Aprendizaje automático en seguros de salud: Guía 2026

Resumen rápido: El aprendizaje automático está transformando el sector de los seguros de salud al permitir una evaluación precisa del riesgo, la detección de fraudes, la personalización de las primas y una tramitación más rápida de las reclamaciones. Mediante el análisis de vastos conjuntos de datos médicos y de comportamiento, los algoritmos de aprendizaje automático ayudan a las aseguradoras a predecir resultados de salud, reducir costes y mejorar la experiencia del cliente, al tiempo que plantean importantes interrogantes sobre el sesgo, la privacidad y la supervisión regulatoria.

El seguro médico siempre se ha centrado en gestionar el riesgo y predecir los costes. Sin embargo, los modelos actuariales tradicionales tienen sus limitaciones a la hora de procesar millones de datos de poblaciones diversas.

El aprendizaje automático cambia por completo esta situación. Los algoritmos ahora pueden analizar historiales médicos, historial de reclamaciones, datos sobre el estilo de vida y patrones demográficos a una escala que los humanos simplemente no pueden igualar. ¿El resultado? Precios más precisos, decisiones de reclamaciones más rápidas y detección temprana tanto de fraudes como de riesgos para la salud.

Los Centros de Servicios de Medicare y Medicaid (CMS) reconocieron este potencial desde el principio. El 27 de marzo de 2019, CMS lanzó el Desafío de Resultados de Salud con Inteligencia Artificial con un premio total de 1.650.000 T. El ganador del Gran Premio recibió 1.000.000 T, el segundo clasificado recibió 230.000 T, y los fondos restantes se distribuyeron entre los finalistas y los ganadores de la Etapa 1.

Pero el aprendizaje automático en los seguros de salud no se limita a los desafíos de innovación gubernamental. Está transformando todos los aspectos del sector, desde la suscripción de pólizas hasta el servicio al cliente.

Cómo funciona el aprendizaje automático en los seguros de salud

Los algoritmos de aprendizaje automático aprenden patrones a partir de datos históricos sin necesidad de programación explícita. Si se le proporcionan miles de reclamaciones de seguros, un algoritmo comienza a reconocer qué factores se correlacionan con mayores costos o fraude.

En los seguros de salud se utilizan varios tipos de aprendizaje automático:

• Aprendizaje supervisado — Los algoritmos se entrenan con datos etiquetados (reclamaciones anteriores marcadas como fraudulentas o legítimas) para predecir los resultados de nuevos casos.
• Aprendizaje no supervisado — Los sistemas encuentran patrones ocultos en datos sin etiquetar, útiles para la segmentación de clientes.
• Aprendizaje semisupervisado — Combina ambos enfoques cuando los datos etiquetados son limitados.
• Aprendizaje reforzado — Los algoritmos aprenden mediante ensayo y error, optimizando las decisiones con el tiempo.

Los datos que analizan estos sistemas incluyen historiales médicos, registros de farmacia, resultados de laboratorio, información demográfica, patrones de reclamaciones e incluso determinantes sociales de la salud. El aprendizaje automático puede procesar imágenes de tomografías computarizadas y resonancias magnéticas, analizar datos de ensayos clínicos e identificar patrones de utilización en millones de reclamaciones.

Según las determinaciones de cobertura de CMS, el software que realiza análisis coronarios con inteligencia artificial debe recibir la autorización o aprobación de la FDA, lo que establece un estándar regulatorio para las aplicaciones médicas de IA en el contexto de los seguros.

Cree software de aprendizaje automático con IA superior

IA superior Desarrollan software de IA a medida, incluyendo modelos de aprendizaje automático, herramientas de análisis predictivo y aplicaciones web y móviles basadas en IA. Su equipo brinda soporte a proyectos desde la fase de descubrimiento y revisión de datos hasta el desarrollo del producto mínimo viable (MVP), la integración y la evaluación de resultados.

Para los equipos de seguros de salud, esto puede servir de apoyo para el análisis de reclamaciones, la detección de fraudes, la puntuación de riesgos, la segmentación de miembros, la automatización de informes u otros flujos de trabajo con gran cantidad de datos.

¿Necesitas un sistema de aprendizaje automático basado en tus datos?

