Pocas variables pesan tanto en un sistema de pensiones como la longevidad. Vivir mas anos de lo previsto es una excelente noticia individual y un reto financiero colectivo: cada ano adicional de esperanza de vida encarece las obligaciones de un plan de beneficio definido. Modelar bien cuanto viviran los pensionados y cuanta incertidumbre rodea esa proyeccion es una de las tareas centrales del actuario de pensiones, y es justo ahi donde la inteligencia artificial y el machine learning empiezan a aportar valor.
El problema de modelar la longevidad
Tradicionalmente, el riesgo de longevidad se aborda con tablas de mortalidad y modelos dinamicos que proyectan como cambia la mortalidad a lo largo del tiempo. El modelo de Lee-Carter y sus extensiones son referencias clasicas para capturar la tendencia de mejora en la mortalidad por edad y ano calendario.
Estos modelos funcionan, pero tienen limites: suelen depender de pocas variables, asumen estructuras relativamente rigidas y pueden captar mal interacciones complejas o cambios de regimen. Aqui es donde entran las tecnicas modernas.
Como ayuda el machine learning
El aprendizaje automatico ofrece herramientas que complementan, no sustituyen, el aparato actuarial clasico. Algunas aplicaciones:
- Mejores proyecciones de mortalidad. Metodos como los arboles potenciados (gradient boosting), los bosques aleatorios o las redes neuronales pueden capturar relaciones no lineales e interacciones entre edad, sexo, periodo y cohorte que los modelos parametricos simplifican.
- Uso de mas informacion. Cuando existen datos suficientes y adecuados, estos metodos pueden incorporar covariables adicionales (por ejemplo nivel socioeconomico o region) para diferenciar patrones de mortalidad entre subgrupos.
- Personalizacion de proyecciones. En vez de aplicar una sola tabla promedio a toda la poblacion, es posible construir proyecciones mas ajustadas a las caracteristicas del colectivo especifico de un plan, lo que reduce el error de usar promedios que no representan a nadie.
- Deteccion de patrones y validacion. Los mismos metodos sirven para detectar anomalias en los datos, validar hipotesis y estresar escenarios de mejora de mortalidad.
La conexion con el credito unitario proyectado y NIF D-3
Todo esto no es un ejercicio abstracto: alimenta directamente la valuacion de las obligaciones. Bajo el metodo de credito unitario proyectado (projected unit credit), que es el prescrito por la NIF D-3 en Mexico y por la IAS 19 a nivel internacional, se proyectan los beneficios futuros de cada participante y se descuentan a valor presente, atribuyendo un credito por cada periodo de servicio.
La hipotesis de mortalidad, y en particular su componente de mejora futura, es un insumo clave de esa proyeccion. Una tabla que subestime la longevidad reduce artificialmente la Obligacion por Beneficios Definidos; una que la sobreestime la infla. En la medida en que el machine learning permita seleccionar y sustentar mejor la hipotesis demografica, contribuye a una valuacion mas fiel de la OBD y del costo del periodo. La IA no cambia el metodo, mejora la calidad de un insumo del metodo.
Los limites: donde la prudencia manda
Ahora bien, la NIF D-3 y la practica actuarial exigen hipotesis que sean la mejor estimacion, sustentables y consistentes entre si. Eso impone restricciones importantes al uso de modelos sofisticados:
- Datos. El machine learning es exigente en cantidad y calidad de datos. Muchos planes de pensiones en Mexico tienen poblaciones pequenas, con poca experiencia propia de mortalidad. Con datos escasos, un modelo complejo sobreajusta y produce proyecciones inestables o enganosas.
- Interpretabilidad. Un actuario debe poder explicar y justificar sus hipotesis ante auditores, reguladores y organos de gobierno. Un modelo que funciona como caja negra es dificil de defender, aunque prediga bien en la muestra. La transparencia no es opcional en un entorno regulado.
- Prudencia regulatoria. Las hipotesis deben ser razonables y no sesgadas, evitando optimismo que abarate el pasivo. Cualquier metodo, por avanzado que sea, se subordina a este principio y al juicio profesional documentado.
- Estabilidad en el tiempo. Las valuaciones se comparan ano contra ano. Un modelo que cambia bruscamente de resultados por pequenos cambios en los datos complica la interpretacion de las remediciones y genera ruido en los estados financieros.
Un uso maduro: potencia con criterio
La lectura equilibrada es que la IA y el machine learning son aliados poderosos para informar las hipotesis de longevidad, no para reemplazar el juicio actuarial ni el marco normativo. Su lugar natural esta en la exploracion, la validacion cruzada, la deteccion de patrones y la mejora de las proyecciones cuando hay datos suficientes, siempre con un modelo interpretable y una hipotesis final que el actuario pueda sustentar.
Los organismos profesionales acompanan esta evolucion. La Society of Actuaries, la Casualty Actuarial Society y el Institute and Faculty of Actuaries publican investigacion sobre modelos de mortalidad, ciencia de datos y su aplicacion prudente al riesgo de longevidad. Vale la pena seguir esa literatura para incorporar las herramientas nuevas sin perder el rigor que la valuacion de pensiones siempre ha exigido.