Il prezzo della tua assicurazione contro le alluvioni si basa su una mappa del 1987. Ecco cosa dovrebbe sostituirla.

L'anno scorso mi sono trovato di fronte a un underwriter senior di una compagnia P&C di medie dimensioni del Sud-Est. Alle sue spalle aveva una mappa appesa alla parete — appesa letteralmente, con delle puntine — che mostrava le zone di rischio alluvione FEMA per una contea costiera su cui il suo team stava sottoscrivendo molto. Gli ho chiesto quando la mappa era stata aggiornata l'ultima volta.

Si è messo a ridere. "Quella mappa è più vecchia della maggior parte dei miei analisti."

Non stava esagerando. La mappa risaliva al 1992. E la stava usando — insieme a qualche media approssimativa per codice postale — per tariffare il rischio alluvione di migliaia di abitazioni in una regione dove tre grandi uragani avevano ridisegnato la costa, dove nuove lottizzazioni avevano cementificato zone umide e dove le infrastrutture di drenaggio erano state progettate per un'intensità di pioggia che non rappresenta più la realtà.

Quella conversazione mi ha perseguitato. Non perché l'underwriter fosse incompetente — era acuto, esperto e profondamente consapevole del problema. Ma perché gli strumenti a sua disposizione appartenevano a un'era climatica diversa, e il settore non aveva un percorso chiaro per sostituirli.

È questo che ha spinto il mio team di Veriprajna a passare mesi a studiare quello che oggi chiamiamo "Deep AI" per la sottoscrizione del rischio alluvione — una convergenza di computer vision, radar satellitare e machine learning informato dalla fisica capace di valutare il rischio alluvione a livello del singolo edificio, non del codice postale. Ho scritto una panoramica interattiva dell'intera ricerca qui, e più mi addentravo, più mi convincevo che questo non è un aggiornamento facoltativo. È una questione di solvibilità.

La mappa che ti mente

Ecco una cosa sulle mappe di rischio alluvione FEMA che la maggior parte delle persone — inclusi molti professionisti del settore assicurativo — non coglie appieno: non sono mai state concepite come strumenti di sottoscrizione.

Il concetto di "alluvione centennale", su cui si fonda l'intero National Flood Insurance Program, rappresenta l'1% di probabilità annua di alluvione. Sembra raro. Ma proietta quella probabilità su un mutuo trentennale e ottieni una probabilità del 26% di sperimentare un'"alluvione centennale" durante la vita del prestito. Non è un rischio di coda. È un lancio di moneta con probabilità solo leggermente migliori.

Le mappe in sé sono peggiori del concetto. Circa il 75% delle mappe di rischio alluvione FEMA ha più di cinque anni. Alcune risalgono agli anni '70 e '80. Non tengono conto delle nuove costruzioni che hanno alterato i pattern di drenaggio. Non tengono conto del cambiamento climatico che intensifica le precipitazioni. E creano quello che ho iniziato a chiamare "effetto scogliera" — una linea binaria in cui un'abitazione un piede all'interno della Special Flood Hazard Area paga migliaia di dollari per l'assicurazione obbligatoria, mentre un'abitazione un piede all'esterno è classificata come a rischio minimo.

All'acqua non importa nulla delle linee su una mappa.

Quasi il 68% delle segnalazioni di danni da alluvione si verifica al di fuori delle zone ad alto rischio designate dalla FEMA. Le mappe non sono solo obsolete — sono sistematicamente fuorvianti.

Il risultato è un mercato costruito su cattive informazioni. Meno del 4% dei proprietari di casa americani ha un'assicurazione contro le alluvioni. Non perché siano incauti, ma perché le mappe hanno detto loro che erano al sicuro.

Perché il 68% dei danni da alluvione avviene al di fuori delle "zone alluvionali"?

Questa è la statistica che mi ha lasciato di sasso quando l'ho incontrata per la prima volta nella ricerca. Se mi avessi chiesto di indovinare prima di vedere i dati, forse avrei detto il 20%, magari il 30%. Ma il 68%? Significa che la maggior parte delle perdite da alluvione è invisibile al sistema che dovrebbe prevederle.

