¿Puede la IA hacer más preciso el seguro para el transporte por carretera o solo acelerarlo?

La inteligencia artificial ofrece a las aseguradoras nuevas formas de automatizar la revisión de documentos, extraer información de las solicitudes y analizar registros históricos. Para las empresas de transporte por carretera, estas capacidades podrían ayudar a reducir las demoras administrativas que complican el proceso de obtener cobertura.

Esa eficiencia importa. Las demoras en los seguros pueden impedir que los transportistas pongan camiones en servicio, acepten nuevos contratos o continúen sus operaciones según lo previsto.

Pero tomar decisiones más rápido no significa necesariamente tomar mejores decisiones.

En el seguro para el transporte por carretera, el problema nunca ha sido la falta total de datos. Las aseguradoras pueden tener en cuenta historiales de inspección, registros de seguridad, informes de accidentes, autorizaciones operativas y documentos de cumplimiento normativo. El desafío consiste en determinar qué revelan realmente esos registros sobre una empresa y qué información dejan fuera.

Para que la IA mejore el seguro para el transporte por carretera, debe hacer algo más que acelerar la evaluación de riesgos. Debe ayudar a las aseguradoras a comprender los riesgos con mayor precisión.

Un historial de seguridad no cuenta toda la historia

Antes de incorporarme al sector de los seguros, trabajé directamente con empresas de transporte por carretera en temas de seguridad y cumplimiento normativo: ayudé a los transportistas a obtener la autorización operativa, organizar los expedientes de cualificación de los conductores, mantener registros y cumplir los requisitos reglamentarios. Esa experiencia reforzó una lección importante: los registros de cumplimiento son útiles, pero no necesariamente reflejan cómo opera una flota en el día a día.

Pensemos en dos empresas de transporte por carretera con flotas de tamaño similar, trayectorias operativas parecidas e historiales de inspección semejantes. Una podría seguir un programa constante de mantenimiento preventivo, invertir en la formación de los conductores y abordar posibles problemas de seguridad antes de que se conviertan en infracciones. La otra podría adoptar un enfoque más reactivo y solucionar los problemas solo cuando surgen. Sobre el papel, estas empresas podrían parecer similares, pese a que gestionan los riesgos de maneras diferentes.

También puede ocurrir lo contrario. Un transportista puede tener una infracción o un accidente en su historial sin que ese hecho explique por completo sus prácticas de seguridad actuales ni las circunstancias del incidente.

El Sistema de Medición de Seguridad de la Federal Motor Carrier Safety Administration (FMCSA) utiliza datos de inspecciones en carretera, accidentes e investigaciones para ayudar a identificar a los transportistas que podrían requerir intervenciones de seguridad. Aunque estos registros son valiosos para la supervisión reglamentaria, no están concebidos para ofrecer una evaluación completa de la situación general de seguridad de un transportista ni de su asegurabilidad.

La FMCSA también ha documentado limitaciones en los datos del Sistema de Medición de Seguridad, incluidas dudas sobre la suficiencia de los datos y la fiabilidad con que la información puede respaldar distintos usos.

La IA puede analizar estos registros rápidamente, pero la velocidad por sí sola no resuelve sus limitaciones.

Los riesgos de automatizar información incompleta

Hay oportunidades claras para utilizar la IA con el fin de reducir el trabajo administrativo en los seguros comerciales. Los sistemas automatizados podrían ayudar a detectar campos sin completar en las solicitudes, comparar información entre documentos, organizar registros de seguridad y señalar discrepancias para que se revisen.

Estas mejoras podrían ser especialmente valiosas en el transporte por carretera, donde reunir la documentación suele implicar a múltiples partes y sistemas.

El riesgo surge cuando las evaluaciones automatizadas se tratan como conclusiones definitivas. Por ejemplo, un sistema de IA podría señalar a un transportista debido a un indicador de seguridad desfavorable. El sistema puede identificar correctamente el registro, pero quizá no tenga en cuenta mejoras operativas posteriores ni información adicional que cambie la manera en que debe interpretarse el incidente.

El Programa de Determinación de la Evitabilidad de Accidentes de la FMCSA ilustra por qué importa el contexto. El programa permite a los transportistas solicitar la revisión de ciertos accidentes que cumplen los requisitos. Cuando la FMCSA determina que un accidente no se podía haber evitado, lo excluye del cálculo de la categoría Indicador de Accidentes de su Sistema de Medición de Seguridad, aunque el accidente sigue apareciendo en la lista.

El programa reconoce que importan las circunstancias que rodean un incidente, y no solo el hecho de que exista un registro de accidente.

Esta distinción cobra especial importancia al evaluar flotas pequeñas. Las grandes empresas de transporte pueden contar con personal dedicado a la seguridad y sistemas integrados de notificación, mientras que las empresas pequeñas quizá lleven sus registros en hojas de cálculo, correos electrónicos y sistemas de proveedores de servicios externos.

Por ejemplo, la ausencia de un documento de mantenimiento podría indicar que no se realizó el mantenimiento. También podría significar que el registro existe, pero está en un lugar al que el sistema no puede acceder. Esas situaciones no deberían dar lugar automáticamente a la misma evaluación.

El Marco de Gestión de Riesgos de IA del National Institute of Standards and Technology ofrece directrices voluntarias para evaluar la fiabilidad, la transparencia y la confiabilidad de los sistemas de IA.

Para las aseguradoras del transporte por carretera, estos principios ofrecen una referencia útil para determinar si la información que respalda una evaluación automatizada está actualizada, es suficientemente completa y resulta adecuada para el uso previsto.

