Toma de decisiones y opciones reales
Esta interacción dinámica entre el progreso tecnológico y la coinnovación influye en la forma de tomar las decisiones. La adopción de la IA generativa es iterativa e implica un aprendizaje continuo, así como la implementación en nuevos flujos de trabajo y modelos organizativos. El ritmo de este ciclo de retroalimentación se ha acelerado desde la máquina de vapor hasta la electricidad y los semiconductores, y se espera que sea aún más rápido con la IA generativa, lo que situará al sector de los seguros en una senda de aprendizaje rápido e innovación continua.
Cada decisión de adopción conlleva un riesgo, a saber: un error por omisión (no llevar a cabo un proyecto valioso) o un error de acción (llevar a cabo un proyecto que debería haberse evitado). No llevar a cabo un proyecto es algo totalmente irreversible, mientras que ejecutarlo conlleva a menudo costes a fondo perdido, es decir, gastos que no se pueden recuperar si el proyecto se abandona o se modifica.
Esto genera valor durante la espera. Retrasar una decisión permite conservar la opción de actuar más tarde basándose en información mejor. Este valor de opción reduce el valor actual neto (VAN) tradicional de un proyecto. Sin embargo, la espera también tiene un coste, como son las oportunidades perdidas y la menor flexibilidad en el futuro. Este coste de la espera aumenta el valor del proyecto.4
La teoría de las opciones reales enfatiza el aprendizaje y la reversibilidad. Favorece las tecnologías que permiten tomar decisiones reversibles y ampliar las opciones futuras. Estos dos factores respaldan la innovación complementaria de bajo coste y la adopción temprana. Aunque las opciones reales son difíciles de cuantificar en entornos complejos, su valor práctico radica en orientar la toma de decisiones priorizando las tecnologías que permiten la reversibilidad y amplían las oportunidades futuras.
La curva en J en la productividad medida
La adopción de una GPT requiere inversiones complementarias. En el caso de la IA generativa, las inversiones principales son la infraestructura en la nube, la arquitectura de datos y las capacidades organizativas en ingeniería de datos e IA. A nivel de los flujos de trabajo, la coinnovación implica desarrollar competencias en la colaboración entre humanos e IA, así como en la coordinación de flujos de trabajo con agentes de IA.
Estas inversiones generan activos intangibles que inicialmente se convierten en resultados, es decir, en productos de los esfuerzos de la organización. Con el tiempo, se convierten en insumos para la producción. Las métricas de productividad tradicionales a menudo son incapaces de captar estos activos, por lo que subestiman la productividad durante su formación y la sobreestiman una vez implementados.5
Para las aseguradoras, una medida aproximada de la productividad es el índice de gastos. Durante el desarrollo de los activos intangibles, aumentan los gastos sin contribuir a la producción. Una vez implementados, mejoran la producción sin aumentar los gastos. Esta dinámica puede dar lugar a una curva en J en la productividad medida, es decir, a una disminución inicial seguida de ganancias a largo plazo, tal como se ilustra a continuación. Reconocer este efecto es esencial para evaluar con precisión el impacto de la IA generativa en la productividad tanto a corto como a largo plazo.
Curva en J en la productividad medida
