El problema que nadie quería ver
La dirección de la aseguradora quería un "chatbot para que el asegurado consulte el estado de su siniestro". Rechacé ese scope. Un chatbot que te dice que tu siniestro lleva 22 días en tramitación no mejora la experiencia — la hace más transparente en lo mala que es.
El diagnóstico real: el 34% del tiempo total del proceso era espera burocrática, no trabajo real. 3 días esperando asignación de perito. 4 días esperando revisión del tramitador. 2 días esperando validación del supervisor. El perito tardaba 2 días en hacer su trabajo. El resto eran colas.
Por qué AgentCore fue la pieza central
Un expediente de siniestro puede estar activo durante semanas, con múltiples interacciones del asegurado, el perito y el tramitador. La pregunta técnica clave es: ¿cómo mantiene el agente el contexto completo durante todo ese tiempo?
Con AgentCore, cada siniestro = una sesión con estado persistente. La memoria de sesión mantiene el historial de la interacción actual; la memoria semántica (long-term) persiste entre sesiones en OpenSearch Serverless. Cuando el tramitador abre el expediente el día 8, el agente sabe exactamente qué ocurrió los días 1-7 sin que nadie tenga que reintroducir el contexto. Sin AgentCore, habríamos tenido que construir esa infraestructura desde cero.
Tres errores técnicos honestos
Error 1 — El modelo de fraude entrenado con datos históricos no predice el futuro
Fine-tune propio en PyTorch con datos 2019-2023. En 2025 rendía significativamente peor con fraude organizado que involucra talleres y peritos colaboradores — un patrón emergente post-pandemia. Solución: pipeline de reentrenamiento mensual automático con nuevos datos etiquetados + módulo de anomaly detection no supervisado para patrones que el modelo supervisado no reconoce. Los DLC de PyTorch en SageMaker facilitaron mucho este pipeline; el modelo corre dentro de la VPC del cliente.
Error 2 — Los PDFs de informes periciales son un caos
Cada perito usaba su propio formato. Textract extraía el texto pero la estructura era tan variable que el 23% de los campos clave no se parseaban correctamente. Solución en dos fases: estandarizar el formulario pericial (guerra política con los peritos) y para los no estructurados, usar el análisis multimodal de Claude en Bedrock que interpreta el documento completo incluyendo las fotografías. La combinación Textract + multimodal bajó la tasa de error del 23% al 3%.
Error 3 — El departamento legal bloqueó los pagos autónomos
El diseño original permitía aprobar pagos de hasta 1.500€ de forma autónoma. El departamento legal lo bloqueó: cualquier pago requería firma de empleado por el reglamento interno de poderes. Rediseño: el agente prepara el pago completamente y lo presenta en una cola de "aprobación en un clic". El tramitador revisa en 15 minutos en lugar de 4 días. No es la autonomía total que diseñamos, pero es el resultado que importa. Y es el patrón correcto bajo la regulación española.
El resultado que nadie había medido
Los KPIs operacionales son buenos: resolución hogar de 22 a 4,2 días, NPS de -12 a +31, coste de tramitación de 147€ a 64€. Pero el impacto que más sorprendió a la dirección fue otro: reclamaciones ante la DGS cayeron un 61% y demandas judiciales un 43%. Nadie lo había medido antes porque nadie había conectado "velocidad de resolución y comunicación personalizada" con "reducción del conflicto legal". Ahora es uno de los argumentos más fuertes del ROI del proyecto.
Lo que esto significa para CISOs y CIOs en seguros
El patrón que funciona en sectores regulados: empezar por el proceso más doloroso para el equipo operativo (no el más "innovador"), medir KPIs de negocio desde el día 1, y diseñar el human-in-the-loop gradual desde el inicio — no como concesión al final cuando el comité de riesgos lo exige.