Bagaimana AI Generatif Mendefinisikan Ulang Pemodelan Katastrofe dalam Asuransi

Industri asuransi sedang mengalami pergeseran teknologi besar-besaran seiring dengan model katastrofe berbasis fisika tradisional yang menghadapi persaingan dari AI generatif tingkat lanjut. Dengan memanfaatkan model difusi untuk mensimulasikan peristiwa cuaca ekstrem, perusahaan-perusahaan berupaya menutup celah data antara catatan historis dan realitas iklim di masa depan.

Menembus Batas Resolusi dengan Model Difusi

Selama beberapa dekade, pemodelan katastrofe (cat) telah mengandalkan persamaan berbasis fisika untuk mensimulasikan gravitasi, gesekan, dan aliran di seluruh sel kisi geografis. Namun, model-model ini menghadapi perjuangan konstan antara biaya komputasi dan resolusi. Model beresolusi tinggi sangat mahal untuk dijalankan di area yang luas, sehingga memaksa adanya kompromi antara detail dan cakupan.

AI generatif secara fundamental mengubah persamaan ini. Fathom, anak perusahaan Swiss Re, sedang mempelopori penggunaan model difusi untuk mengatasi keterbatasan tersebut. Dengan melatih alat difusi pada sekitar 1.000 tahun simulasi iklim yang ada, Fathom dapat menghasilkan puluhan ribu tahun skenario cuaca secara sintetis yang diproyeksikan untuk iklim tahun 2030. Untuk menyelesaikan masalah resolusi, mereka menggunakan model penajaman gambar sekunder yang menyempurnakan data kasar 100 × 100 kilometer menjadi resolusi presisi 10 × 10 kilometer, memungkinkan pemetaan pola presipitasi yang jauh lebih akurat.

Batas Baru dalam Variabilitas Spasial dan Tail-Risk

Penerapan AI meluas melampaui sekadar pembuatan cuaca sederhana ke pemodelan multi-bahaya yang kompleks. Pemimpin industri Verisk kini menggunakan AI generatif untuk memodelkan angin dan hujan ekstrem secara bersamaan, bukan secara berurutan. Pendekatan ini memungkinkan variabilitas spasial yang jauh lebih tinggi, menangkap bagaimana berbagai elemen cuaca berinteraksi secara real-time.

Pemain lain berfokus pada analisis pasca-kejadian dan peristiwa "tail-risk"—kejadian katastrofe langka yang kekurangan data historis yang cukup untuk diproses oleh model tradisional. Moody's RMS, misalnya, memanfaatkan AI untuk menganalisis citra satelit setelah kebakaran hutan dan badai untuk memperkirakan kerugian yang diasuransikan. Kemampuan untuk memodelkan hal yang "tidak terlihat" ini sangat penting di era volatilitas iklim yang terus meningkat.

Risiko: Halusinasi Fisik dan Bias Ekonomi

Terlepas dari potensinya, integrasi GenAI ke dalam penilaian risiko bukannya tanpa bahaya yang signifikan. Hambatan teknis utamanya adalah "halusinasi." Karena model difusi memprioritaskan kemiripan (plausibility) di atas akurasi fisik, mereka dapat menghasilkan peristiwa cuaca yang terlihat realistis tetapi melanggar hukum dasar fisika—sebuah fenomena yang digambarkan oleh direktur ilmiah Fathom, Oliver Wing, sebagai "absolute slop" (kekacauan total).

Selain itu, terdapat konflik yang membayangi antara akurasi ilmiah dan logika penjualan korporasi. Meskipun model yang lebih baik secara teoritis dapat memperluas cakupan ke wilayah berisiko tinggi seperti Brasil atau Bangladesh, terdapat insentif inheren bagi perusahaan asuransi untuk lebih menyukai model yang menghasilkan estimasi kerugian yang lebih rendah. Jika model AI mengungkapkan bahwa risiko jauh lebih tinggi daripada yang diperkirakan sebelumnya, hal itu mungkin memerlukan penyangga modal (capital buffer) yang lebih besar, yang berpotensi memperlambat pertumbuhan bisnis. Hal ini menciptakan ketegangan di mana pengejaran sains yang lebih baik dapat berbenturan dengan tujuan underwriting untuk mendapatkan lebih banyak bisnis.

Poin-Poin Penting

• Resolusi yang Ditingkatkan: Model difusi dan teknik penajaman memungkinkan para pemodel untuk melompat dari resolusi 100km ke 10km, memberikan detail yang jauh lebih halus untuk pola presipitasi dan angin.
• Mengatasi Celah Data: AI generatif dapat menyintesis ribuan tahun data iklim sintetis, membantu perusahaan asuransi bersiap menghadapi peristiwa "tail-risk" yang tidak memiliki preseden historis.
• Tantangan Kritis: Industri harus menavigasi risiko teknis dari "halusinasi fisik" dan risiko ekonomi dari pemilihan model yang bias yang didorong oleh insentif penjualan.