Sesgos y discriminación algorítmica en sistemas de IA: Implicaciones para el mercado asegurador y su supervisión

• Laura Morán Fernández ^[1]
  1. [1] Universidade da Coruña
• Localización: I Congreso Internacional de Jóvenes Investigadores. "Transformación Digital del Mercado Asegurador".: Gobernanza y Protección del Cliente. (1º. 2026. A Coruña). Libro de actas / Sara Sánchez Fuentes (ed. lit.), Marta Cernadas-Lázare (dir.), Irene Filgueira Loureiro (dir.), 2026, ISBN 978-84-09-86495-9, págs. 26-27
• Idioma: español
• Enlaces
  • Texto completo
• Resumen

  • El uso de sistemas de IA en el sector asegurador ha experimentado un notable crecimiento en los últimos años, especialmente en ámbitos como la tariRicación, la detección de fraude o la evaluación del riesgo. Sin embargo, estos sistemas no son neutrales: pueden incorporar y ampliRicar sesgos presentes en los datos o derivados de decisiones de diseño, dando lugar a resultados potencialmente discriminatorios.

    Lejos de constituir una anomalı́a puntual, el sesgo algorı́tmico es una consecuencia estructural del propio proceso de desarrollo de sistemas de aprendizaje automático.

    Esta ponencia aborda este problema desde una perspectiva técnica, con el objetivo de identiRicar sus principales fuentes y analizar sus implicaciones en el ámbito asegurador y en su supervisión.

    En primer lugar, se analiza cómo los sesgos pueden introducirse en distintas fases del ciclo de vida de estos sistemas, desde la deRinición del problema hasta su despliegue y monitorización. Se pone el foco en el papel de los datos, que reRlejan desigualdades históricas, pueden carecer de representatividad o incluir variables que actúan como proxies de caracterı́sticas sensibles. A través de ejemplos, se muestra cómo decisiones aparentemente técnicas pueden dar lugar a efectos sistemáticos sobre determinados grupos.

    A continuación, se propone un marco de análisis basado en el concepto de daño y riesgo, que permite trasladar estos problemas desde el ámbito técnico al jurı́dico, abarcando desde el daño individual hasta la posible vulneración de derechos fundamentales.

    Asimismo, se examinan las limitaciones de las técnicas actuales de detección, explicabilidad y auditorı́a. Las explicaciones son a menudo aproximadas, los modelos pueden incorporar un elevado número de variables difı́ciles de interpretar y la presencia de correlaciones complejas o proxies diRiculta la identiRicación de posibles discriminaciones indirectas. Ejemplos como los modelos de scoring crediticio con miles de variables o el uso de datos de conducción en seguros ilustran estas diRicultades en la práctica.

    Finalmente, se aborda el denominado dilema actuarial, que reRleja la tensión entre la precisión en la segmentación del riesgo, base del negocio asegurador, y las exigencias de equidad. Esta tensión pone de maniRiesto que no existe una solución puramente técnica al problema del sesgo algorı́tmico: en última instancia, es necesario determinar qué niveles de diferenciación resultan aceptables, lo que exige una colaboración estrecha entre el ámbito técnico y el jurı́dico- supervisor. Comprender las limitaciones de estos sistemas es, por tanto, un paso previo e imprescindible para poder supervisarlos de forma efectiva.