El precio de tu seguro contra inundaciones se basa en un mapa de 1987. Esto es lo que debería reemplazarlo.

El año pasado, me senté frente a un suscriptor sénior de una aseguradora de daños patrimoniales (P&C) de tamaño mediano en el Sureste. Tenía un mapa clavado en la pared detrás de él —literalmente clavado, con chinchetas— que mostraba las zonas de inundación de FEMA para un condado costero donde su equipo estaba suscribiendo mucho. Le pregunté cuándo se había actualizado el mapa por última vez.

Se rió. "Ese mapa es más viejo que la mayoría de mis analistas."

No exageraba. El mapa era de 1992. Y lo estaba usando —junto con algunos promedios ligeros por código postal— para tarifar el riesgo de inundación de miles de viviendas en una región donde tres grandes huracanes habían reconfigurado la costa, donde nuevas urbanizaciones habían pavimentado humedales, y donde la infraestructura de drenaje fue diseñada para una intensidad de lluvia que ya no representa la realidad.

Esa conversación me persiguió. No porque el suscriptor fuera incompetente —era agudo, experimentado y profundamente consciente del problema. Sino porque las herramientas de las que disponía eran de una era climática distinta, y la industria no tenía un camino claro para reemplazarlas.

Eso es lo que llevó a mi equipo en Veriprajna a pasar meses investigando lo que ahora llamamos "Deep AI" para la suscripción de inundaciones: una convergencia de visión por computadora, radar satelital y aprendizaje automático informado por la física que puede evaluar el riesgo de inundación a nivel de un edificio individual, no de un código postal. Escribí un resumen interactivo de la investigación completa aquí, y cuanto más profundizaba en ello, más me convencía de que esto no es una mejora opcional. Es una cuestión de solvencia.

El mapa que te miente

Esto es lo que la mayoría de la gente —incluidos muchos profesionales de seguros— no aprecia del todo sobre los mapas de inundación de FEMA: nunca fueron diseñados para ser herramientas de suscripción.

El concepto de "inundación de los 100 años", que ancla todo el Programa Nacional de Seguro contra Inundaciones, representa un 1% de probabilidad anual de inundación. Suena raro. Pero aplica esa probabilidad a lo largo de una hipoteca de 30 años y obtienes una probabilidad del 26% de experimentar una "inundación de los 100 años" durante la vida del préstamo. Eso no es un riesgo de cola. Es un cara o cruz con probabilidades apenas un poco mejores.

Los mapas en sí son peores que el concepto. Aproximadamente el 75% de los mapas de inundación de FEMA tienen más de cinco años de antigüedad. Algunos datan de las décadas de 1970 y 1980. No tienen en cuenta la nueva construcción que alteró los patrones de drenaje. No tienen en cuenta el cambio climático que intensifica las lluvias. Y crean lo que he empezado a llamar el "efecto acantilado": una línea binaria donde una vivienda a un pie dentro del Área Especial de Riesgo de Inundación paga miles por un seguro obligatorio, mientras que una vivienda a un pie fuera se clasifica como de riesgo mínimo.

Al agua no le importan las líneas de un mapa.

Casi el 68% de los reportes de daños por inundación ocurren fuera de las zonas de alto riesgo de inundación designadas por FEMA. Los mapas no solo están desactualizados: son sistemáticamente engañosos.

El resultado es un mercado construido sobre mala información. Menos del 4% de los propietarios de viviendas estadounidenses tienen seguro contra inundaciones. No porque sean imprudentes, sino porque los mapas les dijeron que estaban a salvo.

¿Por qué el 68% de los daños por inundación ocurre fuera de las "zonas de inundación"?

Esta fue la estadística que me dejó helado cuando la encontré por primera vez en la investigación. Si me hubieras pedido que adivinara antes de ver los datos, quizá habría dicho 20%, tal vez 30%. ¿Pero 68%? Eso significa que la mayoría de las pérdidas por inundación son invisibles para el sistema que se supone debe predecirlas.

La respuesta es una palabra que la mayoría de la gente fuera de la hidrología nunca ha escuchado: inundación pluvial.

Los mapas de FEMA modelan los ríos que se desbordan (inundación fluvial) y la marejada ciclónica costera. No modelan lo que ocurre cuando caen seis pulgadas de lluvia en dos horas sobre un vecindario donde cada entrada de coche, estacionamiento y techo es superficie impermeable. El agua no tiene a dónde ir. Se encharca. Encuentra el punto más bajo, que podría ser la sala de estar hundida de alguien a tres millas del río más cercano.

