Un sinistre d'automòbil triga, de mitjana, 30 dies a resoldre's. Per a una asseguradora que gestiona centenars de milers d'expedients l'any, això no és tan sols lentitud: és una ineficiència de desenes de milions de lliures que la intel·ligència artificial podria eliminar en qüestió de mesos. Aviva, el major assegurador general del Regne Unit, va decidir que n'hi havia prou.
La tramitació manual de sinistres és un dels processos amb una càrrega de treball més alta de tot el sector financer. Els perits han de coordinar sistemes desconnectats, interpretar documents no estructurats, prendre decisions de responsabilitat amb informació incompleta i dedicar jornades senceres a tasques que no requereixen cap judici humà. El resultat: liquidacions lentes, volums elevats de reclamacions, costos operatius creixents i clients que esperen setmanes respostes que haurien d'arribar en hores. La direcció d'Aviva va concloure que les millores incrementals sobre aquest model eren insuficients: el que calia era reconstruir l'operació de sinistres des de zero, amb la intel·ligència artificial com a columna vertebral.
El resultat és un dels casos de transformació per IA més ben documentats de la indústria asseguradora mundial. Treballant amb QuantumBlack, la unitat d'IA de McKinsey, i amb Orphoz, el seu braç de consultoria d'implementació, Aviva va desplegar més de 80 models de machine learning al llarg de tot el cicle de vida del sinistre de motor. El resultat financer: £60 milions ($82 milions) en estalvis verificables només el 2024, comunicats directament als inversors. El resultat operatiu: les decisions de responsabilitat en casos complexos es van retallar 23 dies, les reclamacions de clients van caure un 65% i la precisió en l'assignació d'expedients va millorar un 30%.
Per què els sinistres de motor són el laboratori ideal per a la IA — i per què el sector va trigar tant a reconèixer-ho
Els sinistres d'automòbil reuneixen una característica que els fa especialment aptes per a l'automatització amb IA: són d'alt volum, rics en dades i estructuralment repetitius. Cada expedient implica un conjunt definit de variables — tipus d'incident, danys al vehicle, context de responsabilitat, costos de reparació, informes mèdics, declaracions de testimonis — i les decisions que es prenen en cada etapa segueixen patrons aprensibles que els models de machine learning poden reproduir i millorar a escala.
Malgrat aquesta previsibilitat estructural, el procés tradicional era qualsevol cosa menys eficient. Els perits revisaven documents manualment en sistemes que no es comunicaven entre ells, creuaven bases de dades, redactaven informes de responsabilitat des de zero i enrutaven els expedients a través de cadenes d'aprovació que podien allargar-se durant setmanes. En accidents amb múltiples parts implicades — els casos amb més probabilitat de generar disputes, litigis i queixes davant el regulador — la simple determinació de la responsabilitat podia consumir gairebé un mes. Per a un client sense vehicle, aquells 23 dies de més significaven costos de lloguer, incertesa i una confiança en l'asseguradora que s'erosionava dia a dia.
La bretxa entre allò que la IA podia automatitzar i allò que el sector seguia fent manualment s'havia tornat insostenible. Aviva va ser la primera a actuar — i els resultats van reescriure el que la indústria creia possible.
L'arquitectura de 80 models: com Aviva va reconstruir la tramitació des dels fonaments
La transformació d'Aviva no va començar amb algoritmes. Va començar amb infraestructura de dades. Abans d'entrenar i desplegar un sol model, un equip de més de 50 científics de dades, enginyers, responsables de negoci, especialistes en gestió del canvi i implementadors dels equips de QuantumBlack i Orphoz de McKinsey va haver de cartografiar, netejar i estandarditzar anys de dades de sinistres dispersos en sistemes heretats que mai havien estat dissenyats per comunicar-se.
L'stack tecnològic resultant va ser construït específicament per a l'escala empresarial i el compliment regulatori. Dataiku, la plataforma de ciència de dades i IA, va actuar com a capa d'infraestructura central — consolidant el desenvolupament de models, els pipelines de desplegament, els taulers de monitorització i els marcs de governança en un únic entorn. Appian, la plataforma d'automatització de processos low-code, va gestionar la capa de negoci: enrutament d'expedients, activació de les sortides dels models en el moment precís del flux de treball i garantia que cada perit rebés l'anàlisi correcta en el moment adequat del seu procés. Tractable, especialista en IA per a la valoració de danys en vehicles i propietats, va aportar models de visió artificial capaços d'analitzar imatges fotogràfiques del sinistre i generar estimacions de cost de reparació amb una velocitat i consistència que cap perit humà no podria igualar. I com a arquitecte del conjunt, QuantumBlack va dissenyar els més de 80 models de machine learning, cadascun orientat a un punt de decisió específic del cicle del sinistre.
Els models van cobrir tot l'espectre: processament del llenguatge natural per extreure i classificar informació d'informes d'incidents no estructurats i declaracions de testimonis; machine learning per predir resultats de responsabilitat a partir de patrons en milers de casos històrics; IA generativa per redactar esborranys d'informes de peritatge que els revisors humans podien validar en minuts; i una capa d'analítica de rendiment en temps real amb més de 50 KPIs que detectava desviacions i alimentava cicles de reentrenament continu.
Els resultats que van redefinir el referent del sector
Les dades de rendiment del desplegament d'Aviva figuren entre les més específiques i verificables de la literatura d'IA asseguradora — i destaquen en totes les dimensions mesurades.
En velocitat: els casos complexos de responsabilitat, que anteriorment requerien una investigació manual prolongada i la coordinació entre múltiples parts abans d'emetre una resolució, van veure el seu temps de tramitació retallat en 23 dies. Per a un client atrapat en un accident amb disputes de responsabilitat a l'espera d'iniciar reparacions o rebre una compensació, 23 dies no és una millora marginal — és la diferència entre setmanes d'incertesa i un sinistre resolt.
En precisió: el sistema d'assignació intel·ligent d'expedients va millorar la seva precisió un 30%. Menys casos al departament equivocat. Menys clients repetint la seva història a un tercer o quart agent. Menys escalats que consumien el temps de perits que hauria d'haver-se dedicat als casos genuïnament complexos.
En experiència del client: el volum de reclamacions davant el regulador va caure un 65%. En el mercat assegurador britànic, on les queixes comporten obligacions d'informe davant la FCA i un impacte directe en les taxes de renovació i el Net Promoter Score, una reducció del 65% és comercialment transformadora.
En el resultat econòmic: les comunicacions d'Aviva als seus inversors van confirmar que la transformació amb IA en sinistres de motor va estalviar a la companyia més de £60 milions el 2024 — entre reducció de costos de tramitació, menors honoraris legals externs, liquidacions més ràpides i guanys d'eficiència a mesura que els perits van poder centrar-se en la feina d'alt valor que requereix veritablement el seu judici.
Aviva no és un cas aïllat. Zurich Insurance va desplegar IA per revisar documentació de sinistres i va reduir el temps de processament de 8 hores a 8 minuts per expedient — una millora de 58× [DATO A VERIFICAR — font: athenagt.com]. Ping An Insurance a la Xina ha automatitzat aproximadament el 60% dels seus sinistres d'accidents i salut, amb alguns casos senzills liquidats en tan sols 51 segons [DATO A VERIFICAR — font: getprosper.ai]. Entre el 2024 i el 2025, la proporció d'asseguradores amb adopció plena d'IA en les seves operacions va saltar del 8% al 34% en un sol any [DATO A VERIFICAR — font: hyperleap.ai].
