Les assureurs testent l’IA générative pour le risque de catastrophe

L’IA générative fait son entrée dans la modélisation des catastrophes

Les assureurs commencent à utiliser l’IA générative pour modéliser les inondations, les tempêtes et d’autres catastrophes qui n’apparaissent pas assez souvent dans les archives historiques pour permettre des estimations de risque conventionnelles. L’attrait est simple : la génération synthétique d’événements pourrait aider les souscripteurs, les réassureurs, les banques et les exploitants d’infrastructures à examiner des scénarios extrêmes avec un volume et un niveau de détail bien supérieurs à ceux que permettent les approches traditionnelles.

Mais cette technologie arrive avec un problème familier. Les mêmes systèmes qui peuvent générer d’énormes quantités de scénarios plausibles peuvent aussi halluciner, produisant des résultats qui paraissent réalistes tout en violant la logique physique dont dépend la modélisation des catastrophes. Cette tension fait de l’IA générative à la fois un outil prometteur et une nouvelle source de risque de modèle pour l’un des domaines de prévision les plus déterminants de la finance.

Pourquoi le secteur veut davantage de catastrophes synthétiques

Les modèles de catastrophe servent depuis longtemps à estimer l’exposition aux tremblements de terre, aux ouragans, aux inondations et à des événements similaires. Selon le matériau source fourni, ces systèmes fondés sur la physique divisent le monde en cellules de grille et résolvent des équations impliquant des facteurs tels que la gravité, la friction et l’écoulement. Plus le modèle est détaillé, plus la charge de calcul est élevée. Cela impose des arbitrages entre résolution spatiale, réalisme et couverture géographique.

L’IA générative est désormais utilisée pour repousser ces limites. L’article explique comment les modélisateurs appliquent des modèles de diffusion pour générer beaucoup plus d’événements météorologiques que les seules simulations climatiques existantes ne peuvent en fournir. Cela compte surtout pour les catastrophes rares et très destructrices, parfois appelées risques de queue, où les exemples du monde réel sont trop rares pour permettre une tarification ou une analyse de portefeuille fiable.

Dans ce contexte, les événements synthétiques ne sont pas qu’une commodité. Ils constituent une tentative de peupler les « inconnues inconnues » de l’exposition future au climat et aux catastrophes avec une distribution plus large d’issues possibles. Si les scénarios synthétiques sont crédibles, les assureurs peuvent tester la suffisance du capital, la stratégie de souscription et l’exposition régionale avec plus de nuance que ne le permettraient des données historiques clairsemées.

Ce que font les entreprises avec ces modèles

Le texte source mentionne plusieurs exemples. Fathom, une filiale de Swiss Re, aurait entraîné un modèle de diffusion sur environ 1 000 ans de simulations climatiques existantes, puis l’aurait utilisé pour générer beaucoup plus de scénarios météorologiques pour un climat projeté de 2030. Un second modèle a affiné les sorties initiales d’une résolution grossière de 100 par 100 kilomètres à 10 par 10 kilomètres, un niveau que la source juge suffisant pour capturer les schémas de précipitations.

Ce flux de travail suggère une architecture hybride : un modèle élargit l’univers des scénarios, tandis qu’un autre améliore le niveau de détail local exploitable. En pratique, dans l’assurance, cela pourrait aider à combler l’écart entre les projections climatiques à grande échelle et l’estimation du risque à l’échelle d’un bien ou d’une région, là où se prennent les décisions de souscription.

L’article indique également que Verisk utilise l’IA générative pour modéliser ensemble le vent extrême et la pluie, plutôt que successivement. C’est important car des aléas corrélés peuvent amplifier les pertes d’une manière que des chaînes de modélisation plus simples risquent de manquer. Moody’s RMS, de son côté, est décrit comme utilisant l’IA pour analyser des images satellites après des incendies de forêt et des ouragans afin d’estimer les pertes assurées. Pris ensemble, ces exemples montrent que l’IA ne se limite pas à une seule étape de l’analyse des catastrophes. Elle apparaît dans la génération de scénarios, la modélisation des interactions entre aléas et l’évaluation des pertes après événement.

