Puntos clave
- El contexto es fundamental para la precisión: en el sector de los seguros, no basta con dominar el lenguaje natural; la IA debe basarse en documentación real y actualizada para evitar «alucinaciones» y garantizar el cumplimiento normativo.
- RAG supera a CAG a gran escala: aunque la generación aumentada por caché (CAG) funciona con conjuntos de datos pequeños y estáticos, la generación aumentada por recuperación (RAG) resulta más adecuada para el sector de los seguros, ya que gestiona conjuntos de documentos cada vez más grandes con una eficiencia de costes entre un 80 % y un 90 % superior y una latencia significativamente menor.
- Se requiere ingeniería de precisión: crear un asesor «apto para la producción» exige algo más que un modelo LLM; requiere ajustar con precisión hiperparámetros como las estrategias de segmentación y los umbrales de similitud para desenvolverse entre densos textos legales estándar y tablas anidadas.
- Superar las brechas semánticas: Para que la IA aplicada a los seguros sea eficaz, debe comprender la intención y no limitarse a las palabras clave; por ejemplo, debe reconocer que una consulta sobre la «pérdida de llaves» está relacionada con las cláusulas sobre «accesorios del vehículo».
A medida que la inteligencia artificial se va integrando cada vez más en los flujos de trabajo de las empresas aseguradoras, hay una realidad que ha quedado inequívocamente clara a partir de nuestra colaboración con las aseguradoras en CoverGo: el contexto es fundamental.
Ya no basta con que un sistema de IA domine el lenguaje natural. Para aportar un valor empresarial real, la IA debe generar respuestas basadas en información del mundo real y actualizada. Especialmente en el sector de los seguros, donde la precisión influye directamente en el cumplimiento normativo, la resolución de siniestros y la confianza de los clientes. Las respuestas sin fundamento o desactualizadas son inaceptables.
El Desafío de Conocimientos sobre Seguros
En CoverGo, nos enfrentamos a este reto cada día. Las aseguradoras gestionan un gran volumen de documentación compleja y en constante evolución, que incluye los textos de las pólizas, los procedimientos de reclamación, las directrices de suscripción, las preguntas frecuentes, la información reglamentaria, etc.
El reto radica en cómo proporcionar al modelo una gran cantidad de información y contexto sin que ello conlleve inconvenientes. Suministrar conjuntos completos de documentos conlleva unos costes de tokens significativos, tiempos de respuesta más lentos y, aunque parezca contradictorio, un peor rendimiento debido a que la información ruidosa o irrelevante satura el modelo.
Esto ha dado lugar a una cuestión arquitectónica fundamental: ¿cómo deberían los grandes modelos de lenguaje (LLM) acceder a los conocimientos sobre seguros a gran escala?
Se han desarrollado dos enfoques principales: la generación aumentada por caché (CAG) y la generación aumentada por recuperación (RAG).
Comprender las arquitecturas: CAG frente a RAG
Tanto RAG como CAG mejoran los modelos de lenguaje a gran escala (LLM) con conocimientos externos, pero difieren significativamente en la forma de acceder a dichos conocimientos.
Generación potenciada por la recuperación (RAG)
RAG realiza una recuperación en tiempo real (es decir, busca en la base de datos contextual) para cada consulta del usuario. Los fragmentos de documentos relevantes se extraen de la base de datos y se incorporan a la indicación del modelo, lo que garantiza que las respuestas se basen en material de referencia actual y relevante.
Características principales de RAG:
- Recuperación en tiempo real en el momento de la consulta, obteniendo la información según sea necesario.
- Se adapta de forma natural a los conjuntos de documentos que cambian o crecen.
Generación ampliada con caché (CAG)
CAG precarga información —como documentos completos— en la caché de clave-valor (KV) del modelo con antelación. A continuación, el modelo combina el contexto almacenado en la caché con su conocimiento preentrenado para generar respuestas relevantes sin necesidad de realizar un paso de recuperación para cada consulta.
Características principales del CAG:
- Datos almacenados previamente en la caché que se han guardado y utilizado en repetidas ocasiones.
- Rápido para consultas repetitivas.
- Escasa capacidad de adaptación a datos que cambian con frecuencia.
Nuestra investigación: la toma de decisiones basada en datos
Nuestra investigación interna pone de relieve por qué la arquitectura RAG es más adecuada en el contexto de un chatbot especializado en productos de seguros.
| Característica | CAG | RAG | Por qué es importante para el sector de los seguros |
| Precisión | 80-90 % | 90–95 % | La recuperación selectiva reduce el «ruido» que provoca las alucinaciones. |
| Latencia | 10–18 s | 4–6 s | Tanto el personal interno como los clientes esperan respuestas casi inmediatas. |
| Coste | Alto por consulta | Ahorro del 80-90 % | Un uso eficiente de los tokens permite una escalabilidad sostenible. |
| Escalabilidad | Limitado (aprox. 60 documentos) | Prácticamente ilimitado | Las pólizas, las cláusulas adicionales y los anexos se amplían continuamente. |
La generación con caché es una buena opción para bases de conocimiento fijas y de menor tamaño a las que se recurre con frecuencia. En esta configuración, el contenido almacenado en caché se vuelve a consultar repetidamente —a menudo sin que caduque la caché—, lo que la hace eficaz para conjuntos de datos estables y predecibles.
