En el contact center de una aseguradora el cliente espera al teléfono mientras el agente rebusca en condiciones de póliza, tarifas, procedimientos y varios sistemas. La respuesta está en algún sitio, solo que es difícil encontrarla rápido y estar seguro de que es la vigente. Para un responsable de atención al cliente eso significa una cosa: el conocimiento existe, pero no llega a tiempo a la conversación. Esa brecha es la que cierra un asistente de IA en seguros construido sobre RAG combinado con un modelo de lenguaje.
Por nuestra experiencia, lo difícil no es levantar un modelo, sino encajarlo en el proceso real de servicio y en las fuentes de verdad de la empresa. Para UNIQA, una de las mayores aseguradoras de Polonia, construimos un asistente de IA para el contact center sobre el modelo PLLuM que sugiere respuestas listas a los agentes y reescribe los registros en lenguaje orientado a beneficios, funcionando on-premise.
¿Por qué los agentes pierden tiempo buscando respuestas?
El problema rara vez está en las personas. El conocimiento en seguros está disperso, es enorme y cambia: las condiciones de póliza difieren entre productos y años, las tarifas se actualizan y los procedimientos viven en documentos separados. En lugar de hablar con el cliente, el agente salta entre pestañas y monta una respuesta a partir de varios sitios a la vez.
Las consecuencias le suenan a cualquiera que dirija una operación de servicio: el tiempo de gestión crece, sube el riesgo de respuestas incoherentes y las personas nuevas tardan mucho en ponerse al día. El mismo caso puede acabar de forma distinta según quién lo atienda. No es un problema de motivación, sino de acceso al conocimiento en el momento de la conversación.
¿Qué es un asistente de IA (RAG + LLM) en seguros?
Es una solución que combina la recuperación de documentos propios de la empresa (RAG) con la generación de respuestas por un modelo de lenguaje (LLM). Un LLM por sí solo escribe bien, pero no conoce tus condiciones de póliza y puede inventar. RAG lo corrige entregando al modelo fragmentos concretos de documentos reales sobre los que basar la respuesta.
En la práctica, la pregunta de un agente (o el contenido del caso de un cliente) dispara una búsqueda de los fragmentos más relevantes en la base de condiciones, tarifas y procedimientos, y el modelo formula una respuesta anclada en esas fuentes. Así el agente no recibe palabrería genérica, sino una respuesta respaldada por un documento que puedes señalar. Para UNIQA lo construimos sobre el modelo PLLuM, adecuado al lenguaje polaco del servicio de seguros.
¿Cómo funciona la recuperación de condiciones y tarifas anclada en las fuentes?
Para que el asistente sea fiable, lo que cuenta es la calidad de la capa de recuperación, no solo el modelo. Los documentos hay que prepararlos para que el modelo llegue al fragmento correcto:
- dividir los documentos en fragmentos con sentido (condiciones, tarifas, procedimientos) que conserven el contexto,
- indexación vectorial, que encuentra contenido por significado y no por palabra clave,
- anclaje de las respuestas en las fuentes, enlazando el contenido generado con un documento concreto,
- actualización de la base de conocimiento cuando cambian tarifas o condiciones, sin reconstruirlo todo.
El resultado es un asistente que responde desde documentación vigente, y un equipo que sabe de dónde sale cada respuesta. Esta capa decide si la solución es una demo o una herramienta de producción.
¿Cómo conectar el asistente al CRM y a los canales de servicio (omnicanalidad)?
El asistente solo gana valor cuando vive donde trabaja el agente, no en una ventana aparte. Por eso lo diseñamos como parte del entorno de servicio existente:
- un panel de sugerencias de IA con respuestas listas directamente en la interfaz del agente,
- resúmenes automáticos de los registros en lenguaje orientado a beneficios que el cliente entiende,
- integración con el CRM y el call center, para que el asistente vea el contexto del caso,
- una única «fuente de verdad» en modelo omnicanal, coherente sea cual sea el canal de contacto.
En el proyecto de UNIQA conectamos el asistente al CRM y al sistema de call center, de modo que se convirtió en un punto de referencia compartido entre canales. El agente ya no persigue respuestas en varios sitios, sino que recibe una en el contexto del caso.
¿Cómo tratar la seguridad de los datos y el entorno (on-premise / nube privada)?
En seguros los datos son sensibles y el listón regulatorio es alto, así que la arquitectura tiene que tenerlo en cuenta desde el primer día. Ejecutamos el asistente donde los datos de la empresa siguen bajo su control: on-premise o en una nube privada, sin enviar el contenido de los casos a APIs públicas de modelos.