Recuerdo a mi equipo discutiendo sobre esto durante una llamada nocturna. Uno de nuestros investigadores, que había estado inmerso en la literatura de hidrología urbana, insistía en que la microtopografía —la pendiente sutil de una calle, si una entrada de coche baja hacia el garaje o se aleja de él— importa más que la proximidad a un río para los eventos pluviales. Yo me resistí. Sonaba demasiado granular para ser significativo a escala de cartera.

Sacó datos de daños de Houston tras Harvey. Manzana por manzana, las pérdidas eran tremendamente desiguales. Casas en la misma calle, en el mismo código postal, con la misma designación de FEMA: una se inundó, la otra no. La diferencia solía ser de unas pocas pulgadas de elevación o el muro de contención de un vecino.

Fue entonces cuando lo entendí: el promedio por código postal no es solo impreciso. Es una unidad de análisis fundamentalmente equivocada para el riesgo de inundación.

La revolución de las ocho pulgadas

Si hay una única variable que determina si una inundación es una molestia o una catástrofe, es la Elevación del Primer Piso: la distancia vertical entre el suelo y el piso habitable más bajo de un edificio.

Las cifras aquí son asombrosas. Elevar el primer piso de una vivienda apenas un pie por encima de la elevación de inundación base puede reducir la Pérdida Anual Promedio en aproximadamente un 90%. Un pie. Esa es la diferencia entre una propiedad que es una bomba de tiempo y una que es eminentemente asegurable.

Y sin embargo, este número casi nunca está en el expediente del suscriptor. Los registros catastrales públicos no lo capturan. Los Certificados de Elevación son documentos manuales costosos. Los modelos heredados simplemente adivinan, asumiendo, por ejemplo, que cada vivienda de una región tiene un espacio sanitario estándar de un pie.

Aquí es donde la visión por computadora lo cambia todo.

Mi equipo pasó semanas estudiando cómo las redes neuronales pueden extraer la elevación del primer piso a partir de imágenes de Google Street View. El proceso es elegante de una manera que me sorprendió. Una red neuronal convolucional mira una foto a nivel de calle de una casa e identifica la línea del suelo, el umbral de la puerta principal, los escalones. Estima la profundidad desde la cámara hasta la fachada. Luego aplica trigonometría básica —altura de la cámara, ángulo de inclinación, posición del píxel— para calcular la altura física de la entrada por encima del nivel de la calle.

Existe incluso un método de respaldo bellamente simple: contar los escalones. Los códigos de construcción especifican una altura de contrahuella estándar de aproximadamente 7 pulgadas. ¿Seis escalones hasta la puerta principal? Eso equivale a aproximadamente 42 pulgadas de elevación del primer piso. Un modelo de visión por computadora puede contar escalones en millones de propiedades sin que nadie tenga que levantarse de su escritorio.

Las redes neuronales entrenadas para estimar la elevación del piso más bajo han alcanzado errores promedio de apenas 0,218 metros, cerca de 8,5 pulgadas. Esa es una precisión a nivel de centímetro, a escala continental, sin una sola visita al sitio.

Cuando vi por primera vez ese margen de error, tuve que mirar dos veces. Ocho pulgadas y media de error promedio, derivadas de una fotografía tomada por un coche que pasa. Compara eso con el enfoque heredado de asumir que cada casa de un código postal tiene el mismo perfil de elevación. Ni siquiera es el mismo deporte.

¿Qué pasa cuando puedes ver a través de las nubes?

La suscripción de inundaciones tiene una cruel ironía: el momento en que más necesitas ver lo que está ocurriendo sobre el terreno —durante una inundación— es exactamente cuando los satélites ópticos se quedan ciegos. Las inundaciones vienen con nubes y lluvia. Las cámaras no pueden ver a través de ninguna de las dos.

Al Radar de Apertura Sintética no le importan las nubes.

Los satélites SAR transmiten pulsos de microondas que atraviesan la capa de nubes, el humo y la lluvia intensa, y luego miden la energía que rebota de vuelta. El agua en calma actúa como un espejo: refleja la señal del radar alejándola del satélite, apareciendo como píxeles oscuros en la imagen. La tierra seca dispersa la señal de vuelta, apareciendo brillante. El contraste te da un mapa de inundación, a través de cualquier clima, de día o de noche.

Admito que cuando encontré por primera vez los datos SAR, me resultaron ajenos. No se parece a una fotografía. Es granulado, moteado y poco intuitivo. Pero una vez que entiendes lo que te está mostrando, es extraordinario: un ojo para todo clima que puede cartografiar la huella exacta de una inundación a las pocas horas del pico de un evento.

