La inteligencia artificial agéntica está planteando un escenario diferente para la industria aseguradora. Ya no se trata únicamente de incorporar IA para automatizar una tarea, redactar un correo, resumir documentación o acelerar un proceso puntual. El desafío que aparece ahora es qué sucede cuando los agentes de IA comienzan a actuar de manera autónoma, interactuar entre sí y tomar parte en procesos de negocio a lo largo de todo el ecosistema asegurador.
Ese es el punto de partida del informe “Insurance in the Agentic Era: From AI use cases to Agentic Insurance Core Operating System”, elaborado por Maxim Afanasyev, líder de transformaciones de IA aplicadas al sector de servicios financieros en Google Cloud, y Tomas Holub, CEO y fundador de la insurtech CoverGo. El documento sostiene que la IA agéntica podría terminar modificando las reglas bajo las cuales funciona el seguro y que, por lo tanto, las aseguradoras no deberían abordar esta tecnología únicamente como una sucesión de casos de uso independientes.
La diferencia es sustancial. Mientras los primeros proyectos de IA estuvieron orientados principalmente a mejorar la productividad interna, el modelo agentivo supone que distintos actores de la cadena (aseguradoras, clientes, brokers, proveedores y socios) pueden disponer simultáneamente de agentes capaces de analizar información, generar contenido, tomar decisiones y ejecutar acciones.
En ese contexto, el informe propone pasar de la lógica de la “IA como herramienta” a la de una “IA como equipo de agentes”. La comparación utilizada por los autores busca dimensionar el cambio: no sería simplemente actualizar una tecnología existente, sino modificar la infraestructura sobre la cual se desarrollan las operaciones.
El seguro entra en una economía donde todos pueden tener agentes
Uno de los principales argumentos del trabajo es que las aseguradoras no pueden diseñar su estrategia de IA mirando únicamente hacia adentro. Los clientes, brokers, proveedores y otros participantes del mercado también están incorporando agentes de IA, y esa adopción simultánea puede modificar las relaciones económicas que sostienen al negocio.
El informe utiliza un ejemplo aparentemente sencillo para explicar el problema. La utilización de IA para redactar y resumir correos electrónicos fue inicialmente considerada un caso de uso de productividad. Sin embargo, si los emisores utilizan agentes para producir más contenido y los receptores emplean otros agentes para filtrarlo y resumirlo, el resultado agregado puede ser exactamente el contrario al buscado: más información, menor capacidad de distinguir lo relevante y una eventual pérdida de productividad. Trasladado al seguro, el fenómeno adquiere otra dimensión.
En siniestros, por ejemplo, los agentes de los asegurados o de los prestadores podrían analizar las condiciones de una póliza y preparar automáticamente documentación destinada a maximizar las posibilidades de aprobación de un reclamo. El informe plantea incluso el caso de agentes que identifiquen qué requisitos o circunstancias previstas en una póliza pueden favorecer la presentación de un siniestro.
En suscripción, los agentes utilizados por los clientes podrían analizar los criterios y algoritmos de las aseguradoras, detectar inconsistencias o puntos débiles y generar solicitudes perfectamente adaptadas a los modelos de evaluación de riesgo. Según los autores, si los procesos de underwriting no están preparados para gestionar aplicaciones generadas por IA, las compañías podrían terminar subestimando determinados riesgos.
Y en distribución, los brokers podrían emplear agentes para identificar prospectos y enviar comunicaciones de manera automatizada. Pero el resto de los intermediarios también podría hacer lo mismo. El resultado podría ser una saturación de mensajes y ofertas que, en lugar de facilitar la contratación, lleve a los clientes a desconectarse del proceso de compra.
La conclusión es que una aseguradora no puede evaluar el impacto de la IA agéntica solamente en función de cuánto tiempo ahorra en una determinada tarea. Debe analizar cómo cambia la interacción con los agentes que utilizan los demás participantes del mercado.
La IA también puede alterar la lógica de la suscripción
Uno de los puntos conceptualmente más profundos del informe se relaciona con la asimetría de información, uno de los fundamentos económicos del seguro. Tradicionalmente, la aseguradora intenta obtener señales que le permitan diferenciar entre riesgos de distinta calidad. La información aportada por el asegurado, los antecedentes, los registros médicos, las inspecciones y otros elementos permiten al suscriptor estimar la probabilidad de ocurrencia de un siniestro.
