¿Puede la IA corregir la tarificación del seguro contra inundaciones?

El problema

Casi el 68.3% de los reportes de daños por inundaciones ocurre fuera de las zonas que la FEMA etiqueta como de alto riesgo. Esto significa que la mayoría de las pérdidas por inundaciones golpean propiedades que los suscriptores dijeron a los propietarios que eran seguras. Los mapas de los que depende la tarificación de su seguro contra inundaciones son, en muchos casos, décadas anteriores. Las investigaciones muestran que aproximadamente el 75% de los mapas de inundaciones de la FEMA tienen más de cinco años de retraso. Un 11% alarmante se remonta a las décadas de 1970 y 1980. Estos mapas fueron trazados antes de que existieran suburbios enteros, antes de que los patrones climáticos cambiaran y antes de que las tormentas que vemos hoy siquiera fueran imaginadas.

El resultado es una peligrosa ilusión de seguridad. Una propiedad situada un pie fuera de una zona de inundación designada recibe la etiqueta de "riesgo mínimo". Su vecina, situada un pie dentro, recibe cobertura obligatoria. Pero el agua no respeta las líneas de un mapa: sigue la gravedad, el pavimento y la pendiente de su entrada. Menos del 4% de los propietarios en todo el país contratan un seguro contra inundaciones, en parte porque mapas desactualizados les dicen que no lo necesitan. Si su organización suscribe, otorga préstamos sobre o asegura propiedades, está tomando decisiones de miles de millones de dólares con información que ya estaba obsoleta cuando se publicó.

Por qué esto importa para su negocio

Esto no es solo un problema de cartografía. Es una exposición financiera que golpea su balance desde múltiples direcciones.

El índice combinado del seguro de propietarios —la medida básica de si usted gana o pierde dinero en la suscripción— promedió 101.5% en los últimos años. Alcanzó un máximo de 110.5% en 2023. Un índice combinado superior al 100% significa que paga más de lo que recauda. Cada punto por encima del 100% erosiona su capital.

Aquí es donde se concentran los daños:

• La selección adversa está drenando su pool de riesgos. Cuando tarifica el riesgo de inundación por código postal, cobra la misma tarifa a una casa en una colina y a una casa en una zona baja. Los compradores sofisticados que saben que sus sótanos se inundan aprovecharán esa cobertura infravalorada. Los propietarios de bajo riesgo se irán, al considerar que la prima promedio es demasiado cara. Su cartera se llena silenciosamente de malos riesgos.
• Las reclamaciones promedio por inundación rondan casi $34,000 por evento. Ese número se agrava rápidamente en una cartera de negocios cuando sus modelos no pueden distinguir qué propiedades realmente se inundarán.
• Los reaseguradores están observando. Exigen cada vez más transparencia sobre la calidad subyacente de su cartera. Si no puede demostrar datos de riesgo a nivel de propiedad, obtendrá peores condiciones de tratado y requisitos de capital más altos.
• La presión regulatoria está aumentando. Los departamentos estatales de seguros formulan preguntas cada vez más exigentes sobre cómo se toman las decisiones de tarificación impulsadas por IA. Si sus modelos no pueden explicar por qué cambió una prima, enfrenta riesgo de cumplimiento.

La brecha de protección —la diferencia entre las pérdidas económicas totales y lo que realmente está asegurado— sigue ampliándose. Sus competidores que adopten modelos de riesgo granulares seleccionarán sus mejores riesgos y le dejarán cargando con los peores.

Qué está pasando realmente bajo el capó

Piense en la suscripción tradicional del riesgo de inundación como calificar a todos los estudiantes de una escuela según la calificación promedio de exámenes de la escuela. El mejor alumno y el estudiante que nunca aparece reciben la misma nota. Eso es lo que la tarificación por código postal hace con el riesgo de inundación.

El fallo central tiene tres capas.

Primero, los mapas ignoran por completo las inundaciones por lluvia. Los mapas tradicionales de la FEMA modelan el desbordamiento de ríos y las mareas de tormenta costeras. No modelan las inundaciones pluviales —el agua que se acumula cuando la lluvia intensa colapsa calles, estacionamientos y desagües pluviales—. En las ciudades, la leve depresión de una entrada o la pendiente de una calle determina si una casa se inunda. El promedio por código postal borra esas diferencias por completo.

