Por Jorge Eduardo Peralta, consultor en inteligencia artificial aplicada y fundador de Tracewarden.-
Un profesional de Claims abre un expediente que acumula meses de notas, contactos, evaluaciones y decisiones. Antes de hablar con el asegurado necesita reconstruir qué ocurrió, qué se pidió, qué se recibió y qué quedó pendiente. Todavía no tomó ninguna decisión sobre el siniestro, pero una parte considerable de su trabajo ya comenzó.
En Hollard Insurance Australia, una herramienta de inteligencia artificial generativa empezó a intervenir precisamente en ese punto. En marzo de 2026, iTnews documentó un piloto capaz de sintetizar en segundos múltiples páginas de notas acumuladas en un claim. Daniel Dearsley, Claims Value Owner de Hollard, señaló que la revisión de antecedentes podía consumir hasta quince minutos y que la diferencia tendía a crecer con la extensión y complejidad del expediente. Según sus declaraciones, el piloto estaba mostrando una reducción cercana al 70% en el tiempo necesario para revisar esos claims.[1]
Guidewire, proveedor de la solución, informa el mismo orden de reducción en los resultados iniciales del piloto y lo acota expresamente al case review time. Eso importa: no estamos ante evidencia de 70% menos trabajo total por siniestro, 70% menos dotación ni 70% menos costo. Estamos frente a algo más específico: una parte del trabajo cognitivo que antes realizaba una persona dentro de un expediente que sigue requiriendo intervención humana puede ser asumida por inteligencia artificial.[2]
El siniestro sigue allí. La persona también. La decisión puede seguir siendo humana. Lo que cambió es el trabajo que esa persona tuvo que realizar antes de decidir.
Esa diferencia plantea la pregunta que queremos analizar: cuando incorporamos inteligencia artificial en Claims, ¿cuánto trabajo humano desaparece realmente y qué trabajo queda?
La respuesta no puede obtenerse simplemente observando cuántos expedientes fueron clasificados como automatizados. Y lo que queda tampoco necesariamente cuesta más. Puede ser más complejo por expediente y, simultáneamente, requerir menos horas totales. Puede ser asistido por IA y consumir menos esfuerzo que antes. O puede generar nuevas actuaciones cuyo valor económico compense ampliamente el trabajo adicional que originan.
Por eso, este no es un artículo sobre un supuesto costo oculto de la inteligencia artificial. Es un artículo sobre cómo interpretar mejor lo que ocurre con el trabajo cuando la IA comienza a formar parte del proceso.
Cuando cambia la población, cambia lo que podemos inferir
La automatización de Claims no comenzó con los grandes modelos de lenguaje. Reglas, OCR, modelos predictivos, NLP, scoring y routing automatizado llevan años interviniendo en procesos aseguradores. La inteligencia artificial generativa amplía ese campo porque puede operar con mayor flexibilidad sobre información no estructurada: leer, resumir, relacionar antecedentes, preparar comunicaciones, recuperar información o asistir al especialista durante una decisión.
El fenómeno general tampoco es nuevo. En 1983, Lisanne Bainbridge advirtió en Ironies of Automation que automatizar la operación ordinaria podía dejar al operador humano concentrado precisamente en condiciones anormales o más difíciles. Su trabajo no se refería a seguros ni a IA generativa, pero estableció tempranamente un principio que sigue siendo relevante: automatizar parte de un sistema puede modificar la naturaleza del trabajo que permanece.[3]
La evidencia contemporánea muestra además que esa recomposición no tiene por qué deteriorar el desempeño. Brynjolfsson, Li y Raymond estudiaron el despliegue escalonado de un asistente generativo entre 5.172 agentes de soporte y encontraron un incremento promedio del 15% en asuntos resueltos por hora, con efectos especialmente fuertes entre trabajadores menos experimentados. Tampoco es un estudio de seguros, pero demuestra que la asistencia mediante IA puede aumentar la productividad del trabajo que continúa siendo humano.[4]
La propia discusión aseguradora avanza en esa dirección. En la actualización publicada en febrero de 2025 de Claims 2030: A talent strategy for the future of insurance claims, McKinsey señala que GenAI y agentic AI ampliaron significativamente lo que resulta técnica y económicamente posible en Claims. A medida que disminuyen actividades manuales y cognitivas rutinarias, aumenta relativamente la importancia de capacidades humanas como juicio, empatía, comunicación y decisiones complejas.[5]
Decir simplemente que “la automatización retira lo simple y deja lo complejo” sería, sin embargo, insuficiente. La cuestión metodológica aparece un paso después.
