Försäkringsbolag, banker och energibolag börjar använda generativ AI för att modellera jordbävningar, orkaner och översvämningar i regioner där det helt enkelt inte finns tillräckligt med historiska data. Det rapporterar The Decoder med Financial Times som källa.
De så kallade cat models som branschen lutat sig mot sedan 1980-talet är fysikbaserade. De delar in världen i rutor och löser ekvationer för gravitation, friktion och flöden. Ju finare upplösning, desto dyrare beräkning, och någonstans måste man välja mellan detaljnivå och geografisk täckning. Det är just den avvägningen som den nya tekniken försöker tänja på.
Hur genererar man katastrofer som aldrig har hänt?
Modelleraren Fathom, ett dotterbolag till återförsäkringsjätten Swiss Re, tränade enligt rapporteringen sin diffusionsmodell på ungefär 1 000 år av befintliga klimatsimuleringar. Därefter lät man modellen producera långt fler scenarier än den ursprungliga klimatmodellen kunde, motsvarande tiotusentals år av väderhändelser för ett beräknat klimat år 2030. En andra modell skärper sedan den grova upplösningen från 100 gånger 100 kilometer ner till 10 gånger 10, tillräckligt fint för att fånga nederbördsmönster.
Konkurrenten Verisk använder generativ AI för att modellera extrem vind och regn samtidigt i stället för var för sig, och Moody’s RMS låter AI analysera satellitbilder efter skogsbränder och orkaner för att uppskatta försäkrade förluster. Tekniken sägs vara särskilt värdefull för sällsynta katastrofer med nästan inga historiska data att luta sig mot.
Problemet är detsamma som överallt annars med generativ AI. Modellerna kan producera händelser som ser fullt rimliga ut men som bryter mot grundläggande fysik. En av forskarna bakom Fathom beskriver det rakt på sak som att tekniken lika gärna kan hallucinera fram rena skräpet. Enligt Swiss Re orsakade naturkatastrofer skador för 220 miljarder dollar under 2025, varav 107 miljarder var försäkrade. Kontrollera aktuella uppgifter, sådana summor revideras i efterhand.
Vill bolagen ens ha bättre modeller?
Här blir det intressant. Bättre modeller skulle i teorin kunna täcka regioner som Bangladesh eller Brasilien, som stora modelleringsbolag hittills hoppat över. Men en träffsäkrare modell kan också visa att de möjliga förlusterna är större än man trott, vilket enligt Financial Times kan kräva större kapitalbuffertar.
En modellerare säger till tidningen att försäkringsbolag tenderar att köpa den modell som ger en lägre förlustuppskattning, helt enkelt för att den låter dem skriva fler affärer. Bättre vetenskap kan med andra ord krocka med säljlogiken, även när risken objektivt ser värre ut.
1up:s läsning
Det här är inte en hype-nyhet om att AI ska rädda försäkringsbranschen. Den mer obekväma poängen ligger i slutet: incitamenten pekar inte alltid mot den mest träffsäkra modellen. Generativ AI flyttar fram vad som är tekniskt möjligt, men en bransch som tjänar på att underskatta risk har inte självklart något intresse av att se den tydligare.
Lägg till hallucinationsproblemet, alltså att en modell kan rita upp en katastrof som ser fysiskt korrekt ut men inte är det, och du har en teknik som kräver mänsklig granskning snarare än blind tillit. Värt att följa, men inte värt att lita blint på.