CEO Corner

Por qué esta es una decisión operativa para hoy

El trabajo actuarial ha utilizado el aprendizaje estadístico y la aproximación computacional durante años. La nueva oportunidad es conectar esos métodos con sistemas que puedan buscar material técnico, ayudar con el código y coordinar el trabajo analítico controlado. Estas capacidades permiten rediseñar el trabajo que rodea a una valoración y al mismo tiempo mejorar selectivamente los modelos que contiene. La adopción no necesita esperar a que exista un sistema autónomo capaz de ejercer un juicio actuarial.

También existe un calendario de gobernanza concreto. La Directriz final E-23 de OSFI, publicada en septiembre de 2025, entrará en vigor el 1 de mayo de 2027. Amplía las expectativas de gestión de riesgos de modelos a través de instituciones financieras reguladas a nivel federal, incluidas las aseguradoras, y aborda explícitamente la IA y el aprendizaje automático. A partir de esta edición, esa fecha de vigencia aún está por delante. Utilizaría el período de preparación para establecer inventarios de modelos, propiedad y evidencia de validación que cubran tanto los modelos actuariales establecidos como los nuevos componentes de IA.

La Asociación Internacional de Actuarios también ha publicado artículos educativos sobre gobernanza, pruebas y documentación de la IA. Estos son recursos para la práctica profesional, no una aprobación regulatoria universal. Juntos, la oportunidad tecnológica y el marco de gobernanza en desarrollo respaldan un programa deliberado de adopción. La demora conlleva un costo de oportunidad: los equipos posponen aprender dónde funciona la IA, dónde falla y cuánta revisión requiere. Ese aprendizaje es específico de los productos, datos y decisiones de una aseguradora; no se puede comprar simplemente más tarde con una licencia de software.

Asigne a cada componente de IA una función actuarial precisa

Yo distinguiría tres roles antes de aprobar una inversión. El aprendizaje estadístico estima las relaciones: diferenciales de mortalidad, comportamiento de entrega, gravedad de las reclamaciones o patrones de gastos. La aproximación numérica acelera un cálculo costoso, por ejemplo al estimar una superficie de responsabilidad a partir de un conjunto controlado de ejecuciones completas del modelo. La IA generativa admite el trabajo con lenguaje y código: recuperar una cláusula de producto, proponer una prueba o redactar una explicación a partir de resultados aprobados. Estos roles requieren diferentes evidencias de confiabilidad.

La explicación fluida de un modelo de lenguaje no establece que una estimación de mortalidad esté calibrada. El estrecho acuerdo de un proxy con un motor de referencia no establece que el motor de referencia represente el contrato correctamente. El sólido desempeño histórico de un modelo predictivo no establece que una acción de gestión propuesta causará el resultado previsto. La primera responsabilidad del actuario jefe en un programa de IA es hacer explícitas estas distinciones.

Mi arquitectura preferida otorga al motor actuarial la responsabilidad de cálculos específicos, otorga a la IA tareas analíticas o de coordinación estrechamente definidas y otorga a los profesionales autorizados la responsabilidad de las suposiciones y decisiones. Cuando la IA cambia el método numérico en sí, ese componente ingresa al proceso de inventario y validación del modelo. No desaparece dentro de una aplicación descrita como asistente.

Mejorar el proceso de asunción antes de aumentar su complejidad

Para una cartera de vida, el análisis de mortalidad comienza con la construcción de la exposición, la edad alcanzada, la duración, la clase de suscripción, los montos de los beneficios y el momento de las muertes reportadas. Los modelos de Poisson con compensaciones de exposición, los modelos aditivos generalizados y los modelos de supervivencia proporcionan puntos de partida útiles e interpretables. El aprendizaje automático puede investigar interacciones que oculta una amplia relación entre lo real y lo esperado, pero la escasa experiencia aún requiere credibilidad y una puesta en común disciplinada. Una estimación muy granular no es necesariamente una suposición más confiable.

Requeriría validación en períodos de experiencia posteriores y cohortes de productos relevantes, con protección contra fuga de información entre el mismo asegurado. Examinaría la calibración por segmento, el efecto del cambio en la combinación de negocios y la sensibilidad a los datos faltantes. Ajustar los niveles de mortalidad pasados ​​y seleccionar mejoras futuras en la mortalidad son tareas separadas. Un modelo puede ajustarse estrechamente a la experiencia reciente y, al mismo tiempo, proporcionar poca evidencia sobre un supuesto de mejora a largo plazo.

El modelado de lapsos merece la misma disciplina. Los modelos de supervivencia o de riesgo competitivo pueden representar la muerte, la rendición y otras salidas; modelos más ricos pueden investigar la interacción de las tasas acreditadas, las alternativas de mercado, los cargos de rescate y la distribución. Sin embargo, el comportamiento histórico de los asegurados puede no cubrir las condiciones de las tasas ni garantizar incentivos importantes en situaciones de estrés. Mantendría juicios de escenarios explícitos para esas brechas. Una asociación predictiva entre una intervención y la retención también necesita un análisis causal antes de que respalde una estrategia de intervención.

La valoración de vida y rentas debe preservar el contrato

Para un contrato a plazo simple, un cálculo prospectivo del flujo de efectivo proyecta primas, beneficios por fallecimiento y gastos utilizando supuestos consistentes de decremento y descuento. Los seguros de vida entera y universal introducen dependencias adicionales: valores de cuenta, flexibilidad de primas, tasas acreditadas, valores de rescate y garantías. Las anualidades introducen pagos condicionados a la supervivencia, posibles garantías y opciones para los asegurados. La IA puede ayudar a reunir especificaciones e identificar inconsistencias, pero cada característica contractual material debe sobrevivir a la traducción a una lógica ejecutable.

El mismo cambio demográfico puede tener diferentes consecuencias financieras en todos los productos. Una mortalidad más baja generalmente extiende los pagos bajo una renta vitalicia, al tiempo que reduce las reclamaciones por muerte esperada en un libro de seguro a plazo. Aun así, primas, gastos, caducidades y garantías afectan el resultado total. Una explicación que diga sólo “mejora en la mortalidad” es inadecuada. Yo esperaría que identificara las cohortes afectadas, los flujos de efectivo modificados y las consecuencias para la base de valoración particular.

IFRS 17 añade otra distinción importante. Los flujos de efectivo de cumplimiento y el margen de servicio contractual tienen diferentes roles; un cambio en una reserva simple de prima bruta no es automáticamente un cambio en la ganancia reportada. El tratamiento depende del modelo de medición, la fuente del movimiento y si se relaciona con un servicio futuro o actual y pasado. Usaría IA para ayudar a rastrear el tratamiento contable hasta la política aprobada y ejecutar evidencia, con la clasificación y conclusión revisadas por los equipos actuariales y financieros responsables.

Una valoración estocástica más rápida debería generar más desafíos

Para productos con opciones de materiales y garantías, el cálculo puede volverse mucho más exigente. Un ejercicio de riesgo puede requerir un conjunto externo de escenarios económicos y una valoración interna de cada estado futuro. La regresión, los mínimos cuadrados de Monte Carlo y los proxies de aprendizaje automático pueden reducir el costo de los cálculos seleccionados. La Sociedad de Actuarios ha publicado estudios de casos prácticos de vida y anualidades sobre este uso de análisis predictivo y aprendizaje automático. Eso establece un área creíble para investigar, no una garantía de desempeño para un libro en particular.

Definiría el dominio de entrada permitido del proxy antes de entrenarlo. La validación debe incluir estados estresados, combinaciones de factores de riesgo y contratos cercanos a los umbrales de garantía. Debería examinar el sesgo sistemático, el error de cola y las estimaciones de sensibilidad, no sólo el ajuste promedio. En una cartera puramente ilustrativa con un pasivo de 10 mil millones de u.m., un error de valoración sistemático del 0,1% representa 10 millones de u.m. Un porcentaje aparentemente pequeño puede importar antes de considerar el efecto del error en las coberturas o el capital.