El problema que plantean Google y CoverGo es que la IA generativa puede abaratar considerablemente la producción de esas señales. Un actor, independientemente de su verdadero perfil de riesgo, puede utilizar IA para generar documentación consistente, convincente y aparentemente confiable. De esta manera, señales que anteriormente podían ser costosas o difíciles de imitar pierden parte de su capacidad para diferenciar riesgos.
Esto puede tener consecuencias directas sobre la suscripción. Si la información que recibe el asegurador puede ser generada y optimizada por el propio solicitante mediante agentes de IA, la pregunta deja de ser solamente cómo automatizar la evaluación de esa información: pasa a ser cómo diseñar mecanismos de suscripción capaces de obtener señales verdaderamente confiables en un entorno donde prácticamente cualquier participante puede utilizar IA para preparar su presentación.
El informe propone pensar este desafío desde la perspectiva del mechanism design: diseñar las reglas del proceso de manera que los distintos actores tengan incentivos para revelar atributos reales y no simplemente optimizar la información que presentan. En otras palabras, la IA puede obligar a las aseguradoras a revisar no sólo sus herramientas de suscripción, sino también la forma en que construyen y validan las señales sobre las cuales toman decisiones de riesgo.
Del caso de uso aislado a un sistema operativo agéntico
Frente a este escenario, el informe propone una evolución desde implementaciones de IA independientes hacia lo que denomina un Agentic Insurance Core Operating System, es decir, un sistema operativo asegurador preparado para que múltiples agentes puedan operar dentro de un contexto institucional.
La idea parte de una limitación de los sistemas core tradicionales. Muchos fueron diseñados alrededor de flujos de trabajo fijos y determinísticos, adecuados para operaciones basadas en reglas predefinidas. La IA agéntica, en cambio, requiere arquitecturas modulares e interoperables, donde los procesos puedan descomponerse, asignarse a distintos agentes y volver a ensamblarse a medida que evolucionan las necesidades del negocio.
Aquí aparece uno de los principales desafíos para las aseguradoras que están avanzando con IA departamento por departamento. La adopción aislada puede ser útil en una primera etapa porque permite contener riesgos y demostrar resultados rápidamente. Sin embargo, cuando varios agentes comienzan a colaborar en procesos de mayor escala, aparecen problemas que no necesariamente existen cuando cada agente funciona por separado. El informe identifica tres riesgos particularmente relevantes.
El primero son los bucles entre agentes, en los que un agente activa a otro y este vuelve a activar al primero. La arquitectura necesita mecanismos capaces de interrumpir esas cadenas cuando superan determinados límites.
El segundo son los desacuerdos entre agentes. Por ejemplo, un agente de siniestros podría determinar un monto de indemnización mientras otro agente verifica que la póliza se encuentra vencida. Sin un protocolo de resolución de conflictos, el sistema no tendría una regla clara para determinar qué resultado debe prevalecer.
El tercero son las violaciones de los límites de autoridad: un agente puede intentar realizar una acción que excede las facultades que le fueron asignadas. El documento menciona como ejemplo un agente de gestión de siniestros que aprueba de manera autónoma un pago superior a un umbral regulatorio.
Estos problemas llevan a una cuestión central para el sector asegurador: no alcanza con que los agentes sean capaces de realizar determinadas tareas. También hay que definir con precisión qué pueden hacer, con qué información, bajo qué reglas y hasta dónde llega su autoridad.
Un “agente” no puede quedar librado a su propio código
Como respuesta a ese desafío, CoverGo propone una arquitectura basada en lo que denomina schema-driven agents o agentes dirigidos por esquemas. En lugar de incorporar toda la lógica del negocio directamente dentro del código del agente, la propuesta consiste en utilizar un esquema maestro configurable desde el cual se definan reglas de extracción, validaciones y criterios de correspondencia.
