AI - pero ¿cómo? 4 pasos para una aplicación de IA

La inteligencia artificial generativa se puede utilizar para crear textos, imágenes, videos, análisis, programas y más. Y lo maravilloso es que no se requiere una sintaxis compleja. En cambio, la consulta o instrucción (prompt) se puede escribir en lenguaje natural y pasar al sistema de IA para su interpretación. Así que no es de extrañar que la euforia sea muy real y que las empresas quieran beneficiarse de estas nuevas oportunidades lo más rápido posible. Pero, ¿qué tan bien preparada está la industria para la introducción de aplicaciones de IA? En un estudio encargado por adesso a finales de 2023, se hizo esta pregunta a empresas suizas.

Un extracto de las respuestas se muestra en la Figura 1.

Las respuestas de los participantes sobre su preparación para aplicaciones de IA se pueden dividir en tres segmentos prácticamente iguales: el 31% afirma que aún no están suficientemente preparados, el 35% asume que están suficientemente preparados y el 34% cree que están bien o muy bien preparados. Los resultados sugieren una imagen bastante positiva con respecto a la capacidad de crear e introducir aplicaciones de IA. Admitimos que encontramos este resultado un poco sorprendente. Esto se debe a que la misma encuesta también preguntó sobre los mayores desafíos al introducir aplicaciones de IA. Estos hallazgos indican que las empresas consideran los riesgos de seguridad, el cumplimiento y las condiciones del marco legal, así como la calidad de la entrada y salida de datos, como los cinco principales desafíos. Todos estos temas son tareas que no se pueden resolver de la noche a la mañana, sino que requieren un enfoque cuidadoso y transversal de la empresa. Basándonos en nuestra experiencia, cuestionaríamos la afirmación de que la mayoría de estos desafíos ya se han resuelto en dos tercios de las empresas.

adesso ha participado en numerosos proyectos de IA y ha utilizado esta experiencia para desarrollar un procedimiento de cuatro pasos para introducir con éxito aplicaciones de IA (Figura 2).

Paso 1:

La estrategia de IA establece las bases para el desarrollo y expansión de actividades. Esto ocurre al inicio de las actividades e involucra a todos los grupos de interés. Las preguntas típicas que se abordan en la estrategia de IA son:

• Objetivos: La pregunta central es, por supuesto, qué objetivos se quieren lograr con la IA. Por un lado, los objetivos pueden dirigirse a aumentar la eficiencia y efectividad, y por otro, a expandir la gama de servicios (nuevos productos). Siempre debe definirse un caso de negocio subyacente con KPIs medibles.
• Áreas de aplicación: Otro punto que debe aclararse en la fase de estrategia es el área de aplicación planificada. La pregunta clave es si la aplicación de IA solo se utilizará dentro de la empresa o si también hay áreas en las que los clientes o socios utilizarán la aplicación. El resultado es una lista larga priorizada de casos de uso.
• Fuentes de datos: Toda aplicación de IA se basa en datos. Por lo tanto, los datos son la clave central para la implementación exitosa de IA. Al considerar la estrategia de IA, se debe determinar si solo se utilizarán datos internos o también fuentes de datos externas y si estos incluso deberían usarse en combinación.

Paso 2:

La arquitectura de IA se basa en los resultados del paso 1. En particular, la arquitectura describe qué datos se mapean en qué sistemas y qué herramientas se utilizan.

• Almacenamiento de datos: Se deben definir la plataforma o plataformas en las que se almacenan los datos y qué herramientas acceden a ellos a través de qué interfaces.
• Disponibilidad de datos: Dependiendo del caso de uso y el área de aplicación, la IA plantea diferentes demandas sobre el almacenamiento de datos. Por ejemplo, se deben verificar el rendimiento, la versionado o historización, estandarización, consolidación y aseguramiento de la calidad.
• Aplicaciones: En última instancia, usualmente se deben adquirir nuevas herramientas. Como el mercado ya ofrece una amplia gama de productos, es importante llevar a cabo una evaluación exhaustiva de los propios requisitos para garantizar la seguridad de la inversión a largo plazo

Paso 3:

En el tercer paso, es esencial examinar qué requisitos regulatorios deben tenerse en cuenta, particularmente desde una perspectiva de protección de datos y cumplimiento.

• Protección de datos: El hecho de que los datos estén disponibles no significa que puedan usarse para cualquier propósito. En particular, si se trata de información de identificación personal (PII), se aplican requisitos estrictos de la FADP revisada y, en ciertas circunstancias, del GDPR. Esta regulación también cubre cualquier decisión automatizada caso por caso si las aplicaciones de IA se integran en la automatización de procesos.
• Cumplimiento: Además de los requisitos de protección de datos, hay más regulaciones para las aplicaciones de IA que se adoptarán pronto. De particular relevancia aquí está la Ley de IA de la UE, que establece varias reglas para el manejo de aplicaciones de IA, dependiendo del nivel de riesgo que represente el sistema de IA. Actualmente, no está claro en qué medida Suiza seguirá estas reglas y si exigirá una regulación más estricta.
• Seguridad de los datos: La seguridad de los datos siempre debe ser verificada al configurar nuevos sistemas. La verificación se lleva a cabo con respecto a los tres objetivos de protección de confidencialidad (autorización de acceso), integridad (protección contra manipulación) y disponibilidad (resiliencia).

