A IA generativa entra no modelamento de catástrofes
As seguradoras estão começando a usar IA generativa para modelar inundações, tempestades e outros desastres que não aparecem com frequência suficiente no registro histórico para sustentar estimativas convencionais de risco. O apelo é direto: a geração sintética de eventos poderia ajudar subscritores, resseguradoras, bancos e operadores de infraestrutura a examinar cenários extremos em volume e nível de detalhe muito maiores do que os métodos tradicionais permitem.
Mas a tecnologia chega com um problema familiar. Os mesmos sistemas capazes de gerar enormes quantidades de cenários plausíveis também podem alucinar, produzindo resultados que parecem realistas enquanto violam a lógica física da qual depende o modelamento de catástrofes. Essa tensão está transformando a IA generativa ao mesmo tempo em uma ferramenta promissora e em uma nova fonte de risco de modelo para uma das disciplinas de previsão mais importantes das finanças.
Por que o setor quer mais desastres sintéticos
Os modelos de catástrofe há muito tempo são usados para estimar a exposição a terremotos, furacões, enchentes e eventos semelhantes. De acordo com o material de origem fornecido, esses sistemas baseados em física dividem o mundo em células de grade e resolvem equações envolvendo fatores como gravidade, atrito e fluxo. Quanto mais detalhado o modelo, maior o ônus computacional. Isso força compensações entre resolução espacial, realismo e cobertura geográfica.
A IA generativa agora está sendo usada para ampliar esses limites. O artigo descreve como modeladores estão aplicando modelos de difusão para gerar muito mais eventos meteorológicos do que as simulações climáticas existentes sozinhas conseguem fornecer. Isso importa sobretudo para desastres raros e de alto impacto, às vezes chamados de riscos de cauda, em que os exemplos do mundo real são escassos demais para sustentar precificação ou análise de portfólio com confiança.
Nesse contexto, eventos sintéticos não são apenas uma conveniência. Eles representam uma tentativa de preencher os “desconhecidos desconhecidos” da exposição futura ao clima e a catástrofes com uma distribuição mais ampla de possíveis resultados. Se os cenários sintéticos forem críveis, as seguradoras podem testar adequação de capital, estratégia de subscrição e exposição regional com mais nuance do que os dados históricos escassos permitiriam.
O que as empresas estão fazendo com os modelos
O texto de origem aponta vários exemplos. A Fathom, subsidiária da Swiss Re, teria treinado um modelo de difusão com cerca de 1.000 anos de simulações climáticas existentes e depois o usado para gerar muito mais cenários meteorológicos para um clima projetado de 2030. Um segundo modelo refinou as saídas iniciais de uma resolução grosseira de 100 por 100 quilômetros para 10 por 10 quilômetros, um nível que a fonte diz ser suficiente para capturar padrões de precipitação.
Esse fluxo de trabalho sugere uma arquitetura híbrida: um modelo amplia o universo de cenários, enquanto outro melhora o detalhe local utilizável. Em termos práticos de seguro, isso pode ajudar a aproximar projeções climáticas em grande escala de estimativas de risco em nível de propriedade ou regional, onde as decisões de subscrição são tomadas.
O artigo também diz que a Verisk está usando IA generativa para modelar ventos extremos e chuva em conjunto, em vez de de forma sequencial. Isso importa porque perigos correlacionados podem ampliar perdas de maneiras que pipelines de modelagem mais simples podem deixar passar. Já a Moody's RMS é descrita como usando IA para analisar imagens de satélite após incêndios florestais e furacões para estimar perdas seguradas. Juntos, esses exemplos mostram que a IA não está confinada a uma única etapa da análise de catástrofes. Ela está aparecendo na geração de cenários, no modelamento da interação entre perigos e na avaliação de perdas pós-evento.
O problema da alucinação é diferente aqui
Em produtos de IA para consumidores, as alucinações costumam ser tratadas como incômodo ou erro factual. No modelamento de catástrofes, elas podem ser mais perigosas porque uma saída falha ainda pode parecer estatisticamente ou visualmente convincente. Um padrão sintético de inundação, uma trajetória de tempestade ou um campo de precipitação podem parecer plausíveis para um não especialista enquanto violam restrições físicas básicas.
O texto fornecido inclui um alerta do diretor científico da Fathom, Oliver Wing, que diz que esses sistemas podem alucinar “absolute slop”. A expressão é dura, mas captura o desafio central: realismo na aparência não é o mesmo que fidelidade à hidrologia, à meteorologia ou à dinâmica climática.
Isso significa que os padrões de validação precisam ser excepcionalmente rigorosos. Se um modelo gerar um grande conjunto de eventos sintéticos internamente inconsistentes, a aparente abundância de dados pode criar falsa confiança. Os usuários podem acreditar que estão vendo uma visão mais rica do risco quando, na verdade, estão vendo artefatos do modelo.
Ganhos potenciais e um problema estrutural de incentivos
Apesar dos alertas, a tecnologia ainda pode ser importante. Modelos de catástrofe melhores podem permitir que seguradoras precifiquem risco em locais historicamente mal atendidos porque os dados utilizáveis eram limitados demais ou caros demais para coletar e computar. Em teoria, isso poderia melhorar o acesso à cobertura em regiões vulneráveis e produzir avaliações mais granulares da exposição climática em mudança.
Mas o texto de origem aponta outra preocupação além da precisão técnica: os incentivos. Se as saídas dos modelos influenciam a lucratividade da subscrição, as empresas podem preferir sistemas que entreguem perdas projetadas menores ou façam o risco parecer mais administrável do que realmente é. Isso não significa que as companhias estejam usando IA de forma intencionalmente indevida, mas destaca uma pressão estrutural já presente no modelamento de risco e potencialmente intensificada por sistemas generativos opacos.
Em outras palavras, o desafio não é apenas se os modelos conseguem simular bem os desastres. É também se as organizações adotarão governança forte o bastante para impedir que modelos comercialmente atraentes, mas insuficientemente confiáveis, moldem decisões de preço e cobertura.
O que vem a seguir
O setor parece estar entrando em uma fase experimental em que a IA generativa complementa, em vez de substituir, abordagens consolidadas de modelamento de catástrofes. Provavelmente essa é a única via viável no curto prazo. Os modelos baseados em física ainda fornecem o fundamento conceitual de como os desastres se desenrolam, enquanto os sistemas generativos oferecem escala, velocidade e a capacidade de explorar futuros hipotéticos mais amplos.
A questão central é se essa combinação pode se tornar confiável. Se pesquisadores e empresas conseguirem conter alucinações, impor validação fisicamente fundamentada e administrar distorções de incentivo, a IA generativa poderá ampliar a análise de catástrofes de forma significativa. Caso contrário, o setor corre o risco de embrulhar a incerteza antiga em resultados com aparência mais persuasiva.
Para seguradoras que enfrentam um mundo de volatilidade climática crescente, essa distinção importa. O modelamento de catástrofes sempre tratou de estimar o improvável antes que ele se torne uma realidade cara. A IA generativa pode ampliar essa lente de previsão, mas apenas se o setor tratar a plausibilidade como ponto de partida, e não como prova.
Este artigo é baseado em uma reportagem do The Decoder. Leia o artigo original.
Originally published on the-decoder.com