La transformación digital en la industria aseguradora ha desplazado aceleradamente los esquemas tradicionales de suscripción hacia modelos predictivos avanzados, machine learning e Inteligencia Artificial (IA). La promesa es clara: mayor precisión en la tarificación, automatización de procesos y personalización de la oferta. Sin embargo, en la intersección entre la ciencia de datos y el derecho de seguros surge una tensión estructural: ¿dónde termina la discriminación actuarial legítima y dónde inicia el sesgo discriminatorio o la vulneración de derechos fundamentales?
Este análisis examina los límites técnico-legales del perfilamiento de riesgo mediante IA, la fricción entre la privacidad del proponente y el deber de declaración en el marco normativo mexicano, y la urgencia de construir un estándar de transparencia algorítmica.
- La Frontera Técnico-Actuarial: Selección Justa vs. Discriminación Algorítmica
El contrato de seguro reposa conceptualmente en la equidad de la prima: la contraprestación económica debe ser proporcional a la intensidad y probabilidad del riesgo asumido. Desde la perspectiva actuarial, la diferenciación de tarificación basada en variables correlacionadas no es discriminación en el sentido peyorativo, sino selección justa de riesgos.
Sin embargo, el despliegue de modelos de aprendizaje profundo (Deep Learning) genera dos fenómenos críticos:
- Sesgos Proxi y Discriminación Indirecta: Aunque un modelo excluya explícitamente variables protegidas (como género, etnia o condición socioeconómica), el algoritmo puede inferirlas mediante datos alternativos (proxy variables). Por ejemplo, los patrones de navegación web, las ubicaciones frecuentes o los hábitos de consumo pueden correlacionar estrechamente con estatus socioeconómico o condiciones de salud preexistentes, perpetuando o acentuando sesgos sistémicos.
- La «Caja Negra» Algorítmica: A diferencia de las tablas actuariales tradicionales —auditables y explicables—, ciertos modelos correlacionan miles de variables sin una relación de causalidad jurídica o médica demostrable, pasando de la evaluación del riesgo real a la predicción probabilística difusa.
- El Enfoque Técnico-Legal: Límites del Perfilamiento No Tradicional
El uso de fuentes alternativas de información (monitoreo de redes sociales, historial crediticio, dispositivos wearables o patrones de compra en e-commerce) para construir perfiles de riesgo enfrenta serios cuestionamientos jurídicos.
El Choque Friccional: Privacidad vs. Artículo 47 de la LCS
El marco axiológico del contrato de seguro en México establece un deber de máxima buena fe (uberrimae fidei). El Artículo 47 de la Ley sobre el Contrato de Seguro (LCS) faculta a la aseguradora a rescindir el contrato si el proponente incurre en una omisión o inexacta declaración de los hechos que determinen la apreciación del riesgo, según los cuestionarios que le sean formulados.
Aquí colisionan dos paradigmas jurídicos:
┌───────────────────────────────────────────────────────│ Colisión de Paradigma Técnico-Legal │
├───────────────────────────┬───────────────────────────
│ Ley sobre el Contrato │ Ley Federal de Protección │
│ de Seguro (LSCS) │ de Datos Personales │
├───────────────────────────┼──────────────────────────
│ • Principio de Buena Fe │ • Principio de Finalidad │
│ • Deber de Declaración │ • Principio de Proporcionalidad│
│ (Art. 47 LCS) │ • Consentimiento Informado │
│ • Cuestionarios Expresos │ • Minimización de Datos │
└───────────────────────────┴───────────────-──
- El alcance del cuestionario legal: El legislador previó que el proponente declare los hechos que conozca y se le pregunten. La captura masiva de datos en redes sociales o hábitos digitales por parte de la aseguradora excede la dinámica de pregunta-respuesta fijada por la norma.
- Violación a la Finalidad y Proporcionalidad (LFPDPPP): Bajo la Ley Federal de Protección de Datos Personales en Posesión de los Particulares, el tratamiento de datos debe ser necesario, adecuado y proporcional a la finalidad que le dio origen. Recabar publicaciones en redes sociales o hábitos de consumo para evaluar un seguro de vida o gastos médicos mayores suele transgredir el principio de minimización de datos.
- Invalidez del consentimiento genérico: Las cláusulas de aceptación masiva en avisos de privacidad no constituyen un consentimiento plenamente informado para el perfilamiento conductual profundo mediante algoritmos.
Si una aseguradora rescinde un contrato al amparo del Art. 47 invocando información extraída de redes sociales o scraping digital que el asegurado no declaró explícitamente en el cuestionario, la medida deviene vulnerable ante criterios jurisdiccionales y de la CONDUSEF por violar el principio de certeza jurídica y la buena fe contractual.
- Por qué es Novedoso: La Emergencia del «Derecho a la Transparencia Algorítmica»
El verdadero cambio de paradigma para el sector asegurador en México radicará en el reconocimiento del derecho a la transparencia algorítmica y a la explicabilidad del riesgo.
Mientras que marcos regulatorios internacionales (como el AI Act de la Unión Europea) han clasificado el uso de IA en la evaluación de riesgos y tarificación de seguros como de alto riesgo, México se encuentra en el umbral de esta discusión regulatoria.
Hacia la Explicabilidad y la Gobernanza Algorítmica
El asegurado no solo tiene derecho a saber si se utilizó IA en la decisión de suscripción (aceptación, rechazo, extraprima o exclusión), sino a entender la lógica subyacente:
- Auditabilidad Actuarial y Normativa: La Comisión Nacional de Seguros y Fianzas (CNSF) deberá evolucionar sus facultades de supervisión técnica para auditar no solo los modelos estadísticos tradicionales, sino el código, la muestra de entrenamiento y los ponderadores de los modelos de aprendizaje automático para certificar la ausencia de sesgos arbitrarios.
- Derecho de Impugnación de la Decisión Automatizada: El proponente rechazado o extraprimado por un algoritmo debe contar con la facultad de solicitar revisión humana y conocer las variables determinantes que motivaron la decisión, evitando decisiones automatizadas sin derecho a contradicción.
Conclusiones y Desafíos Estratégicos para el Sector
La Inteligencia Artificial no debe utilizarse como un mecanismo de vigilancia masiva ni como una herramienta de selección adversa encubierta. Para sostener la confianza técnica e institucional del mercado asegurador, las instituciones deben considerar tres pilares:
- Alineación Contractual y Operativa: Restringir la recolección de información a fuentes directamente vinculadas con el riesgo asegurable y formalizadas a través de cuestionarios claros, transparentes y en estricto apego a la LCS y a la legislación de datos personales.
- Marcos de Gobernanza de IA (Ethical Underwriting): Implementar comités de ética algorítmica internos que evalúen periódicamente la presencia de sesgos implícitos (disparate impact) en las herramientas de tarificación automática.
- Transparencia proactiva: Concebir la transparencia algorítmica no como una carga regulatoria futura, sino como una ventaja competitiva basada en la confianza y el respeto a la autodeterminación informativa del asegurado.
FUENTE: https://gemini.google.com/app/9c3fdf93de67d101?utm_source=app_launcher&utm_medium=owned&utm_campaign=base_all