Personalización de seguros mediante IA: Oportunidades y desafíos
«[La personalización es cuando] entras en un bar, te sientas y el camarero te pone un whisky delante sin que tengas que pedir lo que quieres.» – Jeff Bezos
En este artículo voy a presentar uno de los retos que la IA plantea al mundo de los seguros. En este sentido inicio con la siguiente pregunta:
¿Cómo la integración de la IA en los productos de seguros permite ofrecer coberturas personalizadas que se ajustan a las necesidades específicas de cada cliente y qué beneficios aporta?
Mientras que los principales actores del mundo digital han personalizado naturalmente sus soluciones, en el sector asegurador parece que todavía están rezagadas en adoptar la personalización masiva de sus ofertas. Al mismo tiempo, los datos disponibles (IoT, telemática, redes sociales) y las diversas directivas de Open Insurance representan una oportunidad para conocer mejor a los clientes.
Aplicado al mundo de los seguros, la personalización puede implementarse principalmente a través de personalización del producto y de personalización de la relación con el cliente. En cada una de estas dimensiones, la IA ofrece soluciones innovadoras. Voy a detallar a continuación cada una de estas.
Personalización del producto
Los productos de seguros generalmente cuentan estándares y opciones de personalización que incluyen la activación de garantías, elección de ciertos montos de deducibles o de límites de coberturas. Algunos aseguradores ya permiten un primer nivel de personalización a través de cuestionarios. La IA puede llevar esto más allá, considerando cientos de datos de forma automática. El desafío entonces se convierte en acceder a datos relevantes, un problema que está lejos de ser trivial.
En este sentido, las iniciativas se están multiplicando para permitir a los usuarios proporcionar una gran cantidad de datos de manera fácil y segura como Eiopa y Open Insurance Brasil. También se encuentran muchas fuentes de datos abiertos como Open Data Barometer.
La llegada de la IA generalizada en los últimos dos años promete ir aún más lejos. En el mundo de los seguros, la relación entre el asegurado y la aseguradora se define a través de un contrato. Los LLM[1] prometen permitir la redacción automática de contratos ultra-personalizados para cada cliente. Sin embargo, debido a los riesgos asociados a la naturaleza crítica de los contratos, este tipo de escenarios no es realista a corto plazo.
Para avanzar, es necesario adoptar un enfoque más controlado. El primer paso es usar los LLM se puede dar en la redacción de cláusulas personalizadas y, potencialmente, en contratos completos para seguros de alto riesgo y específicos. Este nivel de aplicación ya está en progreso, ya que muchos suscriptores y abogados han reconocido lo que tecnologías como ChatGPT o Gemini pueden aportar a sus profesiones[2].
Este paso hacia la producción representa el próximo gran desafío. Los equipos de datos y de TI deberán colaborar estrechamente con los primeros usuarios para identificar cómo aprovechar los LLM para sistematizar e integrar este tipo de personalización en todos los procesos de suscripción, implementando las salvaguardas necesarias. Al final, contar con contratos personalizados para cada cliente, que aprovechen al máximo los datos disponibles permitirá evitar fenómenos de selección adversa, optimizar la tarificación para cada cliente y maximizar tanto la satisfacción como la protección de los clientes, mejorando al mismo tiempo los ingresos desde la perspectiva del asegurador.
Personalización en la relación con el cliente
Más allá del núcleo del producto, toda la relación con el cliente ya está siendo impactada por la IA. En una frase, la IA debe permitir ofrecer el producto correcto, en el momento adecuado, con los argumentos correctos y a través de los canales adecuados. Esto es ideal desde el punto de vista de la relación comercial con los asegurados.
Según un estudio de Accenture, 170 millones de dólares en primas están en juego[1] en los próximos cinco años, debido a asegurados que buscan una mejor experiencia del cliente. En este entorno competitivo, la IA desempeña un papel crucial, no solo optimizando la interacción con el cliente, sino también anticipando sus necesidades antes de que se manifiesten claramente.
La determinación de los productos adecuados se basa en varios métodos. Utilizar puntajes de apetencia o propensión es una primera aproximación. Sin embargo, este método puede ser limitante, especialmente para productos de nicho, ofertas personalizadas o nuevos productos. Por lo tanto, es esencial modernizar nuestra comprensión de las necesidades de los clientes y la definición de sus perfiles de riesgo. Esto implica integrar más datos, ya sean zero, first, second o third party, y desarrollar métodos de recolección de datos más innovadores.
Ahora bien, la identificación de los mejores argumentos debe surgir de este enfoque. La explicabilidad[1] es un ámbito de la IA que ha sido ampliamente estudiado en los últimos años y permite entender en detalle los elementos en los que se basan las recomendaciones hechas. Estos, combinados con LLM para la redacción de argumentos, el objetivo debe ser evolucionar hacia mensajes únicos para cada cliente.
Un ejemplo destacado de personalización avanzada es la colaboración entre Matmut y Zelros, donde se implementaron recomendaciones de productos en tiempo real, mejorando así la eficacia de los asesores y la experiencia del cliente.
Finalmente, la identificación de los canales y el timing de contacto deben estar al nivel de lo que hacen los gigantes del e-commerce, gestionando dinámicamente la presión comercial en los diferentes canales, incluidos los canales integrados, mediante la implementación de las mejores herramientas del mercado.
[1] Explicabilidad en IA: Existen diferentes formas de utilizar la IA y el aprendizaje automático, en particular algoritmos de black box y de white box. Los algoritmos black box dan un resultado, pero no una explicación, predecirán que el mejor producto para un cliente es un seguro médico sin dar explicaciones.
Por otra parte, los algoritmos white box, en cambio, te dirán que el mejor producto para ese cliente es el seguro de salud, indicando que el criterio de la edad fue decisivo y que también tuvo en cuenta la situación familiar y profesional.
Límites
Estas soluciones representan un enorme potencial, pero no son soluciones milagrosas. Las dificultades de empresas como Lemonade o, más recientemente, Wefox muestran que apostar todo al digital y la IA no es el camino real hacia el éxito, sino tan solo es una pieza del rompecabezas.
La adopción de estas tecnologías debe realizarse rápidamente mientras impacta de manera estructural en los hábitos de trabajo. La idea debe ser, primero comenzar ejecutando rápidamente en las áreas donde el valor añadido parece más evidente, por ejemplo, en salud, donde parece que los datos disponibles están aumentando mientras que las necesidades de personalización son fuertes, o en el seguro de empresas donde la personalización a medida es aún más demandada.
En este contexto, las empresas que obtendrán mayor valor de la personalización a través de la IA serán aquellas que establezcan hojas de ruta ambiciosas, que apunten más allá de las pruebas de concepto, prototipos y demos, y que sean adaptables continuamente en función de los resultados obtenidos, involucrando a todas las partes interesadas según los temas.
Referencias
[1] LLM: Large Language Models – modelos de lenguaje de gran tamaño.
[3] https://www.accenture.com/us-en/insightsnew/insurance/ai-transforming-claims-underwriting
[4] Explicabilidad en IA: Existen diferentes formas de utilizar la IA y el aprendizaje automático, en particular algoritmos de black box y de white box. Los algoritmos black box dan un resultado, pero no una explicación, predecirán que el mejor producto para un cliente es un seguro médico sin dar explicaciones.
Por otra parte, los algoritmos white box, en cambio, te dirán que el mejor producto para ese cliente es el seguro de salud, indicando que el criterio de la edad fue decisivo y que también tuvo en cuenta la situación familiar y profesional.