Si cambia la composición de la población que continúa bajo intervención humana, algunos indicadores históricos pueden dejar de ser directamente comparables aunque sigan estando correctamente calculados.
Un average handling time sigue siendo un average handling time. No cambió la definición del KPI. Lo que puede haber cambiado es la población sobre la que se calcula y, por tanto, lo que podemos inferir de su movimiento.
Pensemos en un ejemplo deliberadamente sencillo. Una aseguradora recibe 10.000 siniestros. Ocho mil son relativamente simples y requieren históricamente unos diez minutos de trabajo humano. Otros dos mil requieren sesenta minutos:
8.000 × 10 + 2.000 × 60 = 200.000 minutos.
Supongamos que un nuevo sistema permite procesar 7.000 de los 8.000 casos simples sin intervención humana material. El 70% de los claims deja de requerir ese circuito humano. Pero permanecen 1.000 casos simples y los mismos 2.000 casos de mayor complejidad. Si nada hubiera cambiado en la manera de gestionarlos:
1.000 × 10 + 2.000 × 60 = 130.000 minutos.
El volumen tratado por personas cayó 70%. Las horas humanas cayeron 35%. No falló la automatización. Los claims retirados del circuito simplemente consumían menos trabajo que aquellos que permanecieron.
Introduzcamos ahora una segunda capa. Supongamos que la IA generativa también ayuda al profesional sobre los expedientes residuales mediante síntesis, recuperación de antecedentes y organización documental, y que esas capacidades reducen 20% el trabajo necesario:
1.000 × 8 + 2.000 × 48 = 104.000 minutos.
La reducción total de trabajo pasa a ser aproximadamente 48%. Si la asistencia fuera todavía más efectiva, nada impediría que la reducción final igualara o incluso superara el 70% de claims inicialmente automatizados.
La tasa de automatización, por sí sola, no permite saber cuánto trabajo humano fue realmente liberado.
El mismo ejemplo muestra otro problema. Antes de automatizar, el tiempo medio era de veinte minutos por claim. Después de retirar gran parte de los expedientes simples, el promedio entre los claims que continúan bajo intervención humana aumenta considerablemente, aun cuando el proceso no se haya deteriorado.
Un responsable de Claims puede observar entonces simultáneamente menos horas humanas totales y mayor tiempo promedio por expediente humano. No existe contradicción.
El aumento del promedio residual podría reflejar menor productividad. Pero también podría ser consecuencia de haber retirado del denominador miles de siniestros que históricamente requerían pocos minutos. Sin información sobre la composición de la población, el indicador aislado no permite distinguir las dos explicaciones.
Aquí conviene precisar qué entendemos por complejidad. Complejidad operacional no es lo mismo que severidad económica.
Para este análisis, complejidad operacional es la dificultad esperada de gestionar un siniestro bajo un proceso de referencia, considerando la incertidumbre relevante, la cantidad y naturaleza de la información que debe integrarse, la coordinación necesaria y el juicio profesional, negociación o interacción sensible que requiere el expediente.
Un siniestro económicamente severo puede resultar relativamente sencillo cuando hechos, cobertura y documentación son claros. Una controversia de menor cuantía puede requerir numerosas horas por documentación contradictoria, múltiples partes, peritajes, dudas de cobertura o negociación.
Y si queremos comparar esa complejidad antes y después de introducir IA, las características utilizadas deberían observarse en un punto comparable y, en lo posible, antes de la intervención que estamos evaluando. No tendría sentido definir retrospectivamente un claim como complejo porque tardó mucho y luego utilizar esa misma complejidad para explicar por qué tardó mucho.