El objetivo es que los propios responsables del negocio puedan gobernar el comportamiento de los agentes sin necesidad de modificar permanentemente el código. Así, una actualización de las reglas podría realizarse modificando el esquema, manteniendo el control del funcionamiento del sistema en manos de quienes conocen los procesos aseguradores.
La propuesta es especialmente relevante para una industria altamente regulada, donde las reglas de suscripción, las condiciones contractuales, los límites de autorización y los procedimientos de siniestros no pueden quedar completamente determinados por el comportamiento emergente de un modelo.
La arquitectura de referencia presentada en el informe contempla un núcleo operativo agéntico encargado de coordinar tareas, gestionar estados y flujos de trabajo, administrar herramientas compartidas, controlar costos y límites de uso, monitorear las operaciones y resolver conflictos y cuestiones de autoridad. Sobre esa estructura interactúan distintos agentes, como los de distribución y suscripción, conectados mediante mecanismos de comunicación agente-a-agente. El diseño también incorpora motores de reglas determinísticas, bases de conocimiento, herramientas conectadas mediante APIs, mecanismos de validación, registros de auditoría y participación humana.
Datos: el otro gran cuello de botella
La arquitectura tecnológica, sin embargo, no resuelve por sí sola el problema. Para que agentes de IA puedan operar a escala, necesitan acceder a información confiable, estructurada y disponible en tiempo real. Y allí el sector asegurador arrastra una dificultad histórica: décadas de documentación en papel, digitalización desigual entre mercados y líneas de negocio, sistemas fragmentados y grandes volúmenes de información no estructurada.
Google y CoverGo consideran que la preparación de los datos constituye uno de los fundamentos de la era agéntica. Entre las áreas de inversión que identifican aparecen las bases de datos vectoriales para realizar búsquedas semánticas sobre grandes volúmenes documentales, los procesos de extracción estructurada para convertir documentos no estructurados en registros consultables y el master data management para mantener conjuntos de datos de referencia confiables.
Esto tiene una consecuencia concreta para las compañías: una aseguradora puede disponer de modelos de IA sofisticados, pero si sus agentes no pueden consultar de manera confiable las condiciones de las pólizas, las reglas de suscripción, los antecedentes de siniestros, las redes de prestadores o la normativa vigente, difícilmente pueda construir operaciones verdaderamente agénticas. La modernización de datos y sistemas core deja entonces de ser un proyecto puramente tecnológico para convertirse en un requisito de negocio.
El humano no desaparece: cambia su lugar
Otro de los puntos centrales del informe es la necesidad de incorporar el human in the loop como una característica estructural de la arquitectura, y no como un control agregado posteriormente. Los autores sostienen que los sistemas agentivos que toman decisiones con impacto sobre los clientes deben ser auditables, explicables e interrumpibles. Para ello, proponen mecanismos como puntuaciones de confianza, escalamiento automático hacia personas cuando los resultados quedan por debajo de determinados umbrales y procesos obligatorios de revisión para decisiones de alto impacto.
En el ámbito asegurador, esto puede traducirse en la intervención humana obligatoria para siniestros de gran magnitud, perfiles de suscripción inusuales o excepciones regulatorias.
La arquitectura propuesta también contempla registros completos de auditoría que permitan saber qué decidió el agente, cuál era su nivel de confianza y si posteriormente una persona modificó o rechazó su recomendación. El cambio, por lo tanto, no consiste necesariamente en reemplazar al suscriptor, al liquidador, al ejecutivo de siniestros o al responsable de cumplimiento: consiste en redefinir qué decisiones delega la organización en los agentes y en qué puntos la experiencia, el criterio profesional y la responsabilidad humana siguen siendo indispensables.
Cinco pasos para pasar de la IA aislada a la modernización
Para llevar este modelo a la práctica, CoverGo propone una hoja de ruta de cinco etapas.
El primer paso es realizar un diagnóstico estructurado de los sistemas, procesos y capacidades existentes antes de comenzar a desarrollar nuevas soluciones. La recomendación es identificar qué componentes pueden separarse y convertirse en servicios modulares con APIs abiertas. El procesamiento documental asistido por IA puede acelerar este relevamiento, incluso mediante el análisis de grandes cantidades de pólizas y manuales de procedimientos.
