Hipótesis de partida: ¿la IA acelera de verdad las reclamaciones en BBVA? ⏱️
La noticia de que la IA en las reclamaciones de BBVA ha recortado un 78 % el tiempo de atención al cliente es una mina de oro para enseñar estadística. Pero un buen analista no se queda en el titular: lo convierte en una hipótesis comprobable. Y aquí aparece una técnica fascinante y poco habitual en las aulas: el análisis de supervivencia, esa rama de la estadística que no estudia si ocurre algo, sino cuánto se tarda en que ocurra. 📊
Cuando hablamos de reclamaciones, el "evento" que nos interesa es claro: que la reclamación quede resuelta. Y la variable estrella es el tiempo que transcurre desde que el cliente abre el caso hasta que se cierra. El análisis de supervivencia nació en medicina (tiempo hasta la recuperación o el fallecimiento) y en ingeniería (tiempo hasta el fallo de una pieza), pero encaja como un guante en la atención al cliente.
Nuestra hipótesis de trabajo, redactada con rigor:
- H₁: los casos gestionados con asistencia de IA se resuelven significativamente antes que los gestionados con el flujo manual tradicional.
- H₀ (nula): no hay diferencia en el tiempo de resolución entre ambos grupos; el 78 % sería fruto del azar o de otros factores.
Todo el artículo gira en torno a un objetivo didáctico: mostrar cómo un dato corporativo se transforma en una mini-investigación estadística que el alumnado puede replicar. 🎯
Datos que necesitamos para estudiar la IA en las reclamaciones
El análisis de supervivencia exige un tipo de datos muy concreto, y aprender a identificarlos ya es media asignatura. Para cada reclamación necesitamos, como mínimo, tres columnas:
- Tiempo (t): días u horas desde la apertura hasta el cierre del caso.
- Estado del evento (δ): 1 si la reclamación se resolvió, 0 si seguía abierta al cerrar la ventana de observación. Este 0 es lo que llamamos un dato censurado, una idea clave que explicamos abajo. 🔎
- Grupo: "IA" o "manual". Es nuestra variable explicativa principal.
Podemos sumar covariables interesantes: tipo de producto (tarjeta, hipoteca, comisión), canal de entrada (app, oficina, teléfono), importe reclamado o antigüedad del cliente. La siguiente tabla muestra cómo se vería el conjunto de datos limpio y listo para analizar.
Estructura del conjunto de datos
| ID caso | Grupo | Tiempo (días) | ¿Resuelto? (δ) | Tipo de reclamación | Canal |
|---|---|---|---|---|---|
| R-001 | IA | 3 | 1 | Comisión tarjeta | App |
| R-002 | Manual | 21 | 1 | Hipoteca | Oficina |
| R-003 | IA | 5 | 1 | Cargo duplicado | App |
| R-004 | Manual | 30 | 0 | Hipoteca | Teléfono |
| R-005 | IA | 2 | 1 | Comisión tarjeta | App |
| R-006 | Manual | 18 | 1 | Transferencia | Oficina |
Datos ilustrativos para uso docente: la noticia no publica el microdato individualizado, así que estos valores son una simulación realista pensada para practicar.
Diseño del estudio: comparar dos curvas de supervivencia 🧮
El diseño es un estudio comparativo de cohortes: dos grupos (IA vs. manual) seguidos en el tiempo hasta que su reclamación "muere" (se resuelve). Aquí brilla un concepto que diferencia el análisis de supervivencia de una simple comparación de medias: la censura.
Imagina que cerramos el estudio a los 30 días. El caso R-004 sigue abierto: no sabemos si se resolverá en el día 31 o en el 60, solo sabemos que "al menos" duró 30 días. Tirar ese dato sería un error; tratarlo como resuelto, también. El análisis de supervivencia lo aprovecha como información parcial valiosa. Por eso no podemos limitarnos a calcular un tiempo medio: necesitamos la función de supervivencia S(t), que estima la probabilidad de que una reclamación siga sin resolver pasado el tiempo t.
La herramienta clásica para estimar S(t) sin asumir una forma matemática rígida es el estimador de Kaplan-Meier. Para comparar las dos curvas usaremos el test log-rank, que nos dirá si la separación entre la curva "IA" y la curva "manual" es estadísticamente significativa o un espejismo.
Análisis propuesto: Kaplan-Meier, log-rank y riesgo proporcional
El flujo de la IA en las reclamaciones se evalúa en tres niveles de profundidad creciente:
- Kaplan-Meier (descriptivo): dibujamos dos curvas escalonadas. La curva de IA debería caer mucho más deprisa (las reclamaciones "mueren"/se resuelven antes). 📈
- Test log-rank (contraste): contrasta H₀. Si el
p-valor < 0,05, rechazamos que las curvas sean iguales y damos por buena la mejora atribuida a la IA. - Regresión de Cox (modelo): el modelo de riesgos proporcionales estima un Hazard Ratio (HR). Un HR de 3, por ejemplo, indicaría que en cada momento una reclamación con IA tiene el triple de "probabilidad instantánea" de resolverse que una manual, ajustando por tipo de producto y canal.
