Por María Luisa Muñoz Paredes

 

Aunque la contratación de seguros con el uso del big data y de las tecnologías a él asociadas presenta indudables ventajas, entre ellas, que permite una mayor precisión en la valoración del riesgo y su control durante toda la vigencia de la cobertura, también ofrece inconvenientes (de unas y otros me ocupo en un trabajo que sale ahora a la luz dentro del libro La regulación de los algoritmos, dir. A. Huergo, Aranzadi, 2020). Uno de ellos, que, más que una desventaja, es la afirmación de un uso patológico de estos medios, consiste en que en ocasiones la cuantía de la prima se determina atendiendo a factores que son ajenos al riesgo de que se produzca un siniestro o de que aumente su eventual cuantía: así ocurre, por ejemplo, si se calcula la prima del seguro de auto, no en función de la forma de conducir del asegurado, sino atendiendo a su calificación crediticia o incluso a factores tan extravagantes como las notas obtenidas por el solicitante del seguro en el instituto. Esta es una situación que se ha puesto de manifiesto y se ha denunciado ya en Estados Unidos, en particular por Cathy O’Neil en su conocida obra Weapons of math destruction (Ed. Crown, NY, 2016; edición española, pp. 202 y ss.).

Esta última crítica parte de otra constatación: la negación de que la individualización del riesgo (y del seguro asociado) gracias al uso del big data sea real o perfecta. Desde esta perspectiva, se aduce que no hay tal individualización, sino segmentación del riesgo y agrupación de asegurados por “tribus”. Esas tribus o pools cada vez son más pequeñas, gracias al uso de grandes masas de datos, pero no hay una individualización plena. El asegurador, con los datos que tiene de cada solicitante de póliza, elabora un perfil de riesgo y lo incluye en el pool de asegurados que presentan un perfil similar, esto es, que tienen similares probabilidades de hacer una reclamación a la aseguradora. Ahora bien, pese a que las aseguradoras cuentan actualmente con muchas más fuentes de datos y, por tanto, con más recursos para determinar con mayor exactitud el perfil de riesgo, los criterios que utilizan para elaborarlo no tienen por qué ser los correctos y, lo que es peor, esa elección es opaca al interesado en contratar. En consecuencia, ni habría verdadera individualización, sino fragmentación de los pools de riesgos, ni certeza en que tales pools se elaboren atendiendo realmente a criterios de riesgo. Por eso se explica que se puedan tener en cuenta elementos como la calificación crediticia de una persona para fijar su prima al contratar un seguro de automóvil, cuando lo más relevante para determinar la conducta del sujeto al volante es controlar su forma de conducir. En fin, la falta de solvencia de una persona es un factor agravante del riesgo de impago de primas, no de la producción de un accidente de tráfico. Por eso, es lógico que este factor se tenga en cuenta a la hora de contratar (para rechazar hacerlo con alguien que es probable que no pague las primas), pero, aceptada la cobertura, no debería utilizarse para fijar una prima más alta.

En Estados Unidos, un informe de 2015 de la asociación de consumidores Consumer Reports sobre la fijación de precios en los seguros de automóviles, hecho, a nivel nacional, sobre la base de más de 2.000 millones de presupuestos de más de setecientas aseguradoras, y en el que basa O’Neil parte de su crítica, reveló que las primas se calculaban en gran medida atendiendo a las calificaciones crediticias de los asegurados, en detrimento de otros factores claramente influyentes en el riesgo como el historial del sujeto al volante. Las aseguradoras accedían a los informes de solvencia (FICO) y elegían de ellos varios datos (cada aseguradora los que quería) sobre los que aplicaban sus propios algoritmos, dando como resultado las llamadas “calificaciones electrónicas”, que eran la base de la fijación de las primas. Dada la relevancia que adquiría el dato de la solvencia del conductor, cuanto más solvente era, más baja era la prima, con lo que se llegaba al resultado de pedir primas más elevadas a los sectores más desfavorecidos de la población, empeorando aún más su situación económica. Pero, lo que se ponía de manifiesto en ese informe, más allá del trato discriminatorio entre asegurados, es que esa forma de tarifar era completamente oculta para los asegurados. Al no estar obligadas las aseguradoras a informar sobre la forma de fijar los precios, los asegurados no sabían la relevancia que podía tener su calificación crediticia. La oscuridad se acrecentaba teniendo en cuenta que, como las aseguradoras no aplicaban directamente sus algoritmos al historial crediticio de cada asegurado, con el que sí están familiarizados, sino a ciertos elementos del mismo, que cada compañía elegía libremente, tampoco los asegurados habrían visto la relación entre la calificación electrónica de la aseguradora y su historial crediticio.

