

La IA es una tecnología de sistema, al igual que la electricidad y el motor de combustión. Las tecnologías de sistema siempre tienen un impacto significativo en la sociedad que no se puede predecir de antemano. Para los intermediarios, esto significa que deben abrazar esta nueva tecnología para hacer su trabajo más efectivo y eficiente. Hay dos tipos principales de herramientas de IA: IA generativa e IA específica.

IA GENERATIVA

La IA generativa se refiere al uso de algoritmos capaces de generar autónomamente contenido nuevo, como textos, imágenes o sonidos, basados en datos existentes. El ejemplo más conocido es chatGPT-3, disponible en https://openai.com/. GPT significa «Generative Pre-trained Transformer» (Transformador Generativo Pre-entrenado), un tipo de arquitectura de red neuronal utilizada para generar lenguaje natural. Los asesores ya pueden usar GPT de manera efectiva para generar respuestas poderosas a preguntas frecuentes, crear contenido relevante para sitios web o obtener rápidamente resúmenes de textos legales extensos. Empresas insurtech como Wegroup están experimentando con el uso de GPT en el servicio al cliente. En los EE. UU., Sixfold.ai ha desarrollado un modelo GPT que puede evaluar automáticamente riesgos para objetos asegurados y proporcionar asesoramiento de cobertura adecuado dentro de las pautas de aceptación.

La IA generativa actualmente tiene algunos inconvenientes importantes. Se requieren correcciones manuales y control de calidad, especialmente cuando se requieren datos de alta calidad y precisión. Además, el contenido generado por la IA generativa necesita validación, ya que opera como una «caja negra», lo que dificulta comprender el razonamiento exacto detrás del contenido generado. Por último, la IA generativa requiere grandes cantidades de datos de entrenamiento para aprender y generar nueva información de manera efectiva. Aunque hay enormes cantidades de datos disponibles en Internet, rara vez están disponibles exclusivamente para el uso propietario de una empresa. También existen riesgos legales asociados con la IA generativa, como se discute en https://www.arag.nl/nieuws/chatgpt-juridisch-risico.

IA ESPECÍFICA

Además de la IA generativa, existe la IA específica, también conocida como IA estrecha. Está diseñada para realizar de manera eficiente una tarea específica con un alto nivel de experiencia y precisión. Esto es especialmente importante en la industria de seguros, donde la IA específica se aplica cada vez más. La IA estrecha también se utiliza en aplicaciones como el reconocimiento de imágenes y voz, los sistemas de recomendación y los vehículos autónomos.

La IA específica requiere datos de entrenamiento que sean específicos para la tarea que está diseñada para realizar. Por ejemplo, si desea usar IA para predecir la probabilidad de aceptación de un vehículo motorizado específico, solo necesita datos históricos de aplicaciones de vehículos motorizados aceptadas y rechazadas. La relevancia y representatividad de los datos de entrenamiento son cruciales para el rendimiento de estos modelos de IA. Aquí hay algunas aplicaciones exitosas de IA específica ya utilizadas por intermediarios y compañías de seguros holandesas:

• Predicción de Deserción: Los modelos de aprendizaje automático pueden entrenarse en función de datos históricos de clientes y pólizas para predecir la probabilidad de que los clientes cancelen sus pólizas dentro de un período determinado (deserción). Se utilizan algoritmos como la regresión logística, los árboles de decisión o las redes neuronales para este propósito. Los asesores pueden usar esta información de manera efectiva. Los clientes con una alta probabilidad de deserción requieren atención inmediata y enfoques proactivos, como conversaciones de mantenimiento o incentivos (estrategia de defensa). Por otro lado, los clientes con una baja probabilidad de deserción son leales y su relación puede fortalecerse mediante un cuidado constante (estrategia de mantenimiento). No es necesario actuar de inmediato. Además, el modelo proporciona información sobre por qué la probabilidad de deserción es alta o baja, lo que permite tomar acciones estratégicas.**

• Predicción del Valor de Vida del Cliente (CLV): El CLV es una medida crucial para los intermediarios que buscan establecer una rentabilidad sistemática y sostenible en el servicio al cliente. Técnicamente, el CLV puede calcularse utilizando un modelo de aprendizaje automático que analiza datos históricos de clientes y pólizas. Al combinar esto con algoritmos avanzados como el análisis de regresión o el análisis de supervivencia, el modelo puede predecir el valor futuro en euros para cada cliente, teniendo en cuenta la vida del cliente y el potencial de ventas cruzadas. Con esta información, los intermediarios pueden tomar las decisiones estratégicas correctas, invirtiendo específicamente en (adquirir) clientes con un CLV alto predicho.**