Un esquema reproducible en R sería tan compacto como esto:
library(survival); fit <- survfit(Surv(tiempo, resuelto) ~ grupo, data = casos); survdiff(Surv(tiempo, resuelto) ~ grupo, data = casos)
Quien prefiera Python puede usar la librería lifelines. Para profundizar en la metodología con rigor, la documentación estadística oficial y los manuales de organismos como el Instituto Nacional de Estadística (INE) ofrecen buenas bases sobre tiempos de espera y análisis de duración.
La visualización recomendada
El gráfico estrella es la curva de supervivencia de Kaplan-Meier:
- Eje X: tiempo transcurrido (días desde la apertura).
- Eje Y: proporción de reclamaciones aún sin resolver, de 1 (100 %) a 0.
- Dos líneas escalonadas: una para IA, otra para manual, idealmente con bandas de confianza sombreadas.
Cuanto más a la izquierda y más abajo caiga una curva, más rápido se resuelven sus casos. Es una imagen poderosísima: el "antes y después" de la IA cabe en un solo gráfico. 💡
Resultados esperables del impacto de la IA en las reclamaciones
Si la hipótesis se cumple, esperaríamos algo parecido a la siguiente tabla resumen, donde la mediana de supervivencia (el tiempo en que se ha resuelto la mitad de los casos) cae drásticamente con la IA.
| Métrica | Grupo Manual | Grupo IA | Interpretación |
|---|---|---|---|
| Mediana de resolución | 21 días | 4,6 días | Reducción ≈ 78 % ✅ |
| % resuelto en 7 días | 22 % | 81 % | La IA resuelve casi todo en una semana |
| Hazard Ratio (IA vs. manual) | 1 (referencia) | 3,4 | Resolución 3,4× más rápida |
| p-valor (log-rank) | < 0,001 | Diferencia muy significativa | |
Datos ilustrativos para uso docente, calibrados para reproducir el 78 % del titular. Observa cómo el 78 % de la noticia se traduce limpiamente a lenguaje estadístico: una caída del 21 a 4,6 días en la mediana. Ese puente entre "porcentaje de prensa" y "mediana de supervivencia" es exactamente lo que queremos que el alumnado sepa construir. 🧠
Limitaciones y sesgos que un buen analista no oculta
Ningún 78 % es inocente. Antes de aplaudir, un estudiante crítico debe preguntarse:
- Sesgo de selección: ¿la IA atiende los casos fáciles y deja los complejos al humano? Si es así, comparamos peras con manzanas.
- Censura informativa: los casos aún abiertos al medir podrían sesgar la mediana si no se tratan bien.
- Variable de confusión: quizá BBVA también cambió procesos, plantilla o normativa a la vez que metió la IA. La regresión de Cox ayuda a aislar el efecto, pero no es magia.
- Definición de "resuelto": ¿cerrar rápido es resolver bien? Convendría cruzar el tiempo con la satisfacción o la tasa de reapertura.
Reconocer estos límites no debilita el estudio: lo hace honesto y mucho más educativo.
Aplicación al aula: retos para investigar la IA en las reclamaciones 📚
Esta noticia da para un proyecto completo de estadística aplicada. Aquí tienes una batería de retos graduados que puedes lanzar en clase (encontrarás material complementario y más casos en otros artículos del blog de Canal Docente):
- Censura en acción: con los datos de la tabla, identifica qué caso está censurado y explica por qué no podemos descartarlo. 🔎
- Dibuja a mano: construye paso a paso una curva de Kaplan-Meier sencilla con 6 casos y compárala con la del grupo contrario.
- Mediana vs. media: calcula el tiempo medio y la mediana de cada grupo y debate por qué la mediana es más robusta cuando hay censura.
- Interpreta un HR: si el Hazard Ratio fuera 2,0, redacta en una frase clara qué significa para un cliente real.
- Caza el sesgo: propón un experimento que descarte que la IA solo gestiona reclamaciones triviales.
- Doble métrica: diseña cómo medirías a la vez rapidez y calidad de la resolución, para que "rápido" no signifique "chapucero".
- Del titular al modelo: explica con tus palabras cómo el "78 % menos de tiempo" se convierte en una diferencia entre dos curvas de supervivencia.
Estas actividades enlazan con el trabajo por competencias y se pueden ampliar con los recursos para profesores del propio portal.
Cierre crítico: del titular bancario a la cultura del dato
El caso de la IA en las reclamaciones de BBVA demuestra que detrás de cada porcentaje llamativo hay una pregunta estadística esperando ser formulada. El análisis de supervivencia nos enseña algo que ninguna media aritmética captura: el tiempo importa, y la incertidumbre de los casos no terminados también. ⏱️
Llevar esta mentalidad al aula —hipótesis clara, datos bien definidos, modelo adecuado y, sobre todo, escepticismo sano ante el 78 %— forma a estudiantes capaces de leer la realidad con números. Y esa, más que cualquier tecnología, es la verdadera revolución educativa. ✅