AI Superior puede ayudar con:

• Creación de soluciones personalizadas de aprendizaje automático
• desarrollo de herramientas de análisis predictivo
• Probar ideas mediante el desarrollo de PoC o MVP.
• Integración de la IA en los sistemas existentes

👉 Contacta con IA Superior para hablar sobre su proyecto.

Aplicaciones clave del aprendizaje automático en los seguros de salud

Evaluación de riesgos y suscripción de pólizas

La evaluación de riesgos tradicional se basa en datos limitados: edad, sexo, historial médico y hábito de fumar. El aprendizaje automático amplía esta información drásticamente.

Los algoritmos pueden analizar cientos de variables simultáneamente para predecir los costos sanitarios futuros. Las investigaciones demuestran que el desarrollo de modelos de mortalidad y herramientas de puntuación de vida mediante grandes conjuntos de datos puede reducir las reclamaciones en un 91% entre los solicitantes más sanos.

Esta precisión ayuda a las aseguradoras a fijar precios de pólizas con mayor exactitud. En lugar de categorías de riesgo generales, el aprendizaje automático permite cálculos de primas personalizados basados en perfiles de riesgo individuales.

Un análisis de un proyecto de predicción de costos de seguros de extremo a extremo logró una precisión del 89,31 TP3T utilizando algoritmos de Bosque Aleatorio en un conjunto de datos de 986 registros de seguros con 11 características que incluyen datos demográficos (edad 18–66 años, altura 145–188 cm, peso 51–132 kg) y condiciones de salud (diabetes con una prevalencia del 421 TP3T).

Detección y prevención de fraude

El fraude en el sector sanitario cuesta miles de millones de dólares al año. Las reclamaciones falsas, la facturación por servicios no prestados y el robo de identidad desvían recursos que deberían destinarse a la atención médica legítima.

El aprendizaje automático destaca por detectar anomalías. Los algoritmos establecen patrones de referencia del comportamiento normal de las reclamaciones y, a continuación, señalan las desviaciones que justifican una investigación.

La identificación temprana de patrones relacionados con el fraude, el abuso, la gestión de residuos y la utilización de reclamaciones puede generar ahorros considerables. Un informe de McKinsey estima que un mejor uso de los datos podría ahorrar hasta 100 mil millones de dólares anuales gracias a mejores herramientas y análisis para la detección del fraude.

El sistema aprende continuamente. Cada caso de fraude confirmado enseña al algoritmo nuevos patrones que debe detectar, lo que mejora la precisión de la detección con el tiempo.

Procesamiento y automatización de reclamaciones

El procesamiento tradicional de reclamaciones implica revisión manual, introducción de datos y verificación, un trabajo laborioso propenso a retrasos y errores.

El aprendizaje automático automatiza gran parte de este proceso. El procesamiento del lenguaje natural extrae información de los documentos médicos. El reconocimiento de imágenes analiza los formularios y recibos escaneados. Los algoritmos verifican los detalles de las reclamaciones con respecto a los términos de la póliza e identifican las inconsistencias.

Los análisis del sector sugieren que la automatización influyó en el 80%, transformando radicalmente los flujos de trabajo operativos. Esto se traduce en reembolsos más rápidos para pacientes y proveedores, menores costos administrativos y menos errores de procesamiento.

Segmentación y personalización de clientes

No todos los clientes necesitan los mismos servicios ni responden a los mismos mensajes. El aprendizaje automático segmenta a los clientes en función de los riesgos para la salud, los patrones de uso, las preferencias de comunicación y la probabilidad de interacción.

Estos conocimientos permiten ofrecer recomendaciones de productos personalizadas, programas de bienestar específicos y estrategias de comunicación a medida. Una persona con factores de riesgo de diabetes podría recibir información sobre programas de prevención. Quienes utilizan con frecuencia los servicios de salud podrían recibir apoyo para la coordinación de su atención.

Los algoritmos también optimizan el gasto en marketing al identificar qué segmentos de clientes responden mejor a los diferentes canales y mensajes.

Análisis predictivo de la salud

Aquí es donde el aprendizaje automático se vuelve particularmente poderoso: predice problemas de salud antes de que se conviertan en problemas costosos.

Los algoritmos analizan los patrones de reclamaciones, las recargas de medicamentos, los resultados de laboratorio y los datos demográficos para identificar a los miembros con riesgo de reingreso hospitalario, progresión de enfermedades crónicas o visitas evitables al servicio de urgencias.

Con estas predicciones, las aseguradoras pueden intervenir de forma proactiva. Los gestores de casos se ponen en contacto con los miembros de alto riesgo. Los programas de bienestar se dirigen a poblaciones específicas. Los recursos se asignan donde tendrán mayor impacto.

El desafío CMS AI Health Outcomes Challenge se centró específicamente en esta aplicación: el uso de aprendizaje profundo y redes neuronales para predecir los resultados de salud de los pacientes beneficiarios de Medicare en modelos innovadores de pago y prestación de servicios.

Implementación y resultados en el mundo real

Las aplicaciones de aprendizaje automático en los seguros de salud no son teóricas. Se están implementando en toda la industria con resultados medibles.

Una revisión exhaustiva del alcance reveló que los casos de uso abarcan todas las regiones de la OMS, aunque la implementación sigue concentrada en países de altos ingresos. En una revisión rápida de la literatura que abarcó 38 estudios, 58% (22 estudios) se basaron en datos de países de altos ingresos, y más de la mitad (12 estudios) provenían de Estados Unidos.

La concentración en los países más ricos refleja tanto las capacidades de infraestructura de datos como los marcos regulatorios que respaldan el despliegue de la IA. Sin embargo, el interés y los programas piloto se están expandiendo a nivel mundial.

Beneficios del aprendizaje automático en los seguros de salud

Reducción de costos

El aprendizaje automático reduce los costos en múltiples aspectos. Solo la detección de fraude podría ahorrar hasta 100 mil millones de dólares anuales, según estimaciones del sector. La automatización reduce los gastos administrativos. Una mejor evaluación de riesgos previene la selección adversa.

El análisis predictivo permite intervenciones preventivas que cuestan menos que el tratamiento de enfermedades avanzadas. Cuando los algoritmos identifican a una persona con riesgo de desarrollar diabetes, un programa de intervención en el estilo de vida cuesta mucho menos que el tratamiento de una diabetes ya diagnosticada con complicaciones.

Mayor precisión

Los humanos lidiamos con cientos de variables. Los algoritmos de aprendizaje automático las manejan sin esfuerzo, identificando patrones e interacciones sutiles que escapan al análisis manual.

Esta precisión se traduce en una mejor estratificación del riesgo, cálculos de primas más exactos y una reducción de los errores en la tramitación de siniestros. El índice de precisión del 89,31% alcanzado en los proyectos de predicción de primas demuestra la capacidad de la tecnología cuando se implementa correctamente.

Experiencia del cliente mejorada

Un procesamiento de reclamaciones más rápido se traduce en reembolsos más ágiles. La comunicación personalizada resulta más relevante. La atención proactiva en materia de salud ayuda a los miembros a mantenerse más sanos.

Los chatbots con tecnología de aprendizaje automático ofrecen respuestas instantáneas a preguntas frecuentes. Los sistemas de recomendación sugieren las opciones de cobertura más adecuadas. Las aplicaciones móviles predicen los gastos de bolsillo antes de que los afiliados reciban atención médica.

Mejor asignación de recursos

Los recursos limitados —gestores de casos, plazas en programas preventivos, equipos de investigación— deben destinarse a donde tendrán mayor impacto. El aprendizaje automático identifica esas oportunidades de alto valor.

En lugar de dispersar los recursos, las aseguradoras concentran sus esfuerzos en los miembros con mayor probabilidad de beneficiarse. Este enfoque específico mejora los resultados a la vez que controla los costos.

Transparencia y seguridad de los datos

Las investigaciones indican que la IA en los seguros de salud puede mejorar la transparencia, la seguridad de los datos y la privacidad del cliente cuando se implementa correctamente, lo que ayuda a eliminar la discriminación y a garantizar la justicia legal.

La integración de blockchain con el aprendizaje automático crea registros de auditoría inmutables. Las técnicas de aprendizaje federado permiten entrenar modelos sin centralizar datos confidenciales. Los enfoques de IA explicable hacen que las decisiones de los algoritmos sean más interpretables.

Desafíos y riesgos del aprendizaje automático en los seguros de salud.

Preocupaciones sobre sesgos e imparcialidad

He aquí la incómoda verdad: los algoritmos de aprendizaje automático aprenden de datos históricos. Si esos datos reflejan sesgos existentes, el algoritmo los perpetúa.

