Inteligencia de Riesgo de Inundación
Más de dos tercios de los daños por inundación en EE. UU. se producen fuera de las zonas de alto riesgo de la FEMA. Si su motor de tarificación aún se ancla a la Zona AE frente a la Zona X, está tarificando mal el riesgo en ambos sentidos: cobrando de más por la casa elevada dentro de la zona y de menos por la casa sobre losa fuera de ella. Las aseguradoras que han adoptado la puntuación con IA a nivel de propiedad ya le están descremando sus mejores riesgos.
Construimos la capa de inteligencia de riesgo de inundación que conecta las puntuaciones de proveedores, la monitorización satelital y sus datos de siniestros en un factor de tarificación unificado que su examinador del DOI puede aprobar.
68,3 %
Daños por inundación fuera de las zonas de alto riesgo de la FEMA
NC State / First Street Research
106,1 %
Ratio combinado proyectado del seguro de hogar, 2025
III / AM Best
20 % TCAC
Crecimiento de pólizas de inundación privadas, 2020-2024
Resources for the Future
Considere un escenario concreto que se repite miles de veces en su cartera cada año.
Una vivienda unifamiliar en el condado de Harris, Texas. Zona X de la FEMA (peligro de inundación mínimo). Construida en 2004 sobre una cimentación de losa sin elevación por encima del nivel del terreno. La parcela tiene un 85 % de superficie impermeable (entrada de hormigón, patio, garaje independiente). El desagüe pluvial más cercano está a 400 pies de distancia y forma parte de un sistema municipal de 30 años de antigüedad diseñado para un evento de lluvia de 10 años.
Zona X. Sin obligación de seguro contra inundación. Si el propietario contrata una póliza voluntaria de inundación, se tarifica según los factores del NFIP Risk Rating 2.0, que no tienen en cuenta el ratio de superficie impermeable, la infraestructura de drenaje subdimensionada ni el hecho de que la casa tiene una elevación de la primera planta nula por encima del nivel del terreno. Su sistema cotiza una prima de 450 USD/año.
En una cartera de 50 000 pólizas de hogar en el sureste de Texas, este patrón de propiedades de la Zona X mal tarificadas suele representar entre 2,8 y 4,2 millones de USD en fugas anuales. Eso equivale a entre 30 y 40 propiedades que generan entre 70 000 y 120 000 USD en siniestros por inundación por evento frente a primas anuales de 450 USD.
Esto no es hipotético. El condado de Harris tiene 1,2 millones de propiedades en la Zona X. Tras el huracán Harvey, el 70 % de los siniestros por inundación provinieron de fuera de las zonas de alto riesgo de la FEMA. Las aseguradoras que identificaron estas propiedades antes del evento redujeron su ratio de pérdidas por catástrofe en 8-12 puntos ese año.
Cada proveedor a continuación resuelve parte del problema. Ninguno lo resuelve de extremo a extremo. El verdadero reto es construir la integración y la documentación regulatoria que convierten las soluciones puntuales en un plan de tarificación aprobado.