La risposta è una parola che la maggior parte delle persone al di fuori dell'idrologia non ha mai sentito: alluvione pluviale.

Le mappe FEMA modellano i fiumi che esondano dagli argini (alluvione fluviale) e le mareggiate costiere. Non modellano ciò che accade quando quindici centimetri di pioggia cadono in due ore su un quartiere dove ogni vialetto, parcheggio e tetto è una superficie impermeabile. L'acqua non ha dove andare. Ristagna. Trova il punto più basso — che potrebbe essere il soggiorno interrato di qualcuno a cinque chilometri dal fiume più vicino.

Ricordo il mio team discuterne durante una chiamata a tarda ora. Uno dei nostri ricercatori, che si era immerso nella letteratura sull'idrologia urbana, continuava a insistere che la micro-topografia — la sottile pendenza di una strada, il fatto che un vialetto scenda verso il garage o se ne allontani — conti di più della vicinanza a un fiume per gli eventi pluviali. Ho ribattuto. Sembrava troppo granulare per essere significativo su scala di portafoglio.

Ha tirato fuori i dati sui danni di Houston dopo Harvey. Isolato per isolato, le perdite erano incredibilmente disomogenee. Case sulla stessa strada, nello stesso codice postale, con la stessa designazione FEMA — una allagata, l'altra no. La differenza era spesso qualche centimetro di dislivello o il muro di contenimento di un vicino.

È lì che ho capito: la media per codice postale non è solo imprecisa. È un'unità di analisi fondamentalmente sbagliata per il rischio alluvione.

La rivoluzione degli otto pollici

Se c'è una singola variabile che determina se un'alluvione è un fastidio o una catastrofe, è la quota del primo piano — la distanza verticale tra il terreno e il piano abitabile più basso di un edificio.

I numeri qui sono impressionanti. Rialzare il primo piano di un'abitazione di appena un piede sopra la quota base di allagamento può ridurre la Perdita Media Annua di circa il 90%. Un piede. È la differenza tra un immobile che è una bomba a orologeria e uno che è pienamente assicurabile.

Eppure, questo numero non è quasi mai nel fascicolo dell'underwriter. I registri catastali pubblici non lo rilevano. I Certificati di Quota (Elevation Certificate) sono documenti manuali costosi. I modelli tradizionali si limitano a indovinare — assumendo, ad esempio, che ogni casa di una regione abbia un vespaio standard di un piede.

È qui che la computer vision cambia tutto.

Il mio team ha passato settimane a studiare come le reti neurali possano estrarre la quota del primo piano dalle immagini di Google Street View. Il processo è elegante in un modo che mi ha sorpreso. Una rete neurale convoluzionale guarda una foto a livello stradale di una casa e individua la linea del terreno, la soglia della porta d'ingresso, i gradini. Stima la profondità dalla telecamera alla facciata. Poi applica una trigonometria di base — altezza della telecamera, angolo di inclinazione, posizione dei pixel — per calcolare l'altezza fisica dell'ingresso rispetto al livello stradale.

C'è persino un metodo di riserva di splendida semplicità: contare i gradini. I codici edilizi specificano un'altezza standard dell'alzata di circa 7 pollici. Sei gradini fino alla porta d'ingresso? Sono all'incirca 42 pollici di quota del primo piano. Un modello di CV può contare i gradini di milioni di immobili senza che nessuno debba alzarsi dalla scrivania.

Le reti neurali addestrate per la stima della quota del piano più basso hanno raggiunto errori medi di appena 0,218 metri — circa 8,5 pollici. È una precisione a livello di centimetri, su scala continentale, senza un solo sopralluogo.

Quando ho visto per la prima volta quel margine di errore, ho dovuto guardare due volte. Otto pollici e mezzo di errore medio, ricavati da una fotografia scattata da un'auto di passaggio. Confrontalo con l'approccio tradizionale di assumere che ogni casa di un codice postale abbia lo stