Caso de Éxito: Automatización de Reclamos

Contexto: el proceso que siempre fue lento por diseño

Más del 5% de los ingresos anuales de las aseguradoras a nivel mundial se pierde a causa de fraudes. En Latinoamérica, alrededor del 85% de los casos fraudulentos provienen del ramo automotor. A ese costo directo se suma el costo operativo del proceso en sí: en México, un reclamo de gastos médicos mayores podía tomar entre 15 y 45 días hábiles desde el reporte hasta el pago — con un equipo de ajustadores revisando documentos manualmente, verificando coberturas en sistemas distintos, y persiguiendo al asegurado para completar el expediente.

Seguros Nova México es una aseguradora de nicho con tres líneas de producto: gastos médicos mayores (GMM), autos, y vida. Con 240,000 pólizas activas, su equipo de siniestros procesaba 1,800 reclamos mensuales en promedio. El 65% eran reclamos de bajo monto y alta frecuencia — gastos de hospitalización con facturas estándar, colisiones menores documentadas — que consumían el mismo tiempo operativo por expediente que los casos complejos.

La dirección técnica tenía el diagnóstico desde 2023: el proceso estaba diseñado para el peor caso (reclamo fraudulento con documentación incompleta) y aplicaba ese nivel de fricción a todos los casos, incluyendo los que eran claramente legítimos, estaban bien documentados y tenían historial limpio.

El reto

Datos dispersos en silos. La información de un reclamo vivía en cuatro sistemas distintos: el sistema de pólizas (AS/400 legacy), el CRM, el sistema de ajustadores (hoja de cálculo compartida) y el portal de facturación del hospital o taller. Ninguno hablaba con otro sin intervención manual.

Volumen que ahoga la operación de casos complejos. Con el 65% del tiempo del equipo dedicado a reclamos de bajo monto y documentación completa, los ajustadores no tenían capacidad para analizar con profundidad los casos complejos que realmente requerían criterio.

Regulación CNSF con tiempos máximos de respuesta. La CNSF establece plazos máximos para la resolución de reclamos. Seguros Nova estaba cumpliendo formalmente, pero los tiempos internos dejaban al asegurado en un limbo de semanas mientras el expediente esperaba en la cola de revisión.

Fraude no detectado en el flujo. Sin análisis automático de patrones, la detección de fraude era reactiva: ocurría al final del proceso, cuando el expediente ya había consumido horas de revisión manual.

La solución: automatización de punta a punta en cinco etapas

Seguros Nova implementó un pipeline de automatización inteligente que cubría el ciclo completo del reclamo — desde el primer contacto del asegurado hasta el pago o rechazo — con supervisión humana en los puntos de decisión de alto riesgo.

Etapa 1 — FNOL automatizado (Aviso Inicial de Siniestro). Los chatbots impulsados por IA gestionan el aviso inicial de siniestro (FNOL), responden consultas frecuentes y guían a los usuarios durante la presentación de reclamaciones, disponibles las 24 horas. El asegurado reporta el siniestro por WhatsApp o portal, en lenguaje natural. El agente conversacional extrae los datos estructurados del reporte, valida la póliza en tiempo real contra el sistema de pólizas, confirma coberturas vigentes, y genera el número de siniestro con el expediente pre-poblado — sin que ningún humano haya tocado el caso aún.

Etapa 2 — Recepción y clasificación de documentos (OCR + IDP). La IA combinaba chatbot para la recogida de datos inicial, OCR para la extracción automática de información de documentos e integración con el sistema de gestión interna, logrando reducir el tiempo de apertura de expediente de días a menos de 48 horas. El asegurado sube las facturas, el acta de accidente, el dictamen médico, o las fotos del daño desde su teléfono. El sistema de IDP clasifica automáticamente cada documento por tipo, extrae los campos clave (folio de factura, proveedor, monto, fecha, diagnóstico, número de póliza), los valida contra los datos del expediente, y marca las inconsistencias para revisión antes de proceder.

Etapa 3 — Verificación de cobertura y score de riesgo. Con el expediente completo, el motor de decisión evalúa automáticamente tres cosas en paralelo: verificación de cobertura, score antifraude (¿hay patrones anómalos en este reclamo comparados con el historial del asegurado y los patrones de fraude conocidos?), y completitud documental. Los modelos de machine learning identifican patrones asociados a posibles fraudes, permitiendo la intervención temprana y generando ahorros millonarios al evitar reclamaciones falsas. El score de fraude no bloquea — prioriza: los expedientes con score alto van a revisión humana con el análisis ya hecho; los de score bajo pasan directamente al flujo de autorización.