Los clientes con un CLV alto predicho y una alta probabilidad de deserción deben ser una prioridad para los asesores. Esto permite realizar actividades de marketing y centradas en el cliente de manera eficiente, ofreciendo servicios personalizados para realizar el CLV predicho. A continuación se muestra un ejemplo de una segmentación de clientes impulsada por IA basada en predicciones de deserción y CLV.

• Recomendadores de la Próxima Mejor Póliza: Al analizar perfiles de clientes, datos de pólizas y fuentes de datos externas, los modelos de aprendizaje automático pueden predecir qué pólizas adicionales u opciones de cobertura son más relevantes y atractivas para cada cliente individual. Se utilizan técnicas como el filtrado colaborativo para descubrir patrones y similitudes entre los clientes, haciendo recomendaciones personalizadas. De esta manera, los intermediarios pueden informar continuamente a todos los clientes sobre coberturas relevantes. Si un cliente muestra interés, los asesores pueden proporcionar asesoramiento personalizado (estrategia de ampliación), con el objetivo de aumentar la densidad de pólizas. Además, los clientes con más pólizas tienden a ser más leales.**

• Automatización Robótica de Procesos (RPA): La RPA es una técnica utilizada para automatizar tareas repetitivas y que consumen mucho tiempo. Aunque se puede lograr utilizando reglas comerciales inteligentes, se vuelve aún más efectiva cuando se combina con modelos de aprendizaje automático (ML). En el caso de las agencias de suscripción o grandes intermediarios, la RPA puede utilizarse en el procesamiento directo (STP) para la aceptación. Los aceptadores deben verificar y evaluar los datos presentados en función de las pautas de aceptación. La RPA puede realizar automáticamente estos procesos de verificación, eliminando el trabajo manual para «productos masivos». La RPA también puede configurarse para informar cualquier discrepancia a los aceptadores, manteniéndolos en el bucle y haciendo su trabajo más interesante.**

• Procesamiento del Lenguaje Natural (NLP): Los algoritmos de NLP pueden comprender y procesar el lenguaje natural y se aplican en canales de comunicación para proporcionar respuestas rápidas y personalizadas a consultas y solicitudes de clientes. Se utilizan técnicas como la clasificación de texto, la extracción de entidades y el análisis de sentimientos para comprender la estructura y el significado de los datos textuales.**

Algunas aplicaciones relevantes para intermediarios y compañías de seguros incluyen:

• Procesamiento Automático de Reclamaciones: Los algoritmos de NLP pueden analizar formularios de reclamaciones para extraer información relevante, como la naturaleza de la reclamación, las partes involucradas y los detalles del incidente. Las reclamaciones también pueden verificarse en función de las condiciones de la póliza. Esto permite a los manejadores de reclamaciones procesar reclamaciones más rápido y con mayor precisión, lo que lleva a una mayor satisfacción del cliente.
• Análisis de Sentimientos: Utilizando algoritmos de NLP, los intermediarios pueden obtener conocimientos continuos sobre los sentimientos de los clientes respecto a los servicios o productos. Esto ayuda a identificar patrones en tiempo real en los comentarios de los clientes y posibles razones para una disminución en la satisfacción del cliente. La plataforma de Microsoft ya ofrece análisis de sentimientos para texto escrito (por ejemplo, correos electrónicos a través de Outlook) y texto hablado (por ejemplo, llamadas a través de Teams).
• Chatbots: Al utilizar técnicas como el reconocimiento de intenciones o el reconocimiento de entidades nombradas, los chatbots pueden comprender las intenciones de los clientes y proporcionar respuestas relevantes. Esto reduce la carga de trabajo y mejora el servicio al cliente. Todos conocen los chatbots mal diseñados; el éxito depende de la configuración. El chatbot bien entrenado de Inshared, por ejemplo, es capaz de responder automáticamente más del 95% de las preguntas.

Crear una Hoja de Ruta de IA

La buena noticia es que la IA ya ofrece diversas posibilidades para que los intermediarios mejoren el servicio al cliente. Sin embargo, cada oficina tiene su propia dirección y grupo de clientes, por lo que no existe una solución única para todos. Por lo tanto, es prudente desarrollar una hoja de ruta de IA, aprovechando efectivamente la IA para lograr los objetivos de la empresa (KPI).

Comience con una exploración conjunta con el equipo de gestión (MT) de posibles casos de uso alineados con los objetivos y la estrategia de la oficina. Luego, priorice estos casos de uso juntos en un cuadrante de valor comercial versus esfuerzo. Los casos de uso con alto valor comercial esperado que pueden realizarse relativamente fácil con la ayuda de la IA según los expertos en seguros de IA se consideran «ganancias rápidas» y deben priorizarse. Los casos de uso más desafiantes, o «proyectos importantes», vienen después.

Para intermediarios y compañías de seguros, los siguientes casos de uso ya pueden implementarse con éxito utilizando tecnología de IA:

• Aumentar la densidad de pólizas
• Prevenir cancelaciones de pólizas
• Implementar gestión activa de clientes a gran escala
• Mejorar la eficiencia de los asesores
• Optimizar los procesos de aceptación o reclamaciones
• Mejorar las proporciones combinadas
• Identificar oportunidades y riesgos en la cartera de clientes
• Monitorear carteras de autos
• Mejorar el servicio al cliente (digital)

Seleccione uno o dos casos de uso y establezca un piloto en un entorno operativo con alcance limitado. Es esencial calcular el caso comercial del piloto: evaluar si la inversión en IA supera el valor comercial esperado en línea con los objetivos de la organización. Los objetivos deben formularse de manera SMART.

Es crucial involucrar a los empleados y centrarse en la gestión del cambio. Evalúe regularmente la implementación y adáptela a las necesidades cambiantes y los avances tecnológicos. También considere las consideraciones éticas, la seguridad de los datos y el cumplimiento de las leyes y regulaciones al implementar soluciones de IA.

La pelota está en la cancha de los intermediarios para explorar rápidamente las posibilidades de la IA. No hay necesidad de reinventar la rueda, ya que las soluciones de IA están disponibles y pueden desplegarse de inmediato. Consulte a proveedores de software o busque asesoramiento de expertos en IA. Al aprovechar las herramientas de IA, los intermediarios pueden empoderar aún más a sus asesores, fortalecer su posición competitiva, mejorar el servicio al cliente y abrir el camino hacia un negocio de seguros con visión de futuro y éxito.

Dennie van den Biggelaar (cofundador de OneSurance) tiene más de 10 años de experiencia como estratega de IA y ha asistido a organizaciones como Johnson & Johnson, CZ, BasicFit, Corendon, Sligro y Samsung en la implementación de aplicaciones de big data e IA.

Durante el Congreso VIP al que asistieron 600 profesionales de seguros el 4 de julio en el Teatro AFAS en Leusden, Países Bajos, nuestro estratega de IA Dennie van den Biggelaar dio un discurso principal sobre Gestión Activa de Clientes 2.0 y la aplicación práctica de la IA.

Dos de nuestros principales clientes compartieron sus experiencias positivas. Agradecimientos especiales a Odette Bakker de Dazure y Ellis de Haan de SUREbusiness. «Muchos hablan de la IA, pero pocos están realmente haciendo algo con ella.»

Al implementar la Inteligencia Artificial, la ética de los datos juega un papel importante, como explicamos en este artículo. Es por eso que trabajamos en estrecha colaboración con nuestra empresa hermana Brush-AI, la primera empresa de los Países Bajos dedicada específicamente a la IA responsable.

Esta colaboración asegura que los algoritmos que diseñamos cumplan inherentemente con el Marco Ético para Aplicaciones de Datos establecido por la Asociación Holandesa de Aseguradores.

Lo vemos todos los días en la oficina: la tecnología informática moderna hace que la montaña de ‘big data’ crezca exponencialmente. Pero, ¿qué podemos hacer con estos datos actualmente sin sentido? ¿Cómo los convertimos en información utilizable que, figurativamente, nos pone en formación, permitiéndonos tomar mejores decisiones y mejorar el servicio al cliente? ¿Y cómo podemos asegurarnos de que esta toma de decisiones basada en datos se realice de manera ética y responsable?