Le problème des hallucinations est différent ici

Dans les produits d’IA grand public, les hallucinations sont souvent perçues comme une gêne ou une erreur factuelle. Dans la modélisation des catastrophes, elles peuvent être plus dangereuses, car une sortie défectueuse peut malgré tout sembler statistiquement ou visuellement convaincante. Un schéma d’inondation synthétique, une trajectoire de tempête ou un champ de précipitations peuvent paraître plausibles à un non-spécialiste tout en violant des contraintes physiques de base.

Le texte fourni inclut un avertissement d’Oliver Wing, directeur scientifique de Fathom, qui dit que ces systèmes peuvent halluciner de la “absolute slop”. L’expression est crue, mais elle résume le défi central : le réalisme en apparence n’est pas la même chose que la fidélité à l’hydrologie, à la météorologie ou à la dynamique climatique.

Cela signifie que les standards de validation doivent être exceptionnellement stricts. Si un modèle génère un grand ensemble d’événements synthétiques qui sont incohérents en interne, l’abondance apparente de données peut créer une fausse confiance. Les utilisateurs peuvent croire qu’ils voient une image plus riche du risque alors qu’ils ne voient en réalité que des artefacts du modèle.

Gains potentiels et problème structurel d’incitations

Malgré ces avertissements, la technologie pourrait rester importante. De meilleurs modèles de catastrophe pourraient permettre aux assureurs de tarifer le risque dans des zones historiquement délaissées parce que les données exploitables étaient trop limitées ou trop coûteuses à collecter et à calculer. En théorie, cela pourrait améliorer l’accès à la couverture dans les régions vulnérables et produire des évaluations plus fines de l’exposition aux évolutions climatiques.

Mais le texte source souligne une autre préoccupation au-delà de la précision technique : les incitations. Si les sorties des modèles influencent la rentabilité de la souscription, les entreprises pourraient préférer des systèmes qui affichent des pertes projetées plus faibles ou qui rendent le risque plus maîtrisable qu’il ne l’est. Cela ne signifie pas que les sociétés utilisent l’IA de manière intentionnellement trompeuse, mais cela met en lumière une pression structurelle déjà présente dans la modélisation des risques et potentiellement renforcée par des systèmes génératifs opaques.

Autrement dit, la question n’est pas seulement de savoir si les modèles peuvent bien simuler les catastrophes. Elle est aussi de savoir si les organisations adopteront une gouvernance assez robuste pour empêcher que des modèles commercialement attrayants mais insuffisamment fiables orientent les décisions de tarification et de couverture.

La suite

Le secteur semble entrer dans une phase expérimentale où l’IA générative complète, plutôt qu’elle ne remplace, les approches établies de modélisation des catastrophes. C’est probablement la seule voie viable à court terme. Les modèles fondés sur la physique fournissent toujours l’assise conceptuelle de la manière dont les catastrophes se déroulent, tandis que les systèmes génératifs offrent l’échelle, la vitesse et la possibilité d’explorer davantage de futurs hypothétiques.

La question clé est de savoir si cette combinaison peut devenir fiable. Si les chercheurs et les entreprises parviennent à contenir les hallucinations, à imposer une validation ancrée dans la physique et à gérer les distorsions d’incitation, l’IA générative pourrait étendre l’analyse des catastrophes de manière significative. Dans le cas contraire, le secteur risque d’envelopper une vieille incertitude dans des résultats plus convaincants en apparence.

Pour les assureurs confrontés à un monde de volatilité climatique croissante, cette distinction compte. La modélisation des catastrophes a toujours consisté à estimer l’improbable avant qu’il ne devienne une réalité coûteuse. L’IA générative peut élargir ce champ de prévision, mais seulement si le secteur traite la plausibilité comme un point de départ et non comme une preuve.

Cet article s’appuie sur un reportage de The Decoder. Lire l’article original.