Desintermediación en seguros por inteligencia artificial

Todo el que vende seguros conoce la frase, porque es su escudo: «esto es un negocio de relaciones, y las relaciones no se reemplazan». Es reconfortante. Y puede que sea falsa —o peor, que sea cierta por un motivo que preferiríamos no mirar.

Supongamos, solo por un rato, que sobreestimamos lo que vale esa relación. Que buena parte de lo que llamamos empatía, confianza y buena onda con el agente no era ninguna de las tres, sino fricción disfrazada de todas ellas. El agente nos cae bien, sí; pero también era la única puerta que conocíamos para entrar a un mundo que no entendíamos. Cuando la única forma de cruzar un río es un puente, uno le toma cariño al puente. Eso no prueba que el puente sea insustituible. Prueba que no había otro.

Durante décadas dio igual si era valor verdadero o fricción bien disfrazada, porque no había con qué comparar: no existía la otra orilla. Ahora empieza a existir. Y con ella llega una generación —la que viene detrás— que quizá no quiera el cafecito, ni la llamada, ni la visita, y que le confíe sin drama a una máquina la elección de su póliza, como ya le confía la ruta a un mapa y la música a un algoritmo.

El día que eso pase, la discusión cambia de terreno. Hay una pregunta —«¿puede una máquina reemplazar el calor humano?»— que no se decide con datos: se decide con gustos, y cada quien tiene los suyos. Pero debajo hay otra, más concreta, que sí admite respuesta: ¿en qué momento estarán dadas las condiciones para que convenga de verdad, en plata y en resultado, comprar el seguro con una inteligencia artificial en vez de con un agente?

Este texto intenta responderla midiendo, en vez de augurando. Le interesa menos anunciar finales que darle a quien vive de este oficio una forma de leer su propio horizonte: qué parte de lo que hace ya es replicable, qué parte todavía no, y qué tendría que cambiar para que deje de estar protegido. Termina en un modelo pequeño, con su ejemplo y sus números.

Qué es, de verdad, elegir bien un seguro

Antes de preguntarnos si una máquina elige mejor que un humano, hay que responder qué es elegir bien. Porque si no sabemos definir la tarea, no sabemos quién la hace mejor.

Elegir bien un seguro no es una tarea. Son tres, y son muy distintas.

La primera es entender el producto. Un seguro es un contrato denso, escrito en un idioma que casi nadie habla: deducibles —la parte del daño que uno paga de su bolsillo antes de que entre la aseguradora—, exclusiones, coaseguros, carencias. Aquí se pierde mucha plata sin que nadie lo note, y no es una impresión: está medido. Saurabh Bhargava, George Loewenstein y Justin Sydnor estudiaron en 2017 las decisiones de casi veinticuatro mil empleados de una empresa estadounidense que elegían plan de salud, y encontraron que el sobrecosto de elegir planes «dominados» —planes para los que existe otro que cubre lo mismo y cuesta menos, sin ninguna ventaja a cambio— equivalía a la cuarta parte de la prima. Cuando buscaron la causa, no era el tamaño del menú ni su complejidad: era, simplemente, que la gente no entendía el seguro. Jason Abaluck y Jonathan Gruber, mirando la elección de planes de medicamentos de adultos mayores, habían llegado en 2011 a una pérdida de bienestar del mismo orden. No son casos raros. Son el estado normal de un mercado difícil.

La segunda tarea es decidir qué es lo correcto para uno. La teoría del seguro contradice aquí el sentido común. El economista Kenneth Arrow demostró en 1963 que, bajo ciertas condiciones, el mejor contrato posible tiene forma de deducible; y el noruego Jan Mossin afinó el resultado en 1968 con una conclusión filosa: la cobertura total casi nunca es lo óptimo. Si la prima tiene cualquier recargo sobre el costo puro del riesgo —y siempre lo tiene, porque la aseguradora vive de eso—, lo racional es asumir uno mismo una parte. Comprar «todo cubierto» suele ser pagar de más. Pero cuál es el deducible correcto para mí no se lee en la póliza: depende de mi colchón de liquidez, de qué tan mal la pasaría con una pérdida, de cuánto miedo le tengo de verdad a una desgracia. Hay además una trampa fina, también medida: Levon Barseghyan y sus colegas mostraron en 2013 que buena parte de lo que la gente cree que es su «tolerancia al riesgo» no es una preferencia, sino una percepción torcida: le tenemos un miedo desproporcionado a los eventos raros y elegimos en función de ese miedo mal calibrado. Eso no se arregla con información. A veces ni siquiera preguntándole a la persona qué prefiere, porque lo que prefiere ya viene chueco.

