Visión artificial en banca y seguros: de la imagen a una decisión trazable

La visión artificial es la capacidad de analizar imágenes o vídeos mediante modelos informáticos para extraer señales útiles: reconocer un documento, localizar un daño o detectar una anomalía visual. En banca y seguros, esas señales no son una decisión final: deben contrastarse con el expediente, los controles aplicables y una persona responsable cuando el caso lo requiera.

Una fotografía puede acelerar la apertura de un siniestro o la revisión de un alta, pero una imagen aislada no demuestra identidad, cobertura ni fraude. La pregunta de negocio no es «¿qué modelo reconoce mejor la imagen?», sino «¿cómo convertimos una evidencia visual incierta en una decisión trazable, corregible e integrada en la operación?».

Qué aporta la visión artificial y dónde acaba su alcance

La visión artificial puede clasificar imágenes, localizar objetos, leer texto visible mediante reconocimiento óptico de caracteres (OCR) y señalar patrones que merecen revisión. Cada salida es una observación con incertidumbre, no una verdad contractual. La validación de la identidad, la cobertura de la póliza, el cumplimiento de una regla y el pago pertenecen a otros controles del proceso.

En OpenSistemas hemos desarrollado una tecnología propia OSVision que reúne modelos de visión artificial y flujos automatizados que pueden integrarse con los sistemas existentes mediante una API. En banca y seguros, su utilidad depende del proceso: qué información se extrae de imágenes o documentos, quién revisa las excepciones y cómo se registra cada decisión.

Una señal visual útil solo tiene valor operativo cuando se conoce su procedencia, se puede revisar y llega al sistema donde se decide.

Tres casos de uso que exigen decisiones diferentes

Siniestros de automóvil y daños materiales

En un siniestro, una fotografía puede ayudar a localizar daños aparentes y ordenar la documentación recibida. Sin embargo, la gravedad, el coste, la cobertura y la causalidad requieren información adicional. El artículo de Microsoft Azure sobre casos de uso en seguros describe la visión artificial como apoyo al perito, no como sustitución universal de su criterio. Un flujo prudente dirige imágenes ilegibles, daños no previstos o discrepancias a revisión especializada.

Alta remota y documentos de identidad

La extracción visual de campos puede reducir la reintroducción manual de datos, y los análisis de manipulación pueden generar alertas. No bastan para acreditar por sí solos la autenticidad documental ni la identidad de la persona. Las directrices de la Autoridad Bancaria Europea sobre alta remota sitúan estas soluciones dentro de controles de identificación, gestión de riesgos y seguimiento de la relación. Para el flujo completo de alta, consulta la guía interna sobre arquitectura de onboarding digital.

Fraude documental y consistencia del expediente

La detección de indicios de alteración, duplicidad o inconsistencia visual sirve para priorizar una comprobación, no para declarar fraude. La guía técnica de AWS sobre fraude documental combina extracción, análisis visual y comprobaciones adicionales: el principio reutilizable es que un único modelo no debe cerrar el caso. En operaciones financieras, la decisión necesita contraste con datos fiables, controles de acceso y trazabilidad.

Evidencia recibida	Señal posible	Decisión que sigue fuera del modelo
Fotografía de daño	Zona y tipo aparente de desperfecto	Cobertura, causa, valoración y autorización
Documento de identidad	Campos legibles e indicios de alteración	Verificación de identidad y aceptación del alta
Documento financiero	Datos extraídos y posibles anomalías	Autenticidad, riesgo y aprobación del expediente

Las tres filas son ejemplos de diseño, no capacidades verificadas de un producto concreto ni una promesa de automatización. La idoneidad depende de la calidad del dato, la finalidad y el marco aplicable a cada entidad.

Arquitectura: seis controles entre la imagen y la decisión

Un circuito operativo separa captura, análisis y autorización para impedir que una predicción visual se convierta inadvertidamente en una orden. La secuencia siguiente sirve tanto para estudiar un piloto como para auditar un proceso existente; la infografía reproduce estos seis controles en el mismo orden.

1. Captura: origen, consentimiento y calidad

Definir quién aporta la imagen, para qué se usa, cómo se obtiene la base de tratamiento aplicable y qué calidad mínima requiere. Registrar fecha, canal y vínculo con el expediente. Si falta nitidez, integridad o contexto, pedir una nueva captura antes de inferir.

2. Preparación: formato, seguridad y procedencia

Normalizar formato y resolución sin perder el original cuando sea necesario conservarlo; limitar accesos y registrar transformaciones. Una copia recortada puede ayudar al modelo, pero la persona revisora debe poder recuperar la evidencia de origen y saber qué cambios se aplicaron.