La complejidad llega en las ciudades. La inundación urbana crea un fenómeno llamado "doble rebote": el radar golpea la superficie del agua, rebota en la pared de un edificio y regresa al satélite con alta intensidad. Para un algoritmo ingenuo, esto parece tierra seca. Se necesitan modelos de aprendizaje profundo específicamente entrenados en estos patrones de interferencia para identificar correctamente la inundación urbana. Los enfoques tradicionales basados en umbrales fallan aquí de forma consistente.

Cuando fusionas SAR con datos ópticos —usando el radar para la cobertura en todo clima y las imágenes ópticas para la confirmación espectral— la precisión de clasificación supera el 92% incluso en paisajes urbanos complejos.

¿Por qué la IA estándar no puede simplemente predecir las inundaciones?

Esta es una pregunta que me hacen constantemente, y revela un malentendido fundamental sobre lo que el aprendizaje automático puede y no puede hacer.

Un modelo estándar de aprendizaje profundo entrenado con datos históricos de inundaciones aprende patrones. Podría aprender que las propiedades cercanas a ríos se inundan más, que ciertos tipos de suelo se correlacionan con pérdidas más altas, que la primavera es peor que el otoño. Y para eventos que se parecen a los datos de entrenamiento, se desempeña razonablemente bien.

Pero las inundaciones están empeorando de maneras que no tienen precedente histórico. Un modelo puramente basado en datos que se encuentra con una intensidad de tormenta que nunca ha visto antes o bien extrapolará descontroladamente o recurrirá a algo conservador y erróneo. Peor aún, podría generar predicciones físicamente imposibles: agua que aparece sin una fuente, o que fluye cuesta arriba.

Una red neuronal que nunca ha visto una tormenta de los 500 años alucinará cuando se encuentre con una. La física no alucina.

Por eso las Redes Neuronales Informadas por la Física —PINN— representan el avance arquitectónico más importante en la modelización de inundaciones. Una PINN no solo está entrenada para coincidir con datos históricos. Está entrenada simultáneamente para obedecer las leyes de la dinámica de fluidos: la conservación de la masa (el agua no aparece de la nada) y la conservación del momento (el agua fluye cuesta abajo, respetando la gravedad y la fricción).

La implementación técnica es engañosamente simple en concepto. La función de pérdida de la red tiene dos componentes: qué tan bien coincide con los datos observados, y qué tan gravemente viola las ecuaciones físicas que la gobiernan. Penaliza las violaciones de la física durante el entrenamiento y obtienes un modelo que está tanto informado por los datos como restringido físicamente.

El beneficio práctico es enorme. Las PINN necesitan muchos menos datos de entrenamiento porque las ecuaciones físicas restringen el espacio de soluciones. Y generalizan a eventos sin precedentes porque la física subyacente no cambia: una tormenta de los 500 años sigue la misma dinámica de fluidos que una tormenta de los 10 años, solo que con entradas diferentes.

Para el desglose técnico completo de cómo funcionan juntas estas arquitecturas, incluyendo las matemáticas detrás de las Redes Neuronales de Grafos para el enrutamiento hidrológico, te remitiría a nuestro artículo de investigación. Pero la clave para la suscripción es esta: una PINN entrenada como modelo sustituto puede simular miles de escenarios climáticos para una propiedad específica en tiempo real. En lugar de una tarifa estática de "Zona AE", obtienes un perfil de riesgo dinámico y probabilístico que refleja la física real del agua que fluye a través de ese paisaje específico hasta ese edificio específico.

El argumento de la solvencia

He estado exponiendo el caso tecnológico, pero permíteme exponer el de negocio, porque aquí es donde vive la urgencia.

El índice combinado del seguro de propietarios de vivienda —la medida básica de si una aseguradora gana o pierde dinero con la suscripción— promedió recientemente 101,5% y alcanzó su punto máximo en 110,5% en 2023. Por encima del 100% significa que estás perdiendo dinero. La industria se está desangrando.

La selección adversa está devorando a las aseguradoras. Cuando tarificas el riesgo de inundación a nivel de código postal, estás promediando una casa en una colina con una casa en una depresión. El propietario de la depresión —que sabe que su sótano se inunda con cada lluvia intensa— compra con avidez al precio promediado. El propietario de la colina, que percibe correctamente el precio como demasiado alto para su riesgo real, se marcha. Tu grupo de riesgo concentra silenciosamente los malos riesgos, y tu índice de siniestralidad se deteriora de maneras que no se manifiestan hasta el próximo evento importante.

La Deep AI invierte esta dinámica. Una aseguradora que sabe que una vivienda en una zona de "alto riesgo" en realidad se sitúa a cuatro pies por encima de la elevación de inundación base, con rejillas de ventilación contra inundaciones instaladas y un sistema HVAC elevado, puede suscribir esa póliza de forma rentable a una tarifa que los competidores heredados no tocarán. Eso no es seleccionar solo lo mejor: es tarificación precisa. Y funciona en ambas direcciones: la vivienda en una zona de "bajo riesgo" con un garaje hundido y superficies impermeables por todos lados se tarifa por lo que realmente es.