La tercera tarea es conseguir la póliza y dejarla en firme: cotizar en varias compañías, comparar de verdad y cerrar la operación con validez. No depende de entender ni de decidir bien, sino de dos llaves que hoy no son del cliente. La primera es el acceso: para cotizar de verdad hay que entrar a los sistemas donde viven los precios, y esa puerta la abre, por ahora, el intermediario. La segunda es el cierre: dejar la cobertura vinculada con validez —y que haya alguien que responda si el consejo salió malo— es un acto reservado a una figura habilitada. Ninguna de las dos tiene que ver con saber de seguros. Tienen que ver con quién tiene la llave. A ellas volveremos.

Cada tarea tiene su manera de salir perdiendo. Se pierde plata por no entender el contrato; se pierde plata, otra vez, por no decidir bien cuánto riesgo cargar; y se pierde tiempo y acceso por no poder cotizar ni cerrar solo. La pregunta de este texto es cuál de esas tres murallas protege hoy al agente, y cuánto le queda en pie.

Aconsejar ya no es solo humano

La defensa más fuerte del agente vive en la segunda tarea, la de aconsejar. Suele formularse así: «una página web no te explica si esta cláusula cubre la enfermedad de tu hijo; una máquina no tiene el juicio, ni la paciencia, ni la empatía para acompañarte en una decisión así». Durante años fue verdad, y por eso el agente sobrevivió a la primera ola de ventas por internet, que solo funcionó en lo más simple.

Esa defensa se está cayendo.

No porque la máquina vaya a igualar el afecto, sino porque asesorar bien nunca fue, en el fondo, un acto de afecto: fue un acto de explicar con claridad, con tiempo y sin intereses cruzados. En esas tres cosas una inteligencia artificial bien construida puede ser mejor que un buen agente. Puede explicar la misma exclusión de cinco maneras distintas hasta que una haga clic, sin cansarse y sin mirar el reloj. Puede tener presente, a la vez, el detalle de doce pólizas, cosa que ningún humano hace. Y puede diseñarse para hacer justo lo que el sesgo del cliente le impide hacer solo: mostrarle que su miedo a la pérdida rara lo está llevando a pagar de más, y ayudarlo a corregir. Un buen agente hace eso cuando tiene tiempo y formación. Muchos no tienen ni lo uno ni lo otro, y no por mala voluntad: por la economía de su oficio, que los obliga a atender rápido y vender lo que deja comisión. Que esto no es teoría lo sugieren los experimentos de campo de Santosh Anagol, Shawn Cole y Shanthi Sarkar con agentes de vida en India (2017): los agentes recomendaban de forma abrumadora productos inadecuados y dominados que les pagaban comisiones altas. La relación humana no siempre juega para el cliente.

Que la máquina pueda asesorar bien no significa que asesorar sea trivial. La segunda tarea es genuinamente difícil, y hay una advertencia: Benjamin Handel mostró en 2013 que empujar a la gente a «elegir mejor» puede tener efectos raros —cuando todos optimizan al tiempo, el seguro, que vive de que los riesgos buenos subsidien a los malos, se puede desacomodar—. Nada de esto dice que la máquina no pueda asesorar. Dice que el buen consejo es un producto sofisticado, que hay que construir con cuidado, y que alguien tiene que construirlo y afinarlo, lo cual tiene su propio costo. Pero un producto sofisticado y construible está lejos de un misterio humano irremplazable.

Hay una pista que viene de un mercado donde la máquina ya asesora de verdad: los robo-advisors, los asesores financieros automatizados. Alberto Rossi y Stephen Utkus, estudiando uno grande de Estados Unidos, concluyeron en 2024 que «la implementación automática del consejo es crucial para la eficacia de cualquier forma de asesoría, humana o robótica», y distinguieron el robo-gestor, que ejecuta, del robo-recomendador, que solo sugiere. La eficacia vivía en el que ejecuta. Antes, en 2012, Utpal Bhattacharya y sus colegas habían ofrecido asesoría de inversión imparcial y gratuita a unos ocho mil clientes de una correduría alemana: la aceptó cerca del cinco por ciento, y los que la aceptaron apenas la siguieron. Su frase resume media tesis de este texto: la mera disponibilidad de buen consejo es una condición necesaria pero no suficiente para que el cliente salga ganando.

