Conclusiones clave
- Los datos son un activo fundamental para el crecimiento empresarial. Su aprovechamiento permite aumentar la velocidad y precisión en procesos clave como la suscripción y el análisis actuarial, además de acelerar operaciones orientadas al cliente y establecer una estructura común global entre soluciones regionales.
- La implementación exitosa de inteligencia artificial generativa a nivel empresarial requiere una mentalidad ágil de gestión de productos, enfoque en la creación de conjuntos de datos de entrenamiento de alta calidad y la capacidad de demostrar beneficios tangibles a través de proyectos piloto y casos de uso, todo esto sin descuidar una sólida gobernanza y prácticas responsables en el uso de IA.
- Una gobernanza efectiva de la IA es esencial para mitigar riesgos. Esto exige una estrategia integral que involucre a diversas partes interesadas y refuerce la idea de que la gestión del riesgo asociado a la IA es una responsabilidad compartida en toda la organización.
La siguiente entrevista fue publicada originalmente por CIO.
El CIO Mark Brooks, junto con su equipo y colegas, está evitando la “FOMO de la IA” e invirtiendo en una plataforma de datos de alto valor para este proveedor de reaseguros de vida y salud de $19 mil millones.
Cuando la junta directiva dice “¡IA!”, los CIOs enfrentan la compleja tarea de educarle sobre las distintas variantes de esta tecnología y guiarlos hacia las inversiones y estrategias más beneficiosas. Mark Brooks, quien asumió como CIO de Reinsurance Group of America en 2023, hizo precisamente eso: reestructuró el área de tecnología para respaldar la plataforma, redefinió los indicadores de éxito del programa y demostró al directorio que TI puede ser un buen administrador del presupuesto.
En esta entrevista, Brooks comparte su recorrido y ofrece consejos prácticos para otros CIOs que lideran procesos de transformación.
¿Qué papel juegan los datos en la rentabilidad y el crecimiento de RGA?
Los datos son un activo fundamental para el crecimiento de RGA, y nuestra capacidad para aprovecharlos es clave para aumentar la velocidad y precisión de nuestros procesos principales, como la suscripción de riesgos y el análisis actuarial.
Utilizamos los datos para acelerar la evaluación de la información clínica necesaria para suscribir pólizas en nombre de nuestros socios, y también invertimos de forma continua en investigar nuevos enfoques innovadores para aplicar los datos a nuestros procesos.
En términos de crecimiento, también usamos los datos para reducir los tiempos de ciclo en nuestros procesos comerciales orientados al cliente. Nuestra capacidad de gestión de datos permite encontrar elementos comunes a nivel global entre todas nuestras soluciones regionales.
Se requiere mucho cambio para construir una capacidad global de datos comunes. ¿Cuál fue tu enfoque para generar la mentalidad necesaria para lograrlo?
Cuando me uní a RGA, ya existía la conciencia de que podíamos hacer crecer el negocio mediante una estrategia de datos a nivel empresarial. Durante años habíamos estado utilizando lo que hoy llamaría un enfoque tradicional: aplicar casos de uso para hacer los procesos más eficientes, menos costosos y de mayor calidad. Ya hablábamos de los datos como un producto, y contábamos con algunos bloques iniciales de un programa de productos de datos empresariales.
Desde entonces, hemos ampliado esa conversación hacia aquellas áreas con mayor potencial para generar valor.
¿Cómo educaste a la junta directiva sobre los usos modernos de los datos?
Primero describí el panorama general de la inteligencia artificial y me aseguré de que comprendieran que ya llevamos un tiempo utilizando IA, a través del machine learning y otros modelos deterministas. Luego les presenté lo que yo considero las tres categorías de inteligencia artificial generativa (gen AI).
La primera es la gen AI por FOMO (miedo a quedarse fuera), que ocurre cuando la junta directiva lee sobre pilotos de IA y dice: “¡Tenemos que hacer algo!”. Un ejemplo es activar Microsoft Copilot sobre SharePoint y llamarlo IA generativa. Esto puede generar riesgos si no hay un caso de negocio claro. Por ejemplo, si Copilot encuentra un archivo de nómina mal clasificado de 2018 en SharePoint, puede responder preguntas sobre sueldos del personal. Esto refuerza la necesidad de una buena gobernanza de datos, ya que los modelos de IA expondrán datos incorrectos con más frecuencia —y probablemente con mayor impacto económico para la organización.
Luego está la gen AI comercial, que abarca cualquier modelo preentrenado ofrecido por los grandes proveedores tecnológicos (hyperscalers), cuyo objetivo es consumir todos los datos posibles. Estas herramientas permiten a las personas ser más productivas de distintas maneras, como redactar una biografía o resumir un conjunto de PDFs. Si bien esta IA comercial representa una mejora en productividad, no constituye una transformación empresarial.
