Convertir la evidencia multimodal del primer aviso de pérdida (FNOL) en una ingesta etiquetada y lista para tomar decisiones para que los ajustadores comiencen con el contexto en lugar de con artefactos sin procesar.
El procesamiento manual de FNOL consume una cantidad significativa de tiempo de los expertos en tareas repetitivas porque la evidencia multimodal no estructurada debe interpretarse a través de portales diseñados para la interacción humana. Las fotos capturadas en el campo, los videos de recorridos, los documentos escaneados y las notas dictadas o grabadas ingresan al sistema en el momento de la admisión, donde las decisiones influyen directamente en el tiempo del ciclo de reclamo, la precisión posterior y la experiencia del cliente.
En todos los sectores de seguros, este momento es engañosamente complejo. La ingesta de FNOL a menudo se describe como “simplemente abrir un reclamo”, pero en la práctica, es donde se deben interpretar, validar y correlacionar grandes volúmenes de datos no estructurados antes de que se pueda tomar cualquier decisión significativa.
El desafío es importante: los profesionales de reclamaciones dedican demasiado tiempo a la validación repetitiva de la admisión. Navegar por portales, verificar la integridad de la evidencia e interpretar artefactos antes de aplicar su experiencia a decisiones de mayor valor lleva un tiempo considerable. Las observaciones de la industria sugieren que la validación de la admisión puede consumir una parte sustancial del tiempo de un tasador durante el procesamiento inicial de reclamos, y las presentaciones típicas requieren un trabajo de evaluación significativo antes de que pueda comenzar la evaluación. Durante los picos de volumen debido a eventos catastróficos o aumentos repentinos estacionales, estos retrasos se agravan, creando retrasos que ralentizan la resolución de reclamos e impactan la experiencia del cliente.
En esta publicación, demostramos cómo un sistema de admisión FNOL manos libres combina agentes creados con el SDK de Strands Agents para el razonamiento de dominios con la herramienta de navegación AgentCore de Amazon Bedrock para la interacción del portal en vivo. Este enfoque preserva la experiencia humana y al mismo tiempo elimina el trabajo repetitivo en pantalla.
La solución combina dos capacidades complementarias:
Strands Agents es un SDK de código abierto que adopta un enfoque basado en modelos para crear agentes de IA generativos. En esta arquitectura, los agentes (creados con Strands Agents) aplican reglas comerciales específicas de seguros, como interpretación de evidencia, correlación intermodal y evaluación de la complejidad de los reclamos utilizando modelos básicos (FM) brindados a través de Amazon Bedrock.
El razonamiento del navegador lo realiza Amazon Nova Act, un SDK de cliente que interpreta instrucciones en lenguaje natural (por ejemplo, "abrir el siguiente reclamo sin procesar" o "activar análisis de imágenes") y las traduce en acciones de interfaz de usuario fundamentadas. La herramienta Amazon Bedrock AgentCore Browser proporciona la sesión de Chrome aislada y administrada a la que se conecta Nova Act para ejecutar esas acciones. AgentCore Browser Tool también proporciona capacidades de grabación de sesiones y visualización en vivo para mayor observabilidad.
En este flujo de trabajo, Nova Act impulsa el proceso de admisión al razonar sobre lo que es visible en la pantalla a través de la sesión del navegador AgentCore, mientras que los agentes basados en Strands realizan el razonamiento de dominio en segundo plano. Nova Act determina cuándo se debe analizar la evidencia y organiza las interacciones del portal, y los agentes de dominio determinan qué significa la evidencia aplicando la misma lógica de dominio que usaría un revisor humano.
El resultado es la automatización del trabajo manual de pantalla preservando al mismo tiempo la supervisión y la auditabilidad humanas. Los profesionales de reclamaciones reciben presentaciones preanalizadas y ricas en contexto, listas para ser juzgadas en lugar de validadas. La evidencia etiquetada se convierte en un activo operativo duradero, que respalda un mejor enrutamiento, análisis de patrones y un refinamiento continuo del flujo de trabajo durante todo el ciclo de vida de las reclamaciones.
El flujo de trabajo se ilustra utilizando grabaciones reales de automatización del navegador capturadas directamente desde el sistema en acción.
La oportunidad: optimizar la recepción de reclamaciones para ampliar la experiencia humana
En todas las líneas de seguros (automóviles, propiedad y accidentes, vida, salud y especialidades), la recepción de reclamaciones marca el momento en que la información no estructurada ingresa por primera vez al sistema. Fotos, vídeos, documentos escaneados y notas grabadas llegan juntos, a menudo incompletos, etiquetados de forma inconsistente y rara vez estandarizados.