Autores: Jack Vos (Onesurance.nl) y Max Roeters (Brush-ai.nl)

El Modelo DIKW

La sabiduría es el arte de tomar las decisiones correctas y actuar correctamente en todas las circunstancias. Una cosa está clara: los ciclos de tecnologías cada vez más nuevas con más y más información disponible nos confunden más de lo que contribuyen al conocimiento y la sabiduría. Esto ya lo señaló el escritor T.S. Eliot en 1934. En un poema inspirador, escribe: «¿Dónde está la Vida que hemos perdido en vivir? ¿Dónde está la sabiduría que hemos perdido en el conocimiento? ¿Dónde está el conocimiento que hemos perdido en la información? Los ciclos del cielo en veinte siglos nos llevan más lejos de Dios y más cerca del polvo.»

El texto de Eliot es considerado por muchos como la base del conocido modelo DIKW en el mundo de las TIC. El modelo responde a la pregunta de por qué queremos usar datos e información: para permitir que los humanos tomen mejores decisiones.

Distinguimos cuatro niveles:

• Datos: Hechos y cifras simples. Esta es la enorme montaña de big data, como todos los cambios de póliza almacenados. Sin análisis, no podemos hacer nada con ellos.
• Información: Datos agrupados, organizados y preferiblemente visualizados. Esto nos permite ver lo que ha sucedido y, por ejemplo, usarlo como referencia. ¿Cuántas pólizas se cancelaron en 2022 en comparación con 2021?
• Conocimiento: Información de la cual se pueden derivar patrones subyacentes, dados en un contexto. Esto responde a la pregunta de por qué sucedió algo. ¿Por qué los clientes cancelaron sus pólizas? ¿Por qué estaban insatisfechos? ¿Fue debido al aumento de primas? ¿Manejo deficiente de reclamaciones?
• Sabiduría: Idealmente, usamos el conocimiento reunido para tomar mejores decisiones ahora y en el futuro que beneficien a todos. ¿Podemos predecir quién cancelará una póliza basado en patrones pasados? Y más importante: ¿podemos predecir cómo prevenir la insatisfacción del cliente?

Los cuatro niveles en el modelo DIKW correlacionan con los cuatro niveles de madurez de datos en los que una organización puede estar, a saber:

• Nivel descriptivo (organizar datos en información)
• Nivel diagnóstico (obtener conocimiento extrayendo patrones de la información)
• Nivel predictivo (usar el conocimiento para predecir lo que sucederá)
• Nivel prescriptivo (prescribir cómo hacer que suceda o prevenirlo).

La madurez de datos indica hasta qué punto una empresa utiliza efectivamente sus fuentes de datos para aumentar la productividad. En los niveles más altos, no se puede evitar usar tecnología de inteligencia artificial (IA). Si aspiramos a la sabiduría, queremos usar esta tecnología correctamente, y la ética juega un papel importante.

Cómo Pueden Usar los Asesores la IA

Muchos aseguradores, suscriptores e intermediarios luchan con la cuestión de cómo seguir atendiendo óptimamente a decenas de miles de clientes. Esto solo se puede hacer de manera escalable usando datos y tecnología de IA de manera inteligente, ya que desplegar más asesores es simplemente demasiado costoso. La IA utiliza algoritmos autoaprendientes, esencialmente fórmulas matemáticas, que pueden analizar millones de puntos de datos en busca de correlaciones. Un software complejo luego deriva patrones predictivos que indican si algo funciona bien o no. Por ejemplo, se puede hacer una predicción fundamentada para cada cliente sobre qué acciones en el recorrido del cliente llevan a la mayor satisfacción del cliente y al mayor retorno para la oficina. Este conocimiento permite a los asesores trabajar de manera más efectiva y utilizar su valioso tiempo de la manera más eficiente posible.

Algunas personas desconfían de la tecnología de IA porque creen que opera en una ‘caja negra’. Esto significa que, aunque los flujos de información entrante y saliente del algoritmo son visibles, los mecanismos que conectan estos dos flujos no lo son. Desde la ambición de aspirar a la sabiduría, queremos conocer las propiedades de estos mecanismos para asegurar la interpretabilidad de la IA. Esto es crucial cuando se trabaja con datos personales.

IA Responsable y el Marco Ético

La idea detrás de la metodología llamada IA responsable es desarrollar y configurar el algoritmo desde cero para que el usuario siempre pueda tomar una decisión informada sobre si su uso es éticamente responsable dado el contexto. El marco ético para la toma de decisiones basada en datos, establecido por la Asociación Holandesa de Aseguradores, se alinea bien con esto. Este marco establece que se deben observar siete requisitos para el uso ético de la IA. Los estándares exactos se pueden encontrar en el marco ético, y aquí hay una breve explicación:

• Autonomía y Control Humano: La IA debe ser un medio para una determinada solución, no el objetivo en sí mismo. Esto significa que, si se puede usar una tecnología menos complicada para lograr el mismo resultado, se prefiere. También se debe prestar suficiente atención a los riesgos y posibles conflictos de intereses.
• Robustez Técnica y Seguridad: Los datos de los clientes deben estar lógicamente protegidos y se debe garantizar la calidad de los datos. Los datos de clientes desactualizados pueden llevar inadvertidamente a ideas incorrectas.
• Privacidad y Gobernanza de Datos: Asegurar la privacidad es primordial cuando se trabaja con datos. La supervisión humana es crucial, ya que ciertos sesgos (prejuicios) inevitablemente pueden entrar en el modelo. Abordar esto de manera atenta y preventiva ayuda a evitar errores innecesarios.
• Transparencia: Especialmente al tomar decisiones que pueden tener un impacto significativo en la vida de una persona, como rechazar una reclamación, es importante estructurar el modelo de IA de manera que siempre sea posible explicar a los clientes cómo se tomó una decisión.
• Diversidad, No Discriminación y Justicia: Es importante reconocer que, al igual que los humanos, es casi imposible crear un modelo de IA completamente libre de sesgos. Al prestar especial atención a los grupos subrepresentados o vulnerables, podemos prevenir que el modelo los discrimine, consciente o inconscientemente.
• Bienestar Social: La IA debe ayudar a garantizar que la mayor cantidad posible de clientes siga siendo asegurables, y aquellos que son difíciles de asegurar o corren el riesgo de volverse inasegurables deben ser informados sobre formas de mitigar o cubrir riesgos. Los modelos interpretables y transparentes pueden informar a los clientes más precisamente, como indicando los atributos del cliente en los que se basa una decisión.
• Responsabilidad: La interacción segura y receptiva sobre los posibles riesgos de la IA entre el asegurador, sus empleados y sus clientes es esencial. Por lo tanto, se deben considerar mecanismos que permitan una evaluación continua de la tecnología durante su desarrollo.

Tecnología y Ética: El Humano en el Bucle

Lo que un humano no puede hacer, la tecnología de IA puede: convertir enormes cantidades de datos en información utilizable y reconocer patrones predictivos dentro de ella. Esto permite a las compañías de seguros desplegar asesores de manera más efectiva, especialmente si desean atender a decenas o incluso cientos de miles de clientes de manera escalable. Al aspirar a la sabiduría, queremos mantener al ‘humano en el bucle’. El marco ético proporciona pautas que ayudan a garantizar la calidad de un modelo de IA. Esto no es una amenaza para la IA; por el contrario, se utilizará y aceptará mucho más fácilmente, especialmente si se utiliza el método de IA responsable. El asesor siempre juega un papel importante siempre y cuando aporte cualidades interpersonales como empatía, amabilidad y confianza en el momento adecuado.

Entrevista con Indra Frishert, Director de Marketing y Ventas / Copropietario de Dazure

Para aquellos que aún no te conocen, ¿qué es Dazure? Dazure es una agencia de suscripción que crea productos de seguros innovadores que se adaptan al mundo actual: productos honestos que también queremos ofrecer a nuestros seres queridos.

¿Por qué empezaste con la IA? Teníamos curiosidad por saber cómo podríamos mejorar nuestro servicio a los clientes utilizando más todos los datos que hemos acumulado durante los últimos 14 años. Resultó que los datos eran de buena calidad. En poco tiempo, recibimos muchas ideas y oportunidades utilizables. ¡Esto nos sorprendió positivamente!

¿Qué ventajas ves en la IA? La gran ventaja es el efecto de autoaprendizaje de la IA. Esto nos permite hacer grandes avances en el recorrido del cliente mientras mantenemos al ‘humano en el bucle’ para asegurarnos de que estos avances se tomen con cuidado. De esta manera, podemos mejorar, acelerar y simplificar nuestros procesos para el cliente. Por ejemplo, al considerar el proceso de aceptación para seguros de vida, hay una gran dependencia de los profesionales médicos (como los médicos generales). Esto no satisface los deseos del cliente, ya que quieren una póliza de inmediato, y también sobrecarga al mundo médico, que tiene mejores cosas que hacer que evaluar riesgos de seguros. Con la IA, podemos predecir qué pequeños exámenes médicos (SME) son innecesarios. La IA es una herramienta efectiva, siempre que se use correctamente.