El motor de referencia sigue siendo fundamental. Un caso fuera de dominio debería desencadenar un cálculo completo o una excepción explícita, y los cambios en el modelo deberían desencadenar una reevaluación del proxy. Los escenarios del mundo real utilizados para estudiar resultados futuros y los escenarios neutrales al riesgo utilizados para una valoración coherente con el mercado tienen diferentes propósitos; el diseño debe preservar esa distinción. Mi caso de inversión preguntaría cuántas pruebas de estrés adicionales posibilita el cálculo guardado. Repetir un conjunto limitado de escenarios más rápidamente es un logro menor que comprender una exposición no examinada previamente.

Conecte el resultado del pasivo con los activos, la liquidez y el capital

Una estimación de pasivo resulta útil cuando cambia una decisión. En la gestión de activos y pasivos, me preguntaría si un análisis mejorado cambia la interpretación de las brechas de duración, las exposiciones a las tasas clave, la convexidad o los déficits de flujo de efectivo. Una igualación de duración puede coexistir con riesgo de base, riesgo de diferencial, activos ilíquidos y opciones de asegurados. Un modelo entrenado en condiciones ordinarias puede ser menos confiable cuando interactúan los incentivos de rescate y los costos de realización de los activos.

En el caso del capital, la preocupación avanza hacia la cola conjunta. Un indicador que reproduzca los valores promedio de los pasivos aún puede distorsionar la clasificación de los escenarios adversos, un percentil de cola o la asignación de capital entre riesgos. Los supuestos de correlación y dependencia merecen su propio desafío. Informaría el error de aproximación por separado del error de muestreo del escenario y de la incertidumbre en los supuestos subyacentes. Combinar los tres en un puntaje de confianza inexplicable hace que el resultado sea más difícil de gobernar.

El mismo principio se aplica más allá de los seguros de vida. En las reservas de seguros generales, un método de IA debería ganarse su lugar frente a la escalera de cadena relevante, Bornhuetter–Ferguson u otros puntos de referencia, con atención a la inflación de siniestros, los cambios en las liquidaciones y la combinación de carteras. Una mayor complejidad predictiva no elimina la necesidad de explicar por qué la reserva seleccionada es apropiada para el negocio.

Un cierre de valoración que puede responder a la siguiente pregunta

Considere un cierre de anualidad ilustrativo en el que los pasivos aumentan inesperadamente. Me gustaría que el flujo de trabajo separara los nuevos negocios y los movimientos de cartera, las pérdidas esperadas, los cambios económicos, las desviaciones de las experiencias, las actualizaciones de supuestos y las correcciones de modelos. Las reposiciones controladas deberían establecer esas contribuciones. La atribución secuencial puede depender del orden en que se aplican los cambios, por lo que el informe debe indicar su convención e identificar los efectos materiales de interacción.

Un asistente de IA podría recuperar la base aprobada anteriormente, localizar registros de supuestos modificados, proponer las repeticiones requeridas y reunir la evidencia resultante. Sólo podría redactar comentarios una vez que los resultados numéricos pertinentes estén disponibles. Si el modelo no puede conciliar el movimiento, el asistente debe exponer el residuo no resuelto. No debería proporcionar una historia económica persuasiva para que el cuadro parezca completo.

El paquete de revisión contendría un gráfico de flujo de efectivo, un puente de movimiento, un análisis de experiencia de cohorte y comparaciones de sensibilidad. Cada cifra material identificaría su ejecución fuente, versión del modelo y base de suposición. La narrativa distinguiría una contribución calculada de una interpretación y una acción propuesta. Aquí es donde veo una oportunidad sustancial a corto plazo: darle al actuario un mejor punto de partida para la investigación y tiempo suficiente para responder a la segunda pregunta.

