Un siniestro de automóvil tarda, en promedio, 30 días en resolverse. Para una aseguradora que gestiona cientos de miles de expedientes al año, eso no es solo lentitud: son decenas de millones de libras atrapados en procesos que la inteligencia artificial podría ejecutar en minutos. Aviva, la mayor aseguradora general del Reino Unido, decidió que ya era suficiente.
La tramitación manual de siniestros es uno de los procesos más intensivos en mano de obra de todo el sector financiero. Los peritos coordinan múltiples sistemas desconectados, interpretan documentos no estructurados, toman decisiones de responsabilidad con información incompleta y consumen jornadas enteras en tareas que no requieren juicio humano. El resultado: liquidaciones lentas, volúmenes de reclamaciones altos, costes operativos en expansión y clientes esperando semanas respuestas que deberían llegar en horas. La dirección de Aviva concluyó que los retoques incrementales a este modelo no bastaban: lo que se necesitaba era reconstruir la operación de siniestros de raíz, con inteligencia artificial como columna vertebral.
El resultado es uno de los casos de transformación por IA mejor documentados de la industria aseguradora mundial. Trabajando con QuantumBlack, la unidad de IA de McKinsey, y con Orphoz, su brazo de consultoría de implementación, Aviva desplegó más de 80 modelos de machine learning a lo largo de todo el ciclo de vida del siniestro de motor. El resultado financiero: £60 millones ($82 millones) en ahorros verificables solo en 2024, comunicados directamente a sus inversores. El resultado operativo: las decisiones de responsabilidad en casos complejos se redujeron 23 días, las reclamaciones de clientes cayeron un 65% y la precisión en la asignación de expedientes mejoró un 30%.
Por qué los siniestros de motor son el campo de batalla perfecto para la IA — y por qué el sector tardó tanto en verlo
Los siniestros de automóvil tienen una característica que los hace especialmente aptos para la automatización con IA: son de alto volumen, ricos en datos y estructuralmente repetitivos. Cada expediente implica un conjunto definido de variables — tipo de incidente, daños al vehículo, contexto de responsabilidad, costes de reparación, informes médicos, declaraciones de testigos — y las decisiones que se toman en cada etapa siguen patrones aprendibles que los modelos de machine learning pueden replicar y mejorar a escala.
Sin embargo, el proceso tradicional distaba mucho de ser eficiente. Los peritos revisaban documentos manualmente en sistemas que no se comunicaban entre sí, cruzaban bases de datos, redactaban informes de responsabilidad desde cero y enrutaban los expedientes a través de cadenas de aprobación que podían extenderse durante semanas. En accidentes con múltiples partes implicadas — los casos con mayor probabilidad de generar disputas, litigios y quejas ante el regulador — la mera determinación de la responsabilidad podía consumir casi un mes. Para un cliente sin vehículo, esos 23 días de más significaban costes de alquiler, incertidumbre y una confianza en la aseguradora que se erosionaba día a día.
La brecha entre lo que la IA podía automatizar y lo que el sector seguía haciendo manualmente se había vuelto insostenible. Aviva fue la primera en actuar — y los resultados reescribieron lo que la industria creía posible.
La arquitectura de 80 modelos: cómo Aviva reconstruyó la tramitación desde cero
La transformación de Aviva no comenzó con algoritmos. Comenzó con infraestructura de datos. Antes de entrenar y desplegar un solo modelo, un equipo de más de 50 científicos de datos, ingenieros, responsables de negocio, especialistas en gestión del cambio e implementadores de los equipos de QuantumBlack y Orphoz de McKinsey tuvo que mapear, limpiar y estandarizar años de datos de siniestros dispersos en sistemas heredados que nunca habían sido diseñados para comunicarse entre sí.
El stack tecnológico resultante fue construido específicamente para la escala empresarial y el cumplimiento regulatorio. Dataiku, la plataforma de ciencia de datos e IA, actuó como capa de infraestructura central — consolidando el desarrollo de modelos, los pipelines de despliegue, los paneles de monitorización y los marcos de gobernanza en un único entorno. Appian, la plataforma de automatización de procesos low-code, gestionó la capa de negocio: enrutamiento de expedientes, activación de salidas de modelos en el momento preciso del workflow y garantía de que cada perito recibiera el análisis correcto en el momento correcto de su proceso. Tractable, especialista en IA para valoración de daños en vehículos, aportó modelos de visión artificial capaces de analizar imágenes fotográficas del siniestro y generar estimaciones de coste de reparación con una velocidad y consistencia que ningún perito humano podría igualar. Y como arquitecto del conjunto, QuantumBlack diseñó los más de 80 modelos de machine learning, cada uno apuntando a un punto de decisión específico del ciclo del siniestro.
Los modelos cubrieron el espectro completo: procesamiento de lenguaje natural para extraer y clasificar información de informes de incidentes no estructurados y declaraciones de testigos; machine learning para predecir resultados de responsabilidad a partir de patrones en miles de casos históricos; IA generativa para redactar borradores de informes de peritaje que los revisores humanos podían validar en minutos; y una capa de analítica de rendimiento en tiempo real con más de 50 KPIs que detectaba desviaciones y alimentaba ciclos de reentrenamiento continuo.
Los resultados que redefinieron el estándar del sector
Los datos de rendimiento del despliegue de Aviva son de los más específicos y verificables en la literatura de IA aseguradora — y resultan notables en todas las dimensiones medidas.
En velocidad: los casos complejos de responsabilidad, que anteriormente requerían investigación manual prolongada y coordinación entre múltiples partes antes de poder emitir una resolución, vieron su tiempo de tramitación reducido en 23 días. Para un cliente atrapado en un accidente con disputas de responsabilidad sin poder iniciar las reparaciones o recibir compensación, 23 días no es una mejora marginal — es la diferencia entre semanas de incertidumbre y un siniestro resuelto.