Etapa 4 — Resolución automática o escalación inteligente. Los reclamos que cumplen los tres criterios (cobertura verificada, score bajo de fraude, expediente completo) pasan directamente a autorización de pago sin intervención humana. Los que tienen alguna bandera se enrutan al ajustador con el expediente pre-analizado, el score de riesgo explicado, y la acción recomendada. Los agentes de IA pueden escalar a un humano cuando procede, aportando la información y las recomendaciones necesarias para tomar la mejor decisión — orquestando procesos multietapa desde la declaración hasta el pago.

Etapa 5 — Pago y comunicación automática. La autorización de pago genera automáticamente la instrucción al banco, la notificación al asegurado (WhatsApp, email o app), y el registro en el expediente con trazabilidad completa para auditoría de CNSF. Si el reclamo se rechaza, el sistema genera la carta de rechazo con el fundamento de la póliza citado, y el registro queda disponible para impugnación.

Resultados a 10 meses

Métrica	Antes	Después
Tiempo promedio de resolución (reclamos de bajo monto)	18 días hábiles	1.8 días hábiles
Tiempo promedio de resolución (reclamos complejos)	34 días hábiles	12 días hábiles
Tasa de automatización completa (sin intervención humana)	0%	58% de los reclamos
Documentos extraídos correctamente por OCR/IDP	—	91% sin corrección manual
Fraude detectado antes del pago (vs. auditoría posterior)	22% de los casos	71% de los casos
Capacidad del equipo de ajustadores (misma plantilla)	1,800 reclamos/mes	2,950 reclamos/mes
CSAT del asegurado en proceso de siniestros	61 puntos	84 puntos

El indicador que más cambió la conversación interna no fue la velocidad — fue la capacidad. Las primeras aseguradoras que implementan IA agéntica en siniestros informan de una reducción del 3% en los gastos por siniestros y una mejora de la eficiencia del 30% en la gestión de siniestros. En Seguros Nova, la mejora de eficiencia liberó a los ajustadores para atender el 63% más de volumen con la misma plantilla — sin contratar, sin escalar nómina, sin degradar la calidad de revisión en los casos que sí la requerían.

Lo que hizo la diferencia

Automatización por segmento de riesgo, no para todos igual. El error más frecuente en proyectos similares es automatizar todos los reclamos con las mismas reglas. Seguros Nova segmentó desde el inicio: reclamos de bajo monto y alta frecuencia con documentación estándar (candidatos a automatización completa) vs. casos complejos que requieren criterio humano (candidatos a asistencia). El 58% de automatización completa es el resultado de esa segmentación — no de asumir que la IA puede resolver todos los casos.

El ajustador como validador, no como procesador. El cambio radical no solo mejoró la satisfacción del cliente — liberó a los gestores para centrarse en los casos más complejos y en la relación con el cliente. Los ajustadores dejaron de pasar horas verificando si una factura de hospital tenía el formato correcto, y empezaron a dedicar ese tiempo a los casos donde su criterio realmente importaba.

Trazabilidad como subproducto del proceso. Cada paso del flujo automatizado queda registrado con timestamp, fuente documental, score de riesgo y decisión tomada. La próxima auditoría de CNSF no va a requerir que el equipo prepare documentación — el sistema la genera en tiempo real como resultado de la operación diaria.

El contexto que lo hace urgente en México

El 47% de las aseguradoras latinoamericanas señala que no ha podido integrarse de lleno a la IA por problemas con sus datos (silos de información, datos incompletos o poco confiables). El 29% lo atribuye a sistemas heredados y complejidad en procesos de toma de decisión. Esos dos obstáculos son exactamente el punto de partida de cualquier proyecto de automatización de reclamos — no la tecnología.

Ocho de cada diez aseguradoras latinoamericanas planean aumentar su inversión en IA en el corto plazo. El 89% de los ejecutivos del sector seguros planea invertir en IA generativa en 2025-2026. La ventana de diferenciación existe hoy — pero se cierra a medida que la adopción se generaliza y el tiempo de resolución rápido pasa de ventaja competitiva a requisito de mercado.

Caso ilustrativo. Seguros Nova México es una empresa ficticia creada para ilustrar patrones reales de automatización de reclamos en el sector asegurador mexicano y latinoamericano. Fuentes de contexto: CNSF, BCG, EY, Shift Technology, Nerds.ai, Flownexion, Inaza — consultadas en julio 2026.