| Proveedor | Qué hacen | Fortaleza | Carencia |
|---|---|---|---|
| ZestyAI | Inteligencia de propiedad basada en visión artificial. Puntuaciones Z-FLOOD, Z-FIRE, Z-WIND a partir de imágenes aéreas y permisos de construcción. | Probado en producción a escala. Más de 6 alianzas con aseguradoras firmadas solo en el primer trimestre de 2026. Cobertura multiriesgo. | Sin modelado de drenaje pluvial. Los modelos internos opacos dificultan las presentaciones al DOI en estados como CO y NY. Puntuaciones estáticas, sin monitorización activada por eventos. |
| ICEYE | Constelación de satélites SAR para la monitorización de inundaciones en tiempo real. Más de 30 satélites, revisita en menos de 24 horas. | Único proveedor con datos satelitales propios. Alianzas con Munich Re y AXA (2026). Actualizaciones de extensión de inundación cada 6 horas durante los eventos. | Solo observación, no predictivo. Incertidumbre de profundidad urbana de +/-15 cm (doble rebote). Requiere una canalización personalizada para convertir el SAR bruto en un flujo de trabajo de siniestros. |
| First Street | Puntuaciones Flood Factor (1-10) para cada propiedad de EE. UU. Riesgo acumulado a 30 años. Datos gratuitos para el consumidor, API institucional. | La base de datos de riesgo de inundación de EE. UU. más completa. Fuerte concienciación pública. Incluye peligros fluviales, costeros y pluviales. | Modelo solo de peligro. No evalúa la vulnerabilidad estructural (FFE, materiales de construcción). Actualmente no aceptado como factor de tarificación regulatorio. |
| Fathom (Swiss Re) | Datos globales de peligro de inundación. Swiss Re lo integra en su modelo interno de catástrofes (enero de 2026). Conjuntos de eventos probabilísticos de 50 000 años. | Modelado basado en física. Los mejores escenarios climáticos prospectivos. El respaldo de Swiss Re aporta credibilidad ante los reaseguradores. | Propiedad de Swiss Re, lo que crea un posible conflicto para las aseguradoras con otras relaciones de reaseguro. Solo capa de peligro, sin vulnerabilidad a nivel de propiedad. |
| Verisk / AIR | Modelado de catástrofes establecido. Flood Score 3.0 para la evaluación de inundación a nivel de propiedad en EE. UU. XactGen para la estimación de siniestros con IA. | Las relaciones más profundas con aseguradoras. Familiaridad regulatoria. Aceptado como estándar por la mayoría de los DOI. | Arquitectura tradicional readaptada con IA. Ciclo de innovación más lento. La tarificación por paquetes encarece el uso de solo los componentes de inundación. |
| RMS / Moody's | Plataforma de modelado de catástrofes. Adquiriendo Cape Analytics para inteligencia geoespacial de propiedad con IA. | Profunda integración con aseguradoras. La adquisición de Cape añade evaluación de propiedad basada en visión artificial. | La adquisición de Cape Analytics aún está en curso. El calendario de integración no está claro. Cape es más fuerte en viento/incendio forestal que en inundación. |
| Neptune Flood | MGA con motor de suscripción propio Triton. Enfoque API-first. Alianza con Palomar para inundación privada a nivel nacional. | El flujo de cotización-emisión de inundación privada más rápido. Integración con ChatGPT para distribución digital. Experiencia exclusiva en inundación. | Competidor, no una herramienta que pueda licenciar. Su stack tecnológico es propietario y no está disponible para otras aseguradoras. |
| Big 4 / Grandes integradores de sistemas | Deloitte, Accenture, EY y PwC ofrecen servicios de asesoría e implementación de insurtech. | Reconocimiento de marca. Equipos grandes. Relaciones existentes con la alta dirección de las aseguradoras. | Implementan plataformas, no construyen inteligencia de inundación personalizada. Una colaboración con Accenture parte de más de 2 millones de USD y entrega un ejercicio de selección de proveedores, no un motor de puntuación operativo. Sin experiencia propia en el dominio de la inundación. |
El panorama de proveedores está fragmentado por diseño. ZestyAI vende puntuaciones de propiedad. ICEYE vende datos satelitales. Fathom vende capas de peligro. Verisk vende modelos de catástrofes. Ningún proveedor individual tiene un incentivo para construir la capa de integración que combina fuentes de datos competidoras, porque esa capa convierte su producto individual en un genérico. Esa capa de integración, junto con la documentación regulatoria para que se apruebe como plan de tarificación, es lo que construimos.
Cada capacidad aborda una carencia específica del panorama de proveedores. Trabajamos con las puntuaciones y los datos que ya compra, no en su contra.
Fusionamos la inteligencia de propiedad de ZestyAI, la monitorización SAR de ICEYE, las capas de peligro de Fathom/First Street y su historial de siniestros en una puntuación compuesta a nivel de propiedad. La lógica de fusión pondera cada fuente según la geografía y la combinación de peligros. Una propiedad costera de Florida se apoya en gran medida en modelos de marejada ciclónica y monitorización SAR. Una propiedad de interior en Texas da mayor peso al modelado de drenaje pluvial y a los ratios de superficie impermeable.
Resultado: un único factor de tarificación por propiedad, almacenado en caché en Guidewire Integration Data Manager o en el marco External Data Call de Duck Creek, disponible en menos de 50 ms para la cotización-emisión en línea.
Presentar un algoritmo de tarificación aumentado con IA requiere memorandos actuariales que muestren la mejora del ratio de pérdidas por decil, las clasificaciones de importancia de las características, las pruebas retrospectivas fuera de muestra frente a eventos históricos y el análisis de impacto desigual a granularidad de sector censal. Producimos el paquete de presentación completo para cada estado.
Hemos cartografiado los requisitos de los 50 estados. Colorado exige justificación por variable. La Circular 2024-7 del DFS de Nueva York exige pruebas de discriminación por proxy. California exige aprobación previa con documentación completa del modelo. El paquete de presentación que producimos está adaptado a los requisitos específicos de cada estado, no es una plantilla única para todos.
Cuando se desencadena un evento de inundación, activamos la canalización que convierte los datos SAR brutos de ICEYE en inteligencia de siniestros operativa. En cuestión de horas tras el primer paso satelital: se calcula su TIV en riesgo por tipo de cobertura, los peritos se dirigen solo a las propiedades mojadas confirmadas por SAR, la severidad se estima combinando la profundidad de inundación del SAR con la elevación de la primera planta derivada por visión artificial, y los siniestros de ubicaciones secas confirmadas por SAR se marcan para la SIU.
La canalización se ejecuta como un servicio gestionado durante los eventos. Entre eventos, solo paga por la capa de monitorización que vigila los desencadenantes de tareas satelitales. Mejora típica de la eficiencia de despliegue de peritos: 40-60 % menos de visitas innecesarias al sitio.
Esta es la carencia que la mayoría de los proveedores pasa por alto. La inundación pluvial (lluvia que desborda los sistemas de drenaje) causa la mayoría de las pérdidas aseguradas por inundación, pero la mayoría de los modelos comerciales se centran en el desbordamiento fluvial y la marejada costera. Construimos modelos pluviales a nivel de propiedad usando modelos digitales de elevación derivados de LiDAR a resolución de 1 metro, ratios de superficie impermeable estimados por visión artificial por parcela y datos de infraestructura municipal de aguas pluviales (diámetro de tubería, antigüedad, capacidad de diseño).
El modelo responde a una pregunta específica: para una intensidad de lluvia dada, ¿qué profundidad alcanza el agua en la puerta principal de esta propiedad? La respuesta depende de la microtopografía dentro de 500 metros, no de la zona de la FEMA.
Con más de 24 estados que adoptan el Boletín de Modelos de IA de la NAIC, las pruebas independientes de equidad de la tarificación impulsada por IA ya no son opcionales. Realizamos análisis de impacto desigual sobre sus tarifas aumentadas con IA frente a la demografía del sector censal, identificamos qué características de entrada portan señal demográfica (el estado del tejado y la superficie impermeable son las más comunes) y determinamos si el poder predictivo está actuarialmente justificado con independencia de la correlación.
El entregable es el paquete de documentación que satisface el estándar más exigente (la Circular 2024-7 del DFS de Nueva York), lo que significa que se aprueba en cualquier otro lugar. Esto se aplica tanto si usa nuestro motor de puntuación como si usa puntuaciones de terceros de ZestyAI, Cape Analytics o cualquier otro proveedor.
Cuatro fases. La Fase 1 es un entregable independiente. Si no encontramos fugas accionables en su cartera, se detiene ahí.
Analizamos su cartera actual frente a datos de riesgo de inundación a nivel de propiedad. Para cada póliza, comparamos la prima que cobra con la pérdida esperada estimada por IA. El resultado es un mapa de calor de la tarificación incorrecta: qué geografías, qué tipos de construcción, qué zonas de la FEMA tienen la mayor brecha entre lo que recauda y lo que paga.
En una cartera P&C típica de 200 millones de USD en primas suscritas, este análisis revela entre 2 y 5 millones de USD en fugas anuales por selección adversa. Esa cifra, con detalle a nivel de propiedad, es su justificación de negocio para las fases restantes.