Entonces, si la asesoría es replicable —incluso mejorable—, la defensa del agente no puede descansar ahí. Queda una pregunta más aguda.

¿Está ese buen consejo al alcance del que lo necesita?

Que una inteligencia artificial de frontera pueda hacer algo no significa que la persona que necesita el seguro pueda hacerlo con la inteligencia artificial que realmente tiene.

Los titulares hablan de modelos con ventanas de contexto enormes —la «ventana de contexto» es cuánta información puede tener el modelo «en la cabeza» a la vez, medida en tokens, los pedacitos en que parte el texto— y de costos de cómputo que caen mes a mes. Las dos cosas son ciertas, y el ritmo asombra. La ventana de los modelos de punta pasó de unos cuatro mil tokens a finales de 2022 a un millón a comienzos de 2024: más de doscientas veces en unos quince meses. Y Epoch AI, que mide estas cosas, calcula que el precio de alcanzar un nivel dado de desempeño cae del orden de decenas de veces por año —su mediana ronda las cincuenta—. Si esa curva sigue, lo que hoy cuesta un dólar costará centavos en un par de años.

Pero ese es el mundo del que paga. El usuario de a pie —el que quiere un buen seguro de salud, de vida, de auto o de hogar y no va a pagar veinte dólares al mes por una suscripción— vive en el planeta de los planes gratuitos, y ahí los techos son de verdad. La versión gratuita de un asistente popular corre, a mediados de 2026, con una ventana del orden de treinta mil tokens, no del millón de la frontera: unas sesenta veces menos.

En la práctica, eso quiere decir que trece condicionados no caben a la vez. Y hay un límite más tosco todavía: varios asistentes gratuitos dejan subir apenas un puñado de archivos por conversación —el plan gratis de uno de los más usados rondaba, hacia 2026, los cinco—. Con cinco cupos y trece cotizaciones, al usuario le toca hacer malabares: trocear los documentos, subirlos por tandas, reformular la pregunta cada vez, pegar y repegar. Existe un truco para esto —el RAG, que le permite a un modelo buscar en una base de documentos externa y traer solo los pedazos que importan—, pero no viene servido con un par de clics en el plan gratis: alguien tiene que montarlo. Y todo ese esfuerzo lo pone el cliente, no la máquina.

Hoy, para el usuario común, el cuello de botella no es que la máquina no sepa asesorar. Es que el buen consejo todavía no le cabe en el sobre que tiene. Pelear con esos límites —trocear, reformular, rendirse a la mitad— compite contra el esfuerzo de decidir por su cuenta, y contra la comodidad de simplemente llamar al agente de siempre. Mientras ese esfuerzo sea alto, el agente sigue siendo el camino más barato en tiempo y en cabeza, aunque no en plata.

Que el oficio esté en la mira no es corazonada. Cuando Edward Felten, Manav Raj y Robert Seamans midieron cuánto se solapan las capacidades de la inteligencia artificial con lo que hace cada profesión, los agentes de seguros salieron entre los más expuestos de más de setecientas ocupaciones —en el diez por ciento de arriba, al lado de los aseguradores y los analistas—. Y cuando Tyna Eloundou y sus colegas hicieron el ejercicio equivalente para los modelos de lenguaje, calcularon que cerca de la quinta parte de todos los trabajadores podría ver acelerada la mitad de sus tareas. Conviene, eso sí, leer bien esos estudios: miden exposición, no destino. Exposición quiere decir que la máquina podría hacer buena parte de la tarea —no que vaya a quedarse con el empleo, ni cuándo, ni si terminará reemplazando al humano o volviéndolo más productivo—. El potencial está; la fecha no la promete nadie. Acotar esa fecha es justamente lo que este texto intenta.

Ya vivimos una transición parecida, y vale la pena mirarla, porque enseña cómo se mueven estas cosas. Hubo un tiempo en que comprar un seguro por internet no tenía sentido; después dejó de ser imposible y siguió sin pasar durante años. Progressive puso cotización en línea en 1996 y venta de pólizas en 1997; que se pudiera comprar así no hizo que la gente lo hiciera. El hábito tardó más de dos décadas: las aseguradoras directas, las que venden sin agente, pasaron de un tercio de las primas de personas en 2005 a casi la mitad en 2015, y la compra digital de una póliza nueva de auto apenas alcanzó la mitad hacia 2026. ¿Qué faltaba, si la tecnología ya estaba? Faltaban condiciones menores —que la página transara y no solo mostrara folletos, que hubiera con qué pagar, que el riel de cobro no castigara— y una lenta de verdad: que la gente le perdiera el miedo a poner los datos de la tarjeta en una pantalla, un miedo que Pew documentó con nombre propio a comienzos de los dos mil. Cada condición cayó a su ritmo; la última fijó la fecha.

