Prevención de Fraude en Reclamaciones con ChatGPT

Antes de empezar

Lo que necesitas para completar este tutorial

Lo que conseguiras al terminar

Si sigues estos pasos, en 40-60 minutos tendras:

✓ Mapa de datos y decisión de ruta según confidencialidad
✓ Prompt listo para ejecución que genera reglas y casos de prueba
✓ Roadmap de implementación y KPIs de seguimiento

Antes de empezar, asegurate de tener lo siguiente:

Obligatorio Inventario de columnas de datos de reclamaciones (fechas, importes, códigos, texto libre, identificadores de cliente) o esquema si los datos no pueden compartirse.

Obligatorio Decisión formal sobre el nivel de confidencialidad: datos desidentificados disponibles o solo metadatos/sintéticos.

Recomendado Acceso a muestras históricas de reclamaciones etiquetadas como fraude/no fraude para calibración.

Recomendado Contacto técnico interno (data engineer) para obtener extractos de datos o ejecutar consultas SQL.

Transferencia internacional de datos: ChatGPT procesa datos en servidores externos. Sin acuerdo de procesamiento de datos (DPA) firmado, no introduzcas datos personales, financieros confidenciales ni datos especialmente protegidos. Verifica con tu departamento legal o IT antes de usar datos reales de tu empresa.

El caso

Seguros Iberia S.A., sector seguros de salud y accidentes — el problema real

Seguros Iberia recibe un volumen creciente de reclamaciones que consumen recursos de revisión manual y generan pagos erróneos. El índice de falsos positivos y negativos no es medible por falta de reglas consistentes.

Con ChatGPT y el prompt de este tutorial, puede resolver este reto en 40-60 minutos — sin conocimientos tecnicos previos.

Situacion real
Datos + contexto

→

ChatGPT
Prompt estructurado

→

Output ejecutivo
Listo para usar

Por que funciona: ChatGPT sintetiza patrones textuales y numéricos a partir de descripciones y metadatos, genera reglas interpretable por equipos operativos y propone acciones concretas. Es especialmente útil cuando se combina con esquemas de datos y muestras etiquetadas para calibración rápida.

Contexto

Cuando usar este tutorial

✓ Usalo cuando...	× No lo uses cuando...
Cuando hay volumen alto de reclamaciones y revisión manual costosa Cuando puede compartir metadatos y columnas o datos desidentificados Cuando necesita reglas operativas explicables para equipos de revisión	Cuando se requiere criba forense profunda con acceso a datos no estructurados bajo estricta auditoría Cuando los datos personales no pueden salir del entorno y no existe capacidad de pseudonimización Cuando se espera una solución totalmente automatizada sin intervención humana ni umbrales de control

Paso 01

Inventario de datos y decisión de ruta

Identifique y documente las columnas disponibles en su sistema de reclamaciones y decida la ruta según la confidencialidad: Ruta A (datos desidentificados) o Ruta B (solo metadatos/sintéticos). Esta decisión condiciona el diseño del modelo y la metodología de pruebas.

1
Recolectar el catálogo de columnas Liste todas las columnas disponibles en su base de datos de reclamaciones: IDs, fecha, importe, código de procedimiento, texto de declaración, códigos de proveedor, medio de reclamación. Esto permite evaluar cobertura y posibles features.
2
Evaluar sensibilidad y opciones de desidentificación Determine si puede eliminar identificadores directos y aplicar hashing/pseudonimización. Si no es posible, prepare un esquema con ejemplos sintéticos que repliquen la estructura real de los datos.
3
Seleccionar la ruta operativa Si [DATOS_SENSIBLES]=BAJO use Ruta A (análisis con muestras). Si [DATOS_SENSIBLES]=ALTO use Ruta B (metadatos y reglas sintéticas). Documente la decisión y aprobación legal.

Checkpoint: Catálogo de columnas validado y la ruta (A o B) decidida y aprobada por cumplimiento.

Paso 02

Diseño de features y etiquetado rápido

Defina las variables que alimentarán el análisis y el etiquetado necesario. Con muestras desidentificadas puede extraer features numéricos y textuales; en ruta conservadora genere ejemplos sintéticos y reglas heurísticas para simular patrones de fraude.