Hasta aquí estamos observando selección entre expedientes. La IA generativa agrega otra transformación: también puede modificar el trabajo dentro de los claims que continúan siendo humanos.
Lo que la IA deja dentro del expediente
Allianz ofrece un ejemplo claro. Su Insurance Copilot, lanzado inicialmente para Claims de automóviles en Austria, utiliza GenAI para reunir información del siniestro y del contrato, analizar documentación, comparar datos, señalar discrepancias, sugerir próximos pasos y preparar comunicaciones. Las decisiones críticas de cobertura y pago siguen siendo adoptadas por profesionales, que verifican la información y toman la decisión final.[6]
El claim continúa siendo humano desde el punto de vista de la responsabilidad decisoria. Pero eso no significa que todo el trabajo necesario para llegar a esa decisión siga siendo humano.
Esta distinción permite separar dos niveles que con frecuencia aparecen mezclados.
Una herramienta puede demostrar que reduce 70% el tiempo de una tarea determinada. Esa es una métrica local de la solución y puede representar una mejora importante.
La pregunta del operating model aparece un nivel después: ¿qué efecto produjo esa mejora sobre el conjunto del trabajo humano necesario para gestionar la población de siniestros?
Ambas mediciones son válidas. Responden preguntas diferentes.
Project Nemo, también de Allianz, muestra el mismo problema desde una arquitectura agéntica. La compañía describe siete agentes especializados que intervienen en un proceso de Claims por alimentos deteriorados durante cortes de energía: verifican cobertura, comprueban el evento meteorológico, realizan controles de fraude, calculan el pago y auditan el recorrido. El resultado es transferido finalmente a una persona que adopta la decisión de pago. Allianz reporta una reducción del 80% en el tiempo de procesamiento y liquidación de este tipo de claim.[7]
Es una mejora relevante de cycle time. No significa que hayan desaparecido 80% de las horas humanas. Precisamente por eso resulta un buen ejemplo. Una trayectoria puede automatizar gran parte de sus etapas y conservar revisión y autoridad humana al final del proceso.
En estas arquitecturas también importa la calidad del handoff. Un sistema puede ejecutar varias etapas y transferir después el expediente a una persona. Esa persona puede recibir contexto suficiente, documentación organizada y un resumen que le permita continuar inmediatamente. O puede verse obligada a reconstruir lo ocurrido antes de poder confiar en el resultado. Administrativamente, ambos recorridos pueden aparecer como “escalación a humano”. Operacionalmente, no representan la misma cantidad de trabajo.
Algo similar sucede con la supervisión. Si una persona necesitaba treinta minutos para revisar determinados antecedentes y ahora recibe una síntesis automática que requiere cinco minutos de comprobación, no desaparecieron treinta minutos de trabajo. El análisis debe registrar aquello que dejó de hacerse y también la revisión que permanece.
Pero tampoco toda revisión posterior constituye un costo nuevo generado por IA. Algunos controles podían existir previamente; otros pueden responder a políticas internas, regulación o nivel de autoridad. Lo relevante es reconstruir qué actividad desapareció, cuál cambió y cuál apareció.
La IA puede producir, además, un fenómeno que una medición orientada exclusivamente al ahorro de tiempo podría interpretar mal: puede generar trabajo humano adicional y, al mismo tiempo, generar valor.
Swiss Re Corporate Solutions ofrece un caso especialmente ilustrativo. ClaimsGenAI opera sobre una cartera que supera los 40.000 siniestros corporativos anuales. La herramienta organiza y analiza información no estructurada, busca patrones y señala posibles irregularidades y oportunidades de recupero, mientras los expertos humanos conservan la autoridad de decisión.[8]
Swiss Re informa que durante el primer año desde su despliegue, iniciado a mediados de 2024, el sistema generó más de mil alertas sobre posibles irregularidades. Esas alertas dieron lugar a revisiones expertas y contribuyeron a un pipeline de ahorros por fraude; la compañía afirma haber convertido una proporción significativa en ahorros reales al evitar claims improcedentes. También reporta centenares de oportunidades adicionales de recupero frente a las identificadas previamente por los handlers y recuperos efectivos con impacto positivo en el resultado de Corporate Solutions. Son resultados comunicados por la propia compañía, no una evaluación causal independiente, pero muestran un mecanismo operacional relevante.[8]
Una nueva alerta puede originar una investigación que antes no se realizaba. Las horas humanas aumentan. Eso no significa necesariamente menor productividad.
