La garantía y la asunción de riesgos son la promesa que hace un proveedor sobre qué ocurre si algo sale mal. Cuánto dura el plazo de garantía, qué queda excluido, quién asume el riesgo ante una reclamación y con qué rapidez se tramita esa reclamación. Para un cliente esta es a menudo la regla decisiva en una oferta, precisamente porque el resto de la propuesta ya es comparable en precio y plazo de entrega. Quien se atreve a ser más generoso que los demás en este punto, gana negocios que en las demás dimensiones están igualados.
La razón por la que no todos se atreven a ser igual de generosos está en el trabajo que hay detrás de esa promesa. Un plazo de garantía no es una decisión de marketing, es una estimación de riesgo. Alguien debe calcular con qué frecuencia falla un producto o servicio, cuánto cuesta en promedio una reclamación, y cuánto margen hay para asumir eso. Ese trabajo se hacía tradicionalmente por experiencia y por muestreo: un gestor de riesgos que revisa las reclamaciones del año anterior y, a partir de ahí, recomienda un plazo. Más lento de lo que exige el mercado, y con un margen que tiende a ser más prudente que ajustado.
Detrás de cada condición de garantía hay una cadena de tareas. Recopilar y categorizar el historial de reclamaciones. Reconocer patrones de fallo por producto, por segmento de cliente, por circunstancia de uso. Calcular el coste de la asunción de riesgo para saber qué cuesta realmente una garantía más amplia. Y después traducir esa condición a un texto jurídicamente sólido y comercialmente atractivo.
Este es precisamente el tipo de trabajo donde las tres categorías de asunción por IA se entrelazan. Examinar los datos de reclamaciones y reconocer patrones en ellos es trabajo que un sistema ya puede asumir en gran medida hoy en día, siempre que los datos existan y se entreguen de forma estructurada. Traducir esos patrones a un presupuesto de riesgo concreto por línea de producto suele hacerse con supervisión: un modelo presenta una propuesta, un gestor de riesgos la aprueba o la corrige, con motivo. Y determinar qué riesgo está dispuesta a asumir una organización por encima del resultado calculado sigue siendo trabajo humano, porque es una decisión sobre estrategia y reputación, no sobre probabilidad.
La diferencia no está en el plazo de garantía en sí, sino en cómo se establece y con qué rapidez se aplica. Un proveedor que puede calcular los patrones de reclamación por línea de producto o incluso por cliente puede diferenciar: garantía más amplia donde el riesgo es bajo, condiciones más estrictas donde el riesgo es alto, en lugar de un único plazo para todo. Un cliente lo nota directamente en la oferta, y es exactamente el tipo de diferencia que ya se observa en cómo cambia la IA la competencia en la velocidad de las ofertas, donde tiene lugar el mismo desplazamiento de la estimación manual hacia la propuesta calculada.
Una segunda diferencia perceptible está en la tramitación de una reclamación en sí. Mientras que la estimación de riesgo se hace de antemano, la evaluación de daños se hace después, y ese proceso también se desplaza: un sistema puede asumir la primera clasificación y la formación del expediente, mientras que la decisión final de indemnización sigue en manos de un empleado. Un cliente que sabe a qué atenerse en días en lugar de semanas lo experimenta como parte de la misma garantía, aunque formalmente sea otro proceso.
Que una organización ya aproveche este cambio no depende del sector, sino de tres cosas: si dispone de datos de reclamaciones en una forma que un sistema pueda leer, si hay un gestor de riesgos dispuesto a tomar una propuesta del modelo como punto de partida y no como una amenaza, y si el margen del producto es suficiente para experimentar con garantías más ajustadas. Una empresa donde los expedientes de reclamaciones todavía están en papel o en hojas de cálculo sueltas puede tener la misma ambición que el líder del grupo de referencia y, aun así, ir años por detrás, simplemente porque falta la base.
Esto afecta también a la forma en que se fijan los precios de los riesgos, y con ello incide directamente en la pregunta qué ventaja aporta la IA en el precio: una estimación de riesgo más ajustada permite un precio más competitivo sin que el margen se vea presionado. Quien no reclame aquí una ventaja mientras los competidores ya lo hacen, pierde sin notarlo de inmediato, de la misma manera que se describe en por qué las empresas pierden cada vez más en precio.
Cabe hacer una salvedad. Si la estimación de riesgo afecta a decisiones de personal, por ejemplo cuando se necesitan menos personas para la evaluación de reclamaciones, se aplican requisitos legales propios para ello. Eso no forma parte de esta comparación y no se evalúa aquí.
La pregunta subyacente no es si la garantía es un argumento de venta fuerte, eso ya se sabe. La pregunta es qué parte del trabajo que hay detrás ya se ha desplazado en su organización hacia un sistema con supervisión, y qué parte sigue funcionando por completo a base de experiencia y muestreo. Esa misma pregunta se plantea tras una fusión o adquisición, donde deben compararse dos políticas de garantía entre sí, algo que se trata en cómo comparar su posición tras una adquisición.
Qué trabajo de su empresa puede realmente ser asumido por la IA varía según la tarea y la línea de producto, y eso es precisamente lo que el escáner de trabajo de FTE TO AI mapea tarea por tarea.
Defina en qué cree que gana en garantía y asunción de riesgos: el plazo, la cobertura, la velocidad de tramitación de una reclamación. La comprobación de dimensión gratuita muestra cuáles de esas afirmaciones pueden defenderse con pruebas frente a su grupo de referencia. El benchmark completo está en construcción.