El sector asegurador es campo fértil para la implementación de la IA agéntica, es decir, los sistemas de IA capaces de decidir y ejecutar acciones encadenadas dentro de marcos previamente definidos. Esto es una evolución frente a los modelos más ampliamente conocidos que se limitan a analizar información o a generar recomendaciones. Desde la asociación española de la industria digital Ametic señalan que esta tecnología está permitiendo al sector asegurador dar un salto desde el análisis de datos hacia la automatización inteligente de procesos . Su aplicación mejora la eficiencia en ámbitos como la tarificación de casos estandarizados, la atención al cliente o la gestión de siniestros, al asumir tareas repetitivas y estructuradas. La diferencia clave entre la IA generativa y la IA agéntica está en su grado de autonomía, explica Alex Borrell, managing director de seguros en Accenture. Mientras la primera «responde a instrucciones humanas concretas, la segunda puede planificar y llevar a cabo acciones una detrás de otra dentro de un marco de control». Para el sector asegurador, dice Borrell, este avance supone un cambio relevante en el modelo operativo , al permitir la automatización de procesos complejos como la gestión de siniestros o la suscripción avanzada. El impacto, añade, va más allá de la eficiencia, con mejoras en la calidad del riesgo, la relación con mediadores y la fidelización de clientes. En Mapfre, «la IA agéntica se concibe como una herramienta para automatizar y coordinar tareas complejas de principio a fin, reduciendo la variabilidad operativa y aportando mayor estabilidad a los procesos», explica Mario Encinar, lead expert del centro de IA de la firma. Los agentes actúan como una extensión cognitiva de los sistemas tradicionales, integrando información, ejecutando reglas y ofreciendo decisiones más consistentes bajo control humano. Así, la aseguradora ya aplica estos sistemas en ámbitos concretos como la gestión de siniestros, la asistencia a la red comercial y la verificación digital, dice Encinar. En estos casos, los agentes integran y validan información procedente de distintas fuentes para que la decisión final recaiga en el profesional, dentro de un modelo deliberadamente híbrido. Los avances son visibles en la clasificación preliminar de siniestros, la consulta de coberturas y la verificación documental e imágenes, lo que reduce fricción interna y acelera la tramitación, dice Encinar. La fase de despliegue de la IA agéntica es aún temprana–intermedia, señala Cristina Álvarez Neira, directora de IA generativa para el sector seguros de NTT DATA. Ya existen pilotos y primeros casos reales en producción, especialmente entre 2024 y 2025, concentrados en ámbitos de riesgo operativo limitado. Estas iniciativas se centran en atención al cliente, soporte a mediadores, siniestros sencillos o automatización del back office. Esta prudencia «responde a la necesidad de integrar los agentes de forma controlada en un sector regulado y basado en la confianza», afirma. Sin embargo, el sector asegurador reúne condiciones particularmente favorables para la adopción de la IA agéntica . Beneyto, del IEB, explica que la disponibilidad de datos históricos claros y la existencia de reglas de negocio bien definidas facilitan escalar decisiones estándar y derivar a juicio humano los casos no convencionales. El principal límite, añade, «lo marca la normativa de protección de datos, que impide decisiones exclusivamente automatizadas y garantiza el derecho de los afectados a solicitar intervención humana». La hoja de ruta de la IA agéntica apunta a una evolución progresiva. Álvarez Neira, de NTT DATA, explica que, tras esta primera fase de aprendizaje, a partir de este año y el próximo los agentes comenzarán a extenderse a procesos nucleares del negocio asegurador, como la gestión de siniestros complejos , la suscripción técnica, la gestión del fraude o los recobros. Esta expansión se producirá bajo esquemas de colaboración entre humanos y sistemas, en los que la supervisión seguirá siendo clave. El ritmo de avance, «lo marcará la confianza». Su despliegue, además, requiere una inversión adicional que no es masiva. En este sentido, la experta explica que el modelo que se está imponiendo es híbrido, combinando plataformas cloud con los sistemas core existentes y una capa específica de orquestación y control. La inversión clave, añade Álvarez Neira, «no se concentra tanto en aumentar la capacidad de computación como en modernizar la arquitectura del dato, mejorar la integración mediante APIs y reforzar las capacidades internas». Desde KPMG España, Cosme Puigmal, socio de financial services strategy, señala que la IA agéntica puede apoyarse parcialmente en plataformas existentes, pero que su despliegue real a escala exige una arquitectura más moderna y flexible y una inversión adicional relevante. Los cores heredados no están preparados para agentes que razonan e interactúan en tiempo real sobre procesos críticos como la suscripción o la gestión de siniestros. No se trata de sustituirlo todo, explica, «sino de evolucionar hacia arquitecturas híbridas, con capas desacopladas, APIs bien gobernadas y una priorización clara de casos de alto impacto». Esta evolución tiene también implicaciones en la gobernanza del seguro. El paso de sistemas que asisten a sistemas que actúan eleva las exigencias de control cuando las decisiones tienen impacto financiero, legal o reputacional. La trazabilidad, la explicabilidad y la asignación clara de responsabilidades son así elementos centrales. Por ello, es necesario reforzar controles previos y posteriores, auditorías continuas y esquemas efectivos de supervisión humana, integrados en el control interno y alineados con el AI Act europeo. El uso de estas soluciones también puede introducir riesgos a escala de mercado. Beneyto, del IEB, advierte de efectos como la homogeneización de primas, la exclusión de perfiles por tarificación elevada o la pérdida de asegurabilidad de ciertos riesgos. Apunta también a los riesgos asociados a decisiones especialmente sensibles –como la gestión de siniestros o la asistencia sanitaria– si se automatizan sin considerar todos los elementos relevantes. Incluso cuando se emplean soluciones de terceros, añade, la responsabilidad final sigue recayendo en la aseguradora, lo que exige supervisión humana efectiva y mecanismos formales de control . Muchos de estos riesgos no son nuevos, pero la mayor autonomía de los agentes amplifica su alcance. Borrell explica que el desafío no reside solo en el error, sino en su propagación cuando se automatizan procesos de extremo a extremo. Una gobernanza bien diseñada permite mitigar estos riesgos y ganar consistencia operativa. Para que la adopción sea viable, añade, resulta imprescindible una coordinación estrecha entre negocio, tecnología, riesgos y cumplimiento normativo. En el empleo, apunta más a una transformación que a una destrucción masiva de puestos de trabajo. González, de T-Systems, explica que las tareas más transaccionales tienden a dar paso a modelos en los que el profesional supervisa agentes, gestiona excepciones complejas y aporta criterio humano en decisiones sensibles. De este cambio emergen nuevos perfiles vinculados a la orquestación de IA, la gobernanza algorítmica, la experiencia de cliente aumentada o la gestión avanzada del fraude. La clave, subraya, estará en la capacidad de reentrenar a los equipos. Desde Qaracter, Villegas explica que la IA agéntica se integra como una nueva capacidad operativa que eleva la productividad al desplazar el foco desde tareas repetitivas hacia la supervisión y el diseño de procesos. Parte de la carga operativa puede reducirse, especialmente en áreas de back office, pero a cambio aumentan las exigencias de control, cualificación y gobierno. El valor solo se consolida cuando estos sistemas se integran de forma coherente en los procesos y bajo marcos sólidos de control; de lo contrario, los fallos trascienden lo operativo y pueden afectar directamente a la confianza del cliente y al cumplimiento regulatorio, concluye.