El segundo consiste en separar el diseño y la validación de la ejecución. Antes de comenzar una gran etapa de desarrollo, un equipo multidisciplinario formado por usuarios de negocio, arquitectos y especialistas debería definir el estado futuro de la organización, los procesos que serán reemplazados o reconstruidos, la modularización y el modelo de datos e integración.
El tercer paso es construir en paralelo. La nueva plataforma debería desarrollarse y validarse mientras los sistemas legacy continúan operando, algo especialmente importante en seguros debido a que los procesos críticos no pueden detenerse. El informe señala que las herramientas de IA para programación están acelerando tareas como generación de código, refactorización y documentación técnica.
El cuarto consiste en migrar los datos de manera controlada e incremental, evitando grandes procesos de migración de una sola vez. El objetivo es reducir el riesgo y permitir que las nuevas operaciones puedan comenzar a funcionar mientras las carteras existentes continúan temporalmente en los sistemas anteriores.
Finalmente, el quinto paso es retirar deliberadamente los sistemas legacy. Para los autores, mantener indefinidamente sistemas antiguos como infraestructura paralela genera costos y riesgos innecesarios. La modernización sólo se completa cuando esa infraestructura puede ser desmantelada de manera controlada, preservando los datos y cumpliendo con las obligaciones regulatorias de conservación de registros.
La verdadera pregunta no es qué tarea puede hacer la IA
La propuesta de Google y CoverGo lleva el debate sobre IA en seguros a un terreno diferente. Durante los últimos años, gran parte de las estrategias de transformación digital se estructuraron alrededor de la identificación de casos de uso: automatizar determinada tarea, asistir a un empleado, acelerar un proceso o reducir costos. El informe considera que esa lógica resulta insuficiente en la era agéntica. El problema es que, mientras una aseguradora puede estar optimizando internamente una tarea, sus clientes, brokers, proveedores y competidores pueden estar utilizando agentes para modificar simultáneamente el comportamiento del ecosistema.
Por eso, los autores proponen combinar tres perspectivas: negocio, transformación y tecnología. La primera implica pensar cómo pueden cambiar las reglas económicas del seguro y qué lugar ocupará la compañía en ese nuevo escenario; la segunda exige revisar procesos, estructuras organizacionales, delegación de decisiones y rol de las personas; y la tercera aborda la arquitectura, los datos, la interoperabilidad, la gobernanza y la infraestructura necesaria para que los agentes puedan operar.
Desde esta perspectiva, la IA agéntica podría tener implicancias que van mucho más allá de una reducción de costos operativos: podría modificar cómo se distribuyen los seguros, cómo se presentan y evalúan los riesgos, cómo se procesan los siniestros, cómo interactúan las compañías con sus intermediarios y hasta qué tipo de propuesta de valor tiene sentido ofrecer al cliente. El propio informe plantea escenarios en los que una aseguradora podría pasar de vender principalmente protección financiera a concentrarse más en prevención de riesgos, modificar sus segmentos objetivo o integrar determinados servicios para sus asegurados.
El mensaje final de Google y CoverGo es, en definitiva, que las aseguradoras no deberían limitarse a preguntar qué procesos pueden automatizar con IA. La cuestión estratégica es mucho más amplia: qué tipo de compañía necesitan construir para operar en un mercado donde prácticamente todos los participantes tendrán agentes capaces de actuar en su nombre.
El informe advierte que las aseguradoras que se concentren exclusivamente en optimizar los procesos actuales podrían estar haciendo cada vez más eficientemente cosas que, en un escenario agentivo, dejarán de ser relevantes. Su conclusión es particularmente contundente: la democratización de los agentes de IA está llevando a clientes, socios y competidores a adoptar estas tecnologías, por lo que las compañías de seguros deberían pasar de los casos de uso centrados en productividad hacia modelos de negocio rediseñados para un ecosistema en transformación.
La pregunta que queda abierta para el mercado asegurador no es, entonces, si las aseguradoras utilizarán agentes de IA. Es qué ocurrirá con aquellas que incorporen agentes sin transformar al mismo tiempo el sistema operativo, las reglas y el modelo de negocio sobre los que esos agentes deberán actuar.
