Come l'IA generativa sta ridefinendo la modellazione delle catastrofi nel settore assicurativo

Il settore assicurativo sta attraversando un massiccio cambiamento tecnologico, mentre i tradizionali modelli di catastrofe basati sulla fisica si trovano a competere con l'IA generativa avanzata. Utilizzando i modelli di diffusione per simulare eventi meteorologici estremi, le aziende stanno cercando di colmare il divario di dati tra i record storici e le future realtà climatiche.

Superare la barriera della risoluzione con i modelli di diffusione

Per decenni, la modellazione delle catastrofi (cat modeling) si è basata su equazioni fisiche per simulare gravità, attrito e flusso attraverso celle di una griglia geografica. Tuttavia, questi modelli affrontano una costante lotta tra costi computazionali e risoluzione. I modelli ad alta risoluzione sono proibitivi in termini di costi per essere eseguiti su vaste aree, costringendo a un compromesso tra dettaglio e copertura.

L'IA generativa sta alterando fondamentalmente questa equazione. Fathom, una sussidiaria di Swiss Re, è all'avanguardia nell'uso dei modelli di diffusione per superare questi limiti. Addestrando uno strumento di diffusione su circa 1.000 anni di simulazioni climatiche esistenti, Fathom può generare sinteticamente decine di migliaia di anni di scenari meteorologici proiettati per un clima del 2030. Per risolvere il problema della risoluzione, utilizzano un modello secondario di nitidezza dell'immagine (image-sharpening) che affina i dati grossolani di 100 × 100 chilometri fino a una risoluzione precisa di 10 × 10 chilometri, consentendo una mappatura molto più accurata dei modelli di precipitazione.

Nuove frontiere nella variabilità spaziale e nel tail-risk

L'applicazione dell'IA si estende oltre la semplice generazione meteorologica fino alla complessa modellazione multi-rischio (multi-hazard). Il leader del settore Verisk sta ora utilizzando l'IA generativa per modellare simultaneamente vento e pioggia estremi, anziché in sequenza. Questo approccio consente una variabilità spaziale molto più elevata, catturando il modo in cui i diversi elementi meteorologici interagiscono in tempo reale.

Altri attori si stanno concentrando sull'analisi post-evento e sugli eventi di "tail-risk" — occorrenze catastrofiche rare che mancano di dati storici sufficienti per essere elaborate dai modelli tradizionali. Moody's RMS, ad esempio, utilizza l'IA per analizzare le immagini satellitari a seguito di incendi boschivi e uragani per stimare le perdite assicurate. Questa capacità di modellare l'"invisibile" è fondamentale in un'era di crescente volatilità climatica.

I rischi: allucinazioni fisiche e pregiudizi economici

Nonostante il potenziale, l'integrazione della GenAI nella valutazione del rischio non è priva di pericoli significativi. L'ostacolo tecnico principale è l'"allucinazione". Poiché i modelli di diffusione danno priorità alla plausibilità rispetto all'accuratezza fisica, possono generare eventi meteorologici che sembrano realistici ma violano le leggi fondamentali della fisica — un fenomeno che il direttore scientifico di Fathom, Oliver Wing, descrive come "absolute slop" (puro scarto).

Inoltre, esiste un conflitto imminente tra accuratezza scientifica e logica di vendita aziendale. Sebbene modelli migliori potrebbero teoricamente estendere la copertura a regioni ad alto rischio come il Brasile o il Bangladesh, esiste un incentivo intrinseco per gli assicuratori a favorire modelli che producono stime di perdita inferiori. Se un modello di IA rivelasse che i rischi sono significativamente più elevati di quanto precedentemente ipotizzato, ciò potrebbe richiedere riserve di capitale più ampie, rallentando potenzialmente la crescita del business. Ciò crea una tensione in cui la ricerca di una scienza migliore può scontrarsi con l'obiettivo di sottoscrizione (underwriting) di incrementare il volume d'affari.

Punti chiave

• Risoluzione migliorata: I modelli di diffusione e le tecniche di nitidezza stanno permettendo ai modellatori di passare da una risoluzione di 100 km a 10 km, fornendo dettagli molto più fini per i modelli di precipitazione e vento.
• Colmare il divario di dati: L'IA generativa può sintetizzare migliaia di anni di dati climatici sintetici, aiutando gli assicuratori a prepararsi per eventi di "tail-risk" che non hanno precedenti storici.
• Sfide critiche: Il settore deve affrontare il rischio tecnico delle "allucinazioni fisiche" e il rischio economico di una selezione di modelli influenzata da incentivi di vendita.