3. Análisis visual: señales y confianza del modelo

Separar la predicción y sus límites: versión del modelo, señales detectadas, confianza, casos no reconocidos y condiciones en las que falló durante la prueba. Evitar umbrales arbitrarios: calibrarlos con muestras representativas y observar errores por tipo de documento, imagen y canal.

4. Contexto de negocio: contraste con póliza o expediente

Integrar la salida visual con sistemas de pólizas, expediente, identidad, fraude y atención mediante interfaces documentadas. Antes de decidir, comprobar vigencia, datos contradictorios y permisos. Para la perspectiva transversal de decisiones financieras, enlazamos la guía de inteligencia artificial en finanzas y control operativo.

5. Decisión y revisión: reglas, umbrales y escalado humano

Asignar propietario de cada decisión y definir qué casos se resuelven con reglas comprobables, cuáles precisan segunda revisión y cuándo se detiene el flujo. Mostrar al revisor la imagen, la señal y el dato que la contradice; ofrecer una vía de corrección y guardar la justificación de la resolución.

6. Seguimiento: registro, métricas y corrección

Registrar intervención, versión del modelo, resultado y cambios de criterio. Comparar errores y tiempos con la línea base, vigilar deriva en los datos entrantes y revisar de forma periódica los casos rectificados. El marco voluntario de gestión de riesgos de IA del NIST ofrece una referencia para gobernar, contextualizar, medir y gestionar riesgos, sin sustituir las obligaciones particulares de cada entidad.

Cómo priorizar un piloto sin prometer un ROI automático

Elegir un proceso con volumen suficiente de imágenes, criterios de revisión estables y un responsable capaz de modificar el flujo. Recoger una línea base antes del piloto: tiempo de tramitación, coste por expediente, porcentaje de imágenes rechazadas, correcciones posteriores, casos escalados y reclamaciones. La hipótesis es que la clasificación asistida reduzca trabajo repetitivo sin deteriorar calidad ni protección de datos; debe demostrarse en una muestra representativa.

Indicador	Línea base	Qué contrastar en el piloto
Tiempo hasta primera revisión	Medición real antes del piloto	Cambio por canal y tipo de expediente
Errores y rectificaciones	Muestra auditada de decisiones previas	Falsos positivos, falsos negativos y coste de corrección
Escalados a personas	Porcentaje y causa actual	Casos difíciles atendidos con contexto suficiente
Coste total por expediente	Personal, integración y operación actuales	Coste del modelo, integración, supervisión y cambios

No basta con comparar velocidad de lectura. Un proceso aparentemente más rápido puede empeorar si multiplica las comprobaciones manuales o rechaza imágenes válidas. Las métricas deben distinguir ahorro hipotético de coste de implantación y del daño potencial de una decisión errónea; nunca extrapolar un piloto directamente a toda la cartera.

Errores frecuentes al desplegar análisis visual

Confundir detección con prueba o con autorización

Que un modelo señale una alteración o un daño no demuestra fraude, causalidad ni cobertura. Registrar la señal como hipótesis y exigir el nivel de comprobación apropiado antes de una acción material.

Optimizar el modelo y dejar fuera el proceso

Una precisión de laboratorio no mide retrasos de integración, imágenes deficientes, expedientes incompletos ni carga de los revisores. Probar el flujo extremo a extremo, incluidos rechazos, rectificaciones y caídas de servicio, evita convertir una demo convincente en una cola operativa incontrolable.

Delegar el gobierno en el proveedor

Definir quién conserva los originales, los registros, los criterios de evaluación y la capacidad de cambiar modelos o canales. La independencia tecnológica no consiste en prescindir de proveedores: consiste en gobernar interfaces, datos y opciones de sustitución sin paralizar el negocio.

De la prueba visual a una capacidad empresarial

OpenSistemas presenta OSVision como una solución de visión artificial integrable por API. El enfoque útil para una entidad no es encajar cualquier imagen en un producto, sino delimitar un proceso, medir su funcionamiento y diseñar sus contratos de integración y revisión. El artículo sobre visión artificial en redes eléctricas desarrolla otro contexto sectorial; no debe confundirse con las decisiones propias de banca o seguros.

Si gestionas siniestros, documentación o altas, podemos analizar juntos un expediente representativo, identificar sus puntos de control y definir una prueba acotada con métricas de calidad, tiempo y riesgo. El resultado esperado es una decisión de implantación informada, no una promesa de retorno.

Preguntas frecuentes sobre visión artificial en banca y seguros

Fuentes y lectura complementaria

Fuentes primarias: Autoridad Bancaria Europea, directrices de alta remota; NIST, AI Risk Management Framework; OpenSistemas, OSVision. Perspectivas comparables: IBM, experiencia del asegurado; AWS, fraude documental; Microsoft Azure, usos en seguros.