Los profesionales de reclamaciones aportan un profundo conocimiento del dominio a este momento. Saben cómo es la evidencia utilizable, qué suele faltar, cómo se relacionan los artefactos entre sí y qué señales son importantes para la cobertura, la gravedad y los próximos pasos. Sin embargo, hoy en día, gran parte de esa experiencia se aplica a través de un trabajo lento y manual en un portal, haciendo clic en las pantallas e inspeccionando visualmente los artefactos uno por uno. Antes de que pueda comenzar una evaluación significativa, los revisores deben responder preguntas fundamentales que dependen en gran medida de la experiencia. Estos incluyen si los artefactos requeridos están presentes, si las fotos y los videos son utilizables y relevantes, si las notas de audio contienen observaciones materiales y si la presentación es suficiente para proceder sin demora.
Responder a estas preguntas requiere un minucioso trabajo en pantalla. Una presentación típica de FNOL puede incluir docenas de artefactos distribuidos en múltiples vistas, lo que requiere que los revisores ubiquen evidencia, abran e interpreten cada elemento, correlacionen señales entre modalidades, comparen los hallazgos con los umbrales de políticas y capturen resúmenes para la continuidad de la auditoría.
Estos pasos son esenciales, pero también son repetitivos y mecánicos. Requieren atención más que juicio. Como resultado, los ajustadores y examinadores capacitados dedican una cantidad desproporcionada de tiempo a validar la integridad de la admisión antes de poder aplicar su experiencia a decisiones de mayor valor.
Este desafío existe en el procesamiento diario de reclamos y se vuelve más pronunciado durante los picos de volumen debidos a eventos catastróficos, reclamos estacionales de automóviles o aumentos repentinos en la actividad de reclamos de salud y vida. A medida que aumentan las cargas de trabajo, aumentan los retrasos, la revisión de la evidencia se vuelve apresurada o inconsistente y el juicio humano se aplica más tarde de lo debido.
El problema no es la falta de experiencia o tecnología. Es que el conocimiento del dominio se está ejercitando demasiado tarde en el proceso, después de que ya se ha dedicado tiempo a la validación repetitiva de la admisión.
Por qué codificar el conocimiento del dominio cambia el panorama
La recepción de reclamos se acelera cuando la lógica de decisión crítica se captura en reglas estructuradas y se aplica de manera consistente en el momento de la ingesta, en lugar de depender únicamente de la experiencia y la intuición individuales.
Los revisores experimentados saben intuitivamente qué ángulos de fotografía se requieren para diferentes tipos de reclamos, cuándo el video puede sustituir las imágenes faltantes, qué combinaciones de artefactos indican una mayor complejidad y qué brechas pueden detener el procesamiento posterior.
La IA generativa agente permite codificar este conocimiento práctico en reglas comerciales y herramientas de razonamiento que se pueden aplicar de manera consistente a medida que la evidencia ingresa al sistema.
Al combinar Strands Agents con Nova Act y AgentCore Browser Tool, el trabajo de admisión mecánica, como navegar por portales, abrir reclamos y activar análisis, se separa del razonamiento de dominio. Nova Act avanza el flujo de trabajo a través de la sesión de la herramienta del navegador, mientras que Strands Agents aplica la lógica experta para interpretar, etiquetar y correlacionar evidencia.
Cuando la evidencia se etiqueta en el momento de la ingestión, los artefactos faltantes o insuficientes se detectan tempranamente, la relevancia se vuelve explícita en lugar de implícita y las reclamaciones se pueden clasificar en función de lo que está presente. Los revisores humanos comienzan con el contexto en lugar de empezar desde cero.
Por qué es importante el etiquetado automatizado de pruebas, ahora y en el futuro
El etiquetado automatizado acelera el reclamo actual al garantizar que la admisión sea completa y clara antes de que comiencen los pasos posteriores. Los revisores dedican menos tiempo a confirmar los conceptos básicos y más tiempo a aplicar su criterio donde importa.
