Por Stiven Cartagena
septiembre 22, 2026
Las aseguradoras pueden tener una cartera rentable en términos generales y, al mismo tiempo, estar perdiendo dinero con una parte de las pólizas que la componen. Ese es el problema que Soteris quiere abordar con una nueva herramienta de inteligencia artificial.
La startup estadounidense de machine learning para la industria aseguradora anunció el lanzamiento de un producto de optimización de beneficios diseñado para identificar, a nivel individual, las pólizas que reducen la rentabilidad de las carteras de las compañías de seguros de propiedad y accidentes (P&C por sus siglas en inglés).
El lanzamiento ocurre mientras el sector enfrenta un cambio en sus condiciones de crecimiento. Las aseguradoras P&C de Estados Unidos registraron una ganancia neta de suscripción de US$31.700 millones durante el primer semestre de 2026, casi el triple de los US$11.600 millones del mismo periodo de 2025, mientras el crecimiento de las primas suscritas se desaceleró a 2,1%, según datos de Verisk y la American Property Casualty Insurance Association.
En este contexto, Soteris apunta a una parte menos visible del negocio: las pólizas individuales que pueden estar reduciendo los resultados de una cartera que, en promedio, parece saludable.
Tradicionalmente, las aseguradoras analizan el riesgo agrupando las pólizas en segmentos con características similares. El modelo permite obtener métricas estadísticamente confiables a partir de un volumen suficiente de pólizas.
El problema aparece cuando ese promedio oculta diferencias entre individuos.
Una cartera puede presentar buenos resultados mientras algunas pólizas dentro del mismo segmento generan pérdidas. Para Soteris, esa es una oportunidad que las aseguradoras no han podido identificar con suficiente precisión.
"Las ayudamos a verlas como individuos únicos y pólizas únicas", dijo Sunit Shah, fundador y CEO de Soteris en un comunicado de prensa.
"Las aseguradoras ya recopilan suficiente información durante el proceso de solicitud para hacer esto; simplemente no tenían las herramientas para individualizar los análisis hasta ahora", añadió.
La compañía comenzó a trabajar en esta aproximación con su primera herramienta, enfocada en predecir el índice de pérdidas esperado de una póliza individual. El producto está operativo con aseguradoras y MGAs desde 2020 y, según Soteris, ha analizado más de 100 millones de solicitudes correspondientes a más de US$180.000 millones en primas.
El análisis de esos datos llevó a la compañía a identificar un problema adicional: algunas aseguradoras mantenían dentro de sus carteras un porcentaje significativo de pólizas que reducían su rentabilidad.
Según Soteris, en determinados libros de negocio estas pólizas podían representar entre 20% y 30% de la cartera, aunque los promedios de los segmentos podían ocultarlas.
Su nuevo producto busca pasar de predecir el índice de pérdidas a estimar directamente la contribución de cada póliza al beneficio de la aseguradora. El resultado se expresa en métricas financieras como EBITDA y beneficio.
La propuesta consiste en identificar las pólizas que no resultan rentables y tomar decisiones sobre ellas, mientras se mantiene el resto de la cartera.
"In every insurer knows they're writing policies that will lose them money. They just can't find those policies with the resources currently at their disposal", dijo Shah.
"Ese es el punto ciego que construimos Soteris para cerrar. Por primera vez, una aseguradora puede mirar una sola póliza y saber exactamente cuánto vale, a tiempo para actuar sobre esa información", agregó.
En sus primeras pruebas de concepto, Soteris afirma haber observado incrementos de entre 70% y 125% en el EBITDA de los libros analizados.
"En nuestras pruebas de concepto iniciales para este producto que acabamos de lanzar, las aseguradoras pueden obtener entre 70% y 125% más de beneficio final utilizando nuestro producto para llevar su análisis del nivel de segmento al nivel de póliza", señaló Shah.
Estos resultados corresponden a pruebas realizadas por la compañía y no representan un resultado general para la industria.
La tecnología de Soteris utiliza modelos propios de machine learning para analizar diferentes combinaciones de características presentes en el historial de las pólizas.
La compañía asegura que su plataforma puede generar millones o incluso miles de millones de segmentaciones, dependiendo de las características disponibles y del volumen de datos. A partir de esas combinaciones, analiza las intersecciones para evaluar pólizas individuales, convirtiendo cada una en lo que denomina un "segmento de uno".
La herramienta puede integrarse cuando se genera una cotización, cuando se concreta la cobertura o posteriormente. Soteris asegura que la implementación toma menos de 90 días y que, una vez conectada mediante API, puede entregar resultados en menos de 250 milisegundos.
La compañía también afirma que sus clientes han registrado mejoras de entre cinco y 15 puntos porcentuales en el índice de pérdidas durante el primer año de implementación de su primera herramienta.
McKinsey ha señalado que mejorar la precisión de la suscripción puede generar incrementos de entre 30% y 50% en los resultados de suscripción mediante acciones como depurar carteras y recuperar la rentabilidad de segmentos que parecen saludables en conjunto.
Soteris fue parte de la cohorte de Y Combinator de 2019 y ha trabajado durante más de cinco años con aseguradoras y MGAs antes de hacer pública su nueva plataforma.
La startup ha levantado más de US$8 millones en financiación semilla, liderada por Spider Capital y con participación de Intact Private Capital, Amplify Partners, DCVC, Webb Investment Network y Overlook Ventures.
Con su salida del stealth, la compañía busca ampliar su propuesta desde la predicción del riesgo hacia una pregunta más directamente ligada al negocio: cuánto dinero aporta o pierde cada póliza.
"Ese es un valor enorme que ya está dentro de los libros de las aseguradoras, esperando a ser recuperado", dijo Shah. "Y una vez que lo hagan, pueden reinvertir esas ganancias en sus propias operaciones para reducir precios y mejorar la experiencia general de sus clientes".
Para Soteris, el siguiente capítulo de la analítica aplicada al sector asegurador no estaría necesariamente en vender más pólizas, sino en identificar con mayor precisión cuáles de las que ya existen generan valor.
