Las aseguradoras prueban la IA generativa para el riesgo de catástrofes

La IA generativa entra en el modelado de catástrofes

Las aseguradoras están empezando a utilizar IA generativa para modelar inundaciones, tormentas y otros desastres que no aparecen con suficiente frecuencia en el registro histórico como para respaldar estimaciones convencionales de riesgo. El atractivo es sencillo: la generación sintética de घटनarios podría ayudar a suscriptores, reaseguradoras, bancos y operadores de infraestructuras a examinar escenarios extremos con un volumen y un nivel de detalle muy superiores a los que permiten los enfoques tradicionales.

Pero la tecnología llega con un problema familiar. Los mismos sistemas que pueden generar enormes cantidades de escenarios plausibles también pueden alucinar, produciendo resultados que parecen realistas mientras violan la lógica física de la que depende el modelado de catástrofes. Esa tensión está convirtiendo a la IA generativa en una herramienta prometedora y, al mismo tiempo, en una nueva fuente de riesgo de modelo para una de las disciplinas de previsión más relevantes de las finanzas.

Por qué el sector quiere más desastres sintéticos

Los modelos de catástrofes se han utilizado durante mucho tiempo para estimar la exposición a terremotos, huracanes, inundaciones y eventos similares. Según el material de origen proporcionado, estos sistemas basados en la física dividen el mundo en celdas de una cuadrícula y resuelven ecuaciones que incorporan factores como la gravedad, la fricción y el flujo. Cuanto más detallado es el modelo, mayor es la carga computacional. Eso obliga a hacer concesiones entre resolución espacial, realismo y cobertura geográfica.

La IA generativa se está utilizando ahora para ampliar esos límites. El artículo describe cómo los modeladores están aplicando modelos de difusión para generar muchos más eventos meteorológicos de los que pueden aportar por sí solas las simulaciones climáticas existentes. Esto importa sobre todo en los desastres raros y de gran impacto, a veces llamados riesgos de cola, en los que los ejemplos del mundo real son demasiado escasos para respaldar una tarificación o un análisis de cartera con suficiente confianza.

En ese contexto, los eventos sintéticos no son solo una comodidad. Son un intento de poblar los «desconocidos desconocidos» de la exposición futura al clima y a las catástrofes con una distribución más amplia de resultados posibles. Si los escenarios sintéticos son creíbles, las aseguradoras pueden poner a prueba la suficiencia de capital, la estrategia de suscripción y la exposición regional con más matices de los que permitirían unos datos históricos escasos.

Qué están haciendo las empresas con los modelos

El texto fuente apunta a varios ejemplos. Fathom, una filial de Swiss Re, habría entrenado un modelo de difusión con aproximadamente 1.000 años de simulaciones climáticas existentes y luego lo utilizó para generar muchos más escenarios meteorológicos para un clima proyectado para 2030. Un segundo modelo afinó las salidas iniciales desde una resolución gruesa de 100 por 100 kilómetros hasta 10 por 10 kilómetros, un nivel que la fuente considera suficiente para captar patrones de precipitación.

Ese flujo de trabajo sugiere una arquitectura híbrida: un modelo amplía el universo de escenarios, mientras otro mejora el detalle local utilizable. En términos prácticos de seguros, eso podría ayudar a cerrar la brecha entre las proyecciones climáticas a gran escala y la estimación del riesgo a nivel de propiedad o regional, donde se toman las decisiones de suscripción.

El artículo también afirma que Verisk está utilizando IA generativa para modelar el viento extremo y la lluvia de forma conjunta, en lugar de secuencialmente. Esto importa porque los peligros correlacionados pueden amplificar las pérdidas de maneras que los procesos de modelado más simples podrían pasar por alto. Moody’s RMS, por su parte, se describe como una empresa que usa IA para analizar imágenes satelitales tras incendios forestales y huracanes con el fin de estimar las pérdidas aseguradas. En conjunto, esos ejemplos muestran que la IA no se limita a una sola fase de la analítica de catástrofes. Está apareciendo en la generación de escenarios, en el modelado de interacciones entre peligros y en la evaluación de pérdidas posterior al evento.

El problema de las alucinaciones aquí es distinto

En los productos de IA de consumo, las alucinaciones suelen presentarse como una molestia o un error factual. En el modelado de catástrofes, pueden ser más peligrosas porque una salida defectuosa aún puede parecer estadística o visualmente convincente. Un patrón sintético de inundación, una trayectoria de tormenta o un campo de precipitación pueden parecer plausibles para un no especialista mientras infringen restricciones físicas básicas.

El texto proporcionado incluye una advertencia del director científico de Fathom, Oliver Wing, quien afirma que estos sistemas pueden alucinar «absolute slop». La expresión es directa, pero capta el desafío central: que algo parezca realista no significa que respete la hidrología, la meteorología o la dinámica climática.

Eso implica que los estándares de validación tienen que ser inusualmente estrictos. Si un modelo genera un gran conjunto de eventos sintéticos internamente inconsistentes, la abundancia aparente de datos podría crear una falsa confianza. Los usuarios pueden creer que están viendo una imagen más rica del riesgo cuando en realidad están viendo artefactos del modelo.

Posibles beneficios y un problema estructural de incentivos

A pesar de las advertencias, la tecnología podría seguir siendo importante. Mejores modelos de catástrofes podrían permitir a las aseguradoras fijar precios del riesgo en lugares que históricamente han estado desatendidos porque los datos utilizables eran demasiado limitados o demasiado costosos de recopilar y procesar. En teoría, eso podría mejorar el acceso a la cobertura en regiones vulnerables y producir evaluaciones más granulares de la exposición climática cambiante.

Pero el texto fuente señala otra preocupación más allá de la precisión técnica: los incentivos. Si las salidas del modelo influyen en la rentabilidad de la suscripción, las empresas podrían preferir sistemas que ofrezcan pérdidas proyectadas más bajas o hagan que el riesgo parezca más manejable de lo que es. Eso no significa que las compañías estén usando la IA de forma intencionadamente indebida, pero sí pone de relieve una presión estructural ya presente en el modelado de riesgos y potencialmente intensificada por sistemas generativos opacos.

En otras palabras, el reto no es solo si los modelos pueden simular bien los desastres. También es si las organizaciones adoptarán una gobernanza lo bastante sólida como para impedir que modelos comercialmente atractivos pero insuficientemente fiables moldeen las decisiones de precios y cobertura.

Lo que viene después

El sector parece entrar en una fase experimental en la que la IA generativa complementa, en lugar de sustituir, los enfoques establecidos de modelado de catástrofes. Probablemente sea la única vía viable en el corto plazo. Los modelos basados en la física siguen proporcionando el fundamento conceptual de cómo se desarrollan los desastres, mientras que los sistemas generativos ofrecen escala, velocidad y la capacidad de explorar futuros más hipotéticos.

La cuestión clave es si esa combinación puede hacerse fiable. Si los investigadores y las empresas pueden contener las alucinaciones, imponer una validación físicamente fundamentada y gestionar las distorsiones de incentivos, la IA generativa podría ampliar el análisis de catástrofes de forma significativa. Si no, el sector corre el riesgo de envolver la vieja incertidumbre en salidas más persuasivas.

Para las aseguradoras que afrontan un mundo de volatilidad climática creciente, esa distinción importa. El modelado de catástrofes siempre ha consistido en estimar lo improbable antes de que se convierta en una realidad costosa. La IA generativa puede ampliar esa lente de previsión, pero solo si el sector trata la plausibilidad como un punto de partida y no como una prueba.

Este artículo se basa en una cobertura de The Decoder. Leer el artículo original.