La IA en seguros sólo crea valor sostenible cuando se apoya en un gobierno del dato robusto. Así es como un CIO puede acelerar negocio sin perder el control.
IA en seguros: innovar con gobierno del dato sólido
El 72% de las aseguradoras en España declara estar probando IA generativa, pero menos del 25% tiene un marco serio de gobierno del dato. Esa brecha es justo donde empiezan los problemas: fugas de información, sesgos en modelos de riesgo, sanciones regulatorias o decisiones difícilmente explicables ante el cliente y la DGSFP.
Aquí está la cuestión: la IA en seguros sólo crea valor sostenible cuando se apoya en un gobierno del dato robusto. Y eso encaja al milímetro con la idea que comparte Manuel Ruiz, CIO global de Entelgy: «Hay que innovar con la IA pero siempre desde la premisa del gobierno del dato».
En este artículo aterrizo esa visión al contexto asegurador español: qué implica para un CIO o un director de operaciones, qué riesgos se están pasando por alto y cómo montar un modelo práctico para desplegar IA generativa y agentes inteligentes sin jugarse la confianza del cliente… ni una inspección del supervisor.
Del CIO “de infraestructuras” al CIO que acelera negocio asegurador
El papel del CIO en el sector seguros ha dejado de ser “el de informática” hace ya tiempo. Hoy el CIO es un acelerador directo de primas emitidas, retención de cartera y eficiencia operativa.
En la entrevista, Manuel Ruiz resume muy bien ese cambio: antes el foco era que “todo funcionara”; ahora el foco es cómo dotar de capacidades a la organización para vender más y mejor.
En una aseguradora española eso se traduce, como mínimo, en tres frentes muy claros:
1. IA al servicio de la venta activa
La IA generativa y la analítica avanzada permiten pasar de una mediación reactiva a una venta activa y personalizada:
- Recomendadores de productos en tiempo real para mediadores y redes bancaseguro.
- Asistentes virtuales que preparan propuestas personalizadas en segundos.
- Modelos de “next best offer” que tienen en cuenta vida, salud, hogar, auto y ahorro de un mismo cliente.
Aquí el CIO ya no sólo compra tecnología. Define junto a negocio qué casos de uso tienen impacto en primas y en qué orden se priorizan.
2. Eficiencia extrema en siniestros y operaciones
La segunda gran palanca es la eficiencia en la tramitación de siniestros y back-office:
- Detección de fraude con modelos de machine learning entrenados en históricos.
- Clasificación automática de correos y documentos de clientes.
- Extracción de datos de partes médicos, facturas o informes periciales mediante IA generativa y visión.
Cada minuto que se ahorra en un expediente de siniestro se nota en el ratio combinado. El CIO que asume el rol de acelerador de negocio no lanza proyectos “bonitos de IA”; ataca cuellos de botella concretos con impacto medible en costes.
3. Experiencia de cliente y del mediador
La tercera pieza es la experiencia. Un cliente español, acostumbrado a operar con apps bancarias muy maduras, tolera cada vez peor procesos pesados de seguro.
La IA permite, por ejemplo:
- Chatbots que resuelven dudas de pólizas las 24h sin derivar al call center por todo.
- Asistentes para mediadores que preparan argumentarios y comparan coberturas.
- Análisis de sentimiento en llamadas para detectar puntos de fricción recurrentes.
El CIO pasa a ser corresponsable de NPS, tasa de quejas y abandono. Y aquí es donde el gobierno del dato marca la diferencia entre una experiencia fluida y un riesgo reputacional serio.
IA en seguros sin gobierno del dato: la receta del desastre
La frase de Manuel Ruiz es muy clara: «No puedes poner puertas al campo, la gente tiene que innovar», pero siempre bajo la premisa del gobierno del dato. En seguros, esa frase suena casi a manual de supervivencia.
Sin un gobierno del dato sólido, estos son los problemas que aparecen (y que algunos ya están sufriendo en España):
Riesgo 1: exposición de datos sensibles
Cuando equipos de negocio empiezan a usar herramientas de IA generativa sin control:
- Se copian textos de informes médicos o financieros en chats externos.