Si esa actuación permite generar un recupero, evitar un pago improcedente o producir una decisión mejor fundamentada, aumentaron simultáneamente el trabajo realizado y el valor obtenido.
Por eso no basta con preguntar cuánto trabajo quedó después de automatizar. También debemos preguntar qué obtuvo la organización con ese trabajo.
Medir sin confundir
Si el objetivo es entender el efecto sobre trabajo humano, la comparación debe comenzar con una población claramente definida.
Una métrica como horas humanas por cada 1.000 siniestros ingresados puede ser útil, pero sólo cuando las horas pueden atribuirse razonablemente a esa población y la ventana temporal es comparable.
Dividir simplemente las horas trabajadas durante marzo por los claims denunciados en marzo puede ser engañoso. Una parte del trabajo realizado ese mes puede corresponder a expedientes abiertos semanas o meses antes.
Para evaluar una implementación puede resultar más riguroso seguir una cohorte de siniestros ingresados durante un período determinado y acumular las horas humanas atribuibles a ella durante, por ejemplo, los primeros 60, 90 o 180 días, utilizando la misma ventana antes y después de la intervención.
La lógica es sencilla: mismo punto de entrada, ventana de observación equivalente y poblaciones razonablemente comparables.
No elimina todos los problemas. Puede cambiar el producto, el ramo, el canal, la exposición a eventos CAT o la propia composición de la cartera. En líneas largas, una ventana determinada tampoco capturará necesariamente todo el trabajo del ciclo de vida. Pero evita enfrentar horas y altas pertenecientes a poblaciones diferentes como si midieran la misma cosa.
El perímetro de trabajo también debe definirse. Si una aseguradora reduce horas internas trasladando actividades a liquidadores externos, peritos u otros prestadores, disminuyó el trabajo interno, pero no necesariamente la demanda humana del proceso completo. La medida correcta depende de la pregunta que se quiera responder.
También debemos separar trabajo humano, tiempo calendario y resultado económico. Reducir cycle time no equivale necesariamente a reducir horas en idéntica proporción. Reducir horas no equivale automáticamente a reducir costos. Y aumentar horas no equivale necesariamente a producir menos valor.
Deloitte planteó en septiembre de 2026 una dificultad relacionada: buena parte de la inversión actual en IA en seguros persigue eficiencia operacional, pero esa eficiencia no se convierte automáticamente en ahorro. Los trabajadores pueden completar tareas más rápido, generar más información o gestionar mayor volumen sin que esa capacidad se traduzca directamente en reducción de costos. La firma propone observar una scorecard más amplia que incluya productividad, claims leakage, experiencia del cliente y, especialmente, el destino de la capacidad liberada.[9]
La cadena, por tanto, no termina en automatización. Primero cambia el trabajo. Ese cambio puede liberar capacidad. Y después es necesario observar qué ocurrió con esa capacidad y qué resultado produjo.
Una compañía puede utilizarla para reducir overtime o outsourcing, absorber crecimiento, disminuir backlog, reasignar especialistas o mejorar la atención. También puede no convertirla inmediatamente en ahorro. A la inversa, una aplicación como ClaimsGenAI puede generar valor económico mediante actuaciones adicionales aunque no reduzca determinadas horas.
No existe una sola métrica capaz de representar todos esos efectos. Eso no significa que necesitemos construir un sistema extraordinariamente complejo. Significa algo más sencillo: no utilizar un indicador para responder una pregunta que ese indicador no contiene.
Una tasa de automatización describe cuánto de un proceso fue absorbido por tecnología bajo determinada definición. Una reducción del tiempo de una tarea describe una mejora local. El tiempo medio del circuito humano describe el esfuerzo promedio de la población que continúa allí. Las horas sobre una cohorte comparable describen demanda de trabajo. El cycle time describe velocidad. El costo, los recuperos y otros outcomes describen dimensiones económicas. Todos pueden ser útiles. No son equivalentes.
