El reto
Prevención de Fraude en Reclamaciones
Necesito detectar el fraude en reclamaciones menores antes de que el patrón se consolide. Mis analistas no pueden revisar manualmente miles de casos para encontrar las anomalías.
Herramientas de IA especializadas o análisis de datos con ChatGPT Enterprise.
Nivel de sensibilidad: alto. La anonimización de este caso es parcial: algunos documentos pueden anonimizarse, pero otros contienen información estratégica irrenunciable. Evalúa documento a documento antes de usar el Camino B. AI Act: Los sistemas de IA para evaluación de riesgo y prevención de fraude en seguros se consideran de Alto Riesgo (Anexo III). Requieren supervisión humana obligatoria y auditorías de sesgo algorítmico.
Decisión previa
Cómo elegir el camino correcto
Antes de empezar, responde esta pregunta: ¿puedes anonimizar los datos que va a procesar la herramienta sin perder su utilidad para este caso?
Camino A — Recomendado para empezar
Anonimización previa + ChatGPT Business
Los documentos se anonimizan antes de procesarse. La anonimización es parcial para este caso, lo que permite usar ChatGPT Business de forma segura.
Camino B — Máxima seguridad
Modelo on-premises
El modelo de IA se despliega en infraestructura propia. Los datos nunca salen de tus servidores. Recomendado cuando se requiere máxima seguridad o los datos no se pueden anonimizar.
Para este caso concreto: la anonimización es parcial. El Camino A permite usar ChatGPT Business de forma segura con datos anonimizados. Si necesitas trabajar con los datos originales sin anonimizar, usa el Camino B (on-premises).
Camino A — Recomendado
Anonimización previa + ChatGPT Business
La anonimización es parcial para este caso, lo que permite usar ChatGPT Business de forma segura. Sigue este proceso de preparación antes de subir ningún documento a la herramienta.
- 1 Identifica qué datos son sensibles en cada documento: nombres de personas, cifras confidenciales, datos de clientes o proveedores.
- 2 Usa etiquetas consistentes para la sustitución: [PERSONA_1], [CLIENTE_A], [CIFRA_X]. Mantén la misma etiqueta para la misma entidad en todos los documentos.
- 3 Verifica que el contenido sigue siendo útil tras la anonimización. Si no lo es, usa el Camino A (on-premises).
- 4 Guarda el mapa de anonimización (tabla etiqueta → entidad real) en un lugar seguro y offline, con acceso restringido.
Herramienta de anonimización recomendada: Para documentos en Word o PDF, usa la función "Buscar y reemplazar" con una lista preparada de sustituciones. Para volúmenes mayores, Microsoft Presidio (open source) automatiza la detección y sustitución de entidades nombradas — personas, organizaciones, lugares, fechas.
Camino B — Máxima seguridad
Modelo on-premises: los datos nunca salen de tu empresa
Si necesitas trabajar con los datos originales sin anonimizar, o si requieres la máxima garantía de privacidad, despliega el modelo en tu propia infraestructura. Ningún dato abandona nunca tus servidores.
Modelos recomendados
Qwen 2.5 72B — Especialmente potente para análisis de datos financieros, tablas y cálculos numéricos.
Llama 3.3 70B — Ideal para síntesis de documentos financieros largos y generación de informes estructurados (contexto 128K tokens).
Mistral Large 2 — Excelente para extracción de información estructurada de contratos y pólizas.
Llama 3.3 70B — Ideal para síntesis de documentos financieros largos y generación de informes estructurados (contexto 128K tokens).
Mistral Large 2 — Excelente para extracción de información estructurada de contratos y pólizas.
Plataformas de despliegue
Ollama + Open WebUI — Para uso individual o equipo reducido en hardware propio. Interfaz similar a ChatGPT, configuración en menos de 1 hora.
vLLM — Para entornos de producción con múltiples usuarios simultáneos y alto rendimiento.
LM Studio — Para pruebas y validación sin configuración de servidor.
vLLM — Para entornos de producción con múltiples usuarios simultáneos y alto rendimiento.
