«La precisión técnica no basta, en fraude y pricing la explicabilidad es esencial»

La transformación del sector asegurador pasa hoy por algo más que digitalizar procesos, exige gobernar bien el dato, industrializar la inteligencia artificial y hacerlo sin perder de vista la regulación. En ese cruce entre arquitectura, cumplimiento y negocio se mueve el trabajo de Noelia Álvarez, Data & AI Service Delivery Lead en SANTALUCÍA SEGUROS, una profesional que ha convertido la entrega de soluciones de datos e IA en una palanca de eficiencia y control.

Desde SANTALUCÍA, Noelia Álvarez defiende un enfoque en el que el gobierno del dato y de la inteligencia artificial no se añade al final del proyecto, sino que forma parte del diseño desde el primer momento. Trazabilidad, calidad, seguridad, minimización del dato y supervisión humana aparecen como piezas inseparables de cualquier iniciativa que aspire a pasar de piloto a producción en un entorno cada vez más exigente.

Uno de los casos más visibles de ese enfoque es Policarpo, el asistente virtual de pólizas y agente basado en IA generativa y arquitectura RAG, desplegado inicialmente sobre Microsoft Teams e integrado después en Salesforce. La solución ha permitido simplificar el acceso a coberturas y documentación interna, reduciendo tiempos de consulta y mejorando la homogeneidad en la atención sobre productos como Hogar, Decesos y Vida Riesgo.

La conversación también recorre otros frentes clave como la convivencia entre modelos tradicionales, reglas de negocio e IA generativa en la lucha antifraude; la coordinación entre analítica, automatización RPA e inteligencia artificial, y la evolución del perfil del data scientist en una aseguradora que quiere ser realmente data-driven. Todo ello dibuja la fotografía de una organización que busca escalar la IA con criterio, sin perder explicabilidad, control ni impacto real en el negocio.

[MCPRO] En tu perfil de LinkedIn comentas, que, entre otras fortalezas, una de ellas es la de conectar arquitectura de datos, data engineering, data quality y data governance con proyectos de IA que optimizan procesos y están alineados con marcos regulatorios como AI Act y RGPD. ¿Cómo habéis aterrizado todo esto en SANTALUCÍA en términos de diseño de arquitectura, gobierno del dato y trazabilidad de modelos, y qué tensiones prácticas encuentras entre cumplir la regulación y mantener la velocidad de entrega de proyectos de analítica avanzada y modelos de machine learning en producción?

[Noelia Álvarez] En SANTALUCÍA trabajamos para que el gobierno del dato y de la inteligencia artificial esté presente desde el inicio de cada proyecto, y no aparezca como una revisión añadida justo antes de pasar a producción. En la práctica, esto significa apoyarnos en arquitecturas corporativas, definir claramente quién es responsable de cada dato y aplicar desde el principio los controles necesarios de calidad, seguridad y acceso.

A partir de ahí, una parte importante del trabajo consiste en asegurar que los datos que utilizamos sean adecuados para el objetivo concreto del caso de uso. No se trata solo de comprobar que el dato exista, sino de validar que tenga la calidad suficiente, que esté actualizado y que su utilización respete principios como la minimización, la privacidad y el acceso autorizado.

Otro aspecto que cuidamos especialmente es la trazabilidad. Necesitamos poder reconstruir qué datos y transformaciones se han utilizado, con qué versión del modelo se ha trabajado, qué pruebas se han realizado y qué resultados han permitido tomar la decisión de avanzar. En los proyectos de IA generativa, además, esta trazabilidad se amplía a los prompts, las fuentes documentales, los guardarraíles y los criterios utilizados para evaluar las respuestas.

Evidentemente, no todos los proyectos necesitan el mismo nivel de control. Una herramienta interna de apoyo no tiene el mismo impacto que una solución que interactúa directamente con clientes, utiliza datos sensibles o interviene en un proceso operativo crítico. Por eso, adaptamos las exigencias al riesgo y al impacto de cada iniciativa, manteniendo siempre unos mínimos comunes.

