Automatización documental de reclamos con OCR e IA

Contexto real de la empresa

GNP Seguros es la aseguradora más grande de México por volumen de primas, con 12.2% de cuota de mercado y más de 120 años de historia, parte de Grupo BAL. El 4 de junio de 2026, GNP anunció la ampliación de un acuerdo plurianual con Palantir Technologies para desplegar sus plataformas Foundry y AIP (Artificial Intelligence Platform) en salud, vida, autos y daños — con el objetivo de identificar patrones anómalos en reclamaciones, detectar posibles intentos de fraude antes de que se efectúen los pagos, y fortalecer la gestión de riesgos, siempre bajo supervisión humana. Con este acuerdo, GNP se convirtió en el primer cliente comercial de Palantir anunciado públicamente en América Latina.

Según el reporte de Community of Insurance sobre el acuerdo, los equipos de liquidación acceden a un contexto completo del asegurado, la póliza y el historial de siniestralidad de forma inmediata, resultando en una tramitación más rápida y menos errores de criterio. GNP también está construyendo con AIP un motor de decisión inteligente que reemplaza sistemas donde un solo cambio de regla de tarificación podía tardar semanas o meses en aprobarse, según ese mismo reporte.

Lo que está confirmado públicamente: unificación de datos, detección de fraude preventiva, apoyo a suscripción y aceleración del contexto disponible para el equipo de siniestros. Lo que no está detallado públicamente: el mecanismo específico de captura y extracción de datos de documentos de reclamo (OCR) — es un componente técnico típico de este tipo de arquitectura, no una capacidad anunciada explícitamente por GNP o Palantir en las fuentes disponibles.

El reto (característico de la operación de siniestros a esta escala)

• Volumen masivo de documentos por reclamo: facturas médicas, dictámenes periciales, actas, fotografías de daños, formatos de reclamación escritos a mano o escaneados.
• Captura manual de estos documentos como cuello de botella clásico antes de que cualquier motor de decisión (como AIP) pueda razonar sobre el caso — el sistema es tan rápido como la calidad y velocidad de los datos que recibe.
• Necesidad de trazabilidad y auditabilidad regulatoria (CNSF) en cada paso de la automatización.

Desglose ilustrativo: cómo encajaría un componente de OCR + IA documental

Arquitectura propuesta, no confirmada por GNP — es el tipo de capa que típicamente alimenta a un sistema como Foundry/AIP en un flujo de siniestros.

• Captura multicanal: el asegurado sube fotos/PDFs del siniestro desde app o portal; OCR extrae texto de facturas, actas y dictámenes automáticamente.
• Clasificación automática de documentos: un modelo distingue tipo de documento (factura, acta, identificación, dictamen) sin intervención manual, y verifica que el expediente esté completo antes de pasar a revisión.
• Extracción estructurada: los datos clave (montos, fechas, folios, diagnósticos, número de póliza) se extraen del documento y se cargan directamente al expediente digital — sin captura manual por parte de un ajustador.
• Validación cruzada: el sistema compara los datos extraídos contra la póliza y el historial del asegurado, señalando inconsistencias para revisión humana antes de cualquier pago.
• Humano en el circuito: ningún pago se libera automáticamente; el ajustador revisa las alertas y aprueba, consistente con el enfoque de "siempre bajo supervisión humana" que GNP ha declarado públicamente para su uso de IA.

Métricas típicas que este tipo de componente busca mover

Valores ilustrativos de referencia de la industria — no corresponden a cifras reportadas por GNP.

Métrica	Referencia típica de la industria
Tiempo de captura de expediente	De días a menos de 48 horas
Errores de captura manual	Reducción significativa al eliminar tecleo manual
Detección de fraude antes de pago	Migración de detección reactiva a preventiva