LM Studio — Para pruebas y validación sin configuración de servidor.
Infraestructura mínima
GPU: 2× NVIDIA A100 40GB o 4× RTX 4090 (24GB VRAM cada una). Para modelos de 70B parámetros en producción.
RAM: 128GB mínimo para modelos de 70B. Para modelos de 7-13B (uso individual), 32GB son suficientes.
Cloud privada: AWS Private Cloud, Azure Government o Google Cloud Confidential Computing con VPC aislada — sin transferencia de datos fuera de la UE.
RAM: 128GB mínimo para modelos de 70B. Para modelos de 7-13B (uso individual), 32GB son suficientes.
Cloud privada: AWS Private Cloud, Azure Government o Google Cloud Confidential Computing con VPC aislada — sin transferencia de datos fuera de la UE.
Garantía de privacidad: Con un modelo on-premises correctamente configurado, los datos nunca salen de tu red corporativa, el modelo no se entrena con tu información, no hay transferencia internacional de datos — elimina el riesgo de transferencias a EE.UU. bajo el RGPD — y el cumplimiento normativo es total.
¿Necesitas implementar esta solución en tu organización?
La configuración de un modelo on-premises para este caso requiere un proveedor técnico especializado que conozca tanto la tecnología como los requisitos de cumplimiento normativo. Emovere puede ayudarte a desplegar esta solución en tu infraestructura de forma segura, con garantías legales y sin que tus datos salgan nunca de tu organización.
Prompt para ChatGPT Business / Enterprise
Prompt — ChatGPT Business / Enterprise
[C — Contexto] Somos una aseguradora de auto (equipo de prevención de fraude). Adjunto el dataset de [NÚMERO_RECLAMACIONES] reclamaciones de seguro de auto del período [PERIODO_TIEMPO], anonimizado. El año pasado detectamos fraude en el [PORCENTAJE_FRAUDE_DETECTADO]% de los casos revisados manualmente, pero nuestro equipo solo puede revisar el 10% del total. Necesitamos priorizar los casos con mayor probabilidad de fraude.
[R — Rol] Actúa como nuestro Especialista en Detección de Fraude con experiencia en análisis de anomalías en reclamaciones de seguros. Tu objetivo es identificar los patrones de fraude más frecuentes en nuestro sector y generar una lista priorizada de casos para revisión manual, minimizando los falsos positivos.
[E — Ejemplo] En el análisis del trimestre anterior, identificaste que el taller «Taller X» tenía un importe medio de reparación un 340% superior a la media del sector para el mismo tipo de siniestro, y que 12 de sus 15 reclamaciones usaban descripciones casi idénticas. Ese patrón permitió detectar una red de fraude organizado. Ese nivel de análisis de patrones es lo que necesito.
[A — Acción] Analiza el dataset adjunto y: (1) Identifica patrones anómalos (talleres recurrentes con importes inusualmente altos, descripciones de siniestros casi idénticas, concentración geográfica inusual). (2) Genera una lista de los [NÚMERO_CASOS_A_REVISAR] casos con mayor probabilidad de fraude, ordenados por nivel de riesgo. (3) Para cada caso, indica el patrón anómalo detectado y la evidencia estadística.
[T — Tono] Analítico y preciso. Cuantifica cada anomalía (ej. «340% superior a la media», no «significativamente superior»). El informe debe poder usarse directamente por el equipo de investigación.
[E — Extra información] AI Act: los sistemas de IA para detección de fraude en seguros se consideran de Alto Riesgo (Anexo III). Requieren supervisión humana obligatoria y auditorías de sesgo algorítmico. No rechaces reclamaciones automáticamente basando la decisión solo en la IA. No uses datos personales sin DPA y base legal. Valida la tasa de falsos positivos mensualmente.
Usa este prompt solo si has anonimizado previamente todos los datos identificables del documento. Verifica que el resultado sigue siendo útil tras la anonimización.
El prompt — Camino A (on-premises)
Prompt específico para este caso
Este prompt funciona tanto con el Camino A (modelo on-premises) como con el Camino B (herramienta cloud con datos anonimizados). Personaliza los campos entre corchetes con los datos reales de tu empresa.