Las investigaciones sobre el sesgo en el aprendizaje automático aplicado a la atención médica demuestran que las disparidades en los datos de entrenamiento se traducen directamente en disparidades en el rendimiento de los algoritmos. Si un algoritmo se entrena principalmente con datos de ciertos grupos demográficos, es posible que su rendimiento sea inferior al de otros.

El sesgo socioeconómico representa un desafío particular. Los estudios que evalúan el sesgo socioeconómico en los algoritmos de aprendizaje automático en el sector sanitario han desarrollado medidas como el índice HOUSES para identificar cuándo los modelos predictivos se comportan de manera diferente según los grupos socioeconómicos.

El riesgo no es solo técnico, sino también ético y legal. Los algoritmos que perjudican a grupos protegidos violan las leyes antidiscriminación y socavan la confianza en el sistema de salud.

Privacidad y seguridad de datos

El aprendizaje automático requiere enormes cantidades de información personal sobre la salud, precisamente el tipo de datos sensibles que deben protegerse rigurosamente.

Las filtraciones de datos exponen no solo información financiera, sino también detalles íntimos sobre la salud. Una anonimización inadecuada podría permitir la reidentificación. Compartir datos con terceros plantea interrogantes sobre el consentimiento.

Los marcos regulatorios como HIPAA en Estados Unidos establecen requisitos básicos, pero las aplicaciones de aprendizaje automático amplían los límites. Cuando los algoritmos combinan datos de salud con datos de comportamiento del consumidor provenientes de fuentes externas, las consideraciones de privacidad se multiplican.

Transparencia y explicabilidad

Los modelos de aprendizaje profundo pueden ser cajas negras. El algoritmo toma una decisión, pero explicar exactamente por qué resulta difícil.

Esta falta de transparencia genera problemas. Los reguladores deben comprender la lógica de las decisiones. Los clientes merecen saber por qué recibieron una prima o una denegación en particular. Los profesionales de la salud deben confiar en las recomendaciones antes de actuar en consecuencia.

Las técnicas de IA explicable intentan abordar este problema, creando modelos interpretables o generando explicaciones a posteriori para modelos complejos. Sin embargo, persiste la tensión entre el rendimiento del modelo y su interpretabilidad: los modelos más precisos suelen ser los menos transparentes.

Incertidumbre regulatoria

La regulación tiene dificultades para seguir el ritmo de la tecnología. Muchas jurisdicciones carecen de marcos claros para la IA en el sector de los seguros.

Surgen numerosas preguntas: ¿Qué datos pueden utilizar los algoritmos? ¿Cómo deben explicarse las decisiones? ¿Qué validación se requiere antes de su implementación? ¿Quién es responsable cuando un algoritmo comete un error?

El Instituto Nacional de Estándares y Tecnología publicó un Marco de Gestión de Riesgos de IA para ayudar a las organizaciones a fomentar la confianza en las tecnologías de IA, al tiempo que promueven la innovación y mitigan los riesgos. Sin embargo, la traducción de los marcos generales a regulaciones específicas de seguros sigue siendo un trabajo en curso.

Algunas jurisdicciones prohíben el uso de ciertos tipos de datos en la suscripción de pólizas. Otras exigen la revisión humana de las decisiones algorítmicas. Las aseguradoras que operan en múltiples mercados deben lidiar con un conjunto heterogéneo de requisitos.

Desafíos de implementación

Más allá de las políticas y la ética, existen obstáculos prácticos para la implementación. Los sistemas informáticos heredados no fueron diseñados para la integración del aprendizaje automático. La calidad de los datos varía considerablemente. La escasez de talento dificulta la contratación de científicos de datos cualificados.

La gestión del cambio también es importante. Los actuarios acostumbrados a los modelos tradicionales pueden mostrarse reacios a los enfoques algorítmicos. Los peritos de siniestros necesitan formación para trabajar con sistemas automatizados. Los líderes deben comprometer recursos sin garantías de retorno a corto plazo.

Panorama y marcos regulatorios

Los gobiernos y los organismos reguladores están desarrollando salvaguardias para la IA en la atención médica y los seguros.

Supervisión de la FDA sobre la IA médica

Cuando el aprendizaje automático analiza imágenes médicas o datos clínicos para fundamentar decisiones sobre la cobertura, puede aplicarse la jurisdicción de la FDA. CMS exige explícitamente que el software que realiza análisis coronarios mediante inteligencia artificial reciba la autorización o aprobación de la FDA.

