Cómo la IA generativa está redefiniendo la modelización de catástrofes en los seguros

La industria de los seguros está experimentando un cambio tecnológico masivo a medida que los modelos de catástrofes tradicionales basados en la física se enfrentan a la competencia de la IA generativa avanzada. Al utilizar modelos de difusión para simular eventos meteorológicos extremos, las empresas intentan cerrar la brecha de datos entre los registros históricos y las realidades climáticas futuras.

Rompiendo la barrera de la resolución con modelos de difusión

Durante décadas, la modelización de catástrofes (cat modeling) ha dependido de ecuaciones basadas en la física para simular la gravedad, la fricción y el flujo a través de celdas de una cuadrícula geográfica. Sin embargo, estos modelos se enfrentan a una lucha constante entre el coste computacional y la resolución. Los modelos de alta resolución son prohibitivamente caros de ejecutar en áreas extensas, lo que obliga a un compromiso entre el detalle y la cobertura.

La IA generativa está alterando fundamentalmente esta ecuación. Fathom, una filial de Swiss Re, es pionera en el uso de modelos de difusión para superar estas limitaciones. Al entrenar una herramienta de difusión con aproximadamente 1.000 años de simulaciones climáticas existentes, Fathom puede generar sintéticamente decenas de miles de años de escenarios meteorológicos proyectados para un clima de 2030. Para resolver el problema de la resolución, emplean un modelo secundario de nitidez de imagen que refina los datos toscos de 100 × 100 kilómetros hasta una resolución precisa de 10 × 10 kilómetros, lo que permite un mapeo de los patrones de precipitación mucho más exacto.

Nuevas fronteras en la variabilidad espacial y el riesgo de cola (tail-risk)

La aplicación de la IA se extiende más allá de la simple generación de meteorología hacia la modelización compleja de múltiples riesgos (multi-hazard modeling). El líder del sector, Verisk, utiliza ahora la IA generativa para modelar vientos y lluvias extremas de forma simultánea, en lugar de secuencial. Este enfoque permite una variabilidad espacial mucho mayor, capturando cómo interactúan los diferentes elementos meteorológicos en tiempo real.

Otros actores se centran en el análisis post-evento y en los eventos de "riesgo de cola" (tail-risk): sucesos catastróficos poco frecuentes que carecen de datos históricos suficientes para que los modelos tradicionales los procesen. Moody's RMS, por ejemplo, utiliza la IA para analizar imágenes de satélite tras incendios forestales y huracanes para estimar las pérdidas aseguradas. Esta capacidad de modelar lo "invisible" es fundamental en una era de creciente volatilidad climática.

Los riesgos: alucinaciones físicas y sesgos económicos

A pesar del potencial, la integración de la IA generativa en la evaluación de riesgos no está exenta de peligros significativos. El principal obstáculo técnico es la "alucinación". Debido a que los modelos de difusión priorizan la plausibilidad sobre la precisión física, pueden generar eventos meteorológicos que parecen realistas pero que violan las leyes fundamentales de la física, un fenómeno que el director científico de Fathom, Oliver Wing, describe como "absoluta basura" (absolute slop).

Además, existe un conflicto latente entre la precisión científica y la lógica de ventas corporativas. Si bien modelos mejores podrían, teóricamente, ampliar la cobertura a regiones de alto riesgo como Brasil o Bangladesh, existe un incentivo inherente para que las aseguradoras favorezcan los modelos que produzcan estimaciones de pérdidas más bajas. Si un modelo de IA revela que los riesgos son significativamente mayores de lo que se pensaba anteriormente, podría requerir mayores colchones de capital, lo que potencialmente frenaría el crecimiento del negocio. Esto crea una tensión en la que la búsqueda de una mejor ciencia puede chocar con el objetivo de suscripción de generar más negocio.

Conclusiones clave

• Resolución mejorada: Los modelos de difusión y las técnicas de nitidez están permitiendo a los modeladores pasar de una resolución de 100 km a una de 10 km, proporcionando detalles mucho más finos para los patrones de precipitación y viento.
• Resolución de la brecha de datos: La IA generativa puede sintetizar miles de años de datos climáticos sintéticos, ayudando a las aseguradoras a prepararse para eventos de "riesgo de cola" (tail-risk) que no tienen precedentes históricos.
• Desafíos críticos: La industria debe sortear el riesgo técnico de las "alucinaciones físicas" y el riesgo económico de una selección de modelos sesgada, impulsada por incentivos de ventas.