L'IA peut-elle corriger la tarification de l'assurance inondation ?

Le problème

Près de 68,3 % des déclarations de dommages causés par les inondations surviennent hors des zones que la FEMA classe à haut risque. Cela signifie que la plupart des sinistres liés aux inondations frappent des propriétés que les souscripteurs avaient déclarées sûres aux propriétaires. Les cartes dont dépend la tarification de votre assurance inondation sont, dans bien des cas, vieilles de plusieurs décennies. La recherche montre qu'environ 75 % des cartes inondation de la FEMA ont plus de cinq ans de retard. Un pourcentage alarmant, 11 %, remonte aux années 1970 et 1980. Ces cartes ont été tracées avant l'existence de banlieues entières, avant le dérèglement des régimes climatiques, et avant même que l'on imagine les tempêtes que nous observons aujourd'hui.

Le résultat est une dangereuse illusion de sécurité. Une propriété située à un pied hors d'une zone inondable désignée se voit étiquetée « risque minimal ». Sa voisine, à un pied à l'intérieur, se voit imposer une couverture obligatoire. Mais l'eau ne respecte pas les lignes d'une carte. Elle suit la gravité, le revêtement et la pente de votre allée. Moins de 4 % des propriétaires dans tout le pays détiennent une assurance inondation — en partie parce que des cartes obsolètes leur disent qu'ils n'en ont pas besoin. Si votre organisation souscrit des risques, prête contre ou assure des biens immobiliers, vous prenez des décisions à plusieurs milliards de dollars sur la base d'informations qui étaient déjà périmées au moment de leur publication.

Pourquoi cela compte pour votre entreprise

Ce n'est pas seulement un problème de cartographie. C'est une exposition financière qui frappe votre bilan de multiples directions.

Le combined ratio de l'assurance habitation — la mesure fondamentale permettant de savoir si vous gagnez ou perdez de l'argent en souscription — s'est établi en moyenne à 101,5 % ces dernières années. Il a atteint un pic de 110,5 % en 2023. Un combined ratio supérieur à 100 % signifie que vous versez plus que vous n'encaissez. Chaque point au-dessus de 100 % érode votre capital.

Voici où les dégâts se concentrent :

• L'antisélection vide progressivement votre portefeuille de risques. Quand vous tarifez le risque d'inondation par code postal, vous facturez le même tarif à une maison sur une colline et à une maison dans une zone basse. Les acheteurs avisés qui savent que leur sous-sol s'inonde se précipitent sur cette couverture sous-tarifée. Les propriétaires à faible risque s'en vont, jugeant la prime moyenne trop coûteuse. Votre portefeuille se remplit silencieusement de mauvais risques.
• Les sinistres inondation atteignent en moyenne près de 34 000 $ par événement. Ce chiffre se cumule rapidement sur un portefeuille quand vos modèles ne peuvent pas distinguer quelles propriétés seront réellement inondées.
• Les réassureurs observent. Ils exigent de plus en plus de transparence sur la qualité sous-jacente de votre portefeuille. Si vous ne pouvez pas démontrer de données de risque au niveau de chaque propriété, vous obtiendrez des conditions de traité moins favorables et des exigences de capital plus élevées.
• La pression réglementaire monte. Les départements d'assurance des États posent des questions toujours plus pointues sur la manière dont les décisions de tarification pilotées par l'IA sont prises. Si vos modèles ne peuvent pas expliquer pourquoi une prime a changé, vous faites face à un risque de conformité.

L'écart de protection — la différence entre les pertes économiques totales et ce qui est réellement assuré — continue de se creuser. Vos concurrents qui adoptent des modèles de risque granulaires choisiront vos meilleurs risques et vous laisseront les pires.

Ce qui se passe réellement sous le capot

Pensez à la souscription traditionnelle du risque d'inondation comme au fait de noter chaque élève d'une école sur la base de la note moyenne de l'école. Le major de promotion et l'élève qui n'apparaît jamais obtiennent la même note. C'est ce que fait la tarification au niveau du code postal au risque d'inondation.

La défaillance fondamentale comporte trois couches.

Premièrement, les cartes ignorent totalement les inondations pluviales. Les cartes traditionnelles de la FEMA modélisent le débordement des rivières et la submersion marine temporaire. Elles ne modélisent pas les inondations pluviales — l'eau qui s'accumule lorsque de fortes pluies submergent les rues, les parkings et les réseaux d'évacuation. En ville, la légère dépression d'une allée ou la pente d'une rue détermine si une maison est inondée. La moyenne par code postal efface complètement ces différences.

Deuxièmement, la variable la plus importante manque dans vos données. Cette variable est l'élévation du premier étage habitable, ou FFE (First Floor Elevation) — la hauteur à laquelle se situe le plancher habitable le plus bas au-dessus du sol. Relever la FFE d'une propriété d'un seul pied au-dessus du niveau de crue de référence peut réduire la perte annuelle moyenne d'environ 90 %. Mais les registres fiscaux publics ne capturent presque jamais la FFE. Les certificats d'élévation coûtent de l'argent et ne sont exigés que dans des zones spécifiques. La plupart des modèles de souscription devinent donc — et deviner faux signifie tarifer la police de façon drastiquement erronée.

Troisièmement, les simulations d'inondation traditionnelles sont trop lentes pour être utiles à une tarification en temps réel. Les modèles physiques standard peuvent prendre des heures, voire des jours, pour simuler un seul bassin versant. C'est très bien pour la recherche universitaire. C'est inutile quand vous avez besoin d'un devis en quelques secondes.

Ce qui fonctionne (et ce qui ne fonctionne pas)

Avant la solution, voici ce qui ne résout pas ce problème :

• Mettre à jour les cartes de la FEMA plus fréquemment : même des cartes toutes récentes restent binaires — dedans ou hors d'une zone inondable — ignorant la nature continue de l'écoulement de l'eau.
• Ajouter davantage de données de sinistres historiques : les sinistres passés sont des indicateurs retardés. La volatilité climatique signifie que la prochaine décennie ne ressemblera pas à la précédente. Davantage des mêmes données ne répare pas un modèle défaillant.
• Exécuter une IA standard sur des données par code postal : un modèle d'apprentissage automatique purement piloté par les données, entraîné sur des entrées grossières, produira des sorties grossières. Pire, il peut générer des prédictions physiquement impossibles — comme de l'eau apparaissant sans source.

Ce qui fonctionne, c'est une architecture à trois couches combinant observation, physique et explicabilité :

1. La vision par ordinateur extrait ce que vos données ignorent. Des modèles d'IA analysent des images au niveau de la rue et des images aériennes pour mesurer à distance l'élévation du premier étage habitable (FFE). Le système identifie des caractéristiques architecturales — escaliers, portes, fondations — et calcule la hauteur à l'aide de la géométrie. Des réseaux de neurones entraînés pour cette tâche ont démontré des erreurs moyennes aussi faibles que 0,218 mètre (environ 8,5 pouces). Ce niveau de précision s'applique à des millions de propriétés sans aucune visite sur site. La même technologie détecte les sous-sols, les surfaces imperméables et les dispositifs d'atténuation des inondations comme les unités CVC surélevées.

2. Le radar satellitaire voit à travers les nuages pour vérifier ce qui a réellement été inondé. Le radar à synthèse d'ouverture, ou SAR — une technologie satellitaire qui utilise des signaux micro-ondes pour voir le sol même à travers les nuages d'orage — fournit des données sur l'étendue des inondations en quasi temps réel, souvent dans les 24 heures suivant le pic d'un événement. Vous pouvez superposer cette empreinte d'inondation à votre portefeuille pour estimer instantanément les pertes, déployer les experts sinistres uniquement dans les zones d'inondation confirmées et signaler les réclamations frauduleuses lorsque les données satellitaires montrent qu'une propriété est restée au sec.

3. L'IA informée par la physique simule des scénarios futurs en quelques secondes. Les réseaux de neurones informés par la physique, ou PINNs — des modèles d'IA intégrant les véritables lois de la dynamique des fluides dans leurs mathématiques — servent de substituts rapides aux simulations traditionnelles lentes. Comme ces modèles imposent la conservation de la masse et de la quantité de mouvement, ils ne peuvent pas halluciner des scénarios impossibles. Ils peuvent exécuter des milliers de scénarios climatiques pour une propriété donnée en temps réel. Cela signifie que votre moteur de tarification peut générer une prime reflétant le profil de risque réel de cet emplacement exact, et non une moyenne de zone.

L'avantage de la piste d'audit compte énormément pour vos équipes de conformité. Parce que les PINNs reposent sur des équations physiques explicites, leurs sorties sont interprétables et défendables devant les régulateurs. Vous pouvez montrer à un département d'assurance d'État qu'une hausse de prime remonte à un risque hydraulique spécifique, modélisé physiquement — et non à une corrélation algorithmique opaque. C'est ce qui fait du système une « boîte de verre » plutôt qu'une boîte noire.