En la indústria asseguradora, el frau representa un desafiament creixent que no només incrementa els costos operatius, sinó que també erosiona la confiança dels clients i consumeix recursos valuosos en investigacions manuals. Tradicionalment, les asseguradores han depès de sistemes basats en regles fixes, patrons històrics i anàlisi de dades estructurades per detectar anomalies. No obstant això, aquestes tècniques mostren limitacions davant xarxes de frau sofisticades, on les connexions entre pòlisses, vehicles, proveïdors i direccions s' oculten sota relacions complexes que un simple encreuament de camps no pot revelar.
Una asseguradora líder als Estats Units va decidir fer un salt qualitatiu en modernitzar la seva plataforma de detecció de fraus combinant grafs, machine learning i serveis nadius d'AWS, específicament Amazon EMR Serverless. La solució no només va millorar la precisió dels models entre un 50 i un 135%, sinó que va generar un valor net present superior als cinc milions de dòlars en cinc anys. Aquest cas demostra com una arquitectura de dades moderna, basada en un data lakehouse amb Apache Iceberg, AWS Glue Data Catalog i AWS Lake Formation, pot potenciar la intel·ligència artificial per a empreses que busquen anar més enllà dels enfocaments convencionals.
El nucli de la innovació rau en la incorporació de 54 característiques basades en grafs que capturen les relacions entre entitats. Mentre que els models tradicionals només analitzen atributs aïllats —com la suma del sinistre o l'antiguitat de la pòlissa—, els grafs permeten descobrir vincles ocults: un mateix taller de reparació associat a múltiples reclams sospitosos, direccions compartides entre diferents assegurats o vehicles que apareixen en sinistres de diferents pòlisses. Aquesta visió de xarxa és la que permet als sistemes de detecció de fraus identificar patrons que passarien desapercebuts.
L'arquitectura tècnica es desplega sobre AWS utilitzant Amazon EMR Serverless per processar grans volums de dades de forma elàstica i eficient. Les pipelins d'ingesta, enriquiment i scoring s'orquestren amb Apache Airflow a Amazon MWAA, garantint un flux continu i confiable. Les dades s'emmagatzemen en taules Iceberg sobre Amazon S3, cosa que facilita la governança i la reutilització de característiques a través d'un Feature Store propi. Per a la capa de grafs, s'integra Neo4j allotjat a AWS, que alimenta les mètriques de centralitat i connectivitat que enriqueixen els models predictius.
Un dels aspectes més crítics va ser la integració amb el sistema de gestió de sinistres Guidewire Claims. Cada predicció de frau genera automàticament una activitat a Guidewire amb una descripció explicativa que mostra els tres factors principals que van motivar l'alerta. Això permet als ajustadors comprendre immediatament per què un reclam va ser marcat, augmentant la confiança en el sistema i accelerant la presa de decisions. La integració es va aconseguir mitjançant funcions Lambda que llegeixen els resultats des de S3, els envien a l'API de Guidewire i gestionen reintents, cues de missatges fallits (DLQ) i notificacions a través d'Amazon SNS. Tota la seguretat de credencials es maneja amb AWS Secrets Manager.
L'impacte financer va ser contundent: durant la fase pilot, els estalvis van superar en més de mig milió de dòlars les projeccions inicials. El 2025, els estalvis combinats en assegurances d'auto i llar van assolir els 6,81 milions de dòlars. Aquests resultats no només van validar la inversió, sinó que van demostrar que la combinació de dades estructurades amb relacions de graf i machine learning és el camí a seguir per combatre el frau organitzat.
Més enllà dels números, l'experiència va deixar lliçons valuoses. La col·laboració multidisciplinària entre els equips de sinistres, dades, analítica avançada i socis tecnològics va ser fonamental. L'explicabilitat dels models va resultar essencial per guanyar l'acceptació dels usuaris finals, els quals necessiten entendre per què un reclam és sospitós per actuar amb criteri. Finalment, la resiliència operativa —basada en monitoratge continu, qualitat de dades i processos de recuperació— va garantir que els models funcionessin de manera fiable en producció.
Aquesta transformació no és un cas aïllat. Cada vegada més companyies estan adoptant arquitectures modernes al núvol per desplegar solucions d'intel·ligència artificial que resolguin problemes complexos. Des de l' automatització de processos fins a la creació d ' agents IA capaços d' interactuar amb sistemes heretats, les possibilitats són enormes. En Q2BSTUDIO, com a empresa de desenvolupament de programari, acompanyem les organitzacions en aquest viatge, oferint serveis cloud AWS i Azure, desenvolupament d'aplicacions a mida, intel·ligència de negoci amb Power BI i ciberseguretat per protegir les dades crítiques. La nostra experiència en la implementació de solucions basades en intel·ligència artificial per a empreses ens permet aportar valor real en cada etapa, des de la conceptualització fins a la posada en producció.
El cas de l'asseguradora estatunidenca il·lustra que la clau no està només en la tecnologia, sinó en com s'integra amb els processos de negoci. La detecció de fraus ja no és un exercici purament reactiu; esdevé una capacitat predictiva i explicable que empodera els equips. Per a les companyies que busquen modernitzar els seus sistemes, el full de ruta inclou migrar a un data lakehouse a AWS, adoptar grafs per descobrir relacions ocultes i desplegar models de machine learning amb MLOps robust. I, per suposat, comptar amb un soci tecnològic que entengui tant la part tècnica com el negoci.
En Q2BSTUDIO, ajudem empreses a construir programari a mesura que integra intel·ligència artificial, serveis cloud i analítica de dades. Ja sigui que necessitin desenvolupar un sistema de detecció d'anomalies per a assegurances, optimitzar cadenes de subministrament o crear un agent IA per a atenció al client, el nostre equip està preparat per dissenyar i implementar solucions escalables, segures i alineades amb els objectius de cada organització. La transformació digital no és un destí, sinó un procés continu, i estar acompanyat per experts marca la diferència.