Eso le da a la organización dos cosas a la vez: los datos del cliente nunca salen del entorno controlado, lo que simplifica las conversaciones con seguridad y compliance, y la empresa mantiene el control sobre el modelo y la base de conocimiento. Para UNIQA ejecutamos el asistente precisamente en modelo on-premise / nube privada, lo que era condición para pasar a producción.
¿Por qué es imprescindible el humano en el circuito?
Porque el objetivo no es sustituir al agente, sino liberarlo de la búsqueda tediosa. El asistente redacta una propuesta de respuesta y resume el caso, pero la persona decide qué se envía al cliente, combinando la velocidad de la máquina con el criterio y la empatía humanos.
Para un responsable de servicio tiene además un lado práctico: el humano en el circuito protege del error y construye la confianza del equipo en la herramienta. Los agentes la adoptan antes cuando ven que apoya sus decisiones en lugar de desplazarlos, y el conocimiento de los mejores agentes pasa a estar disponible para todo el equipo en vez de quedarse en unas pocas cabezas.
¿Cómo medir el efecto (AHT, coherencia)?
Desplegar un asistente de IA es un proyecto de negocio, así que lo medimos con números. Las direcciones principales que seguimos junto al equipo de servicio:
- AHT (tiempo medio de gestión) como métrica principal de eficiencia,
- coste por caso atendido, que baja a medida que los agentes cierran casos más rápido,
- coherencia de las respuestas, es decir, la misma respuesta correcta sea quien sea el agente,
- tiempo de incorporación de una persona nueva, porque el conocimiento está disponible desde el primer día.
El objetivo del despliegue en UNIQA era reducir el AHT y el coste del servicio manteniendo la calidad, y por eso fijamos las métricas al principio en lugar de añadirlas al final. Es la forma más sencilla de mostrar el retorno de la inversión a quien decide.
¿Qué competencias aportamos a un proyecto de IA en seguros?
Un despliegue así necesita un equipo que entienda a la vez el modelo, la operación de servicio y las integraciones. Lo formamos en torno al alcance concreto, no «por si acaso»:
- ingenieros LLM/RAG responsables del modelo, la capa de recuperación y la calidad de las respuestas,
- especialistas MLOps que mantienen la solución en producción (despliegues, monitorización, actualizaciones),
- ingenieros de integración que conectan el asistente al CRM, al call center y a la base documental,
- arquitectos de datos y seguridad que cuidan el entorno on-premise / nube privada.
Nuestra competencia en IA y datos es real: entregamos proyectos GenAI, RAG y LLM en producción, no solo como demos. Esa es la diferencia entre un escaparate y una solución que sostiene conversaciones reales con clientes cada día.
¿Cómo lo hacemos en RITS?
Lo hacemos como un partner que lleva la IA hasta producción, no uno que se queda en la prueba de concepto. Nuestro proyecto para una de las mayores aseguradoras de Polonia lo demuestra:
- para UNIQA construimos un asistente de IA para el contact center sobre el modelo PLLuM (RAG + LLM), con un panel de sugerencias de IA en la interfaz del agente,
- añadimos resúmenes automáticos de los registros en lenguaje orientado a beneficios y lo atamos todo a una «fuente de verdad» omnicanal integrada con el CRM y el call center,
- ejecutamos la solución on-premise / en una nube privada, de modo que los datos de los clientes se quedaron bajo el control de la empresa,
- pasamos de un piloto en 8 semanas a la escala de toda la organización, con el objetivo de reducir el AHT y el coste del servicio.
La mayoría de las veces se trata de un despliegue de IA que apoya los procesos de servicio existentes y, donde hace falta reforzar competencias rápido, sumamos nuestro equipo en el modelo de colaboración elegido.
¿Por dónde empezar con el despliegue de un asistente de IA?
Empieza por un escenario de servicio concreto (por ejemplo, las preguntas más frecuentes sobre el alcance de la póliza) y por la pregunta de qué documentos deben alimentar la base de conocimiento. Eso define el alcance del piloto, los requisitos del entorno y las métricas que mostrarán el efecto, antes de invertir en escala. Las diferencias entre modelos de colaboración las tratamos en nuestro artículo sobre modelos de colaboración en TI.
¿Quieres desplegar un asistente de IA (RAG + LLM) en tu contact center? Hablemos - ajustamos el alcance del piloto y la arquitectura a tu organización.
Despliega con nosotros un asistente de IA para tu contact center