GRA · Insurance Nexus
Spatial financeWhere capital meets hazard, exposure and transition
Insurtech e IA
Los datos, la automatización y el aprendizaje automático llegan ya a cada etapa del seguro: distribución, suscripción, tarificación, siniestros y detección del fraude. Pueden reducir costes y ampliar el acceso, pero también pueden discriminar, excluir, inducir a error o fallar de maneras difíciles de detectar. Esta página expone cómo se desarrollan la tecnología y el modelos financieros en los seguros, cómo se miden sus efectos sobre los clientes y qué instituciones tienen a su cargo las decisiones de gobernanza.
Cómo se desarrolla el trabajo.
Brecha de protección y aumento repentino de reclamaciones
Insurtech e IA · Cartera costera · Escenario de evento EV-30
- Reclamaciones notificadas8320Alerta
- Adjusters deployed154Activo
- Trabajo pendiente17díasVigilar
Pérdida económica según quién la soporta
- Asegurado
- Público
- Sin seguro
Fig.Protection gap and claims surge: example names and illustrative values, not a record or a live system.
Insurtech and AI: how the risk develops.
AI model governance and customer effects. The dossier below sets out how the risk develops, what is measured, where the data come from, how it is modelled and who decides.
Model opacity and drift
Los modelos complejos son difíciles de explicar a clientes, supervisores y consejos de administración. El rendimiento se desvía a medida que cambian los datos y el comportamiento, y los errores pueden escalar a toda una cartera de negocio antes de que nadie lo advierta.
Discriminación por variables indirectas
Rich external data, from credit information to telematics and online behaviour, can stand in for protected characteristics. A model that never sees a protected attribute can still produce disparate outcomes.
Individualised pricing and pooling
Una segmentación más fina desplaza la prima hacia la pérdida esperada individual. Puede recompensar la reducción del riesgo, pero también puede expulsar del mercado por precio a algunas personas y erosionar la mutualización en la que se apoya el seguro.
Platform and vendor concentration
Many insurers rely on the same data vendors, models and cloud platforms. A flawed dataset or a vendor outage then affects the market at once, and accountability is split across contracts.
Qué significan Insurtech y la IA para la exposición, la pérdida y el capital.
Las vistas de exposición, pérdida, escenarios y capital que pediría un responsable de riesgos, un supervisor o un ministerio de finanzas, con los marcos con arreglo a los cuales informan. Las estructuras siguen la práctica supervisora y actuarial. Los valores son ilustrativos: nunca precios, calificaciones ni asesoramiento.
Exposición y pérdida por periodo de retorno
Cómo crecen las pérdidas derivadas de Insurtech y la IA con la gravedad, brutas y netas de reaseguro, frente al capital.
| Periodo de retorno | Probabilidad anual | Pérdida bruta | Pérdida neta | Neto, capital = 100 |
|---|---|---|---|---|
| 1 en 10 | 0.10 | 14 | 10 | 10 |
| 1 en 50 | 0.02 | 33 | 21 | 21 |
| 1 en 100 | 0.01 | 46 | 27 | 27 |
| 1 en 250 | 0.004 | 68 | 39 | 39 |
| Pérdida anual media | 3.1 | 2.2 | 2.2 |
Qué se mide y con qué calidad.
Cada indicador lleva su unidad, su periodicidad, el tipo de fuente que lo respalda y la etiqueta de evidencia que llevaría un valor. No se muestran valores: un programa los aporta bajo su propia autoridad.
| Indicador | Unidad | Cadencia | Tipo de fuente | Etiqueta |
|---|---|---|---|---|
| AI sistemas de IA en uso por función empresarial | count of systems by function | ciclo de encuesta | Encuestas de supervisión a aseguradoras | NOTIFICADO |
| Ratio de resultados dispares | ratio of outcome rates between groups | por revisión de modelo | Pruebas de equidad | ESTIMADO |
| Model performance drift | change in discrimination or calibration metric | mensual | Monitorización de modelos | OBSERVADO |
| Proporción de decisiones de siniestros automatizadas | percent of claims decided without human review | anual | Divulgaciones y encuestas de aseguradoras | NOTIFICADO |
| Reclamaciones sobre decisiones automatizadas | complaints per thousand automated decisions | anual | Supervisory complaint data | Estadísticas publicadas |
| Dependencias críticas de modelos y datos de terceros | número de proveedores críticos | anual | Vendor registers | DECLARADO |
De dónde procede la evidencia.
Conjuntos de datos públicos y registros institucionales identificados, cada uno con su tipo de licencia. Las fuentes obtenidas por acuerdo solo se utilizan conforme a sus condiciones y nunca se republican.
| Fuente | Lo que aporta | Tipo de licencia |
|---|---|---|
| Encuestas de la NAIC sobre inteligencia artificial en las aseguradoras | Uso de la IA por función en los seguros de automóviles, hogar y vida en Estados Unidos | Informes públicos |
| Informes de la EIOPA sobre digitalización y gobernanza de la IA | Uso de análisis de macrodatos y principios de gobernanza de la IA para aseguradoras europeas | Público, condiciones de reutilización de la UE |
| Gallagher Re Global InsurTech Report | Investment, start-up activity and themes in insurance technology | Propietario, informe publicado de lectura gratuita |
| AI Incident Database | Reported incidents involving AI systems, including in financial services | Open data, attribution and terms |
| Observatorio de Políticas de IA de la OCDE (OECD.AI) | Políticas, principios y tendencias de IA por país | Gratuita, condiciones de la OCDE |
| IAIS application papers and FinTech publications | Práctica supervisora sobre IA, macrodatos y conducta | Público, términos de la IAIS |
Quién decide y a qué sirve la evidencia.
Insurance Nexus prepara evidencia. Las decisiones que figuran a continuación las adoptan las autoridades indicadas, conforme a sus propias normas, y nunca la plataforma.
| Quién decide | La pregunta | Evidencia a la que sirve esta página |
|---|---|---|
| Consejos de administración de aseguradoras y comités de modelos financieros bancario | Which AI systems to deploy, with what oversight, testing and human review | Model inventory, validation and fairness testing, drift monitoring and incident history |
| Supervisores de seguros | How to supervise AI use under existing conduct and governance rules and new AI law | Evidencia de encuestas, documentación de gobernanza de modelos, datos de quejas y resultados |
| Legisladores y autoridades de protección de datos | Qué fuentes de datos y decisiones automatizadas se permiten en los seguros | Evidence on predictive value, proxy effects, transparency and redress |
| Consumer bodies and ombudsman services | Si las decisiones automatizadas son justas y se explican a los clientes | Quejas, decisiones y disparidades de resultados por grupo |
Productos que genera este tema
- Guide to AI governance expectations in insurance by jurisdiction
- Method note on testing pricing and claims models for proxy discrimination
- Nota breve sobre el riesgo de concentración
- Lista de verificación de la evidencia a la diligencia debida para la revisión de modelos de IA
Lo que preguntan los profesionales.
- ¿Cómo se utilizan la IA y el aprendizaje automático a lo largo de la cadena de valor de los seguros?
- How should AI models used in pricing and claims be governed and validated?
- ¿Cómo pueden las aseguradoras evitar la discriminación injusta y los efectos indirectos por variables proxy en los modelos?
- How should customers be informed about automated decisions affecting them?
- ¿Cómo afecta a la resiliencia la dependencia de unos pocos proveedores de tecnología?
Factores impulsores y dinámicas.
Las aseguradoras utilizan la IA para la atención al cliente, la suscripción, la fijación de precios, la detección del fraude y la evaluación de siniestros. Los modelos de aprendizaje automático pueden encontrar patrones en grandes conjuntos de datos que los métodos tradicionales pasan por alto, pero pueden ser opacos, sensibles a la calidad de los datos y propensos a reproducir sesgos históricos. Variables que parecen neutrales pueden actuar como indicadores indirectos de características protegidas. La IA generativa plantea nuevas cuestiones de exactitud y rendición de cuentas.
Regulators in several jurisdictions have issued principles or rules for AI in insurance and finance, emphasising governance, explainability, fairness and human oversight. Dependence on a small number of cloud and model providers creates concentration risk across the sector. Insurtech firms have also changed distribution, through embedded insurance sold alongside other products and usage-based cover informed by telematics and connected devices, which raises questions about data ownership, consent and the boundary between risk prevention and surveillance.
Cómo se estudia.
- 01
Marcos de gobernanza de modelos
Approaches to validation, monitoring and accountability, drawing on artificial intelligence and machine learning.
- 02
Pruebas de equidad
Los métodos estadísticos de probabilidad y estadística evalúan si los modelos producen resultados dispares.
- 03
Investigación sobre los resultados para el cliente
Estudios sobre cómo las decisiones automatizadas afectan al acceso, al precio y a la siniestralidad.
- 04
Límites
Fairness has several competing definitions, model behaviour can drift over time, and proprietary models limit external scrutiny.
Cómo se estudia y lo que los métodos no pueden decir.
- 01Inteligencia artificial y aprendizaje automáticoEnriquecimiento de la exposición a partir de imágenes · Clasificación del fraude y los siniestros · Pruebas de equidad de los modelos de tarificaciónAplicado aquí
- 02Probabilidad y estadísticaModelización de la frecuencia y la gravedad · Actualización bayesiana de los supuestosAplicado aquí
- 03Matemática actuarialConstitución de reservas para siniestros con triángulos de desarrollo · Tarificación por experiencia y credibilidadAplicado aquí
Preguntas y respuestas.
Is AI in insurance regulated?
How is proxy discrimination tested?
Does Insurance Nexus certify AI models?
What is a proxy variable?
Does GRA review insurers’ models?
¿Ofrece la GRA asesoramiento sobre este tema?
Aporte evidencia desde esta página.
Reports es la publicación trimestral del Consortium. Lo que usted sabe sobre este tema puede convertirse en evidencia, un caso o una corrección en la próxima edición, con su crédito y publicado bajo licencia CC BY 4.0 cuando se trate de obra propia.
- Correo electrónicoPasarela GW-GRAEnvíelo desde esta páginaEvidencia, una corrección, un caso, un método, una revisión, una traducción o un aporte a un perfil. Llega etiquetado con esta página, de modo que lo recibe el editor responsable.
- ZenodoOpen depositDeposit it and submit to the communityPublish your own record on Zenodo with your ORCID iD, then submit it to the Reports community there. Curators review it; the DOI stays yours.
- ReportsGlobal Risks AllianceSee every way to contributeThe contribution types, how each is reviewed, what credit you receive, the licence and what is never accepted.
No envíe nunca datos personales, detalles sensibles de infraestructura ni nada que no tenga derecho a compartir. Un aporte se revisa antes de su uso; enviarlo no confiere autoría ni derechos editoriales, y el patrocinio nunca compra un hallazgo.
Plantee una cuestión de exposición o de capital a la Alliance.
La información y las consultas están abiertas hoy. Una consulta recibe una referencia e indica el siguiente paso; las solicitudes, pagos, asignaciones de cómputo y registros solo se abren cuando existen su equipo, sus condiciones y la capacidad de revisión.
Documentos jurídicos.
Los mapas, datos y cifras de este sitio se muestran como contexto e información general. No son consejos, pronósticos ni avisos; los límites de la información se exponen en los Descargos de responsabilidad y los Avisos sobre datos.