Después de incorporar inteligencia artificial, el mismo KPI puede seguir estando perfectamente calculado y, sin embargo, requerir una interpretación distinta porque cambió la población o el trabajo que existe detrás de él. Ese es el núcleo de la cuestión.
La IA puede cambiar simultáneamente qué claims llegan a las personas, qué tareas realizan dentro de esos claims y qué valor produce el trabajo que permanece. Por eso, preguntar “¿cuánto automatizamos?” continúa siendo razonable. Pero ya no parece suficiente.
También necesitamos saber: ¿qué siniestros quedaron en manos humanas? ¿Qué tareas humanas permanecieron, cuáles se redujeron y cuáles aparecieron dentro de esos siniestros? ¿Cuánto trabajo neto sigue siendo necesario sobre poblaciones comparables? Y, finalmente, ¿qué valor está produciendo esa nueva distribución del trabajo entre inteligencia artificial y personas?
La inteligencia artificial no sólo modifica cuánto trabajo hace el ser humano. Modifica qué trabajo hace, sobre qué casos lo hace y qué obtenemos de ese trabajo.
Medir automatización y medir trabajo humano son preguntas relacionadas, pero no son la misma pregunta.
Nota sobre la evidencia
Las cifras atribuidas a Hollard, Guidewire, Allianz y Swiss Re son resultados o descripciones comunicados por esas organizaciones o por proveedores involucrados. En este artículo se utilizan para documentar mecanismos e implementaciones reales, no como estimaciones causales generalizables al conjunto de la industria.
Fuentes y referencias
[1] iTnews. Andrew Colley, “Hollard Insurance pilots AI in claims division”, 6 de marzo de 2026.
www.itnews.com.au/news/hollard-insurance-pilots-ai-in-claims-division-623940
[2] Guidewire. “Hollard” — Caso de cliente y resultados iniciales de Claims Summarization.
www.guidewire.com/it/customers/success-stories/hollard
[3] Bainbridge. Lisanne Bainbridge, “Ironies of Automation”, Automatica 19(6), 1983, 775–779. DOI 10.1016/0005-1098(83)90046-8.
doi.org/10.1016/0005-1098(83)90046-8
[4] Brynjolfsson et al. Erik Brynjolfsson, Danielle Li y Lindsey R. Raymond, “Generative AI at Work”, The Quarterly Journal of Economics 140(2), 2025, 889–942. DOI 10.1093/qje/qjae044. doi.org/10.1093/qje/qjae044
[5] McKinsey. “Claims 2030: A talent strategy for the future of insurance claims”, actualización del 24 de febrero de 2025.
www.mckinsey.com/industries/financial-services/our-insights/claims-2030-a-talent-strategy-for-the-future-of-insurance-claims
[6] Allianz. “Smarter claims management, smoother settlements”, 5 de febrero de 2025. www.allianz.com/en/mediacenter/news/articles/250205-smarter-claims-management-smoother-settlements.html
[7] Allianz. “When the storm clears, so should the claim queue”, 3 de noviembre de 2025. www.allianz.com/en/mediacenter/news/articles/251103-when-the-storm-clears-so-should-the-claim-queue.html
[8] Swiss Re. Florian Maurer y Vincent Plantard, “How Generative AI Is Transforming Insurance Claims: Inside Swiss Re’s ClaimsGenAI”, 20 de junio de 2025.
www.swissre.com/risk-knowledge/advancing-societal-benefits-digitalisation/how-generative-ai-is-transforming-insurance-claims-claimsgenai.html
[9] Deloitte UK. Reny Vargis-Cheriyan et al., “AI is expected to take cost out of insurance, but the industry is still finding it hard to prove value”, 4 de septiembre de 2026. www.deloitte.com/uk/en/Industries/insurance/blogs/ai-is-expected-to-take-cost-out-of-insurance-but-the-industry-is-still-finding-it-hard-to-prove-value.html