Y es precisamente ahí donde aparece la principal tensión: encontrar el equilibrio entre avanzar con rapidez y hacerlo con las garantías necesarias. Estos controles requieren tiempo y coordinación entre equipos, pero cuando se incorporan demasiado tarde suelen generar todavía más retrasos, porque obligan a revisar arquitecturas o rehacer desarrollos. La clave está en integrarlos desde el diseño, con requisitos claros, criterios comunes y responsabilidades definidas, de manera que el cumplimiento del AI Act, el RGPD y las políticas internas acompañe al proyecto sin convertirse en un freno innecesario.

[MCPRO] Policarpo, vuestro asistente virtual de pólizas y agente virtual, basado en IA generativa, arquitectura RAG y desplegado sobre Microsoft Teams y Azure, ¿qué ha representado para SANTALUCÍA en cuanto a reducción de tiempos de consulta de coberturas en líneas como Hogar, Decesos y Vida Riesgo? ¿Puedes detallar el stack tecnológico que hay detrás de Policarpo?

[Noelia Álvarez] Policarpo ha representado, sobre todo, una forma mucho más directa de acceder al conocimiento sobre productos, pólizas y coberturas. Antes, muchas consultas exigían localizar información en distintos documentos, contrastarla y asegurarse de que correspondía a la versión vigente. Con el asistente, el usuario puede formular la pregunta en lenguaje natural y recibir una respuesta contextualizada, lo que reduce el tiempo dedicado a buscar información y facilita una atención más homogénea en líneas como Hogar, Decesos y Vida Riesgo.

Más que centrarnos únicamente en una cifra de reducción de tiempo, el valor está en haber simplificado todo el proceso de consulta. Policarpo no solo localiza contenido, sino que ayuda a interpretar documentación extensa y a presentar la información de una forma más clara para el usuario. Esto resulta especialmente útil cuando una misma consulta requiere revisar condiciones, exclusiones o particularidades de distintos productos.

Para conseguirlo, la solución combina un modelo de IA generativa con una arquitectura RAG. El sistema recupera la información relevante de un conjunto de documentación corporativa previamente autorizada y utiliza ese contexto para elaborar la respuesta. De esta forma, el modelo no responde únicamente a partir de su conocimiento general, sino que se apoya en fuentes internas y controladas, reduciendo el riesgo de respuestas alejadas de la documentación oficial.

En cuanto al stack tecnológico, la solución se apoya en servicios de Azure, incluyendo capacidades de Azure OpenAI para la generación de respuestas y servicios de búsqueda e indexación para recuperar los contenidos relevantes. Tras una primera fase de pruebas en Microsoft Teams, Policarpo está actualmente integrado en Salesforce, lo que permite acercar la consulta al entorno habitual de trabajo de los usuarios. Todo ello se integra con los mecanismos corporativos de identidad, seguridad y control de acceso.

En cualquier caso, la tecnología es solo una parte de la solución. La fiabilidad de Policarpo depende en gran medida de que la documentación esté bien estructurada, actualizada y correctamente gobernada, y de que las respuestas se evalúen de forma continua. Por eso, junto al desarrollo técnico, es necesario mantener procesos de revisión de contenidos, pruebas funcionales y seguimiento de la calidad, especialmente cuando cambian productos, coberturas o condiciones contractuales.

[MCPRO] En la parte de analítica avanzada habéis desplegado tanto una plataforma de analítica sobre Azure como soluciones específicas de lucha antifraude con FRISS. ¿Cómo combináis modelos “tradicionales” de scoring, detección de anomalías y reglas con IA generativa y nuevos enfoques de análisis de siniestros y pólizas, y qué lecciones te llevas sobre explicabilidad, gestión del riesgo de modelo y colaboración con negocio cuando el algoritmo impacta directamente en decisiones sensibles de fraude y tarificación?