La FDA ha establecido vías para autorizar la IA médica, incluyendo marcos para algoritmos de aprendizaje continuo que mejoran con el tiempo. Esto crea un modelo para regular los sistemas adaptativos.

Marco de gestión de riesgos de IA del NIST

Publicado en 2021, con su versión final 1.0 del 26 de enero de 2023, el Marco de Gestión de Riesgos de IA del NIST proporciona orientación voluntaria para las organizaciones que desarrollan o implementan sistemas de IA. Hace hincapié en la confiabilidad, la rendición de cuentas y la transparencia.

Este marco de trabajo anima a las organizaciones a identificar los riesgos a lo largo del ciclo de vida de la IA, medir los impactos potenciales, gestionar los riesgos identificados y gobernar los sistemas de IA con políticas y supervisión claras.

Si bien es voluntario, el marco del NIST influye tanto en las prácticas corporativas como en la normativa emergente. Las organizaciones que demuestran cumplir con las directrices del NIST se posicionan favorablemente a medida que surgen estándares obligatorios.

Requisitos del Departamento de Seguros del Estado

En Estados Unidos, los departamentos estatales de seguros regulan las prácticas de seguros dentro de sus jurisdicciones. Algunos estados han comenzado a emitir directrices sobre inteligencia artificial y suscripción algorítmica.

Entre los temas comunes se incluyen los requisitos de justificación actuarial de las decisiones algorítmicas, la prohibición de resultados discriminatorios incluso si no están codificados explícitamente y la obligación de explicar las decisiones a los consumidores.

Enfoques internacionales

La Ley de IA de la Unión Europea clasifica los sistemas de inteligencia artificial por nivel de riesgo, y las aplicaciones de seguros se clasifican en distintas categorías según su uso. Las aplicaciones de alto riesgo están sujetas a estrictos requisitos de documentación, pruebas y supervisión humana.

Otras jurisdicciones están observando y desarrollando sus propios enfoques, creando un panorama global donde las aseguradoras multinacionales deben desenvolverse en diversos regímenes regulatorios.

Mejores prácticas para la implementación del aprendizaje automático

Las organizaciones que implementan el aprendizaje automático en las operaciones de seguros de salud pueden seguir las prácticas establecidas para maximizar los beneficios y minimizar los riesgos.

Comience con datos de alta calidad.

Si introduces datos erróneos, obtendrás resultados erróneos. Los algoritmos de aprendizaje automático son tan buenos como sus datos de entrenamiento.

Invierta en la limpieza, validación y estandarización de datos. Documente el origen de los datos. Asegúrese de que los conjuntos de datos representen las poblaciones donde se aplicarán los algoritmos. Aborde los datos faltantes de forma sistemática, en lugar de hacerlo al azar.

Prueba rigurosa para detectar sesgos

No espere a que los reguladores o los clientes descubran el sesgo algorítmico. Realice pruebas de forma proactiva en diferentes grupos demográficos, regiones geográficas y estratos socioeconómicos.

Mida las disparidades de rendimiento. Si las encuentra, investigue las causas fundamentales. Ajuste los datos de entrenamiento, repondere las muestras o aplique restricciones de equidad durante el entrenamiento del modelo.

Las investigaciones sobre el diseño de programas equitativos de atención médica basados en el aprendizaje automático demuestran que el uso inapropiado de las puntuaciones de riesgo puede perpetuar las desigualdades; la concienciación y las pruebas son salvaguardas esenciales.

Construir explicabilidad en

La transparencia no debe ser una cuestión secundaria. Elija arquitecturas de modelos que equilibren el rendimiento con la interpretabilidad siempre que sea posible.

Para modelos complejos, implemente técnicas de explicación como los valores SHAP o LIME que identifiquen qué características impulsan cada predicción. Cree documentación que explique la lógica del modelo en lenguaje sencillo.

Capacite a los equipos de atención al cliente para que expliquen las decisiones algorítmicas a los miembros. Establezca canales claros para escalar los casos en los que las explicaciones resulten insuficientes.

Mantener la supervisión humana

La automatización total no siempre es apropiada. Implemente procesos con intervención humana para decisiones de alto riesgo, como la denegación de cobertura o las acusaciones de fraude.

