Seguros de hogar: ¿Acabará la IA con la mutualización a través de la hipersegmentación?

¿Pueden la inteligencia artificial y los datos fragmentar los seguros hasta el punto de destruir el principio mismo de mutualización? Esta es una de las preguntas centrales de nuestro ebook «¿Cómo pueden la IA y los datos salvar al sector de los seguros? El ejemplo de los seguros de hogar en Francia», redactado por los expertos de Addactis. Este artículo constituye su primera parte: repasa los fundamentos técnicos de la mutualización, examina los excesos de ciertas prácticas de tarificación y muestra cómo, ante el aumento de los riesgos climáticos, la IA puede convertirse en una herramienta al servicio de una segmentación justa y una mutualización preservada.

En la era de los datos y la IA, algunos temen que la tecnología empuje a las aseguradoras hacia la hipersegmentación, socavando el principio de mutualización del riesgo que sustenta el seguro.
Al permitir una comprensión detallada del riesgo, los datos y la IA ofrecerían a las aseguradoras una nueva oportunidad para segmentar sus carteras, adaptar y «granularizar» sus políticas de tarificación en función de los riesgos individuales y, de este modo, promover la inasegurabilidad mediante normas de suscripción o tarificaciones individualizadas.

Esta visión distópica amenaza no solo con excluir a los más vulnerables o a quienes corren mayor riesgo, sino, sobre todo, con socavar tanto el contrato social del seguro como sus fundamentos técnicos. De hecho, excluiría a todo un segmento de la población de las prestaciones del seguro (los que más lo necesitan) y obligaría a los demás a pagar una prima equivalente al coste de su riesgo (en un enfoque financiero similar al del seguro de vida con una única mutualización a lo largo del tiempo, en el que todos saben que morirán, y solo el momento es incierto).

Conviene recordar aquí que todas las operaciones de seguro se basan en el doble principio de mutualización y segmentación. El seguro es, en esencia, simplemente un fondo común al que contribuyen los miembros (un segmento) para que quienes sufran una pérdida puedan ser indemnizados mediante el uso del fondo acumulado (la mutualización de riesgos previamente definida a través de la indemnización por las pérdidas sufridas). Los miembros de esta comunidad pueden acordar pagar por la gestión en proporción al servicio prestado, devolviendo cualquier excedente tras un período determinado, del mismo modo que son responsables de contribuir al fondo si este se vuelve insuficiente.

La mutualización del riesgo se produce a lo largo del tiempo (aléa), en función de la probabilidad de que se produzca (exposición) y de las consecuencias si el riesgo se materializa (vulnerabilidad), y se aplica a un grupo homogéneo de asegurados con niveles de riesgo similares o que, como mínimo, acuerdan mutualizar sus riesgos entre ellos durante un período determinado. Todos los productos de seguros se segmentan, por tanto, primero en grupos de riesgo homogéneos, aunque solo sea en términos de cobertura y tarifas, y luego tratan de ampliar su alcance para dispersar aún más los riesgos. La mutualización y la segmentación son, por lo tanto, complementarias e inseparables, y la segmentación sirve para preservar la mutualización dentro de un segmento definido y aceptado por los asegurados.

Además, en los últimos treinta años, el sector de los seguros se ha financiarizado cada vez más en todo el mundo, lo que ha introducido estrictas restricciones de rentabilidad en un contexto de mayor competencia. En principio, las primas no solo deben cubrir los siniestros y los gastos administrativos, sino también financiar el desarrollo, el marketing y la publicidad y, sobre todo, garantizar la solvencia y proporcionar una rentabilidad sobre el capital. En esta ecuación fundamental del seguro, la mutualización ha dado en ocasiones prioridad a cuestiones de rentabilidad y rendimiento de la inversión, con varias consecuencias técnicas fundamentales, en particular la implementación de la hipersegmentación y la aparición de sistemas de optimización de precios.

La «price optimisation», por ejemplo, basada en el comportamiento de compra («customer behavior»), consiste en determinar no la prima pura más justa desde el punto de vista actuarial para el segmento, sino la prima más ventajosa para la aseguradora, teniendo en cuenta lo que el asegurado está dispuesto a pagar por su póliza o los niveles de primas de la competencia. Esta práctica, que va en contra de la mutualización al crear una discriminación casi sistemática contra los asegurados existentes en favor de los nuevos clientes, está siendo cada vez más restringida o prohibida por los reguladores.

Con los datos y la IA, la aseguradora vuelve entonces a sus fundamentos como actor de la economía del reparto: conocer, comprender y gestionar el riesgo para asegurarlo y organizar un acuerdo de reparto con los asegurados, tomando medidas preventivas o mitigadoras.

El verdadero reto, por lo tanto, es lograr una segmentación «adecuada», basada en el riesgo real, que garantice que la mutualización se ajuste a las decisiones «políticas» y estratégicas de la aseguradora, incorporando diversos grados de normas basadas en la solidaridad o en la equidad.

