Nueva tecnología en la gestión de reclamaciones y productividad: automatización e inteligencia artificial

Por Stephen Elliott, MBA, JD, CISSP, CSM, vicepresidente sénior de innovación tecnológica y optimización de decisiones.

En el mercado actual, innumerables proveedores y tecnologías afirman aprovechar la inteligencia artificial (IA) o automatizar los procesos manuales de reclamación.

Se podría argumentar que, desde la aparición del primer ordenador, esto es en lo que todos han estado trabajando. La tecnología actual es, en muchos sentidos, una maduración continua de este proceso, centrándose en los pasos del proceso de reclamaciones que antes se consideraban demasiado complejos u opacos para automatizarlos.

Durante los últimos 50 años, los profesionales del sector de siniestros han dispuesto de la funcionalidad (y las limitaciones asociadas) de las aplicaciones que utilizan lenguajes de programación tradicionales. A estas alturas, todos estamos muy familiarizados con el funcionamiento de los departamentos de tecnología tradicionales a la hora de recopilar requisitos, documentar y definir «reglas» para la toma de decisiones y crear programas que coexisten con los peritos de siniestros para mejorar la tramitación de los mismos. Ahora, con la introducción de la IA, hay varios componentes nuevos que influyen en lo que se puede programar:

Concordancia de patrones

La inteligencia artificial amplía el alcance de las actividades humanas que pueden automatizarse. Si bien los seres humanos siguen instrucciones y reglas documentadas en la gestión de reclamaciones, también están optimizados para encontrar soluciones basadas en patrones que han encontrado anteriormente. La IA introduce la comparación de patrones en los programas informáticos, lo que permite crear software que ya no requiere un desglose discreto detodaslas reglas de toma de decisiones por adelantado. En su lugar, la IA ofrece la capacidad de aprovechar los datos históricos para trazar y percibir esas reglas de manera abstracta. Si los examinadores de reclamaciones con experiencia analizaron la reclamación X y decidieron la acción Y en el pasado, los sistemas de IA pueden entrenarse para hacer lo mismo.

Al no estar limitada por los métodos que utilizan los seres humanos para tomar decisiones, la IA basada en el aprendizaje automático puede ser incluso mejor. De hecho, la IA puede identificar patrones en los datos quedebenutilizarse para tomar decisiones, incluso si los examinadores no utilizaron esos criterios o ni siquiera se dieron cuenta de que los estaban utilizando. Este avance permite la creación de motores de decisión inteligentes para automatizar de forma óptima tareas del proceso de reclamaciones que antes se consideraban demasiado complicadas o que requerían una decisión subjetiva.

Sistemas de auto-triaje

Diseñados para examinar los elementos iniciales de los datos de las reclamaciones, los sistemas de clasificación automática combinan los datos con patrones históricos que, de otro modo, podrían ser difíciles de detectar, con el fin de clasificar con precisión una reclamación en una «categoría» concreta para su tramitación. Las empresas pueden elegir entre muchas formas de lograrlo. Algunas pueden querer entrenar a su IA para clasificar las reclamaciones en diferentes categorías de estimación de costes, lo que les permite distinguir los niveles de riesgo por coste. Otras pueden preferir una definición más abstracta de «complejidad» que se ajuste a los costes, pero que a veces simplemente ayuda a identificar las reclamaciones que pueden requerir más tiempo, más contacto humano o un mayor nivel de supervisión por parte de personal experimentado.

Sistemas de autoadjudicación

Cuando finaliza la clasificación automática, se inicia la adjudicación automática. Por lo general, si una reclamación se ha clasificado comosencillay susceptible de ser procesada sin intervención humana, los pasos restantes del proceso de reclamación pueden automatizarse. Mediante el uso de la inteligencia artificial combinada con métodos más tradicionales, la reclamación puede pasar de la fase de admisión a la de elegibilidad y, finalmente, a la de pago y cierre. Estas reclamaciones autoadjudicadas no solo son menos costosas de gestionar, sino que a menudo dan lugar a una mayor satisfacción del reclamante, ya que no se retrasan a la espera de la revisión por parte de los peritos, lo que permite cerrar el caso de forma rápida y sencilla.

Modelización predictiva

Aunque suele considerarse una tecnología independiente, el modelado predictivo suele ser un componente clave de las soluciones de inteligencia artificial. Combinando el aprendizaje automático y estadísticas complejas, utilizapatronesde datos históricos para predecir el futuro. Al automatizar decisiones o pasos en el proceso de reclamaciones, los modelos predictivos pueden utilizarse para elegir las acciones que proporcionan los resultados predictivos óptimos en función del coste, la satisfacción del cliente o el riesgo.

Si bien estos modelos aprovechan la tecnología moderna, también pueden utilizarse para optimizar la intervención humana en reclamaciones críticas. Se pueden realizar recomendaciones prescriptivas específicas para añadir recursos experimentados cuando los matices de una reclamación apuntan a varios escenarios:

• Fraude
• Litigios
• Especialización

Cuando la probabilidad de fraude es alta, la reclamación puede remitirse a los investigadores o a los peritos humanos para que la investiguen más a fondo y tomen las medidas oportunas. Los modelos de IA no solo tienen la capacidad de detectar el fraude en reclamaciones individuales, sino también de examinar todo el volumen de negocio y detectar patrones de fraude en casos individuales que, a primera vista, parecen inocuos.

Cuando la probabilidad de litigio es alta, se pueden tomar medidas especiales con respecto a la reclamación. Estas pueden ser tareas como guardar y archivar vídeos de seguridad minorista, entrevistar a testigos y otros participantes mientras sus recuerdos aún están frescos o, de otro modo, proporcionar una mejor atención y comunicación con el reclamante para evitar su insatisfacción.

Cuando los conocimientos especializados puedan beneficiar a la reclamación, ya sea basándose en «desencadenantes» actuales o en la predicción de desencadenantes futuros, la IA puede escalar la reclamación para que intervengan varios equipos. Estos equipos pueden estar formados por enfermeras gestoras de casos, investigadores de subrogación o especialistas en otras reclamaciones complejas o singulares.

Minería de textos

El siguiente ámbito en el aprendizaje automático de la IA reside en la minería de textos de datos no estructurados. Aunque en última instancia ofrece resultados similares a los modelos predictivos tradicionales de datos estructurados, la minería de textos de documentos, notas, declaraciones de testigos y otros elementos de la reclamación proporciona al sistema una cantidad de información significativamente mayor. No es razonable que los sistemas de reclamaciones capturen todas las comorbilidades o combinaciones peligrosas de medicamentos. Sin embargo, es posible que la IA aprenda los riesgos asociados a su mención en notas, documentos médicos o correspondencia.

Principales retos y riesgos

Aunque todo esto suena como una utopía para la tecnología de gestión de reclamaciones, sigue planteando una serie de retos y riesgos. Muchos de los eventos que pedimos a la IA que aprenda se consideran poco frecuentes, lo que los hace a menudo difíciles de predecir, incluso con los mejores datos y el mejor software de modelización estadística. Apenas se producen como porcentaje del volumen total de negocio. Esto no significa que sea imposible trabajar con ellos, pero los creadores o compradores de software de automatización/predicción deben comprender que estos pueden seguir planteando retos en cuanto a la precisión. Desconfíe de los proveedores que afirman tener modelos con una precisión del 95 % en la predicción de eventos poco frecuentes. Si esos eventos se producen en el 3 % de las reclamaciones, entonces una precisión superior al 97 % es el mínimo que cualquier modelo básico debería producir.

En última instancia, la eficacia de cualquier modelo de automatización o predicción basado en la IA dependerá tanto de la calidad de los datos como de la calidad de las medidas adoptadas por el equipo de reclamaciones, en caso de que se recomienden o se les remitan medidas prescriptivas. Como la mayoría de las tecnologías, suele funcionar mejor cuando no es totalmente manual ni totalmente automatizada, sino que se combinaen las proporciones adecuadaspara minimizar el riesgo y maximizar la satisfacción del cliente.