Construimos el motor de puntuación multifuente ajustado a su cartera específica. Esto implica seleccionar y ponderar las fuentes de datos relevantes para sus geografías, entrenar los micromodelos pluviales para sus mercados clave y construir la integración con Guidewire o Duck Creek con la capa de caché de puntuación previa.
Validamos el modelo frente a su historial de siniestros. La prueba es simple: ¿predice la clasificación de riesgo del modelo qué pólizas presentaron siniestros por inundación en los últimos 5 años mejor que su plan de tarificación actual?
Producimos los paquetes de presentación al DOI para sus estados prioritarios. Cada paquete incluye el memorando actuarial, el informe de validación del modelo (pruebas retrospectivas frente a eventos históricos, pruebas fuera de muestra), el análisis de impacto desigual y la documentación de explicabilidad que muestra cómo los factores de tarificación del modelo se relacionan con el riesgo físico de inundación.
Los plazos de presentación varían según el estado. Los estados de "presentar y usar" (la mayoría del sureste) le permiten desplegar inmediatamente tras la presentación. Los estados de "aprobación previa" (California, Nueva York) requieren la revisión del examinador antes del despliegue, lo que añade entre 60 y 120 días.
Puesta en marcha en el primer ciclo de renovación con tarifas aumentadas con IA. Monitorizamos el rendimiento del ratio de pérdidas, la suficiencia de las primas y la retención de asegurados. El primer ciclo de renovación es crítico: verá que algunas pólizas no se renuevan a medida que los riesgos mal tarificados reciben por primera vez una tarificación correcta. El objetivo es que la prima perdida por las pólizas de alto riesgo que se marchan quede más que compensada por la reducción de siniestros.
Si también está desplegando la canalización de clasificación de siniestros SAR, la activamos en una vía paralela y realizamos un ejercicio de mesa frente a un evento histórico de su cartera antes de la próxima temporada de huracanes.
Responda 8 preguntas sobre sus capacidades actuales de suscripción de inundación. Obtenga una evaluación puntuada con carencias específicas y próximos pasos para su situación.
El reto de la integración tiene menos que ver con la llamada a la API y más con la arquitectura de caché y de respaldo. Una llamada a la API en bruto a un servicio de puntuación externo tarda entre 200 y 400 ms, lo que consume la mayor parte de su presupuesto de latencia para una cotización en línea. Construimos una capa de puntuación previa que procesa por lotes su cartera en vigor cada noche frente a las últimas imágenes satelitales y fuentes de inteligencia de propiedad, almacenando las puntuaciones en Integration Data Manager de Guidewire. Cuando llega una solicitud de cotización, el motor de tarificación recupera la puntuación en caché en menos de 50 ms.
Para las nuevas solicitudes que aún no están en la caché, usamos un patrón de enriquecimiento asíncrono: la cotización avanza con una puntuación preliminar basada en los datos disponibles de zona de la FEMA y elevación, y luego la puntuación completa de IA se rellena en cuestión de minutos. La cola de derivación detecta cualquier caso en el que las puntuaciones preliminar y completa difieran significativamente.
Este patrón mantiene su flujo de cotización-emisión por debajo de 500 ms a la vez que garantiza que cada póliza acabe recibiendo la evaluación de riesgo multifuente completa. Para Duck Creek, la arquitectura es similar pero usa su marco External Data Call en lugar de Integration Data Manager.
La puntuación Z-FLOOD de ZestyAI es sólida para la vulnerabilidad estructural a nivel de propiedad, en particular el estado del tejado, los materiales de construcción y la proximidad al agua. Pero tiene puntos ciegos específicos que importan para la inundación. Primero, Z-FLOOD no modela la capacidad de drenaje municipal. Dos propiedades con puntuaciones Z-FLOOD idénticas pueden tener exposiciones a inundación pluvial muy diferentes según si la red de desagües pluviales de su microcuenca se diseñó para un evento de 10 años o de 100 años.