¿Por qué es tan importante la IA responsable? La IA responsable es importante para nosotros porque el big data en sí no es el peligro, sino cómo nosotros, como personas (empresarios), manejamos los datos. Aplicamos el ‘patrón familiar’ a todos nuestros productos. Este es el estándar que implementamos en todos los frentes y que encontramos muy importante. Si no ofrecerías algo a tu propia familia, simplemente no deberías hacerlo. Aplicando este criterio también al aspecto de la IA, creemos que creas una empresa que realmente trabaja en una relación a largo plazo con sus clientes.

«La innovación es un salto de renovación claramente perceptible. Lo existente se sacude. Esto apenas ocurre en el mercado de seguros holandés,» dicen Dennie van den Biggelaar y Jack Vos en este artículo publicado en la revista de seguros más conocida para profesionales en los Países Bajos.

En la industria de seguros holandesa, parece bastante cómodo mantener todo igual, mientras que otros sectores, como el comercio minorista y el turismo, han experimentado cambios significativos debido a la fuerte competencia. Según un estudio reciente de innovación realizado en la industria de seguros, se espera que ‘algo’ está por venir, y ese ‘algo’ será una disrupción significativa para la industria, especialmente en el mercado personal. Se olvida que estos jugadores innovadores ya están sacudiendo las cosas en otros países. Por ejemplo, Wefox, una plataforma de seguros en línea, está conquistando rápidamente Europa. O la insurtech india Acko, en la que Amazon ha invertido. Acko tuvo 70 millones de clientes en poco tiempo. Tanto Wefox como Acko están respaldados por Munich Re, y eso no es casualidad.

La innovación siempre sigue una secuencia reconocible. Desde productos a servicios, a soluciones, a experiencia, a transformación basada en la innovación estratégica. En la transformación, la oruga se convierte en mariposa. Por lo tanto, es una buena idea sentarse con su equipo de gestión en un capullo y primero formular una estrategia de innovación clara y audaz. Haga esto preferiblemente con personas que puedan pensar fuera de sus propios muros, de lo contrario, terminará con solo una oruga con zapatillas para correr.

Un estudio realizado por TJIP The Platform Engineers muestra que el 72% de los consumidores de proveedores de servicios financieros esperan ser contactados regularmente y con una oferta personalizada. Esto está completamente en línea con un estudio reciente de McKinsey & Company (Informe Next in Personalization 2021), donde el 71% de los consumidores indicaron que esperan interacciones personalizadas de una empresa. ¡Cuando esto no sucede, el 76% incluso se frustra tanto que busca otra empresa!**

**No comenzar con la personalización significa que inevitablemente perderá muchos clientes porque no se cumplen las expectativas. En este artículo publicado en VVP, la plataforma líder para asesores financieros, leerá sobre el cómo y el qué de la personalización, lo que resulta en una mayor lealtad del cliente.**

**Agradecimientos especiales a Wilbert Beelen, especialista en marketing digital en Univé, y a Mark Kruisman, especialista senior en marketing en Centraal Beheer, por su aporte.

Mi contribución se centra en la Generación Z y los Millennials, que demandan (y esperan) un servicio al cliente diferente de su empresa. Algunas conclusiones:

• El 50% de la Generación Z dejará su empresa después de una sola mala experiencia, y el 92% después de dos malas experiencias en el recorrido del cliente.
• La Generación Z prefiere chatear en lugar de llamar.
• El 85% de la Generación Z revisa las redes sociales en busca de referencias positivas.
• La Generación Z es sensible a los mensajes de personas auténticas.
• Solo el 16% de la Generación Z usa Facebook, mientras que el 41% usa Instagram.
• El 81% de la Generación Z tiene problemas financieros, especialmente durante eventos de vida como mudarse juntos.
• Los estudios completos se pueden encontrar aquí: Estudio 1 Estudio 2

Miembros del panel: Robin van Beem, Astrid Duits, Richard Meinders, Edwin Bosma y yo mismo.