Agente de Reclamos

Cómo una aseguradora utilizó la IA para agilizar las reclamaciones de baja complejidad y liberó a los ajustadores para que se centraran en lo que importa

Voluta

Desafío

Demasiadas reclamaciones, muy poco tiempo

Una aseguradora de propiedad y accidentes de tamaño mediano procesaba cientos de miles de reclamaciones por año. La mayoría eran de baja complejidad (pérdida de equipaje, parabrisas rotos, daños menores por agua), pero aún así requerían admisión, clasificación y aprobación manuales. Con el aumento de los costes laborales y las expectativas de los clientes en cuanto a velocidad, la operación de reclamaciones se había convertido en un cuello de botella. El liderazgo necesitaba una forma de escalar sin aumentar proporcionalmente la plantilla.

Los ajustadores estaban abrumados. El 70% de los reclamos eran simples pero aún requerían entrada, enrutamiento y aprobación manuales. Los tiempos de resolución estaban aumentando. Los clientes estaban frustrados. También lo eran los empleados.

Cuellos de botella humanos

Cada reclamo comenzó de la misma manera: enviado en línea, enviado por correo electrónico o llamado. Un humano tuvo que clasificar, verificar detalles, solicitar documentos y llevarlo a cabo. Los reclamos simples estaban en la misma cola que los complejos. El resultado: ineficiencia en todas partes.

¿Y si un bot pudiera manejarlo?

La idea: crear un agente de reclamos digital, uno que pudiera procesar instantáneamente reclamos de bajo riesgo basados en reglas sin demora humana, y escalar solo los que necesitaban revisión.

Acercarse

Entonces construimos un ajustador de IA

Nos asociamos con Claims Ops, IT y Legal para diseñar un modelo de automatización de reclamos. Revisó el tipo de reclamo, el monto, el historial del cliente y la documentación adjunta, y luego tomó una decisión instantánea, con capacidad de auditoría incorporada.

Solución

Lo entrenamos en 3 años de historia

El modelo se entrenó en 2,1 millones de reclamaciones históricas. Aprendió qué casos era seguro aprobar automáticamente, cuáles requerían validación y cuáles siempre debían remitirse a un humano. Escaneos de documentos, metadatos, indicadores de políticas: todos formaban parte del árbol de decisiones.

Metodología

Utilizamos una metodología por etapas: (1) definimos reglas de elegibilidad y criterios de escalamiento con Claims Ops y Legal; (2) extraer, limpiar y etiquetar datos históricos de reclamaciones para capacitación; (3) entrenar y validar el modelo de clasificación y aprobación con conjuntos de reservas y revisión humana de casos extremos; (4) integrar el modelo en la plataforma de reclamos a través de API con registros de auditoría y controles de anulación; (5) ejecutar un piloto controlado por línea de productos antes del lanzamiento completo.

Fuentes de datos

Registros históricos de reclamaciones (2,1 millones), incluidos el tipo de reclamación, el importe, los detalles de la póliza y el resultado. Anexos de documentos y campos extraídos (fotos, presupuestos, facturas). Datos de CRM y políticas para el historial del cliente y señales de riesgo. Todos los datos fueron anonimizados o agregados para el entrenamiento del modelo; La inferencia de producción utilizó datos de pólizas y reclamos en vivo dentro del perímetro de seguridad existente.

Lo implementamos en producción

El ajustador de IA ahora se ejecuta en segundo plano: examina y aprueba más de 38 000 reclamaciones por mes. Señala anomalías, comprueba el riesgo de fraude y se integra perfectamente en la plataforma de reclamaciones existente. Los ajustadores todavía poseen casos complejos, pero ahora no están enterrados en casos rutinarios.

"No reemplazamos a los humanos. Eliminamos los desechos, para que la gente pudiera concentrarse en juzgar, no en trabajar".

— Director de Automatización de Reclamos

Medimos el impacto

El tiempo de resolución se redujo de 5,4 días a 1,2 días para las reclamaciones elegibles. El NPS del grupo de resolución automática aumentó 18 puntos. Y los ajustadores recuperaron más de 7000 horas al año para dedicarlas a casos complejos y de alto contacto que realmente las necesitan. Imágenes incluyó un panel de operaciones que muestra las tasas de resolución automática versus humana, el tiempo promedio de resolución por tipo de reclamo y las tendencias de NPS; además de vistas de auditoría para cada reclamo aprobado automáticamente para que el cumplimiento pueda revisar muestras.

Cronograma de implementación

Semanas 1 a 6: requisitos, extracción de datos y reglas de elegibilidad. Semanas 7 a 14: desarrollo de modelos, pruebas retrospectivas y creación de integración. Semanas 15 a 18: prueba piloto de una línea de productos (por ejemplo, inquilinos) con revisión humana en paralelo. Semanas 19 a 22: sintonización y expansión a líneas adicionales. En la semana 24, se completó el despliegue completo de la producción y se alcanzó la tasa de ejecución de más de 38 000 solicitudes por mes.

Da el siguiente paso

Vea cómo Intellimark puede ayudarle a crear un agente de reclamaciones que crezca sin perder el toque humano.

Contáctenos

Resultado

La aseguradora automatizó la rutina y reenfocó el esfuerzo humano en reclamos de valor agregado:

Métricas / Resultados

38,000+ reclamos procesados automáticamente por mes

1,2 días tiempo promedio de resolución (frente a 5,4 días)

+18 Puntos NPS por grupo automatizado

Más de 7000 horas devuelto a los ajustadores anualmente

Aleta.

Algunas afirmaciones necesitan empatía. Algunos sólo necesitan eficiencia. Ahora podrían ofrecer ambas cosas.

Explora más

Investigación · Analítica

Centro · Experiencia para Impactar