- Property & Casualty
- Life & Health
- Knowledge Center
-
About Us
About Us OverviewCorporate Information
TOP
Las nuevas tecnologías exigen nuevos enfoques, y esto es especialmente evidente cuando aparece una tecnología de uso general (General-Purpose Technology o GPT, por sus siglas en inglés), como la inteligencia artificial generativa. ¿Qué es lo que define a una GPT y cuáles son las implicaciones de la inteligencia artificial generativa para la innovación de procesos? ¿Cómo debería evolucionar la toma de decisiones en el contexto de la innovación impulsada por la inteligencia artificial generativa?
La aparición de una GPT es un acontecimiento poco frecuente y transformador. La máquina de vapor impulsó la Revolución Industrial y sirvió como fuente de energía centralizada en las fábricas. Después llegó la electricidad, que hizo que la energía estuviera omnipresente y permitió nuevos métodos de producción y diseños de fábrica. La invención del semiconductor revolucionó los flujos de trabajo y las estructuras organizativas y posibilitó la informática electrónica y las comunicaciones modernas a través de internet.
La IA generativa se hizo ampliamente accesible para las empresas tras el lanzamiento de ChatGPT en noviembre de 2022, momento en que los proveedores de servicios en la nube integraron grandes modelos de lenguaje y herramientas relacionadas en sus plataformas. ¿Qué podemos aprender de las GPT anteriores para guiarnos en la adopción de la IA generativa?
Los estudiosos de la tecnología identifican tres características que definen una GPT:1
La adopción de la GPT se va desarrollando con el tiempo. A medida que avanza la IA generativa, las aseguradoras seguirán innovando, ampliarán su uso y generarán ingresos para su desarrollo posterior, lo que se traduce en un bucle de innovación y reinversión. La máquina de vapor tardó dos siglos en evolucionar y ampliar sus aplicaciones. La electricidad avanzó gracias a innovaciones como la corriente alterna y el motor eléctrico, y la tecnología de las baterías sigue evolucionando en la actualidad. La informática electrónica ha progresado gracias a hitos como la invención de las unidades de procesamiento gráfico por parte de NVIDIA. En menos de dos años desde el lanzamiento de ChatGPT, han surgido modelos de razonamiento que permiten a la IA generar nuevos datos2 y resolver problemas matemáticos complejos3.
La innovación de procesos impulsada por la IA generativa se produce en tres dimensiones, como se ilustra a continuación: mejora al nivel de las tareas, rediseño de los flujos de trabajo y rediseño organizativo. Estas dimensiones difieren en cuanto al esfuerzo de cocreación necesario y el valor económico aportado. A medida que la tecnología vaya madurando, la adopción pasará de mejorar las tareas ya existentes a habilitar otras nuevas dentro de flujos de trabajo rediseñados, algunos de los cuales estarán coordinados y ejecutados por agentes de IA en estructuras organizativas novedosas.
Esta interacción dinámica entre el progreso tecnológico y la coinnovación influye en la forma de tomar las decisiones. La adopción de la IA generativa es iterativa e implica un aprendizaje continuo, así como la implementación en nuevos flujos de trabajo y modelos organizativos. El ritmo de este ciclo de retroalimentación se ha acelerado desde la máquina de vapor hasta la electricidad y los semiconductores, y se espera que sea aún más rápido con la IA generativa, lo que situará al sector de los seguros en una senda de aprendizaje rápido e innovación continua.
Cada decisión de adopción conlleva un riesgo, a saber: un error por omisión (no llevar a cabo un proyecto valioso) o un error de acción (llevar a cabo un proyecto que debería haberse evitado). No llevar a cabo un proyecto es algo totalmente irreversible, mientras que ejecutarlo conlleva a menudo costes a fondo perdido, es decir, gastos que no se pueden recuperar si el proyecto se abandona o se modifica.
Esto genera valor durante la espera. Retrasar una decisión permite conservar la opción de actuar más tarde basándose en información mejor. Este valor de opción reduce el valor actual neto (VAN) tradicional de un proyecto. Sin embargo, la espera también tiene un coste, como son las oportunidades perdidas y la menor flexibilidad en el futuro. Este coste de la espera aumenta el valor del proyecto.4
La teoría de las opciones reales enfatiza el aprendizaje y la reversibilidad. Favorece las tecnologías que permiten tomar decisiones reversibles y ampliar las opciones futuras. Estos dos factores respaldan la innovación complementaria de bajo coste y la adopción temprana. Aunque las opciones reales son difíciles de cuantificar en entornos complejos, su valor práctico radica en orientar la toma de decisiones priorizando las tecnologías que permiten la reversibilidad y amplían las oportunidades futuras.
La adopción de una GPT requiere inversiones complementarias. En el caso de la IA generativa, las inversiones principales son la infraestructura en la nube, la arquitectura de datos y las capacidades organizativas en ingeniería de datos e IA. A nivel de los flujos de trabajo, la coinnovación implica desarrollar competencias en la colaboración entre humanos e IA, así como en la coordinación de flujos de trabajo con agentes de IA.
Estas inversiones generan activos intangibles que inicialmente se convierten en resultados, es decir, en productos de los esfuerzos de la organización. Con el tiempo, se convierten en insumos para la producción. Las métricas de productividad tradicionales a menudo son incapaces de captar estos activos, por lo que subestiman la productividad durante su formación y la sobreestiman una vez implementados.5
Para las aseguradoras, una medida aproximada de la productividad es el índice de gastos. Durante el desarrollo de los activos intangibles, aumentan los gastos sin contribuir a la producción. Una vez implementados, mejoran la producción sin aumentar los gastos. Esta dinámica puede dar lugar a una curva en J en la productividad medida, es decir, a una disminución inicial seguida de ganancias a largo plazo, tal como se ilustra a continuación. Reconocer este efecto es esencial para evaluar con precisión el impacto de la IA generativa en la productividad tanto a corto como a largo plazo.
Notas finales consultadas por última vez el 22 de agosto de 2025.
