On ja hi ha ROI provat
- Detecció de frau en transaccions: és l'aplicació d'IA més madura del sector financer. Els models analitzen patrons de transaccions en temps real i marquen anomalies amb una precisió molt superior a les regles fixes tradicionals — i cada fals negatiu evitat té un cost directe i quantificable.
- Scoring creditici com a suport a la decisió: no substituint l'analista, sinó donant-li més senyal (comportament transaccional, variables alternatives) abans de decidir. Redueix el temps d'anàlisi sense eliminar la supervisió humana sobre la decisió final.
- Processament de documents i sinistres: extracció automàtica de dades de pòlisses, factures, parts de sinistre i documentació KYC. És treball de back-office d'alt volum i regles relativament clares — exactament el tipus de tasca on la IA rendeix més i arrisca menys.
- Predicció d'abandonament (churn): identificar quins clients tenen més probabilitat de canviar d'entitat o cancel·lar una pòlissa, per actuar abans de perdre'ls, en lloc de reaccionar després.
El que tenen en comú aquests quatre casos: dades històriques abundants, un resultat mesurable des del primer dia (frau detectat, temps de tramitació, taxa de retenció), i una tasca acotada que no requereix que el model prengui la decisió final per si sol.
On encara és més soroll que resultat
- Chatbots genèrics d'atenció al client: desplegats per "respondre qualsevol consulta" en lloc de resoldre bé un conjunt acotat de tràmits d'alt volum. Com més ampli l'abast promès a la demo, pitjor sol ser l'experiència real del client.
- Automatització total de l'underwriting sense supervisió: delegar la decisió final de concedir o no un crèdit o una pòlissa enterament a un model, sense revisió humana, no només és un risc regulatori (vegeu més avall) — és també on apareixen més errors silenciosos, perquè ningú revisa els casos límit.
- Models de llenguatge genèrics aplicats a decisions regulades: fer servir un LLM de propòsit general per redactar o justificar una decisió de crèdit o de sinistre, sense traçabilitat de quines dades va utilitzar ni per què va arribar a aquesta conclusió, és exactament el contrari del que exigeix un sector que ha de poder explicar cada decisió davant un supervisor.
La barrera regulatòria: què diu l'AI Act
L'AI Act europeu classifica com a "alt risc" els sistemes d'IA utilitzats per avaluar la solvència creditícia de persones físiques i per a la tarificació i avaluació de risc en assegurances de vida i salut. Això no significa que estiguin prohibits — significa que exigeixen documentació tècnica, traçabilitat de les dades d'entrenament, supervisió humana real sobre la decisió final, i capacitat d'explicar per què el sistema va recomanar el que va recomanar.
La diferència entre un projecte d'IA financera que passa una auditoria i un que no, gairebé mai és el model — és si el disseny va incloure la supervisió humana i la traçabilitat des del primer dia, en lloc d'intentar afegir-les després sobre un sistema ja en producció. És el mateix patró que vam veure en parlar d'agents d'IA sense governança: el risc no és la tecnologia, és desplegar-la sense estructura de control des del principi.
Checklist: per on començar si ets una entitat mitjana
- Comença pel back-office, no cara al client: el processament de sinistres o de documentació KYC dona resultats mesurables sense exposar el client final a un sistema encara en rodatge.
- Tria un procés d'alt volum i regles clares — no el cas més ambiciós, el que té un KPI que ja mesures avui (temps de tramitació, taxa de frau detectat).
- Dissenya la supervisió humana des del dia u, no com a pedaç posterior — especialment en qualsevol sistema que toqui scoring, crèdit o tarificació de risc.
- Exigeix traçabilitat del proveïdor: quines dades utilitza el model, com explica els seus resultats, i si ja compleix els requisits d'"alt risc" de l'AI Act o et deixa a tu aquesta responsabilitat.
- Mesura abans de prometre escala: igual que en qualsevol altre projecte d'IA, un pilot acotat amb un KPI clar val més que un desplegament ampli sense manera de comprovar si va funcionar.
Conclusió
Banca i assegurances no tenen un problema de maduresa tecnològica — porten anys utilitzant models predictius per a frau i risc. El problema apareix quan es tracta la IA generativa recent amb la mateixa confiança que aquests models ja provats, sense la mateixa disciplina de dades, supervisió i mesura que els va fer funcionar. El ROI real és on sempre ha estat: en processos acotats, d'alt volum, amb un KPI que ja existia abans de la IA.
A Dataverse Solutions ajudem entitats financeres i asseguradores mitjanes a prioritzar quin cas d'ús d'IA té sentit primer, amb la supervisió i traçabilitat que exigeix el sector des del disseny inicial, no com a pedaç posterior.
Preguntes freqüents
Una entitat mitjana pot implementar IA per a detecció de frau sense un equip de data science gran?
Sí. La majoria de proveïdors de scoring i detecció de frau ofereixen models ja entrenats sobre patrons de transaccions que s'ajusten (no s'entrenen des de zero) amb les dades pròpies de l'entitat. L'esforç gran no és el model, és deixar les dades de transaccions en un format net i accessible.
L'AI Act prohibeix utilitzar IA per decidir si es concedeix un crèdit o una pòlissa?
No ho prohibeix, però ho classifica com a sistema d'"alt risc", cosa que obliga a documentació tècnica, supervisió humana real sobre la decisió final, i capacitat d'explicar per què el sistema va recomanar el que va recomanar. És perfectament viable, però cal dissenyar-ho així des del principi, no afegir-ho després.
Per què els chatbots d'atenció al client en banca i assegurances generen tanta frustració?
Perquè gairebé sempre es despleguen sense un abast clar: se'ls demana respondre qualsevol consulta possible en lloc de resoldre bé un conjunt acotat de tràmits d'alt volum (consulta de saldo, estat d'un sinistre, renovació de pòlissa). Com més ampli l'abast promès, pitjor l'experiència real.
Per on hauria de començar una asseguradora mitjana que vol veure ROI en menys d'un any?
Pel processament de sinistres: és un procés d'alt volum, amb regles relativament clares, i on reduir el temps de tramitació té un impacte directe i mesurable en satisfacció del client i cost operatiu — sense tocar cap decisió d'alt risc regulatori.