La inteligencia artificial promete tarifas más precisas, pero traslada el trabajo actuarial hacia un nuevo terreno: gobernar los modelos y garantizar que sean justos.
Publicado el 24 de julio de 2026 · por Act. Francisco Javier Ruiz de la Peña Olea
Durante más de un siglo, la tarificación de seguros descansó en una idea sencilla y poderosa: agrupar riesgos parecidos y cobrar a cada grupo una prima acorde con su siniestralidad esperada. Los modelos lineales generalizados (GLM) llevaron ese principio a su madurez estadística. Hoy, la inteligencia artificial y el aprendizaje automático (machine learning) abren la puerta a modelos mucho más flexibles y a fuentes de datos antes inimaginables. Pero esa potencia trae consigo un dilema que ocupa a las principales asociaciones actuariales del mundo: ¿cómo aprovechar la precisión de la IA sin perder la transparencia, la equidad y la responsabilidad que definen a la profesión?
El GLM sigue siendo el caballo de batalla del pricing en seguros de daños. Es interpretable, auditable y encaja con la lógica regulatoria: cada factor de tarifa tiene un coeficiente que un actuario puede explicar. El problema es que asume relaciones relativamente simples entre las variables y el riesgo. Los métodos de aprendizaje automático —árboles potenciados (gradient boosting), bosques aleatorios o redes neuronales— capturan interacciones y no linealidades que un GLM difícilmente detecta, lo que suele traducirse en una mejor discriminación del riesgo.
La Casualty Actuarial Society (CAS), especializada en seguros generales, ha documentado con creciente detalle cómo estos modelos se aplican a la tarificación. Su Machine Learning Working Party nació precisamente para reunir la investigación dispersa y bajar la barrera de entrada de los actuarios al campo. Entre los temas de investigación recientes de la CAS figuran la comparación de modelos predictivos para fijar precios y hasta el uso de redes generativas antagónicas (GAN) para sintetizar bases de datos de tarificación cuando faltan datos reales.
La IA no se limita a afinar un factor de tarifa. Su valor se distribuye a lo largo de todo el ciclo del seguro:
Nada de esto sustituye al juicio actuarial; lo amplifica. La CAS ha creado incluso una credencial específica —el Certified Specialist in Predictive Analytics (CSPA)— para formar profesionales capaces de liderar esta transición en el mundo de los seguros de propiedad y responsabilidad.
Un modelo más preciso también puede ser más opaco. Cuando una red neuronal fija una prima, no siempre es evidente por qué. Esa opacidad choca con dos exigencias básicas del seguro: que el asegurado entienda su precio y que el regulador pueda verificar que la tarifa no es arbitraria ni discriminatoria. Por eso, el foco de la profesión se ha desplazado de "¿podemos construir el modelo?" a "¿podemos confiar en él y responder por él?".
La Society of Actuaries (SOA) ha trabajado activamente en marcos de gestión de riesgo de IA, tomando como referencia el AI Risk Management Framework del NIST. Los riesgos de gobernanza que la SOA identifica como prioritarios son un buen mapa de lo que un actuario debe vigilar:
La lección de fondo es clara: la ventaja competitiva no está solo en el algoritmo, sino en la disciplina para validarlo, monitorearlo y documentarlo. Ahí es donde el actuario aporta un valor difícil de replicar.
La tarificación siempre discrimina en el sentido técnico: separa buenos y malos riesgos. El límite ético y legal aparece cuando esa separación se apoya —directa o indirectamente— en atributos protegidos como el origen étnico o el género. Con modelos complejos, el peligro es sutil: una variable aparentemente neutra puede actuar como proxy de un atributo protegido sin que nadie lo haya diseñado así.
La investigación actuarial de vanguardia aborda este problema de frente. El North American Actuarial Journal, editado por la SOA, premió como mejor artículo de 2024 un trabajo sobre pricing antidiscriminatorio que traduce criterios matemáticos de equidad a modelos de regresión utilizables en la práctica. El mensaje es que la equidad no puede quedarse en aspiración: debe convertirse en criterios verificables incorporados al propio modelo.
Las asociaciones no observan desde la barrera; están fijando las reglas del juego. La International Actuarial Association (IAA) publicó un marco de gobernanza de inteligencia artificial cuyo objetivo es orientar a los actuarios en el diseño, desarrollo, implementación y uso responsable de modelos de IA, con conciencia de los riesgos que hay que gestionar. La CAS, por su parte, invita cada año a compartir experiencias concretas de uso de IA y machine learning para mejorar la tarificación a través de su programa de ponencias sobre ratemaking.
El actuario que trabaja en la región no puede limitarse a importar modelos. Tres tareas se vuelven críticas: entender los métodos con suficiente profundidad para cuestionarlos, exigir gobernanza y documentación aunque el modelo venga de un proveedor externo, y traducir los principios internacionales al marco local —la Ley de Instituciones de Seguros y de Fianzas, la CUSF y las normas de protección de datos personales—. La formación en analítica predictiva e inteligencia artificial deja de ser opcional: es lo que separa a quien opera el modelo de quien responde por él.
¿Te interesó el tema? Explora también el ciberriesgo, la actuaría frente a la ciencia de datos y los riesgos emergentes de 2026 en el blog.