ИИ симулирует 1000 лет бурь — страховщики меняют расчёты

В 2025 году природные катастрофы нанесли миру 220 миллиардов долларов ущерба. Застраховано было лишь 107 миллиардов — меньше половины. Одна из причин: традиционные модели рисков строятся на исторических данных, а климат порождает события, которых история толком не фиксировала. Ответ отрасли — генеративный ИИ.

Синтетические катастрофы, реальные расчёты

Fathom, «дочка» перестраховщика Swiss Re, обучила диффузионные модели — ту же архитектуру, которая стоит за генерацией изображений, — примерно на тысяче лет климатических симуляций. Модели генерируют десятки тысяч правдоподобных сценариев катастроф: событий, которых никогда не было, но которые физически возможны согласно законам погоды. Вторая модель затачивает пространственное разрешение — с ячеек 100×100 км до 10×10 км. В итоге получается вероятностная карта: где, насколько сильно и с какой вероятностью может ударить катастрофа.

Verisk использует схожий подход для совместного моделирования экстремального ветра и ливней. Moody's RMS анализирует спутниковые снимки после катастроф с помощью ИИ — чтобы оценивать ущерб быстрее, чем позволяют традиционные методы. Оливер Уинг, научный директор Fathom, формулирует коротко: «ИИ полностью переосмыслил то, что стало возможным».

Встроенные в метод риски

Уинг произнёс и вторую фразу: «Этими методами можно нагенерировать откровенную чушь». Когда языковая модель выдаёт неверный факт — это досадно. Когда модель катастроф создаёт физически невозможный сценарий шторма, он попадает в расчёты страховых тарифов, актуарные таблицы и в конечном счёте — в договоры, покрывающие миллиарды долларов.

Есть и структурная проблема, которую ИИ делает проще эксплуатировать. По словам анонимного аналитика из отчёта, клиенты «как правило покупают ту модель, которая даёт более низкую оценку убытков» — потому что это позволяет продавать больше полисов. Иными словами: если одна ИИ-модель предсказывает умеренный ущерб от урагана, а другая — катастрофический, у страховщика есть финансовый стимул предпочесть оптимистичную. Независимо от того, какая точнее.

В развивающихся регионах — Бангладеш, Бразилия — проблема обратная: исторических климатических данных там просто недостаточно для обучения надёжных моделей. Рынки, которым страховое покрытие нужнее всего, остаются убыточными — и разрыв в покрытии не сокращается.