La desintermediación por inteligencia artificial es la misma clase de fenómeno. No es un interruptor. Es una lista de condiciones que tienen que cumplirse todas, cada una a su velocidad. El resto del texto es un intento de medir exactamente eso.

Un modelo de cuatro condiciones

Vamos a construir un modelo pequeño. No para dárselas de exacto, sino para obligar a la intuición a mostrar sus cartas: si uno cree que al agente lo protege algo, tiene que poder decir qué lo protege, y cuánto. Lo explico paso a paso, y el que quiera puede saltarse las fórmulas y quedarse con la idea, que es simple.

Se parte de una distinción. Una cosa es que una máquina pueda hacer una tarea; otra, muy distinta, es que le salga más barato que al humano. Posible y barato no son lo mismo, y para que a alguien lo desplacen hacen falta los dos. Esto no es hallazgo de este texto: Daron Acemoglu y Pascual Restrepo, que han estudiado como pocos el efecto de la automatización sobre el trabajo, lo dejaron escrito en 2018. Una tarea cae cuando se cruza el más tardío de dos umbrales —el de lo posible y el de lo barato—; manda el que llegue de último.

Lo que este texto agrega es estrecho. En aquel modelo, la frontera de lo posible es una sola y es tecnológica: ¿la máquina da la talla o no? Aquí la afirmación es otra. En un mercado regulado como el de los seguros, esa frontera no es una ni es solo tecnológica: se parte en varias condiciones que se destraban a ritmos distintos, y la que manda —se verá— no es la del cómputo.

Démosle a cada condición una nota de preparación entre 0 y 1: 0 si está del todo cerrada, 1 si está del todo abierta. Ninguna salta de 0 a 1 de un día para otro; se va abriendo, despacio al principio, rápido en el medio, y se asienta arriba. Esa forma de S tiene nombre en estadística —una logística— y se escribe así:

$r_i(t) = \frac{1}{1 + e^{-k_i\,(t - t_i)}}$

No hace falta saber leerla para seguir. Solo dice dos cosas de cada condición: $t_i$ es el año en que está a medio abrir —preparación 0,5— y $k_i$ es qué tan empinada es la subida. Una condición con $k$ grande se destraba casi de golpe; una con $k$ chico se arrastra por años.

¿Y cómo está de preparado el conjunto? Aquí está el corazón del modelo, y es contraintuitivo: no es el promedio de las cuatro condiciones. Es la más baja de todas, su eslabón más débil:

$R(t) = \min_i\, r_i(t)$

La razón es de puro sentido común: una cadena con un eslabón roto no es una cadena más débil, no es una cadena. De nada sirve que tres condiciones estén al noventa por ciento si la cuarta está en cero. Por eso lo único que hay que mirar, en cada momento, es cuál es el eslabón más débil: ese, y solo ese, protege hoy al agente. La desintermediación se vuelve factible el día en que ese eslabón —y con él el conjunto— cruza la mitad.

Las condiciones son cuatro.

Consejo alcanzable ($r_{\text{consejo}}$) es la protagonista, y es la tesis original de este texto: mide si un consejo suficientemente bueno está al alcance del usuario real, con la máquina que efectivamente tiene, a un costo y un esfuerzo por debajo de su alternativa. Se instrumenta preguntando si la tarea cabe en el sobre —ventana, razonamiento, herramientas— del plan que esa persona usa, y a qué costo. Un cuidado con la unidad de medida: no conviene contar en «tokens» (los pedacitos en que cada modelo parte el texto), porque un mismo documento pesa distinto en cada modelo y esa cuenta cambia cada vez que un proveedor actualiza el suyo. La unidad que no se derrite es el costo en dinero de llegar a una decisión suficientemente buena, o la respuesta binaria de si la tarea cabe en el plan gratuito.

