de los empleados no entiende por completo lo que cubre su seguro. Y 72% quiere que su empresa se lo explique a su medida.
MetLife, Employee Benefit Trends Study 2025 (2,500 empleados) (abre en otra pestaña)How it works
De la póliza a la respuesta, sin inventar nada en medio.
Aura solo sabe lo que dice la póliza. La lee, busca ahí y responde citando. Cuando la cláusula no existe, no la inventa: lo dice y escala a una persona.
Policy Intelligence Engine
Our IP9 layers · 3 flows · Aura Eval 1.0
The Problem
La gente no entiende su seguro, y la IA genérica lo inventa.
En seguros, una respuesta equivocada tiene precio: un deducible que no existe, una cobertura que el empleado da por hecha, una exclusión que nadie le dijo. Hoy nadie se la explica, y un chatbot genérico responde con seguridad aunque no sepa. Quien responde, en los dos casos, es tu empresa.
de quienes se quejaron por su seguro de gastos médicos dice que nunca le explicaron exclusiones, periodos de espera, deducible ni coaseguro.
CONDUSEF, Convención AMIS 2025 (45,402 encuestas, 2023–2025) (abre en otra pestaña)de quienes llegan a CONDUSEF por su seguro lo hace porque no quedó conforme con la explicación de su aseguradora. Es el motivo número uno.
CONDUSEF, Convención AMIS 2025 (45,402 encuestas, 2023–2025) (abre en otra pestaña)de las empresas ve la inexactitud de la IA como un riesgo relevante: el más citado, por encima de ciberseguridad.
AI Index 2026, Stanford HAI, Fig. 3.3.5, p. 142 (encuesta McKinsey 2025) (abre en otra pestaña)de respuestas con alucinaciones en las herramientas legales de IA más usadas, aun las que prometían eliminarlas leyendo documentos.
Stanford RegLab y HAI · Journal of Empirical Legal Studies, 2025 (abre en otra pestaña)de las respuestas de cinco chatbots populares a preguntas de salud fueron problemáticas; casi 20%, muy problemáticas.
BMJ Open, 2026 (abre en otra pestaña)es lo que aprenden los modelos: en las pruebas con que se entrenan, una respuesta inventada puede sumar puntos y un «no sé» nunca suma.
Kalai et al., «Why Language Models Hallucinate», OpenAI, 2025 (abre en otra pestaña)es la empresa por lo que su chatbot inventa sobre sus políticas: un tribunal rechazó que el bot fuera «otra entidad».
Moffatt v. Air Canada, 2024 BCCRT 149 (abre en otra pestaña)Why it holds
Por eso construimos un IP propio, no un chatbot más.
El Policy Intelligence Engine no confía en la memoria del modelo. Seis salvaguardas, todas medibles, sostienen cada respuesta.
01Pólizas reales, revisadas
Cada documento entra identificado y lo revisa una persona antes de que Aura lo use. Nada sale de internet ni de la memoria del modelo.
02Su póliza, su plan
La respuesta sale de la póliza de quien pregunta y de su plan, con el endoso que modifica la regla por delante de la condición general.
03Cita o lo dice
Toda respuesta trae la cláusula de donde sale. Si ninguna la sostiene, Aura no lo afirma: lo dice y lo pasa a una persona.
04Cada cifra, comprobada
Montos, porcentajes y plazos se contrastan contra la cláusula que se cita. Lo que no cuadra se marca y se revisa.
05Un juez que no es el que responde
Un evaluador independiente califica cada mes 365 escenarios con criterios de nuestro equipo de seguros, revisados en rondas de auditoría externa. Cada póliza nueva trae sus propias pruebas.
06Un número con fecha
Aura Eval 1.0: 94.7% en 322 escenarios de comportamiento, versionado. Si algo falla, se corrige y queda como prueba para siempre.
The Engine
Un motor, tres flujos.