Segundo, ZestyAI no incorpora monitorización SAR en tiempo real, por lo que obtiene una puntuación de riesgo estática pero ninguna alerta de cartera activada por eventos. Tercero, y este es el problema de presentación: cuando presenta Z-FLOOD como variable de tarificación a un DOI estatal, el examinador pide la importancia subyacente de las características y la mejora del ratio de pérdidas por decil. ZestyAI proporciona una ficha de modelo, pero en estados como Colorado y Nueva York los examinadores quieren ver el análisis ejecutado sobre su cartera específica, no una validación genérica de toda la industria.
Construimos el envoltorio que combina la inteligencia de propiedad de ZestyAI con la monitorización SAR de ICEYE, el modelado de drenaje pluvial y su propio historial de siniestros en una puntuación compuesta. Luego producimos la documentación de presentación al DOI que muestra cómo cada componente contribuye a la precisión predictiva en su cartera específicamente.
El Boletín de Modelos de IA de la NAIC, ahora adoptado en más de 24 estados, exige a las aseguradoras demostrar que la tarificación impulsada por IA no produce resultados injustamente discriminatorios. Para la inundación en concreto, el riesgo es que las evaluaciones de propiedad basadas en visión artificial se correlacionen con el ingreso del vecindario. Una propiedad en una zona de menores ingresos podría mostrar mantenimiento diferido, puntuaciones más bajas de estado del tejado y más superficie impermeable, todo lo cual predice legítimamente la severidad de las pérdidas por inundación pero también actúa como proxy de características protegidas.
El análisis comienza con una prueba de disparidad geográfica: cartografiamos sus tarifas aumentadas con IA frente a la demografía del sector censal (raza, ingresos, edad) y comparamos las distribuciones de tarifas. Si el modelo de IA produce sistemáticamente tarifas más altas en sectores de mayoría minoritaria tras controlar el peligro real de inundación, eso es una señal de alerta. A continuación, ejecutamos un análisis de atribución de características usando valores SHAP para identificar qué características de entrada impulsan la disparidad. A menudo es una sola variable como la puntuación de estado del tejado o el ratio de superficie impermeable la que porta la mayor parte de la señal demográfica.
La solución no es eliminar la variable. Es demostrar que el poder predictivo de la variable para la pérdida por inundación está actuarialmente justificado con independencia de su correlación demográfica. Producimos el paquete de documentación que muestra: aquí está la disparidad, aquí está por qué está actuarialmente justificada y aquí están los controles que implementamos. La Circular 2024-7 del DFS de Nueva York es el estándar más exigente. Si su documentación se aprueba en Nueva York, se aprueba en cualquier otro lugar.
Cuando se desencadena un evento de inundación, la constelación de ICEYE comienza a asignar tareas a los satélites sobre la zona afectada. Obtiene el primer mapa de extensión de la inundación en un plazo de 12 a 24 horas tras la inundación máxima, entregado como archivos shapefile compatibles con GIS con resolución de 30 metros. Las extensiones actualizadas llegan cada 6 horas a medida que se producen pasos satelitales adicionales.
La canalización de clasificación que construimos hace cuatro cosas con estos datos. Primero, superposición de cartera: la huella de inundación del SAR se interseca con las direcciones geocodificadas de sus asegurados para calcular el Valor Total Asegurable en riesgo, desglosado por tipo de cobertura y límite de póliza. Su dirección de siniestros obtiene este informe antes de que llegue la primera notificación de siniestro (FNOL). Segundo, asignación de peritos: los peritos de campo se despliegan solo a las propiedades mojadas confirmadas por SAR, lo que normalmente reduce las visitas innecesarias al sitio entre un 40 y un 60 %. Tercero, estimación de severidad: combinando la profundidad de inundación derivada del SAR en cada propiedad con la elevación de la primera planta estimada por visión artificial, calculamos la profundidad estimada de intrusión de agua, que se asigna directamente a las curvas de daño del modelo Hazus de la FEMA.
Cuarto, marcado de fraude: cualquier siniestro notificado (FNOL) de una propiedad que los datos SAR muestran que estuvo seca durante el evento se enruta automáticamente a la SIU. El problema del doble rebote urbano en los datos SAR significa que obtiene falsos negativos en zonas urbanas densas, aproximadamente el 15 % de las propiedades. Lo gestionamos con una referencia cruzada de satélite óptico cuando se despeja la cobertura nubosa, normalmente entre 48 y 72 horas después del evento. El sistema se ejecuta como un servicio gestionado durante los eventos y permanece inactivo entre ellos, de modo que no paga por infraestructura ociosa.
