El reaseguro es el seguro de los aseguradores: el mecanismo por el que una compañía cede parte de su riesgo a otra para proteger su capital frente a lo inesperado. Es también uno de los terrenos más exigentes para los datos. Mientras la tarificación de un seguro de automóvil se apoya en millones de pólizas, un contrato de exceso de pérdida puede sostenerse sobre un puñado de siniestros grandes ocurridos en veinte años. En ese mundo de información escasa y colas pesadas, la inteligencia artificial llega más tarde que al seguro directo, pero su papel, bien entendido, resulta más delicado y más valioso.
Por qué el reaseguro se resiste a los datos
Tres rasgos hacen del reaseguro un caso difícil. Primero, la escasez: los eventos que mueven un tratado son, por definición, raros. Segundo, la heterogeneidad: cada cartera cedida mezcla ramos, geografías y condiciones distintas, y rara vez dos cesiones son comparables. Tercero, la no estacionariedad: la inflación de siniestros, el cambio climático y la evolución de las exposiciones hacen que el pasado sea una guía imperfecta del futuro. Un algoritmo ávido de volumen encuentra aquí poco con qué alimentarse. Por eso la IA en el reaseguro no sustituye al actuario que fija el precio: amplifica la información escasa, ordena prioridades y permite explorar estructuras que antes exigían semanas de cálculo.
Del rating por experiencia al rating por exposición
La tarificación de un tratado combina dos enfoques clásicos. El rating por experiencia parte de los siniestros históricos del cedente, los ajusta por inflación y desarrollo, y estima el costo esperado de la capa. El rating por exposición usa curvas que describen cómo se reparte el daño dentro de una póliza para asignar la prima entre capas. Para una capa de exceso de pérdida con prioridad $R$ y límite $L$ sobre una severidad $X$, el costo esperado de siniestros es
$$\mathbb{E}\!\left[\min\big(\max(X-R,\,0),\,L\big)\right],$$
una integral sobre la cola de la distribución que las curvas de exposición aproximan. El machine learning entra como refuerzo, no como reemplazo: modelos de gradient boosting para el desarrollo y la tendencia de los triángulos, métodos que calibran y actualizan curvas de exposición con datos más ricos, y técnicas de nowcasting que estiman siniestros grandes todavía no reportados. El resultado sigue siendo un precio que el actuario debe poder explicar.
Leer cesiones y dar prioridad con IA
Una reaseguradora recibe miles de cesiones al año: slips, estados de valores, bordereaux y correos en formatos dispares. Buena parte del tiempo del equipo se va en leer, normalizar y cruzar esa información antes de cotizar. Aquí los modelos de lenguaje ofrecen su aporte más tangible, porque pueden extraer datos de exposición de documentos no estructurados, detectar inconsistencias entre anexos, resumir la cobertura y ordenar la cartera de cotizaciones según su atractivo esperado.
- Extracción y normalización de datos de exposición desde documentos heterogéneos.
- Triage de cesiones que prioriza las que combinan mayor probabilidad de cierre y mejor rentabilidad esperada.
- Primeras versiones de la nota técnica y de la documentación del contrato.
- Señales de alerta sobre acumulaciones de riesgo entre distintos cedentes.
Nada de esto decide por el suscriptor ni por el actuario. Una extracción errónea de un límite o de una cláusula puede contaminar todo el precio, de modo que la validación humana y la trazabilidad de lo que el modelo leyó son parte inseparable del proceso.
Optimizar la estructura y la retención
Una de las decisiones más estratégicas del cedente es cuánto retener y cuánto ceder, y cómo repartir la protección entre capas y ramos. Evaluar cada configuración exige simular miles de escenarios de siniestralidad, un cálculo costoso. Los modelos sustitutos, también llamados proxy, aprenden a aproximar el resultado de la simulación completa y permiten recorrer muchas estructuras en minutos, midiendo su efecto sobre la volatilidad del resultado, el costo de capital y la exposición a la cola. La IA convierte así una búsqueda manual y lenta en una exploración amplia, siempre que el actuario fije el criterio de optimización y vigile que la aproximación no engañe justamente en los escenarios extremos, que son los que importan.
ILS, bonos de catástrofe y reaseguro paramétrico
La transferencia de riesgo ya no pasa solo por tratados tradicionales. Los bonos de catástrofe y los valores vinculados a seguros, conocidos como ILS, llevan el riesgo al mercado de capitales, y el reaseguro paramétrico paga según un índice objetivo, como la magnitud de un sismo o la velocidad del viento, en lugar de la pérdida real. El machine learning ayuda a diseñar y tarificar esos disparadores a partir de datos de peligro, y a construir carteras de ILS. Su talón de Aquiles es el riesgo de base: la brecha entre lo que paga el índice y la pérdida que de verdad sufre el asegurado. Reducir esa brecha es un problema tanto de datos como de diseño actuarial, y ninguna optimización estadística lo resuelve por sí sola.
El límite: la cola no se aprende, se razona
El rasgo que define al reaseguro es que vive en la cola de la distribución, donde los datos casi no existen. Ahí ningún modelo puede aprender lo que no ha visto, y extrapolar más allá de la evidencia es un acto de juicio, no de ajuste. La teoría del valor extremo, los márgenes de prudencia y el escrutinio de supuestos siguen siendo el núcleo del oficio. Organismos como la Society of Actuaries (SOA), la Casualty Actuarial Society (CAS) y el Institute and Faculty of Actuaries (IFoA) han publicado material sobre tarificación de reaseguro, ciencia de datos y gobernanza de modelos que sitúa estas herramientas dentro del marco profesional, no por encima de él. La inteligencia artificial puede comprimir el camino que va de la cesión a la decisión, pero el precio de lo extremo seguirá descansando donde siempre ha estado: en el criterio del actuario que lo firma.