Visibilizar la incertidumbre y la responsabilidad

El estándar profesional debería aumentar con la velocidad de producción. ASOP No. 56 proporciona una referencia útil en EE. UU. para el propósito previsto, la comprensión, las pruebas, la validación y la documentación del modelo. No es un sustituto global de los estándares locales. Se debe identificar el marco profesional y regulatorio aplicable para la entidad y el trabajo en cuestión. En esos entornos, la pregunta central sigue siendo si otro revisor calificado puede comprender los juicios y limitaciones materiales.

Para la IA generativa, probaría afirmaciones numéricas no respaldadas, recuperación incorrecta de fuentes, calificaciones omitidas y respuestas a pruebas contradictorias. También probaría si el material que no es de confianza puede hacer que un agente cambie sus instrucciones o intente una acción no autorizada. El acceso a un repositorio de modelos no debería implicar autoridad para publicar una valoración. Los cambios en el modelo de lenguaje, las fuentes de recuperación, las indicaciones o las herramientas conectadas pueden cambiar el comportamiento y requerir una reevaluación proporcionada.

Para la IA predictiva, el monitoreo debe distinguir una población de datos cambiante del deterioro en la calibración o la calidad de las decisiones. Un cambio en la combinación de carteras puede cambiar los resultados observados sin que el modelo sea erróneo; El error agregado estable puede ocultar el deterioro del desempeño en una cohorte pequeña pero significativa. Cuando los resultados afectan a los clientes, el uso legal, la equidad y las consecuencias de los errores necesitan un examen específico. Un revisor designado es significativo sólo si esa persona tiene la evidencia, el tiempo y la autoridad para cuestionar el resultado.

Lo que pondría en los primeros 90 días

Comenzaría con una decisión recurrente y su rastro de evidencia. Una revisión del movimiento de valoración de la vida o una investigación de supuestos de anualidades es un punto de partida más sólido que una instrucción general de "usar IA". Establecer el tiempo transcurrido actual, el esfuerzo de preparación actuarial, el esfuerzo del revisor, las excepciones no resueltas y el retrabajo. Acuerde los criterios de aceptación antes de elegir la tecnología, incluida la forma en que se identificarán los errores materiales.

Durante el primer mes, conciliar los datos seleccionados, documentar el modelo y la base, establecer un punto de referencia histórico y asignar derechos de decisión. Durante el segundo, ejecute el flujo de trabajo propuesto en paralelo sobre casos históricos, incluyendo deliberadamente cohortes difíciles, escenarios adversos y documentos contradictorios. Durante el tercero, evaluarlo en un ciclo de informes controlado y decidir si ampliarlo, revisarlo o detenerlo. Noventa días es un período de aprendizaje propuesto, no una promesa de que se pueda aprobar un modelo de valoración de materiales en ese cronograma.

La evaluación económica debe incluir integración, cómputo, validación, seguimiento continuo y revisión humana. Los minutos ahorrados en la redacción pueden compensarse con las horas dedicadas a comprobar errores plausibles. Mediría las preguntas adicionales respondidas antes de la fecha límite para tomar decisiones, la calidad de las explicaciones de los movimientos y la estabilidad de los resultados después de los cambios. También protegería el desarrollo actuarial: los colegas jóvenes deberían reproducir cálculos y explicar fallos, en lugar de aprender sólo a utilizar una interfaz.

La decisión que tomaría ahora

Ahora aprobaría un programa de IA actuarial limitado, con un propietario actuarial designado, desafío independiente y criterios de aceptación mensurables. Financiaría los datos y el trabajo de validación junto con la aplicación. Yo esperaría que el primer resultado demostrara una mejor investigación o un proceso de decisión más confiable, con las limitaciones visibles.

El premio a más largo plazo es una función actuarial capaz de gastar más de su capacidad examinando supuestos, probando escenarios difíciles y asesorando a la empresa antes de que se cierren las opciones. Esa capacidad se desarrolla mediante el uso repetido, la corrección y el desafío profesional. El momento de empezar es ahora porque construirlo lleva más tiempo que instalar la tecnología.