Segundo, la variable más importante falta en sus datos. Esa variable es la Elevación del Primer Piso, o FFE —qué tan alto está el piso habitable más bajo sobre el suelo—. Elevar la FFE de una propiedad apenas un pie por encima del nivel base de inundación puede reducir la Pérdida Anual Promedio en aproximadamente 90%. Pero los registros fiscales públicos casi nunca capturan la FFE. Los certificados de elevación cuestan dinero y solo se exigen en zonas específicas. Así que la mayoría de los modelos de suscripción adivinan —y adivinar mal significa tarificar drásticamente mal la póliza.

Tercero, las simulaciones tradicionales de inundación son demasiado lentas para ser útiles en la tarificación en tiempo real. Los modelos físicos estándar pueden tardar horas o días en simular una sola cuenca hidrográfica. Eso está bien para la investigación académica. Es inútil cuando necesita una cotización en segundos.

Qué funciona (y qué no)

Antes de la solución, esto es lo que no resuelve este problema:

• Actualizar los mapas de la FEMA con más frecuencia: Incluso los mapas recientes siguen siendo binarios —dentro o fuera de una zona de inundación— ignorando la naturaleza continua del flujo del agua.
• Agregar más datos históricos de reclamaciones: Las reclamaciones pasadas son indicadores rezagados. La volatilidad climática significa que la próxima década no se parecerá a la anterior. Más de los mismos datos no arregla un modelo roto.
• Ejecutar IA estándar sobre datos por código postal: Un modelo de aprendizaje automático puramente basado en datos y entrenado con entradas gruesas producirá salidas gruesas. Peor aún, puede generar predicciones físicamente imposibles —como agua que aparece sin fuente—.

Lo que sí funciona es una arquitectura de tres capas que combina observación, física y explicabilidad:

1. La visión por computadora extrae lo que falta en sus datos. Los modelos de IA analizan imágenes a nivel de calle y aéreas para medir la Elevación del Primer Piso de forma remota. El sistema identifica características arquitectónicas —escaleras, puertas, cimientos— y calcula la altura usando geometría. Las redes neuronales entrenadas para esta tarea han demostrado errores promedio tan bajos como 0.218 metros (unos 8.5 pulgadas). Ese nivel de precisión escala a millones de propiedades sin una sola visita al sitio. La misma tecnología detecta sótanos, superficies impermeables y características de mitigación de inundaciones como unidades de HVAC elevadas.

2. El radar satelital ve a través de las nubes para verificar qué se inundó realmente. El Radar de Apertura Sintética, o SAR —una tecnología satelital que usa señales de microondas para ver el suelo incluso a través de nubes de tormenta— proporciona datos de la extensión de la inundación casi en tiempo real, a menudo dentro de las 24 horas posteriores al pico de un evento. Puede superponer esta huella de inundación sobre su cartera para estimar pérdidas al instante, enviar ajustadores solo a zonas de inundación confirmadas y señalar reclamaciones fraudulentas cuando los datos satelitales muestran que una propiedad permaneció seca.

3. La IA informada por la física simula escenarios futuros en segundos. Las Redes Neuronales Informadas por la Física, o PINNs —modelos de IA que tienen las leyes reales de la dinámica de fluidos integradas en su matemática— actúan como sustitutos rápidos de las lentas simulaciones tradicionales. Debido a que estos modelos imponen la conservación de la masa y del momento, no pueden alucinar escenarios imposibles. Pueden ejecutar miles de escenarios climáticos para una propiedad específica en tiempo real. Esto significa que su motor de tarificación puede generar una prima que refleje el perfil de riesgo real de ese lugar exacto, no un promedio de zona.

La ventaja de la pista de auditoría importa enormemente para sus equipos de cumplimiento. Debido a que las PINNs se fundamentan en ecuaciones físicas explícitas, sus resultados son interpretables y defendibles ante los reguladores. Puede mostrarle a un departamento estatal de seguros que un aumento de prima se remonta a un riesgo hidráulico específico modelado físicamente —no a una correlación algorítmica opaca. Esto es lo que hace del sistema una "caja de cristal" en lugar de una caja negra.