- Se sube información de pólizas y DNIs a herramientas no homologadas.
- Se mezcla dato real de clientes con entornos de prueba sin anonimizar.
En seguros esto no es un descuido menor, es terreno de sanciones de la AEPD y de incidentes reputacionales. El CIO debe establecer desde el minuto uno:
- Cuáles son los entornos de IA corporativos aprobados.
- Qué tipos de datos pueden o no pueden usarse.
- Qué trazabilidad existe sobre quién usa qué y para qué.
Riesgo 2: modelos que toman decisiones imposibles de explicar
Otro punto crítico en seguros es la explicabilidad. No es lo mismo recomendar una serie que denegar un seguro de salud.
Sin gobierno del dato:
- Se entrenan modelos con históricos mal etiquetados o sesgados.
- Nadie documenta versiones, fuentes ni calidad de los datos de entrenamiento.
- Es imposible explicar a un cliente por qué su prima se ha disparado un 30%.
El resultado es doblemente negativo: pérdida de confianza del cliente y dudas regulatorias. Bajo Buenas Prácticas de la DGSFP y el futuro marco de IA, las aseguradoras tendrán que demostrar cómo llegan a ciertas decisiones automatizadas.
Riesgo 3: innovación dispersa, sin reutilizar activos de datos
Sin gobierno, cada área monta su propio “experimento de IA”:
- Modelos duplicados.
- Criterios distintos para definir un “siniestro grave”.
- Bases de datos paralelas sin sincronización con el core.
Eso no es innovación, es deuda técnica. El gobierno del dato obliga a hablar un mismo idioma y a construir sobre activos compartidos.
Qué significa “gobierno del dato” aplicado a IA en seguros
Gobierno del dato no es sólo normativa y comités. En la práctica, para una aseguradora española que quiere desplegar IA generativa y agentes inteligentes, implica al menos cinco bloques muy concretos.
1. Modelo de gobierno claro y aterrizado
Respuesta rápida: quién decide qué, con qué criterios y con qué responsabilidades.
Elementos clave:
- Comité de datos e IA con presencia de CIO, CISO, negocio, legal y riesgos.
- Políticas claras de uso de IA (qué se puede hacer y qué no, por rol).
- Designación de data owners por dominio (siniestros, pólizas, red comercial, etc.).
No hace falta un organigrama infinito, pero sí reglas sencillas que todo el mundo entienda.
2. Calidad y catalogación de datos
La IA generativa amplifica tanto lo bueno como lo malo. Si el dato es pobre, el modelo será pobre.
Pasos prácticos:
- Definir indicadores de calidad (completitud, duplicidades, errores básicos).
- Crear un catálogo de datos: qué tenemos, dónde está, quién lo usa.
- Establecer procesos de depuración continua, no sólo proyectos “one shot”.
He visto compañías mejorar un 30–40% la precisión de modelos de fraude sólo con mejor calidad de datos, sin cambiar el algoritmo.
3. Seguridad, privacidad y cumplimiento
En seguros en España, este punto no es negociable:
- Clasificación de datos (altamente sensibles, personales, internos, públicos).
- Controles de acceso por roles integrados con los sistemas de IA.
- Pseudonimización o anonimización para datos usados en entrenamiento.
- Registros de actividades de tratamiento alineados con el RGPD.
La gracia es que la seguridad no mate la agilidad, y eso exige automatizar lo máximo posible (por ejemplo, enmascarado de datos en entornos de prueba).
4. Ciclo de vida de modelos y agentes de IA
Gobernar el dato también es gobernar lo que hacemos con él cuando entrenamos modelos:
- Registro de modelos: propósito, datos usados, versión, propietario.
- Procedimientos de validación antes de pasar a producción.
- Monitorización continua de rendimiento y sesgos.
- Planes de retirada o sustitución de modelos obsoletos.
En IA generativa y agentes de IA agéntica, esto incluye:
- Control de qué fuentes internas puede consultar el agente.
- Limitación de acciones que puede ejecutar de forma autónoma.
- Registro de trazas para revisar decisiones a posteriori.
