¿Cómo sustituirán las aseguradoras de MRH que utilizan la IA a aquellas que no la utilizan?

El verdadero debate no es, por tanto, el de la segmentación frente a la mutualización, sino el de la selección de riesgos (pro-selección frente a anti-selección).

Tampoco se trata de una lucha entre aseguradoras «virtuosas» que agrupan riesgos sin IA y aseguradoras «codiciosas» que segmentan utilizando IA. Podemos parafrasear esto apostando a que los datos y la IA no sustituirán a los seguros, pero afirmando con casi total certeza que las aseguradoras que utilicen IA sustituirán a las que no la utilicen.

El impacto del conocimiento granular del riesgo es, sin duda, significativo para los actores del MRH. Hasta que se adquiera este conocimiento granular, la multitud de fenómenos climáticos dará lugar alternativamente a sorpresas agradables o desagradables, dependiendo de la naturaleza aleatoria de la «mezcla de riesgos» suscrita en las zonas afectadas.

Por el contrario, el desconocimiento granular plantea inevitablemente la cuestión de cómo medir la mutualización de los riesgos en cartera en un territorio determinado. Cada actor debe abordar esta cuestión a la luz de sus propias características y política de suscripción.

Si este conocimiento lo poseen solo unos pocos actores del mercado, parece inevitable un fenómeno de pro-selección, ya que estos actores seleccionarán inevitablemente los inmuebles más resilientes, especialmente en zonas de alto riesgo, aunque solo sea para cumplir con las nuevas normas de mutualización impuestas por las autoridades públicas. Otros actores que carezcan de este conocimiento se enfrentarán, sin darse cuenta, a una anti-selección en relación con los riesgos más vulnerables en estas zonas sensibles. Este escenario, que conduce a una asimetría significativa entre las aseguradoras, es, por supuesto, indeseable para el equilibrio del mercado, ya que pone en tela de juicio el principio mismo del seguro y la asegurabilidad de un riesgo en un sector determinado o para edificios específicos.

Los nuevos entrantes también suponen una amenaza significativa porque, gracias a la IA y a la selección de riesgos, pueden perfeccionar sus modelos atrayendo a los buenos riesgos mediante tarifas o condiciones más adaptadas, captando así una cuota de mercado que resulta vital para el equilibrio de las carteras existentes. Estos nuevos entrantes pueden centrarse en un segmento de buenos riesgos utilizando únicamente datos externos (sin datos de experiencia) y, de este modo, amenazar el equilibrio de las carteras de las aseguradoras consolidadas. Quienes pagaban más del coste de su riesgo se ven así animados a «agruparse» con otros que son menos arriesgados para pagar menos, al tiempo que mantienen una rentabilidad superior a la del nuevo entrante. Este peligro se ve agravado por la financiarización del sector y la búsqueda de beneficios fáciles e inmediatos a expensas de la mutualización aseguradora y los principios de solidaridad.

Los nuevos actores para quienes el seguro es meramente una puerta de entrada a una gama más amplia de servicios también pueden aprovechar la IA y los datos externos para ofrecer productos de seguro (mientras que la falta de datos de experiencia, la comprensión limitada de los riesgos y la baja rentabilidad del sector les impedían anteriormente hacerlo). La experiencia pasada y la cuota de mercado ganada por los nuevos entrantes que eran las empresas de bancaseguros en las décadas de 1970 y 1980 demuestran que el peligro es muy real.

Por último, la normativa sobre seguros, que antes protegía a los actores ya establecidos, podría, por el contrario, con las nuevas disposiciones sobre datos e IA, penalizarlos y favorecer a los nuevos entrantes (aseguradoras, comparadores, corredores y distribuidores). El Reglamento FIDA y la obligación de que las aseguradoras consolidadas compartan datos sobre primas y coberturas ilustran a la perfección la pérdida de valor de los datos de experiencia de estas aseguradoras y podrían favorecer «indebidamente» a los operadores disruptivos.

El deseo de los poderes públicos de proteger a los consumidores es sin duda loable, pero, lamentablemente, puede dar lugar a efectos perversos por desconocimiento de las técnicas aseguradoras.

