Durante décadas el triángulo de desarrollo y el Chain Ladder fueron la herramienta central para estimar reservas de daños. Hoy, con datos de reclamación a nivel individual y mayor capacidad de cómputo, el aprendizaje automático abre una segunda vía. Esto es lo que aporta, lo que no resuelve y cómo adoptarlo con criterio.
Publicado el 23 de octubre de 2026 · por Act. Francisco Javier Ruiz de la Peña Olea
Las reservas técnicas son, en un asegurador de daños, la cifra más grande y más incierta del balance: representan lo que la compañía aún debe pagar por siniestros ya ocurridos, reportados o no. El método clásico para estimarlas, el Chain Ladder, resume la historia en triángulos agregados por año de ocurrencia y año de desarrollo. Funciona, es transparente y es fácil de auditar, pero descarta casi toda la información que hoy sabemos registrar de cada reclamación.
Al agregar, un triángulo pierde la identidad del siniestro: tipo de cobertura, fecha de reporte, montos pagados parciales, reservas del ajustador, presencia de litigio, perfil del asegurado o del taller, canal de atención. Dos carteras con el mismo triángulo pueden esconder mezclas muy distintas de siniestros rápidos y siniestros largos. Además, el Chain Ladder supone que el patrón de desarrollo pasado se repetirá, algo frágil cuando cambian los procesos de pago, la inflación de costos (ver inflación social) o la mezcla de negocio.
La investigación reciente, incluida la que difunden la Casualty Actuarial Society y otras asociaciones, explora modelos que trabajan con datos a nivel de reclamación (micro-level) en lugar de triángulos. La idea general es modelar, para cada siniestro abierto, la probabilidad de cierre, el monto de los pagos futuros y el tiempo hasta cada pago, y luego sumar las proyecciones individuales.
Idea clave: el aprendizaje automático no sustituye al Chain Ladder; lo complementa. Un buen reservista contrasta ambos enfoques y entiende por qué difieren.
Los modelos individuales rinden más cuando hay volumen suficiente de siniestros, datos históricos consistentes y procesos de captura estables, como en automóviles, gastos médicos o daños a particulares. En líneas de baja frecuencia y alta severidad (responsabilidad civil profesional, grandes riesgos industriales) la información es escasa y el juicio experto sigue pesando más que cualquier algoritmo.
Usar un modelo más complejo eleva la exigencia de gobierno. Es recomendable documentar los datos y supuestos, comparar contra métodos tradicionales, definir pruebas de desempeño (backtesting de reservas contra pagos reales), asignar propietarios del modelo y revisar periódicamente su estabilidad. Esto conecta con el riesgo de modelo y con los principios de práctica profesional de las normas internacionales (ISAP): el actuario sigue siendo responsable de su dictamen, aunque parte del cálculo lo haga un algoritmo.
En México, la estimación de reservas de siniestros ocurridos y no reportados está sujeta a la regulación prudencial y a métodos registrados ante la autoridad, por lo que cualquier técnica nueva debe encajar en ese marco y documentarse con rigor. Para el estudiante, dominar Chain Ladder y, además, programación en Python o R y fundamentos de aprendizaje estadístico, es una combinación valiosa en aseguradoras, consultoras y reaseguro (ver también actuaría vs. ciencia de datos y IA en tarificación).
El futuro de las reservas no es elegir entre triángulos y algoritmos, sino saber cuándo cada uno aporta información. El aprendizaje automático amplía lo que el actuario puede ver en los datos; el juicio profesional sigue siendo lo que convierte una proyección en una reserva defendible.
¿Te sirvió? Explora más en el blog, descubre por qué estudiar actuaría o la sección para estudiantes.