El principi de disseny que ho va fer possible: la supervisió humana en cada decisió conseqüent
Una de les decisions arquitectòniques més importants — i més replicables — que Aviva i QuantumBlack van prendre va ser dissenyar cada sortida del model com una entrada per a una decisió humana, no com una decisió final en si mateixa. En cada etapa en la qual la IA genera una recomanació — valoració de responsabilitat, lògica d'assignació, esborrany d'informe — un perit qualificat revisa, valida i aprova abans que s'executi cap acció.
Aquest disseny amb supervisió humana va complir dos propòsits simultàniament. Primer, va satisfer els requisits regulatoris que regeixen la presa de decisions en assegurances al Regne Unit: les decisions finals completament automatitzades comporten un risc legal significatiu sota l'Article 22 del RGPD britànic i els requisits del Consumer Duty de la FCA. La Llei d'IA de la UE (implementació per fases el 2025–2026) classifica alguns sistemes d'IA en assegurances com d'alt risc, exigint supervisió humana, transparència i traçabilitat. Segon, va generar confiança genuïna entre els propis perits d'Aviva: professionals que podrien haver percebut la IA com una amenaça als seus llocs de treball van trobar en canvi un sistema que amplificava la seva capacitat — lliurant-los anàlisis més riques en menys temps i alliberant-los per a la feina que requereix veritablement el seu criteri i experiència.
La bretxa entre els primers a moure's i els que s'endarrereixen en IA asseguradora ja no és una projecció — es mesura en ràtios de cost, en puntuacions de satisfacció del client i en taxes de queixes regulatòries que apareixen als informes anuals. Per a asseguradores mitjanes i regionals, les plataformes de Dataiku, Appian i Tractable ofereixen punts d'entrada independents d'un gran projecte de consultoria. L'arquitectura és replicable; la decisió de començar és l'única variable que queda per resoldre.
Descobreix més casos d'ús i guies d'automatització amb IA a sityos.com — nova guia publicada cada setmana.
De la cadena de subministrament a l'atenció al client i les operacions legals, cada guia inclou dades reals, eines verificades i el detall d'implementació que no trobaràs en cap altre lloc.
Preguntes freqüents
- Cal contractar McKinsey per desplegar IA en sinistres?
- No. El projecte d'Aviva amb QuantumBlack i Orphoz reflecteix l'abast d'una transformació empresarial completa. Les asseguradores mitjanes poden començar amb components individuals: Tractable per a la valoració de danys per visió artificial, Appian per a l'enrutament d'expedients, o Dataiku per a l'orquestració i governança de models. La majoria dels desplegaments exitosos comencen amb un únic tipus de sinistre d'alt volum i baixa complexitat — per exemple, col·lisions lleus — i amplien el portfolio de models de manera incremental.
- És legal l'automatització de decisions en sinistres a Espanya i la UE?
- Les decisions finals completament automatitzades comporten riscos legals significatius. L'Article 22 del RGPD reconeix el dret dels interessats a no ser objecte de decisions basades únicament en tractament automatitzat que produeixin efectes jurídics o els afectin significativament. La Llei d'IA de la UE (aplicació per fases el 2025–2026) classifica alguns sistemes d'IA en assegurances com d'alt risc, exigint supervisió humana, transparència i auditabilitat. El disseny d'Aviva — amb validació humana en cada etapa conseqüent — és el model legalment defensable i operativament provat.
- Quant triga a aparèixer el retorn de la inversió?
- La transformació completa d'Aviva en sinistres de motor va trigar aproximadament 18–24 mesos des de l'auditoria de dades fins al desplegament complet en producció. Tanmateix, desplegaments individuals de models — una eina de valoració de danys o un model de PNL per a la recepció del sinistre — poden arribar a producció en 3–6 mesos. La majoria dels desplegaments empresarials documentats reporten ROI positiu dins del primer any d'operació en producció.
Les dades són concloents. La transformació ja és en marxa a tota la indústria. Per als líders asseguradors que encara estan calibrant la seva estratègia d'IA, la pregunta més rellevant ja no és si han d'actuar — és si la bretxa entre els que ja ho han fet i els que no es tornarà aviat permanent.