1
Priorizar features de alto impacto Priorice importes atípicos, frecuencia de reclamaciones por cliente/proveedor, discrepancias temporales y texto descriptivo con palabras clave. Estas variables suelen explicar la mayor parte del riesgo.
2
Crear conjunto de etiquetas o reglas sintéticas Si no dispone de etiquetas, establezca reglas heurísticas (ej.: reclamos duplicados en 7 días, proveedor con tasa de rechazo > X) para generar un set de validación inicial.
3
Definir métricas de éxito Acuerde KPIs: tasa de detección, tasa de falsos positivos, ahorro estimado por reclamación bloqueada y tiempo de revisión reducido.

Checkpoint: Lista de features priorizados, conjunto de etiquetas o reglas sintéticas y KPIs definidos.

Paso 03

Ejecutar el prompt principal

Este es el prompt central del tutorial. Cópialo completo, rellena las variables entre corchetes con los datos de tu empresa o situación, y envíalo.

1
Copia el prompt completo Selecciona todo el texto del prompt y cópialo. No modifiques la estructura — está diseñado para obtener el output más útil posible.
2
Rellena las variables entre corchetes Sustituye cada [VARIABLE] con información real de tu empresa. Cuanto más específico seas, mejor será el output.
3
Envía el prompt y espera la respuesta Pega el prompt en el chat y envíalo. El modelo puede tardar entre 10 y 60 segundos dependiendo de la complejidad.

Variables del prompt — sustituye cada [VARIABLE] con datos reales

[EMPRESA]Nombre de la empresa que implementa la solución (ej.: Seguros Iberia S.A.)

[PAIS]País o región de operación (ej.: España; afecta regulación y requisitos de privacidad)

[DATOS_SENSIBLES]Nivel de acceso a datos: 'BAJO' si se pueden usar datos desidentificados, 'ALTO' si sólo se usan metadatos y ejemplos sintéticos

Prompt principal — Prevención Fraude en Reclamaciones Eres un consultor sénior en prevención de fraude para reclamaciones. Tu tarea es generar un plan ejecutivo, reglas operativas y artefactos técnicos para detectar y priorizar reclamaciones sospechosas en la empresa [EMPRESA], operando en [PAIS]. Indica primero la ruta apropiada según el nivel de datos: si [DATOS_SENSIBLES] indica 'BAJO', asume que puedes trabajar con datos desidentificados y muestras reales; si indica 'ALTO', trabaja solo con metadatos, esquemas y ejemplos sintéticos. Genera un output estructurado con las siguientes secciones: 1) Resumen ejecutivo (máx. 5 bullets) con impacto y propuesta de valor; 2) Decisión de ruta (A o B) y razones de cumplimiento; 3) Lista priorizada de features (10 máximo) con tipo (numérico/ordinal/texto) y fórmula de cálculo; 4) Reglas heurísticas iniciales y ejemplo de pseudocódigo o SQL para cada regla (mínimo 5 reglas); 5) Método de puntuación de riesgo con ejemplo de tabla de umbrales (bajo/medio/alto) y recomendaciones de acción operativa por nivel; 6) Casos de ejemplo: tres reclamaciones ficticias (constructos realistas) que ilustren detecciones verdaderas y falsos positivos; 7) KPIs y dashboard mínimo requerido (métricas, frecuencia, umbrales de alerta); 8) Plan de validación y prueba A/B con criterios de éxito; 9) Riesgos de cumplimiento y requisitos de conservación/privacidad; 10) Hoja de ruta de implementación dividida en 4 hitos con responsables y estimación temporal. Para cada sección, incluye notas prácticas de implementación técnico-operativas: consultas SQL de muestra, formato CSV esperado (encabezados), y pruebas unitarias simples. Si estás en Ruta B, sustituye las consultas con pseudocódigo y ejemplos sintéticos equivalentes. Mantén el lenguaje ejecutivo y entrega las secciones con encabezados claros y bullets. No incluyas datos reales de clientes. Finaliza con una lista de cinco acciones operativas inmediatas (priorizadas) y una sugerencia de umbral de prueba para el primer mes.

Checkpoint: El modelo ha respondido con un output estructurado que incluye las secciones solicitadas en el prompt.

Paso 04

Validación, iteración y despliegue piloto

Valide las reglas y puntuaciones con una muestra operativa, ajuste umbrales según coste del falso positivo y false negative, y despliegue un piloto en un entorno controlado para medición de impacto.