Con el tiempo, la evidencia etiquetada consistentemente se convierte en un activo de datos duradero. Debido a que las etiquetas se generan mediante un razonamiento de dominio codificado, no mediante una interpretación única, las aseguradoras pueden hacer lo siguiente:
Mejorar el enrutamiento y la priorización Reducir el retrabajo causado por envíos incompletos Identificar patrones que conducen a retrasos o escalamientos Refinar las reglas de admisión a medida que surgen nuevos escenarios, sin cambiar los límites de cumplimiento o la autoridad de decisión
A medida que se acumula evidencia etiquetada, los artefactos no estructurados ya no son archivos aislados. Las imágenes, los videos y el audio se convierten en señales analizables y buscables que respaldan nuevos flujos de trabajo, como la divulgación proactiva cuando se detectan brechas comunes, la preparación previa de reclamos para equipos especializados y la reducción de los tiempos de ciclo para reclamos futuros similares.
Lo más importante es que el etiquetado permite que la experiencia en el dominio se aplique una vez en el momento de la ingesta y se reutilice durante todo el ciclo de vida, en lugar de redescubrirla repetidamente en diferentes etapas.
Este es el cambio que permite la automatización agente: trasladar la experiencia hacia arriba, enriquecer los sistemas posteriores con señales estructuradas y permitir una resolución más rápida y consistente, sin sacar a los humanos del circuito.
Para demostrar cómo se puede implementar este cambio sin modificar los portales existentes, la siguiente sección recorre una arquitectura de entrada de FNOL agente que combina la automatización a nivel de navegador con agentes basados en razonamiento.
Descripción general de la solución: ingesta de agentes sin cambios en el portal
Este prototipo demuestra cómo la ingesta de FNOL se puede automatizar de un extremo a otro mediante el razonamiento agente y la interacción a nivel del navegador. En producción, el mismo enfoque de automatización del navegador funcionaría con los portales existentes sin modificaciones, porque el SDK del cliente Nova Act interactúa con la interfaz de usuario como lo haría un humano.
El prototipo está construido para reflejar un entorno de producción realista. El portal FNOL y los servicios backend se ejecutan como una aplicación en contenedores en AWS, mientras que la automatización del navegador impulsada por agentes interactúa con el portal en vivo exactamente como lo haría un revisor humano. Esta separación permite que el razonamiento de dominio y el control de la interfaz de usuario evolucionen de forma independiente, preservando al mismo tiempo la auditabilidad y la seguridad operativa.
En un nivel alto, la solución supone una familiaridad práctica con la forma en que se implementan los sistemas agentes modernos en AWS. Esto incluye el uso de FM para razonamiento, servicios en contenedores para el tiempo de ejecución de aplicaciones y almacenamiento basado en eventos para estado y evidencia. No se requiere experiencia previa con herramientas tradicionales de automatización de procesos robóticos (RPA). La automatización que se describe aquí se basa en el razonamiento sobre el estado de la interfaz de usuario en lugar de reproducir scripts pregrabados o flujos codificados.
Cuenta y permisos de AWS
Necesita acceso a una cuenta de AWS con permisos para implementar y administrar los recursos utilizados por la solución, incluidos AWS Cloud Development Kit (AWS CDK), Amazon Elastic Container Service (Amazon ECS) en AWS Fargate, Amazon Simple Storage Service (Amazon S3), Amazon DynamoDB, Elastic Load Balancing (Application Load Balancer), Amazon CloudFront y funciones y políticas de AWS Identity and Access Management (IAM).
La implementación supone que las credenciales de AWS están configuradas localmente mediante una configuración de desarrollo estándar con la interfaz de línea de comandos de AWS (AWS CLI).
Entorno de ejecución y modelo de implementación
La interfaz de usuario de admisión de FNOL y los servicios backend, incluido el análisis de evidencia y la evaluación de la complejidad de los reclamos implementados mediante Strands Agents, se empaquetan como contenedores Docker y se implementan en Amazon ECS con AWS Fargate. La infraestructura se aprovisiona mediante AWS CDK, que crea imágenes de contenedores y crea los recursos informáticos, de almacenamiento y de red necesarios como parte de un flujo de trabajo de implementación único.
Los artefactos de evidencia no estructurados, como imágenes, videos y transcripciones, se almacenan en Amazon S3. Los metadatos de reclamaciones, las referencias de evidencia y los resultados de análisis generados por agentes se conservan en Amazon DynamoDB. Esto permite a los agentes recuperar, correlacionar y razonar la evidencia durante la admisión.
Automatización del navegador en la práctica.
La automatización del navegador impulsada por agentes se ejecuta desde un entorno de control independiente, como una estación de trabajo o un host de automatización, y se conecta a la aplicación FNOL implementada a través de una sesión del navegador AgentCore. Esto refleja cómo se opera comúnmente la automatización del navegador en entornos del mundo real. Nova Act, el SDK del cliente responsable del razonamiento del navegador, se conecta a la sesión de Chrome administrada proporcionada por AgentCore Browser Tool a través del Protocolo Chrome DevTools (CDP) a través de WebSocket. La capa de automatización observa e interactúa con el portal en vivo a través de este navegador administrado, mientras que los servicios backend permanecen alojados y aislados.
