La recherche en IA te passionne ?
Les papers et avancées qui comptent, expliqués simplement, chaque soir. Gratuit.
Inclus dès l'inscription : notre sélection des meilleurs guides & comparatifs IA.
Choisis ton rythme
Gratuit · Pas de spam · Désabonnement en 1 clic
Assureurs : l'IA générative face aux défis des catastrophes
Les assureurs, les banques et les entreprises énergétiques s'appuient sur des modèles de catastrophe depuis les années 1980 pour estimer leur exposition aux tremblements de terre, ouragans et inondations. Ces modèles basés sur la physique divisent le monde en cellules de grille et résolvent des équations pour la gravité, le frottement et l'écoulement. Plus la résolution est fine, plus le calcul est coûteux. Un compromis entre le détail et la couverture géographique est inévitable.
Un rapport du Financial Times montre comment l'IA générative repousse cette limite. Des modélisateurs comme Fathom, une filiale du réassureur Swiss Re, utilisent des modèles de diffusion pour générer synthétiquement des dizaines de milliers d'années d'événements météorologiques pour un climat projeté en 2030. Fathom a d'abord formé son outil de diffusion sur environ 1 000 ans de simulations climatiques existantes, puis l'a amené à produire beaucoup plus de scénarios que le modèle climatique d'origine ne pouvait le faire. Un second modèle, de raffinement d'image, affine la résolution initialement grossière de 100 × 100 kilomètres à 10 × 10 kilomètres, ce qui est suffisant pour capturer les schémas de précipitation. "L'IA a complètement redéfini ce qui est possible", déclare Oliver Wing, directeur scientifique de Fathom.
Le concurrent Verisk utilise désormais l'IA générative pour modéliser ensemble des vents et des pluies extrêmes au lieu de les traiter successivement. Le responsable de la recherche, Jay Guin, affirme que cette approche capture la variabilité spatiale de manière beaucoup plus précise que l'apprentissage automatique traditionnel. Moody's RMS utilise l'IA pour analyser des images satellites après des incendies de forêt et des ouragans afin d'estimer les pertes assurées. La technologie est particulièrement précieuse pour les événements de risque extrême, des catastrophes rares avec presque aucune donnée historique, selon Firas Saleh, qui dirige la modélisation des inondations et des incendies de forêt de Moody's pour l'Amérique du Nord.
Comme pour toute forme d'IA générative, les hallucinations sont également un problème ici. Les modèles peuvent produire des événements qui semblent plausibles mais qui violent les lois fondamentales de la physique. "Vous pouvez halluciner des choses absolument absurdes en utilisant ces techniques", prévient Wing. Selon Swiss Re, les catastrophes naturelles ont causé 220 milliards de dollars de dommages en 2025. Seuls 107 milliards de dollars de ce montant étaient assurés.
Des modèles plus précis ne sont pas dans l'intérêt de tous les assureurs
Cependant, des modèles plus précis pourraient théoriquement permettre aux assureurs de couvrir des régions comme le Bangladesh ou le Brésil que les grandes entreprises de modélisation ont évitées en raison de la faible valeur des actifs. La question de savoir si ces nouveaux outils se traduiront réellement par des primes plus élevées reste ouverte. De meilleurs modèles pourraient révéler que les pertes potentielles sont plus élevées que prévu, ce qui, selon le FT, pourrait nécessiter des buffers de capital plus importants contre les pertes les plus extrêmes.
Un modélisateur a déclaré au journal que les assureurs "achèteront généralement le modèle qui leur permet de faire plus d'affaires - qui produit une estimation de perte plus basse". "Les souscripteurs veulent juste écrire plus d'affaires", a ajouté le modélisateur. Une meilleure science peut finir par entrer en conflit avec la logique commerciale, même lorsque le tableau des risques semble objectivement pire, soutient le FT.