La era de suscribir el riesgo de inundación basándose en mapas de papel de los años 80 y promedios por código postal está efectivamente terminada. La pregunta es qué aseguradoras lo reconocerán primero.

Aquí también hay un ángulo de reaseguro. Los reaseguradores —las empresas que aseguran a las aseguradoras— exigen cada vez más transparencia sobre las carteras subyacentes de las aseguradoras primarias. Una cartera de negocio suscrita con datos de elevación a nivel de píxel y monitoreada mediante radar satelital es una propuesta de riesgo fundamentalmente diferente a una tarificada a partir de las zonas de FEMA. Mejores datos significan mejores condiciones de reaseguro, lo que significa mejor eficiencia de capital, lo que significa ventaja competitiva. Se acumula.

"¿Pero puedes explicárselo a un regulador?"

La gente siempre me pregunta esto, y es la pregunta correcta. A medida que la IA se vuelve central en las decisiones de tarificación que afectan si alguien puede permitirse vivir en su vivienda, el escrutinio regulatorio se intensificará —y debería hacerlo.

Aquí es en realidad donde los modelos informados por la física tienen una ventaja inesperada sobre el aprendizaje profundo de caja negra. Las predicciones de una PINN están fundamentadas en ecuaciones físicas explícitas: las ecuaciones de Saint-Venant de la dinámica de fluidos, la conservación de la masa, la conservación del momento. Cuando un departamento estatal de seguros pregunta por qué aumentó una prima, la aseguradora puede señalar un riesgo hidráulico específico, modelado físicamente: "El agua de esta cuenca alcanza esta propiedad a esta profundidad bajo estas condiciones de lluvia, según estas mediciones de elevación y esta topología de drenaje."

Eso no es una correlación algorítmica opaca. Eso es ingeniería. Los reguladores entienden la ingeniería.

He empezado a llamar a esto "IA de caja de cristal": modelos cuyo razonamiento es transparente porque está anclado en física conocida, no solo en patrones estadísticos aprendidos. Es lo opuesto al problema de la caja negra que pone nervioso a todo el mundo respecto a la IA en decisiones de alto riesgo.

Hacia dónde va esto a continuación

El concepto que me parece más convincente —y más disruptivo— es lo que yo llamaría el modelo de riesgo "vivo". Hoy, el riesgo de inundación se evalúa al inicio de la póliza y quizá se revisa en la renovación. Es una instantánea. Pero el riesgo es continuo.

Si un satélite SAR detecta hundimiento del terreno en una región, las puntuaciones de riesgo de las propiedades afectadas deberían actualizarse. Si un vecino pavimenta un césped permeable, las características de escorrentía superficial de toda la microcuenca cambian. Si un municipio moderniza sus drenajes pluviales, cada propiedad de la cuenca de drenaje se beneficia.

Un modelo vivo transforma a la aseguradora de un pagador de siniestros en algo más parecido a un socio de riesgo. Ajustes a mitad de período. Alertas proactivas. Créditos de prima por medidas de mitigación que la aseguradora puede verificar realmente mediante imágenes aéreas: rejillas de ventilación contra inundaciones instaladas, HVAC elevado, superficies permeables mantenidas.

Esto también habilita el seguro paramétrico contra inundaciones: pólizas que pagan automáticamente cuando un satélite confirma que la profundidad de la inundación supera un umbral en las coordenadas aseguradas. Sin visitas de ajustadores. Sin un proceso de siniestros de meses. Liquidez inmediata cuando la gente más la necesita.

No dejo de pensar en aquel suscriptor con el mapa de 1992 en su pared. Él no era el problema. Estaba trabajando con lo que la industria le dio. El problema es que la industria ha tardado en reconocer que el clima ha avanzado, los datos han avanzado y la tecnología ha avanzado, mientras que la infraestructura de suscripción se quedó clavada en la pared.

La convergencia de la visión por computadora, el radar de apertura sintética y el aprendizaje automático informado por la física no solo mejora la suscripción de inundaciones. La hace posible por primera vez. Todo lo anterior a esto era una conjetura informada a una resolución demasiado gruesa para ser significativa. Lo que viene a continuación es medición —edificio por edificio, pie por pie, tormenta por tormenta— a una precisión que convierte el riesgo de inundación de una catástrofe impredecible en algo que realmente puedes tarifar.

Las aseguradoras que descubran esto primero no solo tendrán mejores índices de siniestralidad. Tendrán los únicos índices de siniestralidad que tienen sentido.