[Noelia Álvarez] En SANTALUCÍA entendemos la IA generativa como una capacidad complementaria a los modelos de scoring, la detección de anomalías y las reglas de negocio, no como un sustituto de estas técnicas. Cada enfoque resuelve una parte distinta del problema: los modelos tradicionales permiten identificar patrones y asignar niveles de riesgo de forma consistente, mientras que las reglas incorporan conocimiento experto y criterios operativos que deben cumplirse de manera explícita.

Sobre esa base, la IA generativa puede aportar valor allí donde existe información no estructurada, por ejemplo, ayudando a analizar descripciones de siniestros, resumir documentación, relacionar evidencias o facilitar al especialista una visión más completa del expediente. En estos casos, su función no es decidir automáticamente si existe fraude, sino mejorar la capacidad de análisis y reducir el tiempo necesario para revisar información dispersa.

Soluciones especializadas como FRISS conviven con las capacidades que hemos desarrollado sobre nuestra plataforma analítica en Azure. Nuestro objetivo es combinar resultados procedentes de reglas, modelos predictivos, detección de anomalías y análisis documental que nos permitan ofrecer valoraciones más completas. Aun así, cuando el resultado puede afectar a un cliente, a la gestión de un siniestro o a una decisión de tarificación, mantenemos controles específicos y supervisión humana.

Sobre las lecciones aprendidas podría decir que la precisión técnica, por sí sola, no es suficiente. Negocio debe entender qué aporta el modelo, qué variables influyen en el resultado, cuáles son sus límites y cómo debe interpretarse cada alerta. La explicabilidad es especialmente importante en fraude, porque una puntuación elevada no demuestra por sí misma que exista un comportamiento fraudulento: debe servir para priorizar la revisión y apoyar una decisión que pueda ser razonada y justificada.

Y en cuanto a la gestión del riesgo, ésta continúa una vez que el modelo entra en producción. Es necesario monitorizar su rendimiento, los falsos positivos, los cambios en los patrones de fraude y las posibles desviaciones respecto al comportamiento esperado. Esa observabilidad, combinada con la experiencia de los equipos de negocio y los procesos de revisión periódica, permite ajustar las soluciones, evitar que pierdan eficacia y generar confianza en decisiones especialmente sensibles.

[MCPRO] SANTALUCÍA está impulsando la automatización inteligente como complemento de la IA aplicada al cliente y a la operación interna. ¿Cómo se coordina, desde tu responsabilidad de AI Service Delivery Lead, esa convergencia entre IA, automatización RPA y analítica de datos en un mismo “delivery model”, y qué cambios organizativos habéis tenido que introducir para que la automatización y la IA no sean solo pilotos aislados sino capacidades estructurales del grupo?

[Noelia Álvarez] Partimos de la idea de que la analítica, la inteligencia artificial y la automatización no deben desarrollarse como iniciativas independientes, porque normalmente forman parte de un mismo proceso. La analítica nos ayuda a entender qué está ocurriendo y a anticipar determinados comportamientos; la IA permite interpretar información, clasificar, recomendar o apoyar decisiones, y la automatización lleva esos resultados a la operativa, ejecutando acciones e integrándolas con los sistemas corporativos.

Precisamente por esa relación entre capacidades, desde AI Service Delivery intentamos coordinar el ciclo completo y no únicamente el desarrollo del modelo. Nuestro trabajo comienza entendiendo junto con Negocio qué problema queremos resolver y qué combinación de datos, IA y automatización tiene sentido. A partir de ahí, coordinamos tecnología, arquitectura, seguridad, cumplimiento y los distintos equipos implicados para que la solución pueda integrarse, desplegarse y mantenerse en producción.

Este enfoque supone empezar por el proceso y no por la tecnología. Antes de decidir si necesitamos un modelo, un agente de IA o una automatización RPA, analizamos dónde se encuentra realmente la ineficiencia, qué decisiones requieren inteligencia y qué tareas pueden automatizarse de forma segura. Eso evita aplicar tecnología donde no aporta valor y permite diseñar soluciones más sencillas, medibles y alineadas con las necesidades reales de la operación.