Al mantener el control del navegador externo al tiempo de ejecución de la aplicación, el sistema mantiene límites operativos claros. Los agentes ven exactamente lo que un revisor humano vería en la pantalla, toman decisiones basadas en el estado actual de la interfaz de usuario y actúan deliberadamente sin necesidad de acceso directo a los componentes internos del portal o al código de la aplicación.
Configuración y flujo de trabajo de implementación
El flujo de trabajo de implementación completo, incluido el aprovisionamiento de infraestructura, la implementación de contenedores, la generación de datos opcional y la configuración de automatización del navegador, se automatiza a través de scripts y archivos de configuración proporcionados en el repositorio de GitHub adjunto.
Descripción general de la arquitectura
A alto nivel, la arquitectura consta de las siguientes capas complementarias:
Interacción del navegador. Nova Act se conecta a una sesión de la herramienta de navegador AgentCore a través del protocolo Chrome DevTools (CDP) a través de WebSocket, razonando sobre el estado de la interfaz de usuario del portal FNOL y actuando deliberadamente sobre lo que es visible. Razonamiento de dominio. Se crean dos agentes con el SDK de Strands Agents: un agente analizador de evidencia que interpreta y etiqueta evidencia multimodal, y un agente analizador de complejidad de reclamos que evalúa la complejidad de los reclamos. Observabilidad de la ejecución. Capturas de pantalla, indicaciones, razonamientos y transiciones de estado de la interfaz de usuario se capturan automáticamente en cada paso, lo que genera un seguimiento de auditoría revisable sin instrumentación adicional. Infraestructura y persistencia. Amazon ECS en AWS Fargate ejecuta la aplicación, Amazon S3 almacena artefactos de evidencia, Amazon DynamoDB mantiene el estado de los reclamos y los resultados de los análisis, y Amazon CloudWatch proporciona visibilidad operativa.
El siguiente diagrama muestra cómo encajan los diferentes componentes para automatizar la ingesta de FNOL:
La arquitectura está intencionalmente dividida en capas para separar la interacción del portal, el razonamiento del dominio, la observabilidad de la ejecución y las preocupaciones de infraestructura, al tiempo que preserva un único flujo de trabajo de admisión de FNOL de extremo a extremo. La automatización del navegador impulsada por agentes opera en la parte superior de la pila, interactuando con el portal FNOL exactamente como lo haría un revisor humano. Los agentes de Strands aplican de forma independiente el razonamiento específico del dominio, mientras que la infraestructura de AWS proporciona la base administrada para la ejecución, la persistencia y la visibilidad operativa.
Interacción del navegador con Nova Act y AgentCore Browser Tool
Nova Act es responsable de observar e interactuar con la interfaz de usuario del portal FNOL, sin incorporar ninguna lógica de dominio ni toma de decisiones. Al ejecutarse dentro de una sesión de AgentCore Browser Tool y conectarse al navegador mediante el protocolo Chrome DevTools (CDP), Nova Act analiza el estado actual de la interfaz de usuario en tiempo real. Navega por colas de reclamos, identifica secciones de evidencia no procesadas, invoca acciones Analizar imágenes, Analizar videos y Analizar audio, interactúa con cuadros de diálogo modales y se desplaza solo cuando es necesario para evitar cambios no deseados en la interfaz de usuario. Este enfoque permite que la automatización se comporte como un revisor humano cuidadoso: observa lo que se ve en la pantalla, decide qué acción es apropiada y actúa deliberadamente basándose en el estado actual en lugar de repetir pasos predefinidos o guiones frágiles.
Observabilidad y auditabilidad de la ejecución.
Debido a que AgentCore Browser ejecuta acciones a través de una sesión de navegador administrada, cada interacción es observable y rastreable por diseño. A medida que se ejecuta la automatización, las acciones se pueden observar en vivo a través de la sesión del Protocolo Chrome DevTools (CDP), lo que brinda visibilidad en tiempo real de cómo el agente interactúa con el portal FNOL.
