Revisión de fotos de siniestros a gran escala: señales, no veredictos

Revisar fotos de siniestros a gran escala significa dejar que la IA genere señales accionables —incoherencias de metadatos, imágenes duplicadas, artefactos de generación— que un gestor formado valida antes de tomar cualquier decisión, en lugar de dejar que un modelo emita un veredicto de aceptación o rechazo por sí solo. Esta distinción define cómo las aseguradoras españolas organizan hoy la revisión fotográfica, a medida que las apps de declaración de siniestros multiplican el volumen de fotos por expediente muy por encima de lo que los equipos manuales podían gestionar hace pocos años. En carteras de alto volumen, este modelo operativo reduce el tiempo de tramitación sin transferir la decisión de indemnización a un algoritmo.

Qué significa realmente "señales, no veredictos"

Una revisión basada en señales puntúa cada foto de siniestro según criterios objetivos —coherencia de metadatos, resolución, artefactos de edición reveladores— sin que esa puntuación por sí sola active un pago o un rechazo. La puntuación alimenta una cola de priorización; es el gestor quien decide.

Esto contrasta directamente con un veredicto totalmente automatizado, donde un sistema acepta o rechaza el expediente sin ningún paso humano documentado. El ACFE 2024 Report to the Nations sitúa la tasa de detección mediante controles manuales exclusivamente en el 37 %, con un retraso medio de detección de 87 días — una brecha que explica por qué las aseguradoras quieren acelerar el triaje sin renunciar a la revisión humana en los casos que realmente importan.

Una señal nunca es, por sí sola, prueba de fraude. Una foto tomada en interior con luz artificial puede mostrar una incoherencia de sombras sin que haya manipulación alguna; un móvil reacondicionado puede eliminar los metadatos EXIF por razones puramente técnicas. La revisión por señales parte de esta premisa: cada anomalía necesita que un humano formado la interprete, no una regla de rechazo automático.

Por qué el volumen de fotos supera la capacidad de revisión manual

La tramitación de siniestros representa la mayor partida de coste operativo para la mayoría de aseguradoras, y las apps móviles de declaración han multiplicado el número de fotos por expediente —las compañías piden ahora sistemáticamente varios ángulos por siniestro para reducir el fraude, lo que multiplica mecánicamente el volumen a revisar (Orchestra Intelligence, 2026). Un gestor que revisaba entre 15 y 20 expedientes fotográficos al día en modo manual se enfrenta ahora a una cola que se ha duplicado o triplicado sin un aumento proporcional de plantilla.

Los datos de ICEA sobre el ramo de automóviles muestran que la digitalización masiva del proceso de declaración ha abierto un canal nuevo para introducir material sintético sin ningún punto de contacto físico entre el asegurado y la entidad. Este contexto empuja a las direcciones de siniestros a industrializar el triaje sin degradar la calidad de la detección. La tentación es automatizarlo todo. Ese es exactamente el fallo que evita la revisión por señales: absorbe el volumen en la capa de triaje, no en la capa de decisión.

Qué señales puede detectar realmente la IA en una foto de siniestro

Un motor de revisión fotográfica fiable combina varias capas de señales, cada una con un nivel de confianza distinto —ninguna es suficiente por sí sola.

• Coherencia de metadatos EXIF: hora, coordenadas GPS y modelo de dispositivo comparados con el relato del siniestro. Nuestro análisis dedicado a los metadatos EXIF detalla los casos en que estos datos faltan de forma legítima.
• Detección de duplicados y reutilización: hash perceptual para localizar una foto ya usada en otro expediente o encontrada en la web abierta.
• Artefactos de compresión y edición: rastros de recorte, clonación de zonas o múltiples recompresiones incompatibles con una captura directa de cámara.
• Señales de generación sintética: patrones de textura típicos de modelos de difusión (Midjourney, DALL-E, Stable Diffusion), bordes de objetos anormalmente suaves, sombras o reflejos físicamente inconsistentes.
• Coherencia entre documentos: correspondencia entre la foto, el parte amistoso y el presupuesto de reparación adjunto.

CheckFile aplica una capa adicional de señales de generación por IA, desplegada junto a los controles estructurales existentes según el nivel de riesgo sectorial — estas señales se suman a los controles de metadatos y coherencia, no los sustituyen.

Por qué un veredicto totalmente automatizado es arriesgado

Un rechazo de siniestro es una decisión con peso legal: debe estar justificada y ser impugnable por el asegurado. El Reglamento (UE) 2024/1689 sobre inteligencia artificial exige, en su artículo 14, una supervisión humana efectiva para los sistemas de IA de alto riesgo, y clasifica explícitamente en el anexo III los sistemas usados para evaluación de riesgos y tarificación en seguros de vida y salud. El procesamiento automatizado de fotos de daños materiales no entra automáticamente en ese perímetro estricto, pero la lógica de trazabilidad e impugnabilidad que establece el reglamento se aplica en la práctica en cuanto una decisión afecta a la indemnización de un asegurado.

La DGS (Dirección General de Seguros y Fondos de Pensiones) es el supervisor prudencial del sector asegurador español y exige que las entidades dispongan de dispositivos de control interno proporcionales a sus riesgos, incluido el riesgo de fraude documental. Un rechazo basado únicamente en una puntuación algorítmica, sin revisión humana documentada, expone a la aseguradora a una reclamación ante el Servicio de Reclamaciones y, en caso de inspección, a una observación de la DGSFP sobre la gobernanza del algoritmo. El RGPD añade una restricción adicional: su artículo 22 regula las decisiones individuales automatizadas con efectos jurídicos, lo que incluye un rechazo de indemnización.

Construir un flujo de triaje en tres niveles

El método más robusto observado entre aseguradoras que procesan varios miles de expedientes fotográficos al mes se basa en tres niveles explícitos y documentados.

Esta segmentación evita dos fallos simétricos: saturar a los gestores con expedientes de bajo riesgo real, y dejar pasar expedientes con señales fuertes por falta de tiempo. Para equipos centrados en reducir el plazo de tramitación sin renunciar a esta salvaguarda, nuestro artículo sobre acelerar la tramitación de siniestros con IA detalla el ahorro de tiempo medido en expedientes de bajo riesgo.

Lo que realmente pregunta el personal de siniestros

Las conversaciones con profesionales del sector —en foros especializados y en el feedback de clientes de CheckFile— sacan a la luz preguntas recurrentes, más concretas que el discurso comercial habitual.

"¿Sustituye esto al gestor de siniestros?" No —en una arquitectura de señales, la herramienta nunca decide sola el resultado de un expediente. Reordena la cola de trabajo y documenta por qué un expediente merece una revisión más atenta, pero la decisión de pagar o rechazar sigue siendo enteramente humana.

"¿Cuál es la tasa de falsos positivos en fotos legítimas?" Es la pregunta más frecuente y más legítima: un sistema que escala demasiados expedientes limpios satura al equipo exactamente igual que el volumen que debía absorber. La solución práctica consiste en calibrar los umbrales por línea de producto —auto, hogar, salud— en vez de aplicar un umbral único, porque los perfiles de fotos legítimas difieren mucho según el tipo de siniestro.

"¿Cómo justificamos un rechazo basado en una señal de IA cuando el asegurado lo impugna?" El rechazo nunca debe citar la puntuación algorítmica como motivo: debe apoyarse en la revisión humana que examinó la señal y confirmó la anomalía, con el detalle factual correspondiente. Es esa trazabilidad documentada —no la puntuación— lo que resiste una reclamación.

Para profundizar en la comparación entre captura fotográfica integrada en la app y carga de archivo externo —un factor que afecta directamente a la fiabilidad de los metadatos disponibles— consulta nuestro comparativo captura in-app vs carga de archivo.

Indicadores a seguir para pilotar la revisión a escala

Tres indicadores muestran si un dispositivo de triaje funciona realmente, más allá del volumen bruto tramitado:

1. Antigüedad media del atasco (backlog) en expedientes escalados —una tendencia al alza indica que el nivel de investigación está infradimensionado.
2. Tasa de escalado por línea de producto —una tasa anormalmente alta en una línea suele indicar un umbral mal calibrado más que un repunte real del fraude.
3. Tasa de confirmación humana de señales fuertes —una tasa baja significa que los criterios de detección generan demasiados falsos positivos y deben recalibrarse.

Consulta nuestra guía de verificación de documentos para una visión más amplia de los métodos de control documental aplicables más allá de las fotos de siniestros.

La verificación documental de CheckFile se integra en este tipo de flujo mediante una solución dedicada a aseguradoras, respaldada por un dispositivo de seguridad documentado para auditorías DGSFP. Para las entidades que ven crecer el contenido generado por IA en sus expedientes de siniestros, nuestra página de detección de deepfakes y contenido generado por IA explica cómo estas señales de generación se integran junto a sus controles existentes, sin pretender detectar por sí solas la totalidad de las falsificaciones posibles.

Preguntas frecuentes

¿Una foto de siniestro señalada por la IA debe rechazarse automáticamente?

No. Una señal indica una anomalía que hay que examinar, no un fraude confirmado. La decisión de rechazo sigue siendo humana y debe apoyarse en un análisis documentado, especialmente para que sea defendible si el asegurado presenta una reclamación.

¿Cuántas señales justifican una investigación completa?

No existe un umbral universal: la práctica habitual combina dos señales convergentes —por ejemplo, metadatos inconsistentes más una coincidencia de duplicado— antes de derivar a la unidad antifraude, en lugar de actuar sobre una señal aislada.

¿La revisión por señales ralentiza la tramitación de expedientes limpios?

No, es al contrario: los expedientes sin anomalía detectada se tramitan más rápido que en una revisión totalmente manual, lo que libera tiempo de gestor para los expedientes que realmente conllevan riesgo.

¿El RGPD limita el uso de señales de IA en fotos de siniestros?

Sí. El artículo 22 del RGPD regula las decisiones individuales automatizadas con efectos jurídicos. Mientras la decisión final siga siendo humana y documentada, un flujo de señales queda fuera del ámbito estricto de ese artículo, pero debe mantenerse la trazabilidad.

¿Hacen falta herramientas distintas para auto y hogar?

No necesariamente una herramienta distinta, sino umbrales de calibración distintos: los perfiles de fotos legítimas —ángulos, condiciones de luz, contexto— varían considerablemente entre un siniestro de auto y uno de hogar.