La industria del seguro del automóvil lleva más de una década explorando la aplicación de la inteligencia artificial (IA) a la valoración de daños en vehículos. Aunque estas tecnologías han avanzado notablemente gracias al desarrollo del aprendizaje automático, la visión artificial y la IA generativa, la automatización completa de este proceso sigue siendo limitada. El principal obstáculo ya no reside en los algoritmos, sino en la calidad y fiabilidad de los datos utilizados para entrenarlos.
La valoración de daños es un problema de ingeniería. Las consecuencias de una colisión dependen de factores como la estructura del vehículo, los materiales, las condiciones del impacto o la transferencia de energía. Sin embargo, la mayoría de los conjuntos de datos actuales proceden de fotografías de accidentes reales y expedientes de siniestros, que suelen ser incompletos y poco estandarizados. Aunque permiten identificar daños visibles, rara vez aportan información sobre daños internos o estructurales, lo que limita la capacidad de la IA para distinguir entre daños estéticos y daños que afectan a la seguridad o al coste real de la reparación.
Esta situación cobra aún más importancia con la incorporación de vehículos eléctricos y sistemas avanzados de ayuda a la conducción (ADAS), que generan escenarios de daño cada vez más complejos y poco representados en las bases de datos tradicionales.
Por ello, los datos procedentes de ensayos estandarizados de colisión y reparación adquieren una importancia estratégica. Los experimentos realizados en condiciones controladas permiten definir con precisión las características del impacto, analizar daños ocultos y establecer relaciones objetivas entre la deformación visible y las necesidades reales de reparación. De este modo, los modelos de IA pueden aprender a partir de evidencias técnicas contrastadas y no únicamente de correlaciones extraídas de casos históricos.
En este ámbito, CIRI impulsa la normalización de la gestión de datos procedentes de ensayos de colisión. Entre sus líneas de investigación destacan la evaluación de la eficacia de los sistemas de frenado autónomo de emergencia (AEB) a baja velocidad y el análisis de daños en baterías de vehículos eléctricos provocados por impactos en los bajos del vehículo. Estos estudios combinan datos experimentales y casos reales para desarrollar modelos capaces de predecir riesgos, estimar daños y optimizar decisiones de reparación.
El futuro de la inteligencia artificial aplicada al seguro del automóvil dependerá menos del tamaño de los modelos y más de la calidad de los datos que los sustentan. Los datos obtenidos mediante ensayos estandarizados constituyen la base necesaria para desarrollar sistemas de IA fiables, capaces de mejorar la valoración de daños, la tarificación de seguros y la detección de fraude.
(*) Artículo original redactado en inglés por Wang Xia. Traducción al castellano realizada para esta edición de la revista.