En cada punto de decisión, las capturas de pantalla se capturan automáticamente, mientras que las indicaciones, las decisiones y las transiciones de estado de la interfaz de usuario se registran como metadatos estructurados. Juntos, estos artefactos forman un rastro de ejecución completo que hace que el comportamiento del agente sea transparente y revisable. Siempre es posible determinar qué vio el agente en la pantalla, por qué se tomó una acción específica, qué evidencia se procesó y qué conclusiones se derivaron como resultado.
Esto produce un seguimiento de auditoría natural sin necesidad de instrumentación adicional ni registros personalizados. Esta es una capacidad esencial en entornos de seguros regulados donde la explicabilidad, la trazabilidad y la responsabilidad operativa son tan importantes como la automatización misma.
Realizar capturas de pantalla durante la ejecución del agente
En este prototipo, la automatización del navegador se configura con un directorio de registro específico de la sesión. A medida que el agente ejecuta cada paso de act(), Nova Act captura el estado visible del navegador y conserva las capturas de pantalla junto con los metadatos de los pasos, como indicaciones, marcas de tiempo e identificadores de acción.
Estos artefactos admiten tanto la resolución de problemas operativos (al revelar exactamente lo que observó el agente cuando encontró estados inesperados de la interfaz de usuario) como la auditoría o revisión posterior a la ejecución, sin depender de grabaciones de pantalla continuas. Cada ejecución genera una carpeta aislada con marca de tiempo que contiene capturas de pantalla y registros. Esto hace que las ejecuciones sean reproducibles, inspeccionables y claramente atribuibles a una sesión específica.
Procesamiento y almacenamiento posteriores en AWS
Una vez analizadas y etiquetadas las pruebas, los servicios de AWS proporcionan la base duradera necesaria para conservar los resultados, mantener el estado de las reclamaciones y respaldar la visibilidad operativa durante todo el flujo de trabajo de admisión.
Los dos agentes basados en Strands manejan todo el procesamiento basado en el razonamiento independientemente de la interfaz de usuario. El agente Evidence Analyzer realiza análisis de evidencia multimodal a través de imágenes, videos y transcripciones con etiquetado de metadatos estructurados, y el agente Claims Complexity Analyzer evalúa la complejidad de las reclamaciones utilizando herramientas especializadas. Los artefactos analizados, los resúmenes y los resultados de etiquetado se almacenan en Amazon S3, mientras que el estado de las reclamaciones, las referencias de evidencia y los resultados generados por el agente se mantienen en Amazon DynamoDB para preservar un registro completo y consultable de lo que se observó e infirió.
Los registros operativos, las métricas y los seguimientos de ejecución se capturan a través de Amazon CloudWatch, lo que brinda visibilidad del comportamiento del sistema y respalda los requisitos de monitoreo, solución de problemas y auditoría. Juntos, estos componentes transforman los envíos FNOL sin procesar en entradas estructuradas y listas para tomar decisiones en el momento de la ingesta, antes de que las reclamaciones se envíen o escale para una revisión adicional. Esto garantiza que los procesos posteriores reciban información coherente, rica en contexto y rastreable desde el principio.
Con la arquitectura implementada, el resto de esta publicación sigue el sistema tal como funciona en la práctica. Las siguientes secciones recorren una única secuencia de admisión de FNOL a medida que se desarrolla en el portal en vivo, comenzando en la cola de FNOL y avanzando a través del análisis de evidencia y la clasificación de complejidad. Cada paso se ilustra utilizando grabaciones de automatización del navegador reales y capturas de pantalla capturadas durante la ejecución, lo que muestra cómo la automatización agente y el razonamiento de dominio funcionan juntos en tiempo real.
De la cola FNOL a la selección de reclamos
El flujo de trabajo comienza en la cola FNOL. Nova Act observa el estado del portal en vivo a través de la sesión de la herramienta de navegación AgentCore, identifica el siguiente reclamo listo para procesar en función de indicadores de estado visibles y navega a la vista detallada del reclamo. Debido a que la decisión se basa en el estado actual de la interfaz de usuario en lugar de scripts pregrabados o selectores codificados, la misma lógica maneja nuevos diseños de cola, columnas reordenadas o cambios en el recuento de filas sin modificaciones.
La siguiente captura de pantalla muestra la cola exactamente como Nova Act la observó durante una ejecución representativa. La automatización se basa en elementos visibles de la interfaz de usuario, como filas de reclamos e indicadores de estado, para determinar la siguiente acción elegible. La captura de pantalla se captura automáticamente como parte del registro de ejecución y sirve como artefacto de solución de problemas y como registro de auditoría.