Sin embargo, CAG no se adapta bien a medida que crece la base de conocimientos. A partir de más de 50 documentos (más de 250 000 tokens), el rendimiento se deteriora rápidamente en términos de latencia, costes y tasas de error.
En sectores en los que se maneja una gran cantidad de documentación, como el de los seguros, donde la información está en constante evolución, esto se convierte en una limitación estructural. Los modelos de generación con caché se ven limitados por el tamaño del contexto y resultan costosos a la hora de almacenar en caché grandes volúmenes de contenido.
RAG, por su parte, es más escalable y configurable. Con RAG podemos controlar la estrategia de incrustación y la estrategia de segmentación. En el caso de RAG, el coste y la latencia están directamente relacionados con lo que realmente se recupera, y no con el tamaño total de la base de conocimiento.
Por ejemplo, incluso con un corpus de más de 500 000 tokens, solo podemos recuperar los 20 fragmentos más relevantes, con un límite de 1 000 tokens cada uno. De este modo, cada respuesta ronda los 20 000 tokens, lo que hace que el coste sea predecible y que la latencia se mantenga de forma constante por debajo de unos 5 segundos.
En resumen:
La «generación potenciada por la recuperación» (RAG) resulta más adecuada para entornos en constante cambio y con gran densidad de información, como el sector de los seguros; por eso nuestro agente de IA se basa en una arquitectura RAG cuidadosamente diseñada, optimizada para la recuperación precisa de información, el control de costes y un rendimiento escalable.
Más allá de RAG: precisión en el ajuste fino
La decisión de implementar una arquitectura RAG es solo el primer paso para crear un asesor de seguros apto para producción. El rendimiento real depende del diseño preciso de los hiperparámetros del sistema, como las estrategias de segmentación, los umbrales de similitud y las dimensiones de incrustación.
Los documentos de seguros plantean un reto especial; contienen una gran cantidad de «ruido» en forma de cláusulas legales estándar y tablas densas y anidadas que pueden provocar fácilmente alucinaciones si no se manejan con precisión.
Además, las consultas sobre seguros suelen requerir una comprensión semántica indirecta. Un usuario podría preguntar por la «pérdida de llaves», mientras que la cobertura correspondiente se encuentra oculta en una cláusula sobre «accesorios del vehículo». Ajustar un sistema para salvar estas brechas lingüísticas —sin dejar que se cuelen datos irrelevantes— requiere un ajuste muy preciso.
En CoverGo, hemos diseñado nuestro proceso RAG para hacer frente a esta complejidad, garantizando que los agentes de IA no se limiten a recuperar texto, sino que comprendan la intención, el contexto y los matices de las pólizas. Este enfoque sustenta los agentes de IA de CoverGo, lo que permite a los equipos de atención al cliente y de operaciones recibir respuestas precisas y explicables basadas directamente en el lenguaje de las pólizas, sin necesidad de consultar manualmente los documentos.
Si quieres implementar una IA que ofrezca resultados precisos y conformes a la normativa en flujos de trabajo reales del sector de los seguros, CoverGo aporta el rigor arquitectónico y la experiencia en el sector de los seguros necesarios para hacerlo bien.
Ponte en contacto con nosotros para saber cómo CoverGo puede ayudar a tu equipo con una IA diseñada específicamente para el sector de los seguros.
Fuente:
Referencia académica (artículo de investigación sobre CAG): Huynh, T. P. y Huang, H. H. (2024). CAG: Cache-Augmented Generation (arXiv:2412.15605). arXiv.https://arxiv.org/abs/2412.15605
Referencia técnica (documentación RAG): OpenAI. (s. f.). Retrieval – API de OpenAI. OpenAI Platform. https://platform.openai.com/docs/guides/retrieval
En resumen
Para las aseguradoras, la elección entre RAG y CAG no es solo una cuestión técnica, sino que tiene que ver con la precisión y la escala. Si bien el CAG funciona para tareas sencillas, el RAG es el estándar del sector a la hora de gestionar datos de pólizas complejos y en constante evolución con gran precisión y a un coste menor.
Preguntas frecuentes
Si bien el CAG funciona con conjuntos de datos pequeños y estáticos, el RAG es el estándar del sector de los seguros, ya que gestiona una documentación de pólizas voluminosa y en constante evolución con una eficiencia de costes entre un 80 % y un 90 % superior y una precisión significativamente mayor, al recuperar únicamente el contexto más relevante para cada consulta.
Los documentos de seguros contienen texto legal denso y repetitivo, así como tablas anidadas que pueden provocar «alucinaciones» en la IA convencional. La ingeniería de precisión —que incluye el ajuste fino de las estrategias de segmentación y los umbrales de similitud— garantiza que la IA comprenda la intención específica y los matices de las pólizas, en lugar de limitarse a buscar coincidencias de palabras clave.