Paso 4:

Los tres primeros pasos sientan las bases para integrar una aplicación de IA en una empresa a largo plazo. En el cuarto, finalmente se desarrolla y lanza la aplicación de IA. Deben tenerse en cuenta los siguientes puntos:

• Gestión de expectativas: Una aplicación de IA es un sistema de aprendizaje que se desarrolla continuamente a través del "aprendizaje" cuanto más se usa. Se entrena con datos de entrenamiento, que generalmente no son suficientes al principio para explotar su potencial completo. En consecuencia, las expectativas deben comunicarse claramente para que las primeras experiencias (momento de la verdad) no lleven a la decepción.
• Enfoque de MVP: Es recomendable lanzar una aplicación de IA como un producto mínimo viable (MVP) y desarrollarlo en iteraciones ágiles. Esto reduce desarrollos no deseados y permite que la organización se familiarice lentamente con la aplicación.
• Victorias rápidas: Es aconsejable comenzar con aplicaciones de IA más simples para celebrar rápidamente los primeros éxitos y prevenir bloqueos de resistencia y motivación. Como cada aplicación de IA también debe realizar un caso de negocio, una revisión inicial de costo-beneficio también se puede llevar a cabo rápidamente y servir como ayuda de argumentación para una mayor expansión.

La pregunta ahora es dónde se puede usar la IA en todo el proceso de creación de valor de los seguros. La respuesta general a esta pregunta es simple: en todas partes.

La Figura 3 a continuación muestra ejemplos de posibles casos de uso individuales para cada proceso central de seguros.

Si comenzamos con la gestión de inventarios, ya hay un enorme potencial en este primer paso del proceso. Por ejemplo, toda la correspondencia recibida a través de varios canales, desde correo electrónico hasta redes sociales o chats, se puede analizar, estructurar y procesar automáticamente. Hay más potencial en el uso de GenAI en la comunicación con el cliente (chat o voicebot) o en análisis predictivos en el sentido de gestión de churn respaldada por IA. Si observamos el siguiente paso del proceso, "ventas", también hay muchas oportunidades para el soporte de IA aquí. El caso de uso de personalización de cotizaciones y la próxima mejor acción (NBO) es casi obvio, ya que se puede analizar y procesar mucho más datos sobre el cliente de manera oportuna con el apoyo de IA. Sin embargo, la evaluación de riesgos individualizados en la suscripción o incluso el asesoramiento completamente autónomo al cliente, como ya se utiliza en el sector financiero, representa un enorme potencial adicional. En la gestión de reclamaciones, en particular, vemos un gran potencial para la automatización a través de la IA. Por un lado, en el procesamiento de casos mediante el reconocimiento y procesamiento de datos, y por otro, mediante la interpretación automatizada de datos y, por lo tanto, la triaje eficiente y autónoma de casos. Los análisis predictivos también se pueden usar en la gestión de reclamaciones, especialmente cuando se trata de detectar anomalías e identificar posibles fraudes de seguros.

La gestión financiera también se beneficia de posibles casos de uso de IA. Un área de aplicación importante es el análisis de riesgos de reclamaciones, que utiliza IA para permitir una evaluación más precisa de la cantidad de pérdidas y la necesidad resultante de reservas de pérdidas. Vemos más usos potenciales para la IA en finanzas en el apoyo al proceso de facturación y en el proceso de adquisiciones (compra a pago), en el que los subprocesos se pueden manejar completamente de manera autónoma. Por último, pero no menos importante, la IA también se puede usar en el área de legal y cumplimiento. La nueva legislación de protección de datos, en particular, impone altas demandas en el procesamiento de información de identificación personal (PII). Con la ayuda de la IA, tales datos pueden reconocerse y anonimizarse automáticamente. GenAI también se puede usar para consultar o verificar la diversidad de directrices y políticas, o los análisis predictivos se pueden usar para crear análisis y evaluaciones de riesgos a nivel de cartera.

La IA es actualmente uno de los temas candentes en la industria de seguros y muchas empresas quieren integrar la IA en sus procesos comerciales. Sin embargo, enfrentan una variedad de desafíos que no deben ignorarse. La variedad de posibles casos de uso en toda la cadena de valor de los aseguradores muestra un gran potencial, por un lado en términos de automatización y eficiencia, y por otro lado en términos de precisión e individualización. Por estas razones, creemos que es esencial no simplemente comenzar con casos de uso de IA donde surja una oportunidad, sino elegir un enfoque estructurado y cuidadoso que permita una expansión sostenible del panorama de IA.