Con el reclamo seleccionado y su vista detallada cargada, el flujo de trabajo pasa de la gestión de colas al procesamiento de admisión. En esta etapa, la vista detallada ha terminado de representarse y se identifican las secciones de evidencia disponibles, lo que establece la siguiente fase de análisis de evidencia estructurada.
Análisis de evidencia: revisión estructurada entre modalidades
La revisión de la evidencia es donde la ingesta de FNOL generalmente se ralentiza. La grabación de ejecución resalta esto al mostrar tres acciones distintas, Analizar imágenes, Analizar videos y Analizar audio, cada una correspondiente a una ruta de revisión separada. Esto refleja cómo un examinador humano evalúa la evidencia de una modalidad a la vez en lugar de tratar todos los artefactos de manera uniforme.
En esta etapa, las responsabilidades se dividen claramente. Nova Act gestiona el flujo de control de la interfaz de usuario, determina cuándo está lista la evidencia, invoca la acción de análisis adecuada y espera a que se complete. Los Strands Agents se ejecutan en el lado del servidor, aplicando razonamientos específicos de seguros con reglas comerciales codificadas que reflejan cómo un revisor humano interpretaría cada artefacto. Esta separación es intencional. La orquestación de la interfaz de usuario determina cuándo y dónde debe realizarse el análisis, mientras que el razonamiento de dominio determina qué significa la evidencia. El resultado refleja cómo trabajan los examinadores humanos: primero identifican la evidencia disponible y luego la interpretan, mientras permiten que cada paso se ejecute a la velocidad de la máquina y con total trazabilidad.
La siguiente captura de pantalla muestra la sección de evidencia tal como Nova Act la observa antes de que comience el análisis. Los controles como Analizar imágenes, Analizar vídeos y Analizar audio se detectan en función del estado actual de la interfaz de usuario en lugar de selectores codificados.
Analizar imágenes: etiquetado de evidencia visual
Cuando se invoca Analizar imágenes, cada imagen enviada se evalúa de forma independiente. Los agentes de Strands aplican reglas comerciales específicas de seguros que reflejan cómo los revisores experimentados interpretan la evidencia visual. Esto incluye identificar lo que representa la imagen (por ejemplo, daños al vehículo, superficie del techo, revestimiento, interior o documentación médica), evaluar si la perspectiva es apropiada para el tipo de reclamo, confirmar la claridad y usabilidad y marcar indicadores de daños. En lugar de dejar esta interpretación implícita, cada imagen está etiquetada con atributos estructurados que hacen que el juicio humano sea explícito, consistente y reutilizable durante todo el ciclo de vida del reclamo.
La siguiente captura de pantalla captura el estado de la interfaz de usuario cuando se inicia el análisis de imágenes, con el conjunto de imágenes y los controles de análisis visibles para la automatización y registrados como parte del seguimiento de ejecución. Una vez activado el análisis, el modal se abre y presenta las imágenes enviadas mientras los agentes de Strands evalúan cada una en segundo plano. La captura de pantalla muestra este estado en progreso, con evidencia de imagen visible en la pantalla a medida que se aplica la evaluación.
Analizar vídeos: tratar el movimiento como evidencia de primera clase
Cuando se invoca Analizar videos, los envíos de videos se evalúan como evidencia, no como archivos adjuntos opacos. Los agentes de Strands evalúan lo que captura cada video: si agrega información más allá de las imágenes fijas, complementa las fotos que faltan o corrobora o contradice otros artefactos. Luego, las señales derivadas de video se etiquetan y normalizan para participar directamente en el razonamiento posterior junto con imágenes y documentos, en lugar de ser tratadas como un paso de revisión manual o secundario.
La siguiente captura de pantalla captura el estado del portal cuando se activa el análisis de video, preservando el contexto de la interfaz de usuario para que la evaluación del video siga siendo completamente rastreable y auditable.
Cuando se invoca Analizar audio, el sistema procesa evidencia de audio a través de las transcripciones de llamadas correspondientes en lugar de audio sin procesar directamente. Para cada grabación de audio, se recupera una transcripción de texto correspondiente. Luego, el agente Evidence Analyzer Strands analiza el texto de la transcripción para extraer observaciones materiales y declaraciones fácticas, daños o condiciones reportados y detalles contextuales que complementan la evidencia visual o basada en documentos.
Las señales transcritas luego se correlacionan con etiquetas de imágenes y videos, reflejando cómo un revisor humano cruza el contexto hablado con pruebas visuales durante la ingesta. La siguiente captura de pantalla captura el estado del portal cuando se activa el análisis de audio, con la transcripción visible para la automatización.
