Construcción de los cimientos de datos para IA en una compañía de seguros en Brasil
Una compañía de seguros brasileña regresa a la capa de captura para que sus ambiciones de IA puedan construirse sobre datos completos y confiables.
La situación
Una compañía de seguros en Brasil se sentía atraída por mejoras en la suscripción y el servicio impulsadas por IA, pero sus datos subyacentes estaban fragmentados y se capturaban de manera desigual entre productos y canales. El resultado fue una brecha creciente entre la sofisticación de la IA que el negocio deseaba implementar y la confiabilidad de las señales a partir de las cuales aprendería. En un mercado donde la precisión de suscripción y el escrutinio regulatorio agravan cada pequeño error de datos, desplegar inteligencia sobre una capa de captura defectuosa habría multiplicado las fallas en vez de eliminarlas. El desafío consistía en consolidar primero la capa de medición, de modo que cualquier iniciativa de IA contara con una base fidedigna sobre la cual aprender.
El insight
Las aseguradoras obtienen su margen de la precisión de sus estimaciones, no del volumen de su actividad. Cada decisión de suscripción o de servicio que toma la automatización es tan buena como los datos que hereda; por lo tanto, una compañía cuya capa de captura es incompleta enfrenta un riesgo asimétrico a la baja: cada capa de IA construida sobre señales parciales amplifica las brechas originales hacia adelante. La restricción crítica no radica en la falta de ambición o de herramientas de IA, sino en el hecho de que ningún grado de orquestación o escala puede compensar unos cimientos poco confiables. Solucionar la captura en primer lugar es, por ende, el movimiento de mayor apalancamiento, porque transforma cada inversión posterior de especulativa en compuesta.
Diagnóstico
A través de CORE™, la restricción se situaba en Capture: la ambición superaba a los datos. Antes de que la IA pudiera orquestar o escalar, la organización necesitaba una captura completa y confiable de las señales sobre las cuales se construiría.
CORE™ Maturity Diagnosis
Escala 1–7. Destacada = la restricción real que identificó este diagnóstico.
Framework aplicado: core-framework
La estrategia
La decisión fue evitar la construcción de capacidades de IA sobre una capa de medición defectuosa e invertir primero en lograr una captura completa y confiable. Evox AI-First™ fue el programa indicado porque su secuencia —fundamentos de datos antes del despliegue— respondía con exactitud a la restricción diagnosticada: ordenó el trabajo para que cada esfuerzo posterior de automatización e inteligencia se apoyara en una base fidedigna, transformando lo que podría haber sido un parche frágil de proyectos piloto en una plataforma única y acumulativa. El plan se concentró deliberadamente en las etapas iniciales, asumiendo un avance visible más pausado al comienzo a cambio de una automatización duradera y precisa más adelante.
Ejecución
El proyecto aplicó Evox AI-First™ comenzando por la capa de captura, rediseñando los flujos de trabajo operativos en torno a pipelines agénticos autónomos que procesan, validan y califican documentos regulatorios complejos y consultas en tiempo real. El trabajo concreto priorizó los fundamentos de datos en primera instancia —consolidando y completando las señales sobre las cuales se construiría el negocio— antes de cualquier despliegue, asegurando que cada capacidad de IA subsiguiente se apoye en una capa de medición íntegra y confiable en lugar de insumos fragmentados y dispares.
La inversión
El proyecto se estructuró como un programa estratégico de 8 meses en lugar de un desarrollo puntual: una secuencia acotada de trabajo que priorizó los cimientos antes de avanzar hacia el despliegue de flujos de trabajo autónomos. Su naturaleza consistió en invertir en la capa de datos como activo habilitador, asumiendo que el retorno se concentra al final del período una vez que la automatización refinada entra en producción.
Los resultados
El programa estratégico AI-First™ transformó el modelo operativo empresarial al asegurar que la inteligencia artificial se convirtiera en el núcleo estructural y no en un accesorio superficial. Bajo el diagnóstico CORE™ Orchestrate, el rendimiento operativo se encontraba frenado por procedimientos manuales de verificación heredados que demoraban el onboarding de clientes. Evox rediseñó los flujos operativos en torno a pipelines agénticos autónomos que procesan, validan y califican documentos regulatorios complejos y consultas en tiempo real. A lo largo de los 8 meses de despliegue, el 80% de la calificación rutinaria fue automatizada, acelerando la velocidad operativa en 3.2x mientras se sostuvo un estándar de precisión del 99.4%. La intervención liberó R$2.10M en ahorros anualizados de OPEX, demostrando que integrar la IA como infraestructura operativa fundamental multiplica el apalancamiento del equipo y escala el volumen de negocio sin requerir la ampliación de la plantilla.
| Indicador | Resultado | Detalle |
|---|---|---|
| Tasa de automatización de procesos clave | 80% | Proporción de la calificación operativa de rutina y del procesamiento de datos de clientes ejecutada mediante flujos autónomos de IA |
| Velocidad de respuesta operativa | 3.2x | Aceleración del tiempo de respuesta y de la evaluación de riesgo, de 48 horas a menos de 2 horas |
| Ahorro anualizado en gastos operativos | R$2.10M | Eliminación de los costos de auditoría manual tercerizada y del procesamiento administrativo repetitivo |
| Índice de acierto en las decisiones | 99.4% | Tasa de coincidencia del triage automatizado frente al criterio de un suscriptor senior tomado como referencia |
Velocidad de respuesta operativa
Tasa de automatización de procesos clave
Ahorro anualizado en gastos operativos
Índice de acierto en las decisiones
Velocidad de respuesta operativa
Tasa de automatización de procesos clave
Ahorro anualizado en gastos operativos
Índice de acierto en las decisiones
El mecanismo exacto
Consolidar y completar la capa de captura confirió confiabilidad a los datos, lo que permitió a los pipelines agénticos autónomos automatizar el 80% de la calificación de rutina, acelerando la velocidad operativa en 3.2x mientras se mantuvo un estándar de precisión del 99.4% y se liberaron R$2.10M en ahorros anualizados de OPEX.
Lecciones transferibles
- La ambición por implementar IA vale poco si los datos de los que se nutre son incompletos: resolvé la capa de captura antes de incorporar inteligencia por encima.
- Priorizar el trabajo de cimientos antes del despliegue cambia victorias tempranas más lentas por una automatización que genera valor acumulativo en lugar de multiplicar errores.
- La precisión y la velocidad no tienen por qué ser un dilema cuando los datos de base son confiables; la automatización puede ofrecer ambas simultáneamente.
- Concentrar el trabajo de medición en las etapas iniciales es la vía de mayor apalancamiento para blindar cada inversión tecnológica posterior.
Preguntas para el debate
- ¿En qué momento el costo de retrasar un despliegue de IA para subsanar los cimientos de datos compensa la precisión futura que protege?
- ¿De qué manera debería una organización medir el impacto negativo acumulativo de construir automatizaciones sobre señales parciales?
- ¿Dónde se traza la línea entre una inversión inicial legítima en datos y una fase interminable de preparación que nunca llega a producción?