Acceso ($r_{\text{acceso}}$) mide si la máquina puede conseguir cotizaciones comparables sin la credencial de un intermediario humano. En la mayoría de los mercados, cotizar de verdad exige entrar a los sistemas de las compañías, y la llave de esa puerta es del intermediario. Si no hay canal directo al consumidor, el agente conserva una ventaja que no tiene nada que ver con lo que sabe: tiene la llave. Se mueve despacio, al ritmo de la regulación y de que las compañías abran o no.

Cierre válido ($r_{\text{cierre}}$) mide si la operación puede quedar en firme legalmente y si hay alguien que responda por un mal consejo. En casi todos los países, dejar una cobertura vinculada con validez es un acto reservado a una figura habilitada, que además carga con la responsabilidad cuando algo sale mal. Una inteligencia artificial operada por el propio consumidor, si se equivoca, no tiene a quién pasarle la cuenta. Esa es la diferencia económica real entre canales, y no es la tasa de error de la máquina: es que del lado humano hay un responsable, y del lado de la máquina, por ahora, no.

Confianza ($r_{\text{confianza}}$) es la lección del comercio electrónico. Aunque las tres anteriores se cumplan, falta que suficientes personas quieran confiarle esa decisión a un algoritmo. Que se pueda no es que la gente cambie. Se mueve a velocidad generacional: puede estar clavada durante años y luego voltearse cuando llega a comprar seguros una generación para la que confiar en una máquina es lo natural.

Poner números al modelo

Hasta aquí, palabras. Ahora los números —con una advertencia por delante, que es lo más importante de toda esta sección—. Los años y las pendientes que voy a usar son supuestos declarados, no mediciones: los elegí yo. Así que el trabajo de verdad no es correr la simulación, sino separar qué conclusiones dependen de esa elección y cuáles sobreviven a cambiarla. El código y los parámetros están abiertos; cualquiera puede moverlos y volver a correr.

Pongamos, como punto de partida, que la condición del consejo se abre rápido (a medio abrir hacia 2028, con pendiente alta, porque el cómputo se abarata de prisa) y que las tres institucionales y de confianza se arrastran más (a medio abrir entre 2030 y 2033, con pendientes suaves). Con esos supuestos, así se ve el mundo en 2026:

Cuadro 1. Preparación de cada condición hoy (parámetros ilustrativos, 2026)

Condición	Preparación en 2026	Año en que se abre (nota 0,5)
Consejo alcanzable	0,057	2028
Acceso a cotizaciones	0,100	2030
Cierre válido	0,047	2032
Confianza / demanda	0,050	2033

La preparación del conjunto hoy es la más baja: 0,047. Es decir, la desintermediación efectiva está lejísimos de ser factible, y las cuatro condiciones están cerca del piso. Nada nuevo. Eso cambia cuando dejamos correr el tiempo.

La curva gruesa es $R(t)$, el mínimo. Fíjese en su forma: se queda pegada al piso mientras cualquier condición siga baja, y solo despega cuando se abre la última. Con estos parámetros cruza la mitad hacia 2033. Y hay un detalle que importa: el eslabón más débil no es siempre el mismo. En 2026 el que ata es el cierre; poco después pasa a atar otra condición, porque el consejo y el acceso, más veloces, se le adelantan. La condición que protege al agente migra con los años. Esto —que la fecha la fije la última en abrir, y que el eslabón que amarra vaya cambiando— es verdad de la estructura del modelo, pase lo que pase con los números finos.

Ahora, la pregunta del millón: ¿cuál es esa última condición? Con mis supuestos, la simulación contesta «la confianza». Pero aquí hay que ser honesto, porque es una trampa fácil de tender y de caer en ella. Yo puse la confianza a abrir de última; como la fecha del conjunto la fija la que abre al final, la simulación tenía que devolver «confianza». No lo descubrió: se lo dije yo al ordenar las condiciones. Repetir el modelo cien mil veces con dados tampoco lo arregla —los dados mueven cada año un poco arriba o abajo, no cambian el orden—. Antes de sacar conclusiones hay que apartar lo que es hallazgo de lo que es eco de mi elección.

