Segun arXiv q-fin, un estudio reciente evalúa el desempeño de modelos de inteligencia artificial denominados TabPFN en el cálculo de primas para seguros de automóviles, comparándolos con métodos tradicionales como modelos lineales generalizados (GLM) y XGBoost, basados en dos conjuntos de datos públicos de seguros de responsabilidad civil. Los resultados muestran que TabPFN no supera de forma constante a estos métodos establecidos, presenta tiempos de cálculo significativamente más largos y su precisión depende fuertemente del tamaño del conjunto de datos utilizado en el proceso de inferencia. Aunque los modelos de base tabular representan una innovación en el manejo de datos, su implementación actual no justifica su uso como sustituto directo de técnicas actuariales probadas.
El enfoque de TabPFN se basa en entrenar modelos previamente en grandes conjuntos de datos sintéticos, permitiendo luego inferir resultados en nuevos casos sin necesidad de ajustar parámetros específicos. Esta capacidad de aprendizaje en contexto se presenta como una ventaja teórica, especialmente cuando los datos reales son escasos o fragmentados. Sin embargo, en el caso del seguro automotriz, donde se requieren datos históricos precisos y confiables para estimar riesgos, la sensibilidad de TabPFN al tamaño del conjunto de entrenamiento y su baja eficiencia en tiempo de cálculo limitan su aplicación práctica. Los modelos tradicionales, como los GLM, siguen siendo más estables, interpretables y rápidos, aspectos críticos en entornos de toma de decisiones en el sector de seguros.
Para un lector peruano, este análisis tiene relevancia directa. El mercado de seguros en el país enfrenta desafíos estructurales: datos históricos de accidentes o conductas de conductores no son siempre completos, y muchas aseguradoras operan con escasas bases de información. Aunque los avances en inteligencia artificial prometen mejorar la precisión de las primas, este estudio indica que, por ahora, no se pueden aplicar de forma directa sin riesgos significativos. Las aseguradoras que opten por tecnologías emergentes deben evaluar cuidadosamente el costo de implementación, la estabilidad del modelo y su capacidad para mantenerse precisos en condiciones reales. Además, el hecho de que los tiempos de cálculo sean más largos puede afectar la disponibilidad de servicios en tiempo real, algo esencial en un entorno dinámico como el peruano, donde las condiciones de tránsito y el comportamiento vial cambian constantemente.
En conclusión, aunque los modelos de base tabular abren nuevas posibilidades, su utilidad en el sector de seguros aún está en etapa experimental. Para los profesionales del sector o los consumidores interesados en precios justos, el enfoque tradicional sigue siendo la opción más segura, confiable y viable. La tecnología no reemplaza la experiencia actuarial, sino que puede complementarla bajo condiciones bien definidas y con un análisis riguroso.