1
Ejecutar pruebas con datos reales o sintéticos Corra las reglas y puntuaciones sobre un batch y compare con revisiones humanas. Registre discrepancias para ajustar pesos y parámetros.
2
Definir flujo operativo para reclamaciones marcadas Establezca acciones claras: retener pago, solicitar documentación adicional, escalado a fraudes o marcar para revisión manual según umbral.

Checkpoint: Piloto operativo con métricas iniciales y plan de escalado documentado.

Iteracion

Prompts para refinar el output

Estos son los ajustes mas frecuentes que se piden despues del primer output. Copialos directamente en el chat:

Hacer el output más específico

cuando el output es demasiado genérico. "Reformula el output centrándote en [EMPRESA] y el sector de seguros en [PAIS]. Prioriza reglas relacionadas con importes, repetición por cliente y riesgo por proveedor. Ajusta pesos y genera dos tablas con umbrales para tamaños de reclamación: <=500€, 500-5.000€, >5.000€."

Cambiar el nivel de detalle

cuando necesitas más o menos profundidad. "Devuélveme la misma estructura pero con menos o más detalle: para 'menos' proporciona sólo bullet points ejecutivos; para 'más' añade SQL completo y ejemplos de transformación de datos en Python/pandas."

Adaptar el tono

cuando el tono no es el adecuado para tu audiencia. "Reescribe el resumen ejecutivo en un tono más formal y breve, listo para presentar al Comité de Dirección: máximo 6 frases y destaca impacto económico esperado en el primer trimestre."

Versión ejecutiva resumida

para compartir con el Comité de Dirección. "Genera una versión de máximo 300 palabras con: objetivo, impacto financiero estimado, 3 riesgos principales y 3 acciones inmediatas recomendadas. Incluye un KPI único para seguimiento semanal."

Resultado

Que vas a obtener

Este es el tipo de output que genera ChatGPT con el prompt de este tutorial. El contenido varia segun tu empresa y situacion, pero la estructura es siempre esta:

Ejemplo de output — Seguros Iberia S.A., sector seguros de salud y accidentes

Estructura del output

El prompt genera un documento con encabezados numerados: Resumen ejecutivo, Ruta y cumplimiento, Features priorizados, Reglas y SQL/pseudocódigo, Puntuación de riesgo y acciones, Casos de ejemplo, KPIs y plan de validación, Riesgos legales, Roadmap. Cada sección contiene bullets claros y artefactos técnicos (consultas/CSV).

Senales de un buen output

Resumen ejecutivo con cifras concretas y ahorro estimado
Reglas operativas con SQL o pseudocódigo listos para implementar
Ejemplos de casos que muestran detección y falsos positivos
Roadmap con responsables y fechas concretas

Senal de que el output es bueno: El output incluye reglas implementables (SQL/pseudocódigo), umbrales de riesgo y un plan de validación con KPIs cuantificados.

Costes

Inversion y retorno

20$/mes ChatGPT Enterprise / mes

20-40 min por ejecución del prompt y revisión inicial Por ejecucion del tutorial

∞ Reutilizaciones del prompt

ROI: La inversión en la herramienta se recupera al reducir pagos erróneos y horas de revisión manual; un piloto efectivo puede reducir costes operativos en un 15-30% en 6 meses al priorizar reclamaciones de alto riesgo y automatizar cribas.

Errores frecuentes

Que hacer cuando algo no funciona

Sintoma	Causa probable	Solucion exacta
Respuestas vagas o genéricas	Prompt insuficientemente específico o falta de contexto sobre el esquema de datos	Proporciona el catálogo de columnas, ejemplos de valores y usa las iteraciones para pedir mayor especificidad.
Reglas que no se ejecutan en la base de datos	Diferencias entre los nombres de columnas proporcionados y los reales	Verifica y normaliza nombres de columnas; solicita al modelo que adapte SQL al esquema real y prueba con una muestra.
Tasa alta de falsos positivos en pruebas	Umbrales demasiado bajos o features no discriminantes	Aumenta umbrales, reequilibra pesos y añade features temporales o de comportamiento.
Preocupaciones de cumplimiento tras la revisión	Uso de datos personales sin pseudonimización adecuada	Revise la ruta de datos, aplique pseudonimización/hashing y vuelva a ejecutar en Ruta B si es necesario. Solicite aprobación legal.
Tiempo de respuesta del modelo muy largo	Prompt excesivamente largo o carga de trabajo alto	Divida el prompt en secciones y solicite outputs por partes (ej.: primero features y reglas, luego ejemplos y SQL).

