IA actuarial: estructurar el conocimiento de negocio para una IA fiable y explicable

Las aseguradoras cuentan condécadas de normas profesionales, modelos actuariales, documentación y experiencia acumulada. Sin embargo, gran parte de este conocimiento sigue disperso y es difícil de aprovechar. Con la IA generativa y agentiva, la pregunta adquiere una nueva dimensión: el reto ya no es solo elegir el modelo más potente, sino transmitirle ese conocimientoprofesional.

Este fue el tema del pódcast del Institut des Actuaires (France), en el que participaron Antoine Gruet, Head of Data & AI en Addactis, y Kévin Poulard, Actuarial AI Solutions Lead. Este artículo recopila los puntos clave de su conversación: qué abarca el conocimiento del sector, por qué siguesin aprovecharse al maximo, cómo integrarlo en un sistema de IA y qué cambia en términos de explicabilidad, trazabilidad y papel del actuario.

En la IA predictiva, el origen del valor está claro: reside ante todo en los datos de entrenamiento. En la IA generativa y, la lógica es distinta. Los grandes modelos de lenguaje (LLM) son hoy, en su inmensa mayoría, genéricos. Sin conocimiento del sector, sin herramientas, sin documentaciónm, ni fórmulas, su valor añadido es limitado.

El valor se encuentra en tres niveles: la definición precisa de la necesidad de negocio, su traducción técnica en el sistema y los conocimientos especializados a los que tendrá acceso la IA.
Un modelo entrenado con datos públicos se apoya en información a menudo poco específica, no siempre validada y, en ocasiones, obsoleta. En un ámbito tan especializado como el actuarial, su rendimiento es logicamente menor y menos fiable.

El conocimiento del negocio no es una simple recopilación de documentos. Es todo aquello que permite transformar una necesidad en una decisión pertinente. Se estructura en cuatro bloques:

• La necesidad: qué problema hay que resolver, para qué usuario y qué se espera de una buena respuesta.
• Los recursos: datos, modelos, hipótesis, reglas de gestión y referencias regulatorias.
• Las medidas de seguridad: controles, excepciones y límites de uso. Es decir, cuándo utilizar un resultado y cuándo cuestionarlo.
• La experiencia adquirida: decisiones pasadas, correcciones y aprendizajes de la práctica.

Esa es la diferencia entre información y conocimiento. Una regla se convierte en conocimiento profesional cuando se sabe por qué, cómo y dentro de qué límites aplicarla.

Este conocimiento existe en todas las compañías de seguros, pero sigue poco aprovechado. Es a la vez profundo y amplio, y está repartido entre muchas personas y equipos. No siempre está escrito: una parte importante reside en las prácticas orales y evoluciona de forma continua.

Por lo tanto, la documentación existenteno basta. El enfoque consiste en dotar a la IA de herramientas y medios de control fiables, a ser posible deterministas, para consultar estos recursos. La IA actúa entonces como unaa guía, en lugar de asumirlo todo ella misma. El método depende del caso de uso: un chatbot que explica una norma a partir de la documentación disponible no plantea los mismos retos que una solución de cálculo de reservas, donde se trata sobre todo de traducir el conocimiento en fórmulas y métricas de optimización.

Esto requiere perfiles capaces de actuar como puentes entre la experiencia actuarial y las competencias técnicas (software, seguridad, IA). Es una barrera de entrada y una ventaja diferencial para las organizaciones que reúnen estas competencias.

Distinguimos tres nociones. La explicabilidad permite comprender un resultado. La trazabilidad permite recuperar lo que el sistema ha utilizado realmente. La fiabilidad consiste en verificar que funciona correctamente en el ámbito para el que fue diseñado.

Una justificación redactada a posteriori, por convincente que sea, no es una prueba. Hay que poder localizar las fuentes consultadas, los datos utilizados, las reglas y fórmulas aplicadas y las herramientas empleadas. Cuando sea necesario realizar uncálculo, este debe confiarse a una herramienta controlada y no a la IA. Por ejemplo, si se pregunta por qué ha variado un resultado IFRS 17, el sistema debe identificar los elementos que han cambiado, rastrear las dependencias de cálculo y distinguir los hechos de su interpretación.

La fiabilidad se mide y se mantiene: pruebas con casos representativos y casos límite antes de la puesta en marcha, capacidad para solicitar una aclaración o de abstenerse y, después, seguimiento del rendimiento a medida que evolucionan los datos, los usos y la normativa. Para una aseguradora, fiable no significa infalible, sino probado, trazable, supervisado y cuestionable.

Una IA puede optimizar lo que se le pide, pero no puede decidir por sí sola qué hay que optimizar. El actuario  es quien marca el rumbo: qué problemas resolver, qué es una buena respuesta, qué criterios ponderar. En el cálculo de reservas, elegir el método que mejor reproduce el pasado no basta. También hay que tener en cuenta la evolución de la cartera, la calidad de los datos, la estabilidad entre dos cierres y la capacidad de justificar la elección.

El actuario define después el marco de validez: datos, métodos y reglas aplicables, propios de cada compañía. Una IA generalista no puede conocerlos si no se le transmiten. Por último, aporta su juicio profesional para decidir en condiciones de incertidumbre y saber cuándo el sistema debe devolverle el control. De ahí el mensaje dirigido a los actuarios: no quedarse al final de la cadena. Sin convertirse en ingenieros de IA, se trata de comprender estos sistemas lo suficiente para mantener el control de lo que se les delega y contribuir a su diseño.

El valor de una IA actuarial depende menos de la potencia del modelo que del conocimiento de negocio que la alimenta: una necesidad bien definida, recursos estructurados, medidas de seguridad explícitas y una experiencia acumulada. Es esta estructuración la que hace posible una IA explicable, trazable y fiable, siempre que se reúnan experiencia actuarial, competencias de software e IA.

Este trabajo no termina con la puesta en marcha. Los productos y la normativa evolucionan: un sistema pertinente hoy deberá ser cuestionado, enriquecido y, a veces, corregido. Los actuarios tienen un papel central que desempeñar.