En conjunto, los pasos Analizar imágenes, Analizar videos y Analizar audio producen un registro de ingesta en capas y revisable. AgentCore Browser Tool captura capturas de pantalla y la actividad de la sesión en cada paso. Nova Act registra las indicaciones, el razonamiento y las acciones tomadas en respuesta al estado actual de la interfaz de usuario. Los agentes de Strands conservan las etiquetas estructuradas y el razonamiento de clasificación producido para cada artefacto.
El resultado es una pista de auditoría completa de lo que estaba en la pantalla, por qué actuó el agente y cómo se interpretó la evidencia, todo lo cual se genera como un subproducto de la ejecución y no a través de instrumentación adicional.
Por qué es importante este paso
Al final del análisis de la evidencia, cada artefacto de imagen, video y audio ha sido evaluado y etiquetado. Ninguna evidencia permanece sin clasificar y la calidad, relevancia y exhaustividad se hacen explícitas en lugar de inferirse.
Esto transforma los envíos FNOL sin procesar en entradas estructuradas y listas para tomar decisiones antes de que se produzca el enrutamiento posterior, el escalamiento o la revisión manual. Esto prepara el escenario para la evaluación de la complejidad de la reclamación presentada en el siguiente paso.
Análisis de complejidad: de la evidencia etiquetada a las decisiones de clasificación
Con la evidencia completamente etiquetada, el agente evalúa cada reclamo de manera integral. En lugar de depender únicamente de campos de admisión estáticos, Strands Agents combina metadatos de reclamos con señales derivadas de evidencia observadas durante la admisión para evaluar la complejidad utilizando reglas que ya son familiares para las operaciones de seguros. Estos incluyen indicadores de gravedad en todas las modalidades, integridad de la evidencia y coherencia interna, y umbrales de políticas que determinan la escalada o el enrutamiento.
Debido a que esta evaluación se basa en lo que se presentó y se observó, la clasificación de la complejidad refleja el verdadero estado del reclamo en lugar de las suposiciones hechas en el momento de la presentación. Las reclamaciones se clasifican en simples o complejas. Los reclamos simples se resuelven automáticamente, mientras que los reclamos complejos se envían al estado "Necesita revisión" con notas estructuradas generadas automáticamente que explican por qué se marcó el reclamo. Estas notas proporcionan un contexto inmediato y procesable para los usuarios intermedios.
Estas capturas de pantalla capturan el estado del portal una vez completado el análisis de complejidad. Las señales derivadas de la evidencia aparecen junto con notas estructuradas, lo que hace que el fundamento de la clasificación sea transparente, revisable y auditable.
Por qué esto es importante para las compañías de seguros
Al posponer la participación humana hasta que se haya evaluado la complejidad, la experiencia se aplica en el momento adecuado, en la interpretación, el juicio y la resolución, en lugar de la validación inicial. Los reclamos sencillos avanzan sin fricciones innecesarias, mientras que los casos complejos surgen tempranamente con el contexto ya establecido. Esto reduce la contaminación de las colas, evita la escalada en las últimas etapas y mejora la previsibilidad tanto durante las operaciones en estado estable como durante los picos de volumen.
Humano en el circuito, no humano en la maleza
Este sistema no elimina personas del proceso. Cambia el lugar donde participan. Con la evidencia ya analizada y etiquetada, los ajustadores comienzan su trabajo con el contexto en lugar de con artefactos en bruto. La revisión reemplaza el reprocesamiento. Las correcciones se convierten en retroalimentación en lugar de reelaboración.
Con el tiempo, esta retroalimentación mejora las reglas comerciales de manera incremental a medida que surgen patrones en los reclamos. La ingesta de FNOL evoluciona de un cuello de botella a un sistema de aprendizaje, uno que refina continuamente cómo se interpreta, dirige y actúa sobre la evidencia sin aumentar la carga operativa.
Por qué esto es importante para las compañías de seguros
Este enfoque cambia fundamentalmente dónde y cuándo se aplica la experiencia en el ciclo de vida de las reclamaciones. Al estructurar la evidencia multimodal en el momento de la ingesta, los transportistas reducen el tiempo de manipulación de la admisión al evaluar automáticamente su integridad y relevancia. Los reclamos avanzan más rápido, especialmente durante los aumentos de volumen, porque menos presentaciones se estancan en el proceso esperando la validación.
