Inteligencia artificial aplicada al proceso FNOL. Clasifica el daño, estima la reserva técnica y define la ruta de resolución antes de que el perito llegue a terreno.
| Componente | Severidad | Costo estimado | Acción |
|---|
Esto es una demo interactiva de Vora, no un producto en venta. Corre entera en tu navegador, sobre datos ficticios, y existe para mostrar en concreto —no en una lámina de PowerPoint— el tipo de artefacto de software que construimos.
Cada pieza del marketplace ataca un problema real de un sector donde ya entregamos: son posibilidades de lo que podemos construir sobre tu operación, con tus datos, tus reglas y tus integraciones. Lo que ves aquí en unos segundos, en producción es un proyecto acotado y medible.
Qué está corriendo de verdad en esta página, con qué números, y qué no.
Al enviar el reporte, un score de severidad compuesto se calcula en el
navegador a partir de cuatro entradas reales del formulario: el tipo de siniestro
elegido, la antigüedad del vehículo, el valor asegurado y un hash determinístico de
la descripción escrita. Es una fórmula ponderada real, no una tabla fija ni
Math.random().
De ese score salen, también por fórmula, la reserva técnica, el mapa de daños, la ruta de proceso y el desglose de componentes: todo se deriva del mismo número.
Reporte → «análisis» → tablero. La pantalla de análisis muestra un texto que dice
«Motor de visión computacional + modelo FNOL activo» y una animación de
píxeles, pero corre sobre un cronograma fijo de 5 segundos
(setTimeout); no espera a que nada termine de calcularse porque el
cálculo real toma milisegundos.
El único componente aleatorio es el número del ID de caso (Math.random())
y el brillo cosmético de la animación de píxeles — ninguno de los dos entra en la
severidad ni en la reserva.
Muestra la forma de un triaje FNOL: intake del siniestro, severidad, reserva técnica, mapa de daños por zona y ruta de proceso recomendada según la gravedad —el armazón de decisión que usaría un ajustador o un flujo de autogestión.
Es el andamiaje que un proyecto real llenaría con un modelo entrenado sobre daños reales y datos de póliza vigentes.
Para producción faltaría: un modelo de visión computacional entrenado sobre fotos reales de daños para estimar severidad y piezas afectadas, integración con el historial del vehículo y el sistema de pólizas, un modelo de reserva técnica calibrado contra siniestros históricos, y revisión humana obligatoria en los casos de daño grave o pérdida total.
Esta demo se construyó como pieza de muestra. Una versión productiva sobre tu proceso FNOL, con un modelo entrenado sobre tus propios siniestros y conectada a tu sistema de pólizas, es un proyecto acotado y medible.
