El fraude no solo golpea a la aseguradora: se traslada a la prima que paga el asegurado honesto. Así es como la analítica actuarial lo identifica y por qué la gobernanza del modelo importa tanto como su precisión.
Publicado el 16 de agosto de 2026 · por Act. Francisco Javier Ruiz de la Peña Olea
Toda aseguradora paga siniestros que no debería pagar. El problema no es solo contable: cada peso que sale por una reclamación indebida entra después, tarde o temprano, en la prima que cobra la cartera completa. Por eso la detección de fraude dejó de ser un asunto exclusivo de las áreas de investigación y se convirtió en un problema técnico con nombre y apellido actuarial: estimar una probabilidad, cuantificar su costo y decidir cuándo vale la pena actuar.
La literatura internacional suele distinguir dos naturalezas muy distintas, y confundirlas lleva a modelos mal planteados:
El fraude duro es menos frecuente y más caro por caso; el blando es difuso, masivo y explica buena parte de la fuga de siniestralidad. Un tercer bloque, el fraude organizado, opera en red: talleres, clínicas, ajustadores o intermediarios que repiten un patrón entre muchas pólizas. Ese último se detecta mal caso por caso y bien mirando la estructura de relaciones.
El actuario tiene tres motivos concretos para involucrarse. El primero es la prima de riesgo: si la siniestralidad observada incorpora pagos indebidos, la severidad esperada queda contaminada y la tarifa se construye sobre una base equivocada. El segundo son las reservas: los triángulos de siniestros arrastran ese mismo sesgo hacia la estimación de obligaciones futuras. El tercero, menos técnico y más de fondo, es la equidad entre asegurados: el principio mutual del seguro se rompe cuando quien no defrauda subsidia a quien sí lo hace.
La idea clave: detectar fraude no es perseguir personas, es corregir la información con la que se calcula el precio del riesgo. Un modelo de fraude es, en el fondo, un modelo de calidad de datos aplicado a la siniestralidad.
La detección moderna combina varias capas que se refuerzan entre sí. Ninguna basta por separado.
Son condiciones explícitas que marcan una reclamación para revisión: siniestro muy cercano a la emisión de la póliza, aviso tardío, ausencia de reporte a la autoridad, coincidencia repetida de proveedores. Son transparentes y fáciles de auditar, pero rígidas y conocidas por quien quiere evadirlas. Investigación reciente publicada en Variance, la revista de la CAS, muestra que integrar estos disparadores como variables adicionales dentro de un modelo de aprendizaje automático mejora el desempeño frente a usar cualquiera de los dos enfoques por separado.
Cuando existe un histórico de casos investigados y confirmados, se puede entrenar un clasificador (regresión logística penalizada, árboles impulsados por gradiente, redes neuronales) que asigne a cada reclamación una probabilidad de ser fraudulenta. La restricción práctica es la etiqueta: en la mayoría de las carteras solo se conoce el resultado de los casos que alguien decidió investigar, lo que introduce un sesgo de selección que hay que reconocer antes de presumir el poder predictivo del modelo.
Sin etiquetas confiables, el enfoque cambia: se busca lo que se aparta del comportamiento típico de la cartera. Agrupamiento, bosques de aislamiento, autocodificadores o simples desviaciones respecto del perfil esperado por proveedor y por diagnóstico. No dicen "esto es fraude", dicen "esto no se parece a lo demás", que es exactamente lo que un investigador necesita para priorizar su tiempo.
Modelar asegurados, proveedores, talleres, peritos y agentes como nodos de un grafo permite ver lo que ninguna variable individual revela: conglomerados que concentran siniestros, intermediarios que aparecen en reclamaciones sin relación aparente, ciclos que se repiten. Para el fraude organizado suele ser la técnica más productiva.
El fraude es, estadísticamente, un evento raro. Un modelo que clasifique todo como legítimo tendrá una exactitud altísima y una utilidad nula. Por eso la evaluación debe abandonar la exactitud y apoyarse en la precisión, la sensibilidad, la curva precisión-recuperación y, sobre todo, en una función de costo explícita:
El umbral óptimo de alerta no es el que maximiza una métrica estadística, sino el que minimiza el costo esperado total dada la capacidad real del área de investigación. Un modelo que genera mil alertas semanales para un equipo capaz de revisar cincuenta no es un buen modelo: es un modelo mal calibrado a la operación.
Aquí la actuaría aporta algo que la ciencia de datos por sí sola no garantiza. Un informe de la SOA sobre métodos de aprendizaje automático interpretables aplicados a la detección de fraude en seguros de salud plantea el punto con claridad: la capacidad de explicar por qué el modelo marcó un caso no es un lujo académico, es el requisito para poder usarlo. Sin explicación no hay defensa ante el asegurado, ni ante el regulador, ni ante un tribunal.
Eso implica exigencias concretas: documentar variables y su justificación técnica, verificar que ninguna actúe como sustituto de un atributo protegido, medir la estabilidad del modelo en el tiempo, mantener revisión humana antes de cualquier decisión que afecte a un asegurado y cuidar el tratamiento de datos personales conforme a la normativa aplicable. Las Normas Internacionales de Práctica Actuarial que promueve la IAA ofrecen el marco de documentación y comunicación para todo esto, y la discusión sobre gobernanza de modelos en la tarificación aplica prácticamente sin cambios.
En México la conversación ha ganado tracción en gastos médicos mayores, donde la AMIS ha señalado públicamente el fraude como una preocupación del sector y ha llamado la atención sobre anomalías en los patrones de siniestralidad y sobre el uso indebido de datos personales de los asegurados. En automóviles, el ecosistema de talleres y ajustes ofrece terreno natural para el análisis de redes. Y en ambos ramos el insumo crítico es el mismo y suele ser el eslabón débil: información de siniestros bien capturada, con identificadores consistentes de proveedor, diagnóstico y causa.
La detección de fraude reúne casi todo lo que define a la profesión: probabilidad de un evento raro, cuantificación de su impacto financiero, decisión bajo incertidumbre y una obligación ética hacia terceros. El algoritmo es la parte fácil. Lo difícil, y lo que distingue al actuario del analista, es sostener el juicio profesional sobre el resultado: saber cuándo el modelo se equivoca, cuánto cuesta cada tipo de error y hasta dónde es legítimo actuar sobre una sospecha estadística.
¿Te sirvió? Explora más en el blog, revisa la analítica predictiva o descubre por qué estudiar actuaría.