5. Capacitación y cultura de datos
Gobierno del dato sin cultura es papel mojado. En el mundo asegurador español, donde todavía conviven sistemas legacy y procesos muy manuales, la formación es la verdadera palanca:
- Formación específica para mediadores, peritos y tramitadores sobre qué datos pueden usar en herramientas de IA.
- Guías de uso rápido con ejemplos prácticos (qué está permitido, qué no).
- Espacios de feedback: que negocio pueda proponer nuevos casos de uso basados en datos sin miedo.
Cuando la gente entiende el porqué de las reglas, las respeta mucho más.
Cómo empezar: hoja de ruta realista para una aseguradora española
La buena noticia es que no hace falta montar un programa de tres años para empezar a hacer IA con gobierno del dato decente. Se puede avanzar por pasos, con foco en valor de negocio:
Paso 1: elegir 2–3 casos de uso de alto impacto
Por ejemplo:
- Tramitación inteligente de siniestros de auto.
- Asistente para mediadores que prepare propuestas multirramo.
- Análisis de documentos médicos para seguros de salud.
La clave es que tengan impacto visible en negocio y que toquen datos críticos, porque obligan a aplicar gobierno desde el inicio.
Paso 2: montar el “mínimo gobierno viable”
Antes de escribir una sola línea de código:
- Definir quién es el data owner del dominio.
- Establecer reglas básicas de qué datos se pueden usar y cómo.
- Documentar fuentes y criterios de calidad.
- Definir cómo se medirá éxito del caso de uso (KPIs de negocio y de riesgo).
No hace falta un manual de 80 páginas. Con 4–5 documentos claros se puede empezar.
Paso 3: desplegar IA en entorno controlado
- Entorno sandbox con datos pseudonimizados.
- Acceso controlado sólo a los equipos implicados.
- Revisiones quincenales con negocio, legal y seguridad.
Se trata de innovar rápido, pero con barandillas.
Paso 4: industrializar lo que funciona
Cuando un piloto demuestra valor:
- Integrarlo con el core asegurador y CRM.
- Documentar de forma formal el modelo y su ciclo de vida.
- Actualizar políticas de gobierno del dato con lo aprendido.
- Formar a los usuarios finales (tramitadores, mediadores, call center).
La pregunta que debería hacerse el CIO en cada paso es: “¿Esto que estamos montando lo podría auditar mañana la DGSFP o la AEPD sin que nos tiemble el pulso?”
De la teoría a la captación de negocio: por qué esto genera leads de verdad
Este blog forma parte de la campaña “IA para Seguros en España: Innovación Aseguradora”. El objetivo no es hablar de IA en abstracto, sino ayudar a las aseguradoras a transformar la curiosidad en proyectos que generen leads y primas nuevas.
Cuando IA y gobierno del dato van de la mano, pasan cosas muy concretas:
- Más leads cualificados: scoring inteligente de oportunidades y segmentación avanzada de clientes.
- Mejor conversión en venta cruzada: recomendaciones más afinadas basadas en datos bien gobernados.
- Retención más alta: detección de riesgo de fuga y ofertas personalizadas en el momento adecuado.
Y, sobre todo, se construye confianza. Un cliente confía más en una compañía que puede explicar claramente por qué le ofrece un seguro, en qué condiciones y qué datos ha usado para llegar a esa propuesta.
Próximo paso: convertir el gobierno del dato en ventaja competitiva
La visión de Manuel Ruiz resume muy bien el momento actual del sector asegurador en España: no tiene sentido frenar la innovación en IA, pero sí encauzarla con un gobierno del dato serio. El CIO que entienda esto antes que su competencia tendrá una ventaja clara.
Si estás en una aseguradora y reconoces algunos de los problemas que hemos comentado (herramientas de IA dispersas, datos duplicados, modelos poco explicables), el mejor momento para ordenar la casa es ahora, no después del primer susto regulatorio.
La pregunta ya no es si tu compañía va a usar IA en sus procesos clave de seguros. La pregunta es si lo hará con la suficiente disciplina de datos como para que esa apuesta genere negocio sostenible durante los próximos años.