Índice de automatización
¿Cuánto del trabajo de un Suscriptor de seguros puede hacer ya la IA?
Un cuestionario y un tarifado se adelantan. Decir que no a un riesgo que no se ve no.
Este porcentaje no predice cuántas personas perderán su empleo.
Comparación de tareas
IS WORK OVER?
Suscriptor de seguros
25%
Hoy la IA ya puede hacer el 25% de este trabajo.
#253 / 633
Ver rankingSuscriptor de seguros
En qué se va el tiempo
El peso es una estimación nuestra basada en la frecuencia, no un porcentaje de tiempo publicado por O*NET.
El ahorro de cada tarea se estima por separado.
| Tarea | Peso | IA | Puntos |
|---|---|---|---|
Cuestionarios, tarifado y condiciones.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 18% | 48% | +8.6 |
Analizar riesgo, siniestros y reaseguro.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 16% | 32% | +5.1 |
Brokers, mediadores y negociación.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 16% | 22% | +3.5 |
Inspecciones, cláusulas y exclusiones.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 16% | 18% | +2.9 |
Normativa, reservas y documentación.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 18% | 16% | +2.9 |
No aceptar un riesgo que hunde a la compañía.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 16% | 14% | +2.2 |
| Total | 100% | 25% |
Jornada modelada: 100 % · Evidencia pública: 0 % · Estimación: 100 % · Confianza: Baja
Competencias y actividades
- Cuestionarios, tarifado y condiciones
- Analizar riesgo, siniestros y reaseguro
- Brokers, mediadores y negociación
- Inspecciones, cláusulas y exclusiones
- Normativa, reservas y documentación
- suscriptor de seguros
- underwriter
Fuentes del oficio· O*NET 13-2053.00· ESCO/ISCO 3321
IS WORK OVER?
Ingeniero de machine learning
29%
#64 / 633
Ver rankingIngeniero de machine learning
En qué se va el tiempo
El peso es una estimación nuestra basada en la frecuencia, no un porcentaje de tiempo publicado por O*NET.
El ahorro de cada tarea se estima por separado.
| Tarea | Peso | IA | Puntos |
|---|---|---|---|
Entrenar modelos, features y notebooks.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 22% | 48% | +10.6 |
Evaluar, documentar y comparar runs.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 18% | 42% | +7.6 |
Desplegar, monitorizar y retraining.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 16% | 22% | +3.5 |
Hablar con producto sobre qué es un buen error.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 16% | 15% | +2.4 |
Datos sucios, sesgo y límites del modelo.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 14% | 18% | +2.5 |
Guardia, incidencias y rollback.EstimaciónNo hay una cifra pública precisa. Es una estimación propia. | 14% | 16% | +2.2 |
| Total | 100% | 29% |
Jornada modelada: 100 % · Evidencia pública: 0 % · Estimación: 100 % · Confianza: Baja
Competencias y actividades
- Entrenar modelos, features y notebooks
- Evaluar, documentar y comparar runs
- Desplegar, monitorizar y retraining
- Datos sucios, sesgo y límites del modelo
- Guardia, incidencias y rollback
- machine learning engineer
- ingeniero ml
- mlops
Fuentes del oficio· O*NET 15-1221.00· ESCO/ISCO 2511