La IA debe reconocer cuándo necesita más información

Una de las capacidades más útiles que podría tener un sistema de IA es identificar cuándo una decisión requiere contexto adicional.

En lugar de tratar cada solicitud como una simple aprobación o rechazo, un sistema eficaz debería distinguir entre los casos en que la información es suficiente y aquellos en que hace falta aclararla.

Pensemos en una empresa de transporte cuyo perfil operativo haya cambiado recientemente. Un sistema automatizado podría detectar el cambio, pero otras preguntas podrían revelar si la empresa se ha expandido a distintas categorías de carga, ha incorporado equipos o ha introducido nuevos procedimientos de seguridad.

Cada uno de esos factores puede influir en la evaluación de su riesgo.

Aquí también cobra importancia la explicabilidad. Si un sistema de IA recomienda un resultado determinado, quienes toman la decisión deberían entender qué información influyó en ella y si la conclusión es razonable.

La guía de NIST sobre IA confiable señala la explicabilidad, la transparencia, la fiabilidad y la rendición de cuentas como características importantes de los sistemas confiables. También reconoce el papel del criterio humano al evaluar el desempeño de la IA.

En los seguros para el transporte por carretera, el objetivo no debería ser eliminar las preguntas del proceso de suscripción, sino identificar cuanto antes las preguntas adecuadas.

La experiencia humana sigue siendo importante

A veces, la adopción de la IA se plantea como una disyuntiva entre la automatización y la toma de decisiones humana. En la práctica, lo más útil es determinar qué tareas se benefician de la tecnología y cuáles requieren criterio profesional.

La IA puede ayudar a organizar la información, identificar patrones y reducir el trabajo administrativo repetitivo. La experiencia humana resulta especialmente valiosa cuando los registros son ambiguos o las circunstancias de una empresa de transporte no encajan claramente en categorías estandarizadas.

Alguien que conozca las operaciones del transporte por carretera puede entender por qué importa un problema de seguridad concreto, cómo afectan distintos entornos operativos a la exposición al riesgo o por qué los cambios operativos recientes justifican un examen más detenido.

Esa experiencia no debería considerarse un obstáculo para la automatización. Puede hacer que las evaluaciones automatizadas sean más útiles.

También hay que tener en cuenta una cuestión importante de rendición de cuentas.

En diciembre de 2023, la National Association of Insurance Commissioners adoptó un boletín modelo sobre el uso de la inteligencia artificial por parte de las aseguradoras, en el que expuso las expectativas regulatorias relativas a la gobernanza, la gestión de riesgos y el cumplimiento de las leyes de seguros aplicables.

El efecto regulatorio del boletín depende de que cada estado lo adopte y aplique, pero refleja la creciente atención a la manera en que las aseguradoras supervisan las decisiones respaldadas por IA.

El criterio humano tampoco es infalible. Las personas pueden tomar decisiones incoherentes o pasar por alto información pertinente. La oportunidad consiste en combinar la coherencia y la capacidad de procesamiento de la IA con los conocimientos operativos necesarios para interpretar situaciones complejas.

Medir la precisión, no solo la eficiencia

Si las aseguradoras quieren saber si la IA está mejorando la suscripción, deben evaluar algo más que el tiempo de respuesta.

Tramitar una solicitud en minutos en lugar de días sería un logro operativo. Sin embargo, no demostraría necesariamente que la evaluación resultante fuera más precisa.

Una evaluación más significativa analizaría si las recomendaciones automatizadas siguen siendo fiables en distintos tipos de empresas de transporte, con qué frecuencia hay que corregir las evaluaciones y si el sistema identifica adecuadamente la información que falta o es incoherente.

Las flotas más pequeñas merecen especial atención. Si un modelo funciona bien con empresas de transporte que cuentan con registros digitales exhaustivos, pero tiene dificultades con negocios cuya documentación está menos estandarizada, su eficacia podría ser desigual.

Las pruebas deberían reflejar la diversidad de los negocios evaluados.

La evaluación también debe continuar después de la implementación. Los cambios en la normativa, las prácticas operativas y la información disponible pueden afectar la fiabilidad del sistema con el paso del tiempo.

Las aseguradoras también deberían estar preparadas para revisar cómo ponderan sus sistemas los distintos tipos de información. Por ejemplo, un modelo que dé sistemáticamente demasiada importancia a un indicador de seguridad podría pasar por alto otros factores pertinentes para las operaciones de una empresa de transporte.

El objetivo debería ser la mejora continua, no simplemente tramitar las solicitudes más rápido.

La verdadera oportunidad está en comprender mejor el riesgo

La IA puede hacer más eficientes los seguros para el transporte por carretera, reducir las demoras administrativas y ayudar a las aseguradoras a identificar información que, de otro modo, podría pasar inadvertida.

Pero su mayor valor podría consistir en ayudar al sector a tomar decisiones mejor fundamentadas.

Una flota es más que su historial de inspecciones, y un historial de seguridad es más que una lista de infracciones. Para comprender el riesgo, hay que tener en cuenta cómo opera un negocio, cómo responde a los problemas y si la información disponible refleja sus circunstancias actuales.

Los sistemas de IA más útiles no serán necesariamente los que ofrezcan las respuestas más rápidas. Serán los que ayuden a las aseguradoras a reconocer cuándo la información disponible respalda una decisión y cuándo hace falta una evaluación más exhaustiva.

En última instancia, la pregunta no es si la IA puede agilizar los seguros para el transporte por carretera, sino si puede ayudar a que las decisiones del sector sean más precisas.

Ese es el criterio con el que debe medirse su éxito.