El ejemplo del Multirriesgo de Hogar (MRH) en Francia demuestra que la IA y los datos contribuirán, por el contrario, a garantizar la viabilidad a largo plazo de la mutualización y los principios mismos del seguro, en un sector y un tipo de seguro que, sin embargo, se han visto gravemente perturbados por los efectos del cambio climático y las catástrofes naturales. Esto se debe a que los riesgos climáticos, que representaban el 10 % de la prima pura hace diez años, suponen ahora aproximadamente el 30 %. Y se están convirtiendo en una de las principales fuentes de vulnerabilidad en el mercado de los seguros. Cuando el clima transforma el riesgo en una certeza casi absoluta, pone en tela de juicio el principio mismo del seguro; la única mutualización posible es entonces la distribución temporal del gasto. En su «Informe de Riesgos Globales de las Naciones Unidas» de finales de 2023, la ONU incluyó la inasegurabilidad entre los «seis peligros que amenazan a la humanidad y al planeta», advirtiendo de que, a medida que aumenten los desastres naturales, las aseguradoras podrían retirarse, lo que haría que ciertas zonas resultaran inasegurables. El informe no se limitaba a referirse a desastres aislados, sino que advertía de que, si los sistemas de seguros, esenciales para la resiliencia social, dejaran de funcionar gradualmente, esto conduciría al colapso o al desmoronamiento de todo el sistema.

E incluso sin tener en cuenta los riesgos relacionados con el clima, el seguro de hogar en Francia no es, sin embargo, inmune a los otros numerosos y crecientes retos a los que se enfrentan todos los modelos de seguros en todo el mundo. El reto radica en gestionar un modelo basado en un equilibrio muy precario entre, por un lado, los costes del riesgo, que se conocen cada vez con mayor precisión gracias a la IA y los datos, y, por otro, múltiples limitaciones que van desde la aceptabilidad social de la mutualización hasta las crecientes exigencias de los reguladores, por no mencionar la necesaria rentabilidad de la cartera.

Si bien los modelos basados en datos de experiencia siguen siendo el estándar de referencia técnico, estamos asistiendo a un cambio diario en favor de la IA y los datos, que por sí solos demuestran ser capaces de modelar la ocurrencia de eventos sin datos de experiencia utilizables y la vulnerabilidad de los edificios con un alto grado de precisión.

Hoy en día, todas las aseguradoras saben que los datos externos ya pueden sustituir a los datos de experiencia a la hora de suscribir nuevas pólizas. En el caso del MRH, los datos de experiencia por sí solos resultarán de poca utilidad si se analizan de forma aislada para evaluar el riesgo de una tormenta centenaria, ya que la vulnerabilidad de cada edificio variará enormemente ante este riesgo sin precedentes para la aseguradora. Por el contrario, disponer de datos sobre la vulnerabilidad sin datos sobre la exposición del edificio resultaría igualmente limitante.

Así, en Bretaña, una casa centenaria bien orientada respecto a los vientos y construida para resistir los elementos podría resultar más resiliente ante una tormenta que una casa más nueva con un diseño más original, pero que no está construida de forma inherente para soportar tormentas excepcionales. Por el contrario, una casa nueva podría beneficiarse de avances significativos en la construcción si cumple plenamente con las últimas normas en la materia. Sin embargo, estas tres casas se agrupan en la cartera de la aseguradora, y la diferencia en la vulnerabilidad no se refleja necesariamente en la prima.

Los modelos de coste del riesgo actuales se basan en:

• Modelos de aléa con escenarios de eventos basados en la ubicación, la intensidad y la frecuencia de ocurrencia,
• Cálculos de la exposición de los inmuebles asegurados en cartera, los valores asegurados, las pólizas en vigor y los riesgos cubiertos,
• Hipótesis de vulnerabilidad para cuantificar los daños en función del aléa,
• Un modelo financiero integral para traducir los daños calculados anteriormente en costes potenciales de siniestros según las condiciones del seguro (y los impactos del reaseguro).

Si bien es esencial conocer las zonas expuestas a los distintos riesgos climáticos y la evolución de los fenómenos con el cambio climático (en particular, los cambios en los períodos de retorno de los distintos niveles de intensidad), resulta aún más crítico gestionar el riesgo específico de cada bien en cartera ante estos riesgos.

En un reciente libro blanco titulado «¿Sigue siendo suficiente el enfoque de exposición geográfica para los seguros?», Addactis demostró que la cartografía de los riesgos y los niveles de exposición territorial debe incorporar necesariamente un conocimiento detallado y localizado de la vulnerabilidad intrínseca de cada edificio asegurado.

Las predicciones de los modelos de IA de Addactis han sido confirmadas por los resultados observados en un gran número de carteras. Estas revelan disparidades significativas entre las diferentes estimaciones de cargas, ya que las discrepancias van frecuentemente del simple al doble, lo que subraya la necesidad de un conocimiento profundo de cada bien. El enfoque a nivel de edificio (y no solo de la dirección, ya que la discrepancia entre la dirección y el edificio puede tener un impacto significativo en ciertos riesgos, como el riesgo de inundación) mejora fundamentalmente la comprensión precisa de las exposiciones y los riesgos reales incurridos durante un evento climático.

De hecho, es gracias a la IA y a los datos externos sobre aléa, exposición y vulnerabilidad que las aseguradoras actuales podrán preservar la asegurabilidad de los inmuebles en todo el territorio y salvaguardar la sostenibilidad de sus modelos de seguros basados en distintos niveles de solidaridad y mutualización. La IA se convierte así en una verdadera herramienta al servicio del pilotaje y del control de la mutualización en el MRH.

La oposición entre mutualización y segmentación es un debate falso: ambas son inseparables desde los orígenes del seguro. Lo que está en juego hoy es la calidad de la segmentación. Las aseguradoras que integren el conocimiento granular del riesgo a nivel de edificio, mediante IA y datos, podrán gestionar sus carteras con equidad, precisión y resiliencia frente a los riesgos climáticos. Las que prescindan de ello se expondrán a una anti-selección silenciosa y progresiva.

Para profundizar, descubra nuestro ebook «¿Cómo pueden la IA y los datos salvar al sector de los seguros? El ejemplo de los seguros de hogar en Francia», redactado por los expertos de Addactis.