Permitir que los algoritmos marquen los casos para revisión humana en lugar de tomar decisiones finales de forma autónoma. Capacitar a los revisores para que anulen los algoritmos cuando sea necesario. Registrar los patrones de anulación para identificar áreas de mejora en los modelos.

Establecer estructuras de gobernanza

Establecer una clara rendición de cuentas para los sistemas de IA. Designar ejecutivos responsables de la estrategia, la ética y la gestión de riesgos de la IA. Formar comités interdisciplinarios que incluyan expertos legales, de cumplimiento normativo, clínicos y técnicos.

Documentar las políticas para el desarrollo, validación, implementación y monitoreo de modelos. Definir los desencadenantes para el reentrenamiento o la retirada de modelos. Establecer procesos de auditoría para verificar el correcto funcionamiento continuo.

Supervisar y actualizar continuamente

Los modelos de aprendizaje automático evolucionan con el tiempo a medida que cambian las poblaciones y la prestación de servicios sanitarios. El rendimiento que era aceptable en el momento de la implementación puede degradarse.

Implemente un sistema de monitoreo para realizar un seguimiento de la precisión de las predicciones, las métricas de sesgo y el rendimiento operativo. Establezca umbrales que activen una revisión cuando se superen. Programe un reentrenamiento periódico con datos actualizados.

Cree ciclos de retroalimentación donde los resultados posteriores informen sobre la mejora del modelo. Si un algoritmo predice un riesgo bajo, pero un miembro requiere atención costosa, investigue por qué falló la predicción.

El futuro del aprendizaje automático en los seguros de salud

El aprendizaje automático en el sector de los seguros de salud aún se encuentra en una fase temprana de su desarrollo. Las aplicaciones actuales representan solo el comienzo.

Modelos predictivos avanzados

Los algoritmos de próxima generación integrarán fuentes de datos más amplias: dispositivos portátiles, determinantes sociales de la salud, información genética y factores ambientales. Los modelos multimodales combinarán datos estructurados de reclamaciones con notas clínicas no estructuradas e imágenes médicas.

Estos conjuntos de datos más completos permiten realizar predicciones más precisas. En lugar de simplemente identificar a los miembros de alto riesgo, los modelos predecirán la respuesta a intervenciones específicas: qué miembros se beneficiarán más de qué programas.

Toma de decisiones en tiempo real

Los sistemas actuales suelen funcionar en modo por lotes, actualizando las predicciones periódicamente. Los enfoques emergentes permiten el ajuste del riesgo en tiempo real.

Imagínese a un paciente en el mostrador de una farmacia. Los algoritmos en tiempo real evalúan el riesgo de incumplimiento del tratamiento y activan intervenciones inmediatas: un mensaje de texto sobre ayuda financiera, una llamada de un gestor de casos o opciones para simplificar la dosificación.

Diseño de cobertura de precisión

Así como la medicina de precisión adapta el tratamiento a cada paciente, la cobertura de precisión adaptará los productos de seguros a las necesidades individuales.

El aprendizaje automático puede identificar qué diseños de beneficios funcionan mejor para diferentes poblaciones. Las estructuras de beneficios dinámicas podrían ajustarse en función de los cambios en el estado de salud, optimizando la cobertura a medida que evolucionan las necesidades.

Integración con la prestación de servicios de salud

Los límites entre los seguros y la prestación de atención médica se están difuminando. Cada vez más, las aseguradoras son propietarias de organizaciones proveedoras de servicios de salud o se asocian con ellas, lo que crea oportunidades para que el aprendizaje automático abarque todo el espectro de la atención médica.

Los algoritmos podrían coordinar los planes de atención, predecir las vías de tratamiento óptimas y alinear los incentivos financieros con los resultados. El desafío de resultados de salud con IA de CMS se centró específicamente en estos modelos innovadores de pago y prestación de servicios.

Estándares éticos de IA

A medida que aumenta la concienciación sobre el sesgo algorítmico, los estándares de la industria para una IA ética madurarán. La auditoría externa de algoritmos podría convertirse en una práctica habitual, similar a las auditorías financieras.

Podrían surgir programas de certificación que validen que los algoritmos cumplen con los estándares de equidad, transparencia y rendimiento. La presión de los consumidores y los requisitos regulatorios impulsarán su adopción.

Preguntas frecuentes