Este es el patrón que se repite hoy en toda la industria: alguien descarga un framework de IA agéntica de código abierto, le pide a un asistente de IA para programación que construya algo rápidamente, y en cuestión de horas tiene una demo que parece un producto terminado. Es un fenómeno real y tiene nombre: vibe coding. Y es lo suficientemente convincente como para que muchos equipos capaces terminen creyendo que están a pocas semanas de producción. No lo están.
Lo que el vibe coding entiende mal sobre confianza versus preparación #
El vibe coding ocurre cuando alguien activa un asistente de programación con IA, le pide que construya una funcionalidad de IA agéntica y observa cómo funciona. El resultado a menudo parece una Ferrari. El sesgo de confirmación hace el resto: una vez que algo se demuestra bien, es tentador creer que está listo para lanzarse. Pero una demo responde solo una pregunta: si el concepto funciona en un entorno controlado. No dice nada sobre si el sistema entiende su negocio, cumple con sus reguladores o sobrevive al contacto con datos reales de producción.
Por qué AutoGen, CrewAI y LangGraph se quedan cortos en producción #
Los frameworks de código abierto son genuinamente útiles para la creación de prototipos, y precisamente ahí termina su valor para una industria regulada. Aparecen varias brechas de forma consistente en cuanto las aseguradoras intentan llevar uno a producción:
- Integración deficiente con los sistemas core heredados, ya que la mayoría de los frameworks nunca se diseñaron pensando en plataformas de administración de pólizas o de reclamos.
- Sobreajuste a un solo caso de uso, de modo que el framework entiende el flujo de trabajo específico para el que fue construido y nada sobre el negocio en su conjunto.
- Ausencia de explicabilidad y trazabilidad, lo cual entra en conflicto directo con lo que se espera que las plataformas de seguros habilitadas por IA le entreguen a los reguladores.
- Sin un ciclo de retroalimentación humana incorporado, por lo que no existe una forma estructurada de que el personal de suscripción o de reclamos corrija o entrene al sistema con el tiempo.
- Exposición en materia de propiedad intelectual y licenciamiento, ya que el código generado por IA puede incorporar bibliotecas de código abierto desconocidas sin que nadie verifique qué hay realmente en el stack.
- Sin fundamentos de la industria listos para usar, como normativas de suscripción específicas por estado, por lo que alguien todavía tiene que construir todo eso desde cero.
El verdadero trabajo es el 95%: desviación de modelos, gobernanza y soporte #
Incluso una vez que un framework supera esas brechas, el problema más difícil es lo que ocurre después del lanzamiento. Los modelos de lenguaje extenso (LLM) cambian de comportamiento entre versiones, a veces sin mucha advertencia, y un sistema que funcionaba bien el primer día puede desviarse silenciosamente de esa línea base. Las aseguradoras necesitan una forma de medir esa desviación de modelos, monitorear la consistencia y derivar los problemas a un equipo de soporte real, de la misma manera en que se le daría soporte a cualquier otro software crítico en producción. Saltarse este paso es la razón por la que tantos pilotos prometedores se estancan antes de siquiera llegar a escala.
Investigaciones recientes le ponen un número a esto: la inversión en IA generativa (GenAI) se disparó en 2025, pero la mayoría de las barreras de escalamiento que reportan las aseguradoras no tienen nada que ver con la tecnología en sí. La cultura, los procesos y la preparación de los datos son el verdadero cuello de botella, que es precisamente ese 95% que un framework por sí solo no puede resolver.
Cómo pasar de la prueba de concepto a producción de la forma correcta #
Lograr que la demo de un framework de inteligencia artificial (IA) funcione es la parte fácil. Llevar la toma de decisiones específica de seguros a un entorno de producción seguro y gobernado es un ejercicio completamente distinto, y generalmente requiere:
- Ejecutar primero en modo shadow, corriendo la IA en paralelo con las decisiones reales del personal antes de permitirle actuar por su cuenta.
- Medir la desviación de modelos contra una línea base fija cada vez que el modelo responde, no solo en el lanzamiento.
- Incorporar rutas de anulación y escalamiento, de modo que una persona siempre pueda intervenir y el razonamiento se mantenga trazable.
- Elegir un proveedor construido para la industria en lugar de una plataforma de IA genérica, para que las normativas específicas por estado y la lógica de cumplimiento no tengan que reconstruirse desde cero.
- Tratar la adopción por parte de los empleados como parte de la preparación para producción, no como algo secundario, ya que el personal que se siente reemplazado no le dará a la IA la retroalimentación que necesita para mejorar.
Conclusión #
Los frameworks no son el problema. El problema es asumir que una demo funcional equivale a un sistema listo para producción. Las aseguradoras que tratan ese último 95% —gobernanza, monitoreo de desviación de modelos, revisión humana y soporte— como parte central del alcance del proyecto sí llegan a producción. Las que lo tratan como una nota al pie terminan de vuelta en la prueba de concepto.