En precisión: el sistema de asignación inteligente de expedientes mejoró su precisión en un 30%. Menos casos en el departamento equivocado. Menos clientes repitiendo su historia a un tercero o cuarto agente. Menos escalados que consumían tiempo de peritos que debería haberse dedicado a los casos genuinamente complejos.
En experiencia del cliente: el volumen de reclamaciones ante el regulador cayó un 65%. En el mercado asegurador británico, donde las quejas conllevan obligaciones de reporte ante la FCA y un impacto directo en las tasas de renovación y el Net Promoter Score, una reducción del 65% es transformadora desde el punto de vista comercial.
En el resultado económico: las comunicaciones de Aviva a sus inversores confirmaron que la transformación con IA en siniestros de motor ahorró a la compañía más de £60 millones en 2024 — entre reducción de costes de tramitación, menores honorarios legales externos, liquidaciones más rápidas y ganancias de eficiencia al liberar a los peritos de tareas administrativas.
Aviva no es un caso aislado. Zurich Insurance desplegó IA para revisar documentación de siniestros y redujo el tiempo de procesamiento de 8 horas a 8 minutos por expediente — una mejora de 58× [DATO A VERIFICAR — fuente: athenagt.com]. Ping An Insurance en China ha automatizado aproximadamente el 60% de sus siniestros de accidentes y salud, con algunos casos sencillos liquidados en tan solo 51 segundos [DATO A VERIFICAR — fuente: getprosper.ai]. Entre 2024 y 2025, la proporción de aseguradoras con adopción plena de IA en sus operaciones saltó del 8% al 34% en un solo año [DATO A VERIFICAR — fuente: hyperleap.ai].
El principio de diseño que lo hizo posible: el humano en el bucle en cada decisión clave
Una de las decisiones arquitectónicas más importantes — y más replicables — que Aviva y QuantumBlack tomaron fue diseñar cada salida del modelo como una entrada para una decisión humana, no como una decisión final en sí misma. En cada etapa en la que la IA genera una recomendación — valoración de responsabilidad, lógica de asignación, borrador de informe — un perito cualificado revisa, valida y aprueba antes de que se ejecute ninguna acción.
Este diseño con supervisión humana cumplió dos propósitos a la vez. Primero, satisfizo los requisitos regulatorios que rigen la toma de decisiones en seguros en el Reino Unido: las decisiones finales completamente automatizadas conllevan un riesgo legal significativo bajo el Artículo 22 del RGPD y los requisitos del Consumer Duty de la FCA. Segundo, generó confianza genuina entre los propios peritos de Aviva. Los profesionales que podrían haber percibido la IA como una amenaza a sus puestos encontraron en cambio un sistema que amplificaba su capacidad — entregándoles análisis más ricos en menos tiempo y liberándoles para el trabajo que realmente requiere su juicio y experiencia.
La brecha entre los primeros en moverse y los rezagados en IA aseguradora ya no es una proyección — se mide en ratios de coste, en puntuaciones de satisfacción del cliente y en tasas de quejas regulatorias que aparecen en los informes anuales. Para aseguradoras medianas y regionales, las plataformas de Dataiku, Appian y Tractable ofrecen puntos de entrada independientes de un gran proyecto de consultoría. La arquitectura es replicable; la decisión de empezar es la única variable que aún queda por resolver.
Descubre más casos de uso y guías de automatización con IA en sityos.com — nueva guía publicada cada semana.
De la cadena de suministro a la atención al cliente y las operaciones legales, cada guía incluye datos reales, herramientas verificadas y el detalle de implementación que no encontrarás en ningún otro lugar.
Preguntas frecuentes
- ¿Es necesario contratar a McKinsey para desplegar IA en siniestros?
- No. El proyecto de Aviva con QuantumBlack y Orphoz refleja la escala de una transformación empresarial completa. Las aseguradoras medianas pueden comenzar con componentes individuales: Tractable para la valoración de daños por visión artificial, Appian para el enrutamiento de expedientes, o Dataiku para la orquestación y gobernanza de modelos. La mayoría de los despliegues exitosos comienzan con un único tipo de siniestro de alto volumen y baja complejidad — por ejemplo, colisiones leves — y amplían el portfolio de modelos de forma incremental.
- ¿Es legal la automatización de decisiones en siniestros en España y la UE?
- Las decisiones finales completamente automatizadas conllevan riesgos legales significativos. El Artículo 22 del RGPD reconoce el derecho de los interesados a no ser objeto de decisiones basadas únicamente en tratamiento automatizado que produzcan efectos jurídicos o les afecten significativamente. La Ley de IA de la UE (implementación por fases en 2025–2026) clasifica algunos sistemas de IA en seguros como de alto riesgo, exigiendo supervisión humana, transparencia y trazabilidad. El diseño de Aviva — con validación humana en cada etapa consecuente — es el modelo legalmente defensable y operativamente probado.
- ¿Cuánto tiempo tarda en aparecer el retorno de la inversión?
- La transformación completa de Aviva en siniestros de motor tardó aproximadamente 18–24 meses desde la auditoría de datos hasta el despliegue completo en producción. Sin embargo, despliegues individuales de modelos — una herramienta de valoración de daños o un modelo de NLP para la recepción del siniestro — pueden alcanzar producción en 3–6 meses. La mayoría de los despliegues empresariales documentados reportan ROI positivo dentro del primer año de operación en producción.
Los datos son concluyentes. La transformación ya está en marcha en toda la industria. Para los líderes aseguradores que aún están calibrando su estrategia de IA, la pregunta más relevante ya no es si deben actuar — es si la brecha entre quienes ya lo han hecho y quienes no se convertirá pronto en permanente.