La interpretación de la evidencia se vuelve más consistente y menos dependiente de la experiencia individual del revisor. Las brechas se identifican tempranamente, lo que reduce las correcciones y retrabajos posteriores. Igualmente importante es que los ajustadores experimentan menos fatiga cognitiva y pueden centrarse en las decisiones en lugar de en la validación. Estas capacidades funcionan sin reemplazar los sistemas existentes ni interrumpir los flujos de trabajo establecidos. La automatización funciona con los portales en los que ya confían los operadores.
Más allá de FNOL: el valor de la evidencia no estructurada etiquetada
Si bien FNOL es el punto de entrada, el valor de la evidencia estructurada y etiquetada se extiende a lo largo de todo el ciclo de vida de los reclamos. Una vez que los artefactos no estructurados se interpretan y etiquetan consistentemente en el momento de la ingestión, dejan de comportarse como archivos adjuntos estáticos y comienzan a funcionar como señales operativas.
Las reclamaciones pueden dirigirse basándose en lo que la evidencia realmente muestra en lugar de depender de campos de admisión aproximados o de clasificación manual. Los flujos de trabajo posteriores llegan precargados con contexto, incluidos indicadores de daños, señales de integridad y evidencia que lo corrobora. Esto reduce la fricción en cada transferencia y minimiza la necesidad de revalidación. A medida que surgen patrones en los reclamos, la guía de recopilación de evidencia mejora orgánicamente, lo que ayuda a los transportistas a identificar brechas comunes y ajustar las expectativas de admisión antes de que esas brechas generen retrasos posteriores.
Con el tiempo, las afirmaciones históricas se vuelven analizables en función de lo que realmente se presentó y observó, no sólo en cómo se etiquetaron las afirmaciones en el momento de la admisión. Esto permite una visión operativa más profunda de los impulsores del tiempo del ciclo, los patrones de escalamiento y la calidad de la evidencia en todas las regiones, peligros y tipos de reclamos. La evidencia etiquetada convierte archivos no estructurados en datos reutilizables y consultables que respaldan mejores decisiones sin cambiar los límites de cumplimiento, la autoridad de decisión o los sistemas centrales.
El resultado no es sólo un procesamiento FNOL más rápido, sino también una base para operaciones de reclamaciones más adaptables y basadas en evidencia.
Conclusión
En esta publicación, mostramos cómo un sistema de admisión FNOL manos libres combina Strands Agents con Amazon Bedrock AgentCore Browser Tool y Amazon Nova Act para estructurar evidencia multimodal en el momento en que ingresa al sistema. FNOL pasa de ser un cuello de botella de validación a un punto de aceleración. Los reclamos avanzan con el contexto ya establecido. Las decisiones de enrutamiento se basan en lo que realmente se envió. Las escaladas ocurren antes y de manera más predecible. Los casos sencillos avanzan sin manipulación innecesaria.
Este cambio no depende de reemplazar portales, reescribir sistemas existentes o alterar la autoridad de decisión. Proviene de hacer explícita la interpretación de la ingesta (cómo se evalúa la evidencia, qué señales son significativas y cómo las brechas afectan el procesamiento posterior) y aplicar esa interpretación de manera consistente en el momento de la ingesta. Lo que anteriormente se volvió a derivar mediante repetidas revisiones manuales se vuelve estructurado, duradero y reutilizable.
El resultado no es la automatización por sí misma, sino un uso más eficaz del juicio. La interpretación ocurre una vez. La evidencia está etiquetada de una manera que persiste. Esas señales viajan con el reclamo en lugar de ser redescubiertas en cada etapa. La ingesta de FNOL mejora a través de señales más claras y un mejor flujo, lo que permite que los procesos posteriores comiencen con el contexto en lugar de la incertidumbre.
Para explorar este enfoque en su propio entorno, implemente el prototipo desde el repositorio de GitHub y obtenga más información en la documentación de Amazon Bedrock AgentCore, la documentación de Amazon Nova Act y la documentación de Strands Agents.
Sobre el autor
Piyali Kamra
Piyali es un arquitecto empresarial experimentado y un tecnólogo práctico que tiene más de dos décadas de experiencia en la construcción y ejecución de proyectos de TI empresariales a gran escala en todas partes geográficas. Ella cree que construir sistemas empresariales a gran escala no es una ciencia exacta, sino más bien un arte, donde no siempre se puede elegir la mejor tecnología que se nos ocurra, sino que las herramientas y tecnologías deben seleccionarse cuidadosamente en función de la cultura, las fortalezas, las debilidades y los riesgos del equipo, además de tener una visión futurista de cómo desea darle forma a su producto dentro de unos años.