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.