Modo avanzado

Como hacer este tutorial con ChatGPT en modo avanzado

El modo agente permite conectar ChatGPT con herramientas (bases de datos, upload de ficheros) para ejecutar consultas y validar reglas en tiempo real. Use agentes solo en entornos con control de acceso y registro de auditoría.

Modo avanzado

Flujo de trabajo avanzado

1
Conectar la fuente de datos desidentificada o un CSV de muestra al agente
2
Solicitar al agente ejecutar las consultas SQL de ejemplo y devolver un resumen de los resultados
3
Iterar sobre las reglas ajustando umbrales con base en los resultados del agente
4
Registrar los cambios y exportar un informe con KPIs para revisión ejecutiva

Actúa como agente técnico conectado a la base de datos de reclamaciones de [EMPRESA] en [PAIS]. Solo trabaja con datos desidentificados si [DATOS_SENSIBLES]=BAJO; si es ALTO, no accedas a datos reales y usa ejemplos sintéticos. Ejecuta las siguientes tareas en orden: 1) listar las 20 columnas principales del esquema; 2) ejecutar las 5 consultas SQL proporcionadas por el consultor y devolver conteos y ejemplos de filas (máx. 10 por consulta); 3) aplicar las reglas heurísticas y devolver un CSV con columnas: claim_id, score_riesgo, regla_activada, notas; 4) calcular KPIs solicitados (detección inicial, tasa FP estimada) y generar recomendaciones para ajuste de umbrales. Registra todas las consultas ejecutadas y anonimiza cualquier valor sensible en los resultados.

Cuando usar el modo avanzado en este tutorial: Valioso cuando se dispone de acceso controlado a datos desidentificados y se quiere validar reglas y umbrales en tiempo real antes de desplegar un piloto.

Siguiente paso

Que hacer ahora?

Ahora que has completado este tutorial, hay dos caminos naturales:

Tutorial relacionado · ChatGPT

Explorar mas tutoriales de ChatGPT

Descubre otros casos de uso de ChatGPT para directivos en diferentes funciones y sectores.

Biblioteca completa

Ver todos los tutoriales

Explora los tutoriales del programa organizados por herramienta, funcion y nivel de dificultad.

Para sacarle mas partido: Tras el piloto, automatice la generación semanal de un reporte con las 10 reclamaciones de mayor score y solicite revisión humana para calibrar umbrales cada dos semanas durante el primer trimestre.

Alternativa segura

Puedo hacer esto sin que mis datos salgan de la empresa?

Si. Este caso de uso trabaja con datos que, por su naturaleza confidencial, estrategica o regulada, son candidatos optimos para ejecutarse con un modelo de lenguaje open source desplegado en infraestructura propia (on-premises o nube privada). Con esta configuracion, ningun dato abandona nunca los servidores de tu organizacion y el modelo no puede ser entrenado con tu informacion.

Modelos recomendados

Llama 3.3 70B — Ideal para analisis de documentos largos y generacion de texto estructurado (contexto 128K tokens).

Mistral Large 2 — Excelente para extraccion de informacion y clasificacion con alta precision.

Qwen 2.5 72B — Especialmente potente para analisis de datos tabulares y financieros.

Plataformas de despliegue

Ollama — Para equipos pequenos o uso individual en hardware propio.

vLLM — Para entornos de produccion con multiples usuarios simultaneos.

LM Studio — Para pruebas y uso individual sin configuracion de servidor.

Infraestructura minima

Para un modelo de 70B parametros en produccion:

GPU: 2x NVIDIA A100 40GB o 4x RTX 4090.

RAM: 128GB minimo.

Alternativa cloud privada: AWS Private Cloud, Azure Government o Google Cloud Confidential Computing.

Garantia de privacidad: Con un modelo on-premises correctamente configurado, los datos nunca salen de tu red corporativa, el modelo no se entrena con tu informacion, no hay transferencia internacional de datos y el cumplimiento normativo es total incluso para datos del art. 9 RGPD.

Necesitas implementar esta solucion en tu organizacion?

La configuracion de modelos open source on-premises requiere un proveedor tecnico especializado. Agere puede ayudarte a desplegar esta solucion en tu infraestructura de forma segura, con garantias legales y sin que tus datos salgan nunca de tu organizacion.

Contactar con Agere Conocer Agere