La gestión de riesgos apuesta por datos integrados e IA ante nuevas vulnerabilidades operativas

La gestión de riesgos del negocio asegurador y reasegurador afronta un cambio de método: el volumen y la variedad de datos disponibles desbordan el enfoque convencional basado en series históricas y análisis manual, según un texto difundido por el medio indonesio Viva.co.id. En paralelo, un análisis publicado por AI4Business a partir del seminario AI & GenAI for Risk Management & Compliance, organizado por CETIF, describe el tránsito de una gestión de riesgos cualitativa hacia otra basada en datos y orientada a anticipar. Ambos textos sitúan la inteligencia artificial en el centro de ese desplazamiento en el ámbito empresarial, aunque el segundo advierte de que la misma tecnología amplía la superficie de riesgo.

El texto indonesio señala que el obstáculo no es la falta de datos: la información existe, pero permanece repartida en sistemas distintos y con formatos heterogéneos, a menudo agregados. La IA puede homogeneizar esos formatos, detectar registros incompletos o inconsistentes y reducir la dependencia de la captura manual; también identificar antes los cambios de tendencia en los siniestros, apoyar la clasificación de riesgos y priorizar los casos que requieren revisión. Desde la óptica del seminario italiano, el aprendizaje automático permite reconocer patrones, correlaciones y señales débiles que escapan a las metodologías tradicionales, con aplicaciones que van de los sistemas de calificación del riesgo cibernético a la cuantificación de la exposición: estimaciones de probabilidad y frecuencia expresadas como intervalos, no como certezas, que permiten comparar escenarios y ordenar las inversiones.

El seminario de CETIF reunió a representantes del ámbito bancario, asegurador, académico y tecnológico, y en él participó como ponente quien firma el artículo de AI4Business. Ese texto subraya que el patrimonio informativo de las organizaciones es más amplio que el utilizado en los procesos de control —contratos, normativa, políticas, informes, evaluaciones y documentación de proveedores— y que su carácter no estructurado limitó históricamente su aprovechamiento; la IA generativa, sostiene, contribuye a superar ese obstáculo en el análisis contractual, la diligencia debida, la detección de brechas normativas y el mantenimiento de catálogos de controles.

Las cautelas son explícitas. El texto indonesio advierte de que la capacidad de la IA depende de la calidad de los datos, la precisión del modelo y el contexto de uso, y de que un modelo entrenado con datos incompletos, no representativos o sesgados puede producir recomendaciones erróneas; solo combinando datos históricos, características de la cartera y otras variables relevantes cabe revisar y actualizar las hipótesis con mayor oportunidad. El análisis italiano añade que ningún modelo garantiza prever un incidente, aunque uno bueno puede acortar el tiempo entre la primera señal y la decisión, y que la cuestión no es adoptar o no la IA, sino cómo aprovechar sus oportunidades sin perder el control de los riesgos que introduce. Los textos describen capacidades y cambios progresivos, sin evaluar el grado de adopción alcanzado ni fijar calendarios.