Comment l'IA générative redéfinit la modélisation des catastrophes dans l'assurance

L'industrie de l'assurance connaît un virage technologique massif alors que les modèles de catastrophes traditionnels, basés sur la physique, font face à la concurrence de l'IA générative avancée. En utilisant des modèles de diffusion pour simuler des événements météorologiques extrêmes, les entreprises tentent de combler le fossé de données entre les archives historiques et les réalités climatiques futures.

Briser la barrière de la résolution avec les modèles de diffusion

Pendant des décennies, la modélisation des catastrophes (cat modeling) s'est appuyée sur des équations physiques pour simuler la gravité, la friction et les flux à travers des cellules de grille géographique. Cependant, ces modèles sont confrontés à un arbitrage constant entre coût de calcul et résolution. Les modèles à haute résolution sont prohibitifs à exécuter sur de vastes zones, forçant un compromis entre détail et couverture.

L'IA générative modifie fondamentalement cette équation. Fathom, une filiale de Swiss Re, est pionnière dans l'utilisation des modèles de diffusion pour surmonter ces limites. En entraînant un outil de diffusion sur environ 1 000 ans de simulations climatiques existantes, Fathom peut générer synthétiquement des dizaines de milliers d'années de scénarios météorologiques projetés pour un climat de 2030. Pour résoudre le problème de résolution, ils emploient un modèle secondaire d'accentuation d'image qui affine des données grossières de 100 × 100 kilomètres jusqu'à une résolution précise de 10 × 10 kilomètres, permettant une cartographie beaucoup plus précise des régimes de précipitations.

Nouvelles frontières de la variabilité spatiale et des risques de queue

L'application de l'IA s'étend au-delà de la simple génération météorologique pour atteindre la modélisation multi-risques complexe. Le leader du secteur Verisk utilise désormais l'IA générative pour modéliser simultanément les vents extrêmes et la pluie, plutôt que de manière séquentielle. Cette approche permet une variabilité spatiale beaucoup plus élevée, capturant la manière dont les différents éléments météorologiques interagissent en temps réel.

D'autres acteurs se concentrent sur l'analyse post-événement et les événements de « risque de queue » — des occurrences catastrophiques rares qui manquent de données historiques suffisantes pour être traitées par les modèles traditionnels. Moody's RMS, par exemple, utilise l'IA pour analyser l'imagerie satellite après des incendies de forêt et des ouragans afin d'estimer les pertes assurées. Cette capacité à modéliser « l'invisible » est cruciale à une époque de volatilité climatique croissante.

Les risques : hallucinations physiques et biais économiques

Malgré le potentiel, l'intégration de l'IA générative dans l'évaluation des risques n'est pas sans dangers importants. Le principal obstacle technique est l'« hallucination ». Comme les modèles de diffusion privilégient la plausibilité par rapport à l'exactitude physique, ils peuvent générer des événements météorologiques qui semblent réalistes mais violent les lois fondamentales de la physique — un phénomène que le directeur scientifique de Fathom, Oliver Wing, décrit comme une « imprécision totale ».

De plus, un conflit imminent existe entre l'exactitude scientifique et la logique commerciale des entreprises. Bien que de meilleurs modèles puissent théoriquement étendre la couverture à des régions à haut risque comme le Brésil ou le Bangladesh, il existe une incitation inhérente pour les assureurs à favoriser les modèles qui produisent des estimations de pertes plus faibles. Si un modèle d'IA révèle que les risques sont nettement plus élevés qu'on ne le pensait auparavant, cela pourrait nécessiter des tampons de capital plus importants, ralentissant potentiellement la croissance de l'entreprise. Cela crée une tension où la recherche d'une meilleure science peut entrer en conflit avec l'objectif de souscription consistant à souscrire davantage de contrats.

Points clés

• Résolution améliorée : Les modèles de diffusion et les techniques d'accentuation permettent aux modélisateurs de passer d'une résolution de 100 km à 10 km, offrant des détails beaucoup plus fins pour les régimes de précipitations et de vent.
• Combler le fossé de données : L'IA générative peut synthétiser des milliers d'années de données climatiques synthétiques, aidant les assureurs à se préparer à des événements de « risque de queue » sans précédent historique.
• Défis critiques : L'industrie doit naviguer entre le risque technique des « hallucinations physiques » et le risque économique d'une sélection de modèles biaisée par des incitations commerciales.