Así funciona por dentro. En el centro vive la póliza de cada persona: sus planes, endosos y vigencias. Alrededor corren tres flujos: uno la alimenta, otro responde con ella y otro la audita cada mes. Nueve capas, construidas para entender cómo está armada una póliza mexicana.
TriggeredDocumentos de la pólizaCarátula · condiciones · endosos · anexos
Policy IntakeAseguradora, ramo, número y plan
Clause MappingCláusula por cláusula, con su endoso
Semantic IndexPor significado y por palabra exacta
Policy Intelligence EngineLiving Policy CoreLa póliza viva de cada personaPlanesEndososVigenciasPersonasIngestion · escribiendoDocumentos de la pólizaAnswer · respondiendoPrecision RetrievalTrust · auditandoSelf-Improving Loop
TriggeredTrust AuditCada mes · 365 escenarios
RunningSelf-Improving LoopCada falla, corregida y vuelta prueba
TriggeredPregunta del empleado«¿Mi seguro cubre el parto?»
RunningPrecision Retrieval5 cláusulas · 3.7 Maternidad
Grounded ReasoningLee la cláusula, no la memoria
Claim Check¿Lo sostiene la póliza?
Responde y cita [1]Ayuda de maternidad: $30,000
Lo dice y escalaA Recursos Humanos o a su agente
Privacy by Design
- Aislado por tenant
- Uso agregado
- Salud con consentimiento
- Zero Training
- Derechos ARCO · LFPDPPP
- Infraestructura SOC 2 · ISO 27001
Grounded, not generated
No es un chatbot con OCR.
Leer el PDF es lo fácil. Lo difícil es no inventar sobre la cobertura. Un asistente genérico responde de memoria y puede inventarse un deducible; Aura responde con el texto de la póliza o admite que no lo tiene.
| Chatbot con OCR | Aura | |
|---|---|---|
| Source of truth | ×De la memoria del modelo; puede inventar. | ✓De la cláusula de la póliza, citada. |
| Cifras exactas | ×Inventa deducibles, topes y periodos. | ✓Sin sustento en la póliza, no afirma la cifra. |
| Accuracy | ×No se mide. "Confía en mí". | ✓Trust Audit mensual: 365 escenarios versionados, cada corrida con fecha. |
| Data isolation | ×Un prompt genérico, compartido. | ✓Aislados por empresa. Nunca entrenan modelos. |
| Guardrails | ×Responde cualquier cosa. | ✓No diagnostica ni asesora legalmente; en crisis, escala a una persona. |
Trust Audit
Lo medimos antes de ponerlo frente a un asegurado.
- 0
- escenarios de prueba versionados: 14 ramos de seguro, 29 categorías de comportamiento y 8 de red teaming.
- 0.7%
- de respuestas correctas en 322 escenarios de comportamiento.
- 0/31
- datos exactos por póliza: sumas, deducibles, teléfonos, vigencia.
Aciertos por categoría de comportamiento · Aura Eval 1.0
Crisis protocol10/10
Security11/11
Prompt injection8/8
Social engineering9/9
Conversaciones largas11/11
Validez legal6/6
Exclusiones22/22
Preguntas trampa13/15
Datos personales10/12
Built the hard way
Meses de prueba y error para que el número sea alto y sea verdad.
- +330iteraciones del motor desde junio de 2026
- 3rondas de auditoría externa e independiente
- +450pruebas automáticas que corren en cada cambio
- 47/47preguntas donde la cláusula correcta sale primero
Aura Eval 1.0: banco de escenarios propio, versionado y congelado el 7 de octubre de 2026, con intentos de manipulación y preguntas cuya respuesta correcta es admitir que el dato no está. Se vuelve a correr cada mes contra el motor completo; cada corrida queda registrada con su versión. Las cifras exactas se miden aparte, póliza por póliza.
Compraste el seguro. Ahora haz que tu gente lo aproveche.
Te la mostramos con tu propia póliza, en veinte minutos.