Prompt — Prevención de Fraude en Reclamaciones
[C — Contexto] Somos una aseguradora de auto (equipo de prevención de fraude). Adjunto el dataset de [NÚMERO_RECLAMACIONES] reclamaciones de seguro de auto del período [PERIODO_TIEMPO], anonimizado. El año pasado detectamos fraude en el [PORCENTAJE_FRAUDE_DETECTADO]% de los casos revisados manualmente, pero nuestro equipo solo puede revisar el 10% del total. Necesitamos priorizar los casos con mayor probabilidad de fraude.
[R — Rol] Actúa como nuestro Especialista en Detección de Fraude con experiencia en análisis de anomalías en reclamaciones de seguros. Tu objetivo es identificar los patrones de fraude más frecuentes en nuestro sector y generar una lista priorizada de casos para revisión manual, minimizando los falsos positivos.
[E — Ejemplo] En el análisis del trimestre anterior, identificaste que el taller «Taller X» tenía un importe medio de reparación un 340% superior a la media del sector para el mismo tipo de siniestro, y que 12 de sus 15 reclamaciones usaban descripciones casi idénticas. Ese patrón permitió detectar una red de fraude organizado. Ese nivel de análisis de patrones es lo que necesito.
[A — Acción] Analiza el dataset adjunto y: (1) Identifica patrones anómalos (talleres recurrentes con importes inusualmente altos, descripciones de siniestros casi idénticas, concentración geográfica inusual). (2) Genera una lista de los [NÚMERO_CASOS_A_REVISAR] casos con mayor probabilidad de fraude, ordenados por nivel de riesgo. (3) Para cada caso, indica el patrón anómalo detectado y la evidencia estadística.
[T — Tono] Analítico y preciso. Cuantifica cada anomalía (ej. «340% superior a la media», no «significativamente superior»). El informe debe poder usarse directamente por el equipo de investigación.
[E — Extra información] AI Act: los sistemas de IA para detección de fraude en seguros se consideran de Alto Riesgo (Anexo III). Requieren supervisión humana obligatoria y auditorías de sesgo algorítmico. No rechaces reclamaciones automáticamente basando la decisión solo en la IA. No uses datos personales sin DPA y base legal. Valida la tasa de falsos positivos mensualmente.
Ejecución
Cómo ejecutar este caso paso a paso
- 1 Paso 1: Accede a tu cuenta de ChatGPT Enterprise. Asegúrate de tener los permisos necesarios para subir archivos.
- 2 Paso 2: Prepara el dataset de reclamaciones históricas. Asegúrate de que esté anonimizado y en un formato compatible con ChatGPT (ej. CSV, Excel).
- 3 Paso 3: Sube el dataset de reclamaciones a la interfaz de ChatGPT. Si es muy grande, considera subirlo por partes o utilizar la función de 'Análisis de Datos' si está disponible y configurada para manejar grandes volúmenes.
- 4 Paso 4: Copia y pega el 'prompt mejorado' en el cuadro de texto de ChatGPT. Reemplaza las variables entre corchetes con la información específica de tu empresa y luego envía el prompt.
Datos necesarios: Datos de reclamaciones históricas (anonimizados), patrones de fraude conocidos, umbrales de alerta definidos por el equipo.
Impacto
Qué cambia cuando la solución está en marcha
Detecta el 80% de los casos fraudulentos que escapan al análisis manual.
Advertencias
Qué tener en cuenta
Los resultados generados por IA son borradores. Deben ser revisados y validados por el responsable correspondiente antes de su uso oficial o comunicación externa.
Advertencia específica: AI Act: Los sistemas de IA para evaluación de riesgo y prevención de fraude en seguros se consideran de Alto Riesgo (Anexo III). Requieren supervisión humana obligatoria y auditorías de sesgo algorítmico.
Mantén los datos actualizados. Un modelo con información desactualizada dará respuestas incorrectas. Establece un proceso regular de actualización de los documentos de referencia.