Si bien esta falta de utilización de los datos y la IA socava gravemente el posicionamiento competitivo, también debilita la cadena de valor de la gestión de clientes.

En primer lugar, una comprensión más detallada y granular del riesgo permite adaptar la cobertura a las necesidades del asegurado. En este caso, la IA permite a la aseguradora satisfacer las necesidades exactas de cobertura de cada asegurado teniendo en cuenta las características reales y recientes del edificio asegurado. La aseguradora puede ajustar simultáneamente la prima, protegerse de una oferta competitiva similar aumentando la satisfacción del asegurado, y reducir el riesgo de insatisfacción significativa o litigio en caso de siniestro.

Los datos externos también ayudan a agilizar el proceso de suscripción, sobre todo al reducir el número de preguntas que formula la aseguradora y minimizar los errores. En un mercado online donde la competencia es feroz y el tiempo que se tarda en contratar una póliza de seguro se mide en minutos, los datos externos resultan esenciales para reducir la cantidad de información que es necesario recopilar.

Cuanto más automatizado está un proceso de suscripción, más crucial resulta la información externa sobre el inmueble asegurado para identificar posibles riesgos no estándar, organizar la posible intervención del suscriptor para una identificación más precisa del inmueble y considerar una tarificación adecuada.

Por último, el problema de una prima que no se ajusta al riesgo de un edificio no puede resolverse únicamente aumentando la prima, rescindiendo la póliza o negándose a emitir el contrato. Reducir el coste de la cobertura para que la prima sea aceptable puede requerir modificar el contrato para que resulte asequible, y existe una serie de soluciones bien conocidas (franquicias, límites de cobertura, etc.).

Por último, uno de los riesgos operativos a tener en cuenta es el uso «ciego» de la IA. De hecho, sin un marco estratégico, las herramientas de IA pueden:

• Generar segmentaciones de «cajas negras» desconectadas de la estrategia de mutualización,
• Suscribir riesgos a ciegas basándose en «alucinaciones» que suponen un riesgo importante para la aseguradora,
• Fomentar un enfoque puramente técnico y financiero,
• Despojar a las aseguradoras de su pilotaje al confiar sus datos y decisiones a terceros o a herramientas de software que incorporan IA.

La adopción de la IA y los usos futuros de la Agentic AI requieren una comprensión más profunda de los modelos utilizados (en la suscripción, la tarificación y la adaptación del producto) y de los riesgos cubiertos (con la mayor granularidad posible). En pocas palabras, si existe una multitud de opciones de cobertura y tarifas, debe ser posible determinar por qué y cómo se aplicaron dicha cobertura y tarifa y, si es necesario, explicar y defender el modelo ante el regulador.

Los datos a nivel de edificio permiten una segmentación más detallada dentro de unos límites social y estratégicamente aceptables. De este modo, pueden contribuir a limitar la inasegurabilidad únicamente a los edificios en cuestión, al evaluar el riesgo de cada vivienda individual, en lugar de excluir o retirar la cobertura a toda una calle, municipio o región. Los datos a nivel de edificio hacen que las construcciones sean asegurables incluso cuando se encuentran en zonas consideradas inasegurables, al permitir a las aseguradoras identificar viviendas resilientes en zonas de alto riesgo.

Disponer de los datos, atributos y puntuaciones de riesgo más granulares posibles (a nivel de edificio) es la única forma de gestionar verdaderamente el equilibrio de la cartera y la mutualización de riesgos con pleno conocimiento y de acuerdo con la estrategia y los principios de la aseguradora (apetito al riesgo, grado de solidaridad, etc.).

Los datos de los edificios ya no son una ventaja opcional: son el cimiento sobre el que descansa el equilibrio técnico de las carteras de MRH. Sin ellos, una aseguradora se expone a una anti-selección invisible, a la pérdida de sus mejores riesgos y a un círculo vicioso tarifario difícil de romper. Con ellos, puede gestionar su mutualización con pleno conocimiento, adaptar su suscripción y mantener su rentabilidad sin sacrificar su papel societal.

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.