Condicionada a ese orden, la simulación con incertidumbre —cien mil corridas, moviendo al azar cada año en más o menos uno y cada pendiente en un cuarto— dice lo siguiente:

Cuadro 2. Simulación de Monte Carlo, con el orden supuesto (100.000 corridas)

Resultado	Valor
Año en que el conjunto cruza la mitad	mediana 2033 (rango del 80 %: 2032 a 2034)
Probabilidad de que el consejo sea la última en abrir	0,0 %
Probabilidad de que el acceso lo sea	0,7 %
Probabilidad de que el cierre lo sea	23,7 %
Probabilidad de que la confianza lo sea	75,6 %

Una medida de sensibilidad —la correlación de Spearman entre el año en que abre cada condición y el año de cruce— cuenta lo mismo: la confianza es la que más mueve la fecha (+0,88) y el consejo la que menos (+0,01). Pero, de nuevo, todo eso vive dentro de un orden que puse a mano.

La única forma honesta de saber qué es real y qué es eco de mi elección es cambiar el orden y volver a correr. Lo hice, con una sola regla —mantener el consejo como la condición rápida, que es lo que dicen los datos de Epoch— y permutando cuál de las tres institucionales abre de última:

Cuadro 3. Qué sobrevive a cambiar el orden

Qué supongo	Condición que gobierna la fecha	Prob. de que gobierne el cómputo
la confianza abre de última	Confianza	0,0 %
el cierre abre de última	Cierre válido	0,0 %
el acceso abre de última	Acceso a cotizaciones	0,0 %
y si el cómputo fuera lento	Consejo (cómputo)	91 %

Léase despacio, porque es el resultado central. Cuál de las tres condiciones institucionales gobierna la fecha cambia con el orden que uno suponga —confianza, cierre o acceso, a voluntad—: eso el modelo no lo sabe, y este texto no va a fingir que lo sabe. Pero dos cosas no se mueven. La primera: mientras el cómputo sea la condición rápida, el cómputo nunca gobierna la fecha —cero por ciento en los tres primeros órdenes—. La segunda está en la última fila, y es la que hace falsable a todo el ejercicio: si el cómputo se arrastrara como las demás en vez de correr, entonces sí gobernaría, el noventa y uno por ciento de las veces. Que no se arrastre —que se abarate rápido— no es artículo de fe: es lo que Epoch AI mide año con año.

De modo que la conclusión firme no es «al agente lo protege la confianza hasta 2033». Es más sobria y aguanta más: la condición que hoy protege al agente no es la que casi todo el mundo mira. Quien vigila el costo del cómputo vigila la puerta que se abre primero, la que nunca decide la fecha. La que decide es institucional —quién tiene la llave para cotizar, quién puede dejar la cobertura en firme, y si la gente quiere dar el paso—. Cuál de esas tres llega de última, no lo sabemos; que el cómputo no es ninguna de ellas, sí.

Eso no hunde la tesis del costo: la afina. Deja de ser «el agente está a salvo porque la máquina es cara» y pasa a ser «el agente está a salvo por ahora, y ese ahora se acaba cuando se abra el más lento de los cerrojos institucionales». La protección de hoy —que el buen consejo todavía no le cabe al usuario común— es real, pero es un cronómetro, no un muro.

Qué predice, y cómo saber si me equivoqué

Un modelo que no se puede refutar no vale nada. Este se compromete con predicciones que se pueden contrastar con datos públicos.

La primera: mientras no exista un canal por el que el consumidor cotice y cierre sin un humano, la comisión de intermediación en los ramos simples no debería comprimirse solo porque el cómputo se abarate. Si mañana esa comisión empieza a caer antes de que ese canal exista, el freno no era el acceso ni el cierre, y el modelo estaría mal.

La segunda es más fina, y es donde el marco se gana el sueldo. Cuando las puertas se abran, la primera señal no será que el intermediario desaparezca. Será que la renta migre. Lo sabemos porque ya pasó. Cuando la fricción de búsqueda colapsó en el seguro de autos británico, la autoridad de competencia documentó en 2014 que los comparadores se habían comido entre el 55 % y el 65 % del negocio nuevo, pero que cuatro de ellos concentraban más del 95 % de ese canal con márgenes del 25 %. No se eliminó al intermediario: se lo reemplazó por uno más concentrado. La teoría de plataformas lo explica —Mark Armstrong llamó a esto el «cuello de botella competitivo», y David Ronayne mostró en 2021 que meter comparadores a un mercado puede subirles el precio a todos, incluso a los que no los usan—. Bajar la fricción cambió quién cobra el peaje, no que hubiera peaje.

