Por Raúl Fernández Villota, gerente de Venta y Desarrollo de Negocio de Charles Taylor InsureTech (Artículo publicado en SegurosNews)

La inteligencia artificial se ha convertido en una prioridad para el sector asegurador, pero su impacto real en negocio sigue siendo desigual. Mientras algunas compañías logran mejorar ingresos, eficiencia y experiencia de cliente, otras se quedan atrapadas en pilotos que no escalan y no llegan a transformar la cuenta de resultados.

La principal diferencia, lejos de estar en los algoritmos, reside en el core tecnológico. La capacidad de una aseguradora para implementar y capturar valor de la IA depende en gran medida de cómo está diseñado, evolucionado o transformado su core. En este contexto, la estrategia tecnológica deja de ser un habilitador operativo para convertirse en una decisión de negocio crítica.

Desde la perspectiva de Charles Taylor, este reto puede abordarse a través de tres grandes estrategias de transformación del core: la modernización del código legacy, la introducción de una capa intermedia y la sustitución completa del core. Estas tres aproximaciones no solo implican distintos niveles de inversión y riesgo, sino que, además, determinan el tipo de inteligencia artificial que puede desplegarse, la velocidad a la que se implementa y el impacto real que genera en el negocio.

Para entender esta relación, es necesario partir de una idea fundamental: la inteligencia artificial no genera valor por sí sola. Su impacto depende de la capacidad de integrarla en los procesos clave de la aseguradora, de operarla en tiempo real, de escalarla a lo largo de la organización y de hacerlo cumpliendo con un marco regulatorio exigente, especialmente en Europa. Sin estos elementos, la IA se queda en una promesa tecnológica sin traducción en resultados.

En un primer nivel de evolución del core, muchas aseguradoras optan por actualizar su código legacy, migrándolo a lenguajes más mantenibles para mejorar la eficiencia y sostenibilidad tecnológica. Este enfoque se materializa en iniciativas como InCode Transformation de Charles Taylor, que permite transformar el código existente apoyándose en inteligencia artificial para acelerar el proceso y reducir el esfuerzo operativo. Este enfoque permite reducir la deuda técnica, mejorar la eficiencia operativa y facilitar la sostenibilidad del sistema en el largo plazo. Sin embargo, desde una perspectiva de negocio, su impacto es limitado. La arquitectura base no cambia de forma significativa, lo que dificulta la integración de modelos de IA en procesos críticos o su ejecución en tiempo real. Como resultado, la inteligencia artificial se utiliza principalmente para optimizar tareas principalmente internas, pero rara vez se convierte en una fuente de crecimiento o diferenciación.

Un segundo enfoque, cada vez más extendido en el mercado europeo, consiste en introducir una capa intermedia que desacople el core legacy de los procesos de negocio y de los canales digitales. Soluciones como Inhub permiten orquestar procesos, exponer APIs y habilitar una mayor agilidad sin necesidad de reemplazar el core existente. Desde el punto de vista del negocio, esta estrategia marca un punto de inflexión. Permite desplegar casos de uso de IA con impacto directo, como la automatización de siniestros, el pricing dinámico o la detección de fraude en tiempo real, sin asumir los riesgos de una transformación completa. La inteligencia artificial deja de ser experimental y pasa a convertirse en una palanca tangible de generación de valor, mejorando tanto la eficiencia como la experiencia del cliente. Es, en muchos casos, el equilibrio más efectivo entre impacto, velocidad y riesgo.

El tercer enfoque, la sustitución completa del core mediante plataformas modernas como INSIS, representa la opción más ambiciosa. En este caso, la transformación no se limita a la tecnología, sino que afecta al modelo operativo y, en última instancia, al propio modelo de negocio. Un core moderno permite integrar la inteligencia artificial de forma nativa en toda la cadena de valor, operar en tiempo real y diseñar productos y servicios altamente personalizados. Esto abre la puerta a nuevos modelos como el embedded insurance o a ecosistemas digitales donde el seguro deja de ser un producto aislado. Sin embargo, esta estrategia requiere una inversión significativa, conlleva riesgos de ejecución y exige una transformación organizativa profunda. Su retorno no es inmediato, pero su potencial de diferenciación es el más alto.

Más allá de estas tres estrategias, existe un elemento transversal que explica por qué muchas iniciativas de IA no alcanzan el impacto esperado. La inteligencia artificial en seguros no falla por falta de capacidad técnica, sino por la falta de alineación entre la estrategia de negocio, la arquitectura tecnológica y el modelo operativo. Cuando esta alineación no existe, los modelos no se integran, no se escalan y no generan impacto en la cuenta de resultados. Por el contrario, cuando tecnología y negocio avanzan en la misma dirección, la IA se convierte en un activo estratégico capaz de transformar la organización.

Este desafío es especialmente relevante en Europa, donde el marco regulatorio, con normativas como GDPR, el AI Act o DORA, exige explicabilidad, trazabilidad y control sobre los datos y los modelos. En este contexto, la arquitectura tecnológica no solo condiciona la capacidad de innovar, sino también la capacidad de cumplir. Las aseguradoras con entornos modernos y bien gobernados no solo implementan mejor la IA, sino que lo hacen de forma más segura y sostenible, convirtiendo la regulación en una ventaja competitiva.

En última instancia, el verdadero valor de la inteligencia artificial no reside en el modelo en sí, sino en la capacidad de la organización para integrarlo en sus procesos, operarlo en tiempo real y escalarlo dentro de su arquitectura tecnológica. Por ello, la pregunta clave para cualquier aseguradora no debería ser qué puede hacer con IA, sino qué tipo de IA puede soportar su core y qué impacto de negocio se puede lograr.

Porque, en definitiva, la estrategia de inteligencia artificial debe diseñarse desde el negocio, pero ejecutarse desde la realidad tecnológica del core. Solo cuando ambas dimensiones están alineadas, la IA deja de ser una promesa y se convierte en una ventaja competitiva tangible.