Una vez definido el caso de uso, el reto es conseguir que la solución no termine siendo un piloto aislado. Para ello, hemos tenido que avanzar hacia responsabilidades más claras, criterios comunes de industrialización y capacidades compartidas. Es necesario definir desde el principio quién operará la solución, cómo se monitorizará, qué soporte tendrá, cómo se gestionarán sus cambios y qué componentes podrán reutilizarse en otros procesos. La creación de la Dirección General de Transformación, Innovación y Gobierno del Dato, liderada por Carlos Fernández Ibáñez, aporta un marco organizativo común para ordenar y escalar este tipo de iniciativas.

Al final, esa es la principal diferencia entre experimentar con una tecnología y convertirla en una capacidad estructural del Grupo. No basta con que el modelo funcione o que la automatización reduzca tareas manuales: la solución debe integrarse en la organización, contar con gobierno y mantenimiento, demostrar su valor y ser adoptada por los usuarios. Innovar consiste precisamente en conseguir que la IA, la analítica y la automatización dejen de ser proyectos puntuales y pasen a formar parte de una manera estable, medible y reutilizable de transformar los procesos.

[MCPRO]¿Cómo está cambiando la figura del data scientist y del equipo de IA en una aseguradora que quiere ser verdaderamente “data-driven”? ¿Qué papel juega la IA generativa como copiloto (en documentación, prototipado de modelos y comunicación con negocio) y qué riesgos ves si el sector se queda únicamente en casos de uso de front-office sin evolucionar modelos core de suscripción, pricing y gestión de siniestros?

[Noelia Álvarez] En SANTALUCÍA, la figura del data scientist ya ha evolucionado más allá del desarrollo de modelos. Hoy su papel no consiste únicamente en construir algoritmos con buenas métricas, sino también en entender el proceso de negocio, traducir los resultados en decisiones aplicables y explicar con claridad qué aporta cada solución, cuáles son sus límites y en qué condiciones debe utilizarse.

Este cambio se refleja en una forma de trabajo mucho más transversal. Los equipos de IA colaboran desde el inicio con negocio, tecnología, operaciones, arquitectura, seguridad y gobierno, porque el valor de un modelo no depende solo de su precisión, sino también de la calidad de los datos, de su integración en los procesos y de la capacidad de la organización para actuar sobre sus resultados. En ese sentido, el data scientist se ha convertido en un punto de conexión entre las capacidades técnicas y las necesidades reales del negocio.

En este contexto, la IA generativa ya funciona como un copiloto en el trabajo diario. Nos ayuda a documentar desarrollos, explorar alternativas, generar primeras versiones de código, acelerar prototipos y traducir resultados técnicos a un lenguaje más comprensible para negocio. Esto permite ganar agilidad, aunque manteniendo siempre la validación y el criterio profesional, especialmente cuando la solución puede influir en decisiones relevantes.

Además, ya estamos incorporando capacidades agénticas sobre soluciones analíticas existentes. El objetivo es que un modelo no se limite a generar una predicción o una alerta, sino que pueda activar tareas, solicitar información adicional o coordinar acciones dentro de un proceso supervisado. De esta forma, la analítica se conecta directamente con la operación, manteniendo la trazabilidad, la observabilidad y una definición clara de qué acciones pueden automatizarse y cuáles requieren intervención humana.

Precisamente al conectar la analítica con la operación aparece una cuestión más estratégica: decidir en qué procesos queremos aplicar estas capacidades. El riesgo para el sector sería concentrar todo el esfuerzo en asistentes de front-office, porque son soluciones muy visibles y relativamente rápidas de desplegar, pero no necesariamente transforman el núcleo del negocio. El verdadero impacto está en llevar también la IA a procesos como la suscripción, el pricing, la prevención del fraude y la gestión de siniestros. Es ahí donde puede cambiar de forma más profunda la manera de operar.