La tercera viene de la lección del comercio electrónico y toca la confianza. La gente compra menos racionalmente de lo que suponemos: el estudio de compra de seguros de J.D. Power de 2026 encontró que el comprador promedio reúne apenas tres cotizaciones y media —un récord histórico, y aun así asombrosamente pocas— y que la proporción de gente que se molesta en cotizar cayó de un año a otro, del 57 al 53 por ciento. Que se pueda elegir mejor no obliga a nadie a hacerlo. Por eso el modelo predice que, aun con todo abierto, la desintermediación real llegará años después de la posible —como llegó con el comercio electrónico—.

Una cuarta, la de fondo, la sabemos por experiencia y no por deducción: que un canal caro conviva con uno barato no es un misterio nuevo. Tiene nombre en la literatura desde 1995 —el insurance marketing puzzle— y una explicación aceptada, la de Allen Berger, David Cummins y Mary Weiss (1997): el canal caro sobrevive cuando entrega un producto de mayor calidad y el cliente lo paga. El modelo de este texto no compite con esa explicación por elegancia, sino por falsabilidad: la calidad no se observa en datos públicos, pero la fecha de apertura de cada condición sí.

Así se sabría que me equivoqué. Si la comisión se comprime antes de que exista el canal directo, el modelo falla. Si, abiertas todas las puertas, la gente sigue comprando con el agente de siempre durante años, entonces mandaba la confianza, y quien midió solo el costo se quedó mirando el eslabón equivocado. El modelo marca una hora que el mundo puede desmentir.

En qué se convierte el oficio

La sospecha del principio —que llamamos empatía a lo que a veces era solo fricción— no se confirma del todo. Puede que la relación tenga valor real; pero ese valor tiene un precio tope, y el modelo sirve para dejar de discutirlo con anécdotas y empezar a medirlo. Lo que la simulación deja claro es que el precio de la relación no es lo primero que va a ceder: lo primero que cede es la excusa de que la máquina no sabe aconsejar. Y esa ya está cediendo.

¿Hacia dónde va, entonces, el oficio? La evidencia de este texto permite algo más que un encogimiento de hombros. Primero, el agente no se evapora: cuando la fricción cae, la renta no desaparece, se muda —en el seguro británico se mudó de miles de corredores a cuatro comparadores más gordos y más rentables—. La pregunta para quien vive de esto deja de ser «¿me reemplazan?» y pasa a ser «¿de qué lado de la nueva puerta voy a estar, cobrando el peaje o pagándolo?». Segundo, lo que primero pierde valor es lo que primero se automatiza: recitar cláusulas y comparar condicionados. El día en que la máquina lea mejor que nadie, cobrar por leer dejará de tener sentido; lo que gana valor es lo contrario —ser quien responde cuando algo sale mal, quien arma cobertura para los riesgos raros que ningún modelo estándar sabe cotizar, y quien construye y afina esas máquinas para que aconsejen bien, porque alguien tiene que hacerlo y ese alguien tiene que entender de seguros—. Y tercero, hay tiempo, pero no infinito, y el reloj no lo marca el cómputo: lo marcan los cerrojos lentos —quién consigue la llave para cotizar, quién puede dejar la póliza en firme, y cuándo la gente deja de desconfiar de una máquina para algo tan serio—. Ese último ya cruje: hacia 2026, un tercio de quienes compran seguro de auto en Estados Unidos ya se apoyaba en herramientas de inteligencia artificial para comparar, y eran, además, los más propensos a cambiar de compañía.

De ahí que este texto ofrezca un instrumento, no una profecía. Sirve para que quien vive de esto deje de gastar la discusión en si la amenaza es real —esa no se gana— y la gaste en lo único accionable: cuál de las cuatro condiciones lo protege hoy, a qué velocidad se está abriendo, y por lo tanto dónde conviene pararse antes de que se abra. Quien vigile el cómputo se va a llevar una sorpresa; quien vigile los cerrojos lentos va a llegar temprano. Porque el puente al que uno le tomó cariño nunca fue insustituible: fue, por un rato, el único. Y la diferencia entre cruzar a la otra orilla por su propio pie y quedarse esperando en la que se derrumba es, al final, haber mirado a tiempo el eslabón correcto.

Fuentes y lecturas

Este texto no lleva números de nota. Las atribuciones van en el cuerpo, y abajo se ordenan por tema para quien quiera ir a las fuentes. Todas se pueden localizar por autor, año y publicación.

Sobre qué significa elegir bien, y cuánto cuesta elegir mal. El teorema del deducible: Kenneth Arrow, «Uncertainty and the Welfare Economics of Medical Care» (American Economic Review, 1963), y Jan Mossin, «Aspects of Rational Insurance Purchasing» (Journal of Political Economy, 1968); la extensión con coaseguro es de Artur Raviv (American Economic Review, 1979). Las pérdidas por elegir mal: Saurabh Bhargava, George Loewenstein y Justin Sydnor, «Choose to Lose» (Quarterly Journal of Economics, 2017); Jason Abaluck y Jonathan Gruber (American Economic Review, 2011); Justin Sydnor, «(Over)insuring Modest Risks» (American Economic Journal: Applied Economics, 2010). Sobre la percepción torcida del riesgo: Levon Barseghyan, Francesca Molinari, Ted O'Donoghue y Joshua Teitelbaum (American Economic Review, 2013).

Sobre dar la respuesta correcta y que no baste. El experimento de entregar el plan óptimo por correo: Jeffrey Kling, Sendhil Mullainathan, Eldar Shafir, Lee Vermeulen y Marian Wrobel (Quarterly Journal of Economics, 2012). Que el buen consejo gratis apenas se tome: Utpal Bhattacharya, Andreas Hackethal, Simon Kaesler, Benjamin Loos y Steffen Meyer (Review of Financial Studies, 2012). Que la eficacia viva en ejecutar y no solo en recomendar: Alberto Rossi y Stephen Utkus (Journal of Financial Economics, 2024). Que empujar a elegir mejor pueda dañar el mercado: Benjamin Handel (American Economic Review, 2013). Que los agentes recomienden productos dominados de comisión alta: Santosh Anagol, Shawn Cole y Shanthi Sarkar (Review of Economics and Statistics, 2017).

Sobre automatización, factibilidad y costo. La frontera como mínimo entre lo posible y lo barato: Daron Acemoglu y Pascual Restrepo, «The Race between Man and Machine» (American Economic Review, 2018); el marco de tareas viene de David Autor, Frank Levy y Richard Murnane (Quarterly Journal of Economics, 2003) y de David Autor (Journal of Economic Perspectives, 2015). La exposición de los oficios: el índice de exposición ocupacional a la inteligencia artificial (AIOE) es de Edward Felten, Manav Raj y Robert Seamans (Strategic Management Journal, 2021), con una variante para modelos de lenguaje en 2023; la estimación agregada para los modelos de lenguaje es de Tyna Eloundou, Sam Manning, Pamela Mishkin y Daniel Rock, «GPTs are GPTs» (2023; Science, 2024). Ambos miden exposición —potencial a nivel de tarea—, no automatización ni pérdida de empleo. La caída del costo de cómputo: Epoch AI, «LLM inference prices have fallen rapidly but unequally» (2025), que estima caídas de entre nueve y novecientas veces por año, con mediana cercana a cincuenta; y a16z, «Welcome to LLMflation» (2024), que mide alrededor de un orden de magnitud por año a calidad constante.

Sobre plataformas, re-intermediación y comportamiento de compra. El caso británico: Competition and Markets Authority, «Private Motor Insurance Market Investigation» (2014), y las evaluaciones posteriores de la Financial Conduct Authority. El cuello de botella competitivo: Mark Armstrong (RAND Journal of Economics, 2006); que los comparadores puedan subir precios a todos: David Ronayne (International Economic Review, 2021); que al guardián de la información le convenga conservar la dispersión de precios: Michael Baye y John Morgan (American Economic Review, 2001). El enigma de por qué sobrevive el canal caro: Jill Barrese, Helen Doerpinghaus y Jack Nelson (1995), y Allen Berger, David Cummins y Mary Weiss (Journal of Business, 1997). Cuántas cotizaciones reúne la gente: J.D. Power, «U.S. Insurance Shopping Study» (2026), y Elisabeth Honka (RAND Journal of Economics, 2014). Sobre la historia de la venta de seguros por internet y su lenta adopción: los hitos de Progressive (cotización comparativa en línea en 1996, compra de póliza en 1997); el avance del canal directo, en PwC, «The Direct Distribution Dilemma»; y el miedo temprano a poner los datos de la tarjeta en línea, documentado por el Pew Research Center (2002).

El modelo y su simulación. El modelo de umbral, la simulación de Monte Carlo y el test de sensibilidad de este texto son de elaboración propia, con parámetros ilustrativos declarados. El código y los datos están disponibles para replicarlos.