Donde realmente está el valor es en la gen AI empresarial. Por ejemplo, en RGA podemos desarrollar una solución basada en un modelo de lenguaje grande ajustado (fine-tuned) al combinar los datos del cliente con los nuestros, y luego ofrecer productos de seguros adicionales, reasegurados por RGA, a sus propios clientes. Eso es IA generativa generando ingresos. Podemos incorporar los datos del cliente en nuestra plataforma, entrenar un modelo sobre esos datos y generar un resultado excepcional.
¿Qué debe estar en su lugar para que la IA generativa funcione a nivel empresarial?
Una organización necesita contar con el modelo de colaboración adecuado entre los líderes del negocio —quienes manejan resultados de ganancias y pérdidas— y los equipos tecnológicos que desarrollan soluciones para clientes internos y externos. Ese es un elemento fundamental.
También se necesita una mentalidad ágil y de gestión de productos para fomentar un enfoque basado en la experimentación, y para alejarse del impulso de querer controlar todos los datos. El foco debe estar en la intersección entre los datos internos y externos, y en cómo exponer esos datos a través de distintos canales mediante asociaciones estratégicas. Al final, la gran oportunidad radica en crear conjuntos de datos de entrenamiento que representen la mejor información asociada a un problema de negocio específico. Esa es la barrera crítica que hay que superar.
Después de años de experiencia en este ámbito, por simple que parezca, el mensaje más difícil de transmitir internamente es que documentar los procesos es fundamental para el éxito de la IA a nivel empresarial.
El secreto está en usar ejemplos y software funcional real para ilustrar posibles casos de uso. Es clave contar con una capacidad dentro del área de TI que tenga un conocimiento del negocio lo suficientemente profundo como para generar buenas ideas para pilotos, construir esos pilotos en ciclos relativamente cortos y demostrar el beneficio que pueden generar. Luego, aprovechar esa credibilidad —y el impacto que inevitablemente generan los casos de uso reales de IA— para iniciar conversaciones educativas más profundas. Por eso es tan importante tener una mentalidad ágil y de producto.
¿Qué cambios hiciste en el área de tecnología para construir y mantener la infraestructura de datos?
Creamos cuatro capacidades clave dentro del departamento de tecnología: relacionamiento con el negocio, datos empresariales, centros de entrega y arquitectura empresarial.
El equipo de relacionamiento con el negocio, organizado tanto por región como por procesos, comenzó educando a sus socios comerciales, pero ahora ha pasado de la educación a la creación de casos de uso de alto valor.
La función de datos empresariales tiene la responsabilidad de proveer la plataforma de datos global, así como de implementar una gobernanza de datos adecuada. También se encargan de desarrollar los productos de datos críticos que son esenciales para nuestro negocio.
Los centros de entrega son agrupaciones de expertos tecnológicos que reúnen un profundo conocimiento en todo, desde programación heredada hasta las tecnologías más recientes, incluyendo cómo implementar IA generativa en las soluciones. Son los tecnólogos más especializados de RGA, pero hemos creado intencionalmente una red de socios para complementar ese conocimiento.
La función de arquitectura empresarial es un grupo nuevo en RGA. Antes teníamos arquitectos integrados en cada equipo de entrega, y también un grupo de arquitectos asesores. Lo que hicimos fue centralizar a los arquitectos y dar más peso al uso de plataformas comunes, para asegurarnos de que estamos gestionando el presupuesto de forma responsable.
Un cambio importante que implementamos fue el uso de métricas para desafiar a mi equipo. Ahora definimos dos categorías: métricas de progreso y métricas de valor. Durante una transformación, es difícil establecer métricas claras de mejora de valor cuando se pasa de un modelo en cascada (Waterfall) a un enfoque ágil (Agile). En cambio, es más razonable establecer objetivos de progreso. Por ejemplo, la métrica de progreso número uno puede ser: “Todos los equipos deben contar con un Scrum Master.” Estas métricas permiten impulsar avances en la transformación cuando las métricas de valor aún no son aplicables.
¿Qué consejo le darías a los CIOs que lideran una transformación de este nivel?
Una de las primeras responsabilidades de un CIO es generar transparencia para ganar confianza, y eso siempre se reduce al tema del dinero. Hay que establecer un marco financiero que demuestre que el equipo global de tecnología tiene un compromiso real y que será un buen administrador del presupuesto.
Nuestro punto de partida fue un marco financiero basado en autofinanciar nuestra transformación mediante una lista de iniciativas, lo cual funcionó como una métrica de progreso. Esto no significa que la organización no vaya a invertir más en tecnología, pero sí demuestra que se puede confiar en nosotros para extraer el máximo valor posible del presupuesto asignado a tecnología.
Una vez superado el obstáculo financiero, entonces la conversación sobre un programa estratégico de IA generativa a nivel empresarial se transforma en algo completamente distinto.
¿Quieres conocer más sobre las capacidades, recursos y soluciones de RGA? Hablemos.