La mayoría de los modelos comerciales de inundación, incluidas las puntuaciones de proveedores que puede comprar hoy, son fundamentalmente retrospectivos. Se entrenan con datos históricos de pérdidas y observaciones satelitales, lo que significa que modelan el clima que era, no el clima que será. Para una póliza de 1 año, eso es aceptable. Para la estrategia de cartera, la suficiencia de reservas y las negociaciones de tratados de reaseguro, es una carencia real.
La respuesta técnica son las redes neuronales informadas por la física. En lugar de entrenarse puramente con eventos históricos de inundación, una PINN incorpora las ecuaciones de Saint-Venant (conservación de la masa y el momento para el flujo de fluidos) directamente en la función de pérdida. Esto significa que el modelo no puede predecir que aparezca agua sin una fuente ni que fluya cuesta arriba. Cuando se le alimenta un escenario sintético de lluvia que supera todo lo registrado históricamente, las restricciones físicas mantienen el resultado físicamente plausible.
La integración por parte de Swiss Re de los datos de Fathom en conjuntos de eventos probabilísticos de 50 000 años es la industria moviéndose en esta dirección. Construimos modelos sustitutos a nivel de propiedad que aproximan simulaciones hidrodinámicas completas en milisegundos. Estos no están listos para producción para la tarificación en tiempo real hoy. Pero son esenciales para el análisis de escenarios de catástrofe, las pruebas de suficiencia de reservas y las presentaciones de reaseguro donde necesita demostrar la exposición de su cartera a eventos que aún no han ocurrido. Los usamos junto con las puntuaciones de proveedores: ZestyAI para el riesgo de hoy, modelos informados por la física para el de mañana.
Una colaboración típica dura entre 16 y 24 semanas en cuatro fases. La Fase 1 (3-4 semanas) es el diagnóstico de cartera: analizamos su cartera actual, identificamos dónde se desvía su tarificación del riesgo a nivel de propiedad y cuantificamos la exposición a la selección adversa. Esta fase normalmente revela entre 2 y 5 millones de USD en fugas anuales en una cartera de 200 millones de USD en primas suscritas, lo que financia el resto de la colaboración.
La Fase 2 (6-8 semanas) es el desarrollo del modelo: construir el motor de puntuación multifuente, los micromodelos pluviales para sus geografías clave y la integración con Guidewire/Duck Creek. La Fase 3 (4-6 semanas) es la preparación regulatoria: análisis de impacto desigual, memorandos actuariales y paquetes de presentación al DOI para sus estados prioritarios. La Fase 4 (3-6 semanas) es el despliegue en producción y el primer ciclo de renovación con tarifas aumentadas con IA.
El presupuesto depende del alcance. Una colaboración enfocada que cubra un estado y un peligro (inundación privada en Florida, por ejemplo) cuesta entre 350 000 y 500 000 USD. Un programa multiestatal y multiriesgo que cubra inundación, viento e incendio forestal con soporte completo de presentación al DOI cuesta entre 800 000 y 1,5 millones de USD. Para los MGA, las cifras suelen ser más bajas porque la cartera es más pequeña y presenta en menos estados. Estructuramos las colaboraciones de modo que la Fase 1 sea un entregable independiente. Si el diagnóstico de cartera no encuentra fugas accionables, se detiene ahí.
Los fundamentos técnicos detrás de esta página de solución.
Arquitectura técnica para la extracción de FFE basada en visión artificial, las canalizaciones de monitorización de inundaciones SAR y las redes neuronales informadas por la física para la simulación hidrodinámica en la suscripción de seguros.
El diagnóstico de cartera dura entre 3 y 4 semanas y se amortiza identificando las propiedades de la Zona X mal tarificadas que se ocultan en su cartera.
El diagnóstico de cartera dura entre 3 y 4 semanas. Si no encontramos fugas accionables, se detiene ahí. Si las encontramos, la justificación de negocio para la puntuación con IA a nivel de propiedad se escribe sola.