En la actualidad, según indica la misma Asociación, la calificación crediticia sigue siendo, entre otros, un factor relevante para determinar la prima del seguro de auto, situación que las aseguradoras justifican diciendo que aquella calificación es un buen pronosticador de reclamaciones futuras. Pero, esta práctica se ha prohibido o limitado en varios Estados, como California, Georgia, Hawaii, Massachusetts, Oregón y Utah.

En Europa, en un informe publicado en 2019 por la Autoridad Europea de Seguros y Pensiones de Jubilación (EIOPA) sobre la aplicación del big data en los seguros de automóvil y salud (pp. 29-30), se pone de manifiesto que hay una tendencia muy clara a la segmentación y fragmentación de los pools y, por tanto, a la diversificación de los precios. En este último sentido, se observa que en los años 2016-2018 muchas aseguradoras de autos se habían desviado de la prima media, esto es, que había una mayor diferencia entre la prima que habían cobrado a los pools de riesgo más alto y la que habían cobrado a los de riesgo más bajo que en años anteriores, en que los extremos se acercaban más a la media. La desviación respecto de la prima media es, por tanto, mayor, pero no se ha constatado que sea debido al uso del big data en la fijación de los precios, pues, junto a este factor, se dice, pueden haber operado otros, como la inflación o la propia competencia entre las aseguradoras. En los seguros de salud, por su parte, el incremento de la desviación respecto de la prima media es claramente menor.

En cuanto a los factores utilizados para fijar las primas, se observa un aumento de ellos, coherente con el resultado de mayores diferencias de precios, sobre todo en el ramo de autos. Pero, no un uso anómalo de tales factores, como se constató en Estados Unidos, por lo menos atendiendo a la respuesta dada por las aseguradoras. Así, la mayoría de los factores utilizados para fijar la prima en seguros de auto eran relativos a la persona del conductor (edad, experiencia en conducción) o del automóvil (modelo, potencia, etc.), además de su siniestralidad, mientras en salud la edad era el factor fundamental. Y sólo 25 de las 222 aseguradoras reconoció usar el factor de la calificación crediticia del asegurado para fijar la prima en seguros de auto, cifra que baja a 5 en seguros de salud, aunque 12 de estas admitieron que sí utilizaban los ingresos del asegurado como factor de cálculo, frente a 5 del sector auto (cfr. pp. 34-39).

No se aprecia, por ahora, atendiendo a los datos de ese informe de EIOPA, basados en las respuestas de las aseguradoras, un riesgo preocupante de discriminación en materia de precios mediante un mal uso del big data, entendiendo por ello la tarificación basada en datos que no se corresponden realmente con factores agravantes del riesgo cubierto. Tampoco es tan preocupante la posibilidad de que ciertos sectores de la población más desfavorecidos pasen a ser inasegurables, por lo menos en los riesgos de auto y salud, porque el Estado actúa como garante. Si nos fijamos en nuestro país, y no es un caso único en Europa, hay un sistema de salud que cubre a toda la población, que no depende para su bienestar de la contratación de seguros de salud privados, y además el Consorcio de Compensación de Seguros, órgano dependiente del Estado, cubre aquellos riesgos que no son económicamente asumibles por las aseguradoras privadas (riesgos extraordinarios) y, en ciertos seguros de contratación obligatoria, caso del de automóvil, también asume la cobertura del seguro de responsabilidad civil de vehículos de particulares cuando dos aseguradoras han rechazado asumir el riesgo.

Con todo, eso no excluye que se pueda dar un mal uso de los datos ni que pueda haber un trato discriminatorio entre los asegurados y es previsible que esta situación se acentúe en el futuro, si, como anticipa el informe de EIOPA, las aseguradoras hacen un mayor uso del big data y de las tecnologías a él vinculadas. Este pronóstico casa muy bien con lo que se observa ya en nuestro propio mercado, pues es una realidad que las empresas aseguradoras están o bien creando tecnología propia o comprando empresas tecnológicas (Insurtechs), que aspiran, más que a competir con las grandes aseguradoras, a colaborar con ellas o a ser absorbidas por ellas. Sea como sea, lo cierto es que la aparición de estas start-ups tecnológicas ha obligado a las aseguradoras tradicionales a invertir en tecnología para seguir siendo competitivas y hacer del seguro un producto atractivo para las nuevas generaciones. Y en nuestro mercado no sólo están surgiendo numerosas insurtechs, sino que grandes tecnológicas extranjeras especializadas en software de seguros están comprando insurtechs españolas para entrar con fuerza y posicionarse en el sector en España, caso de la compra de Calculo  por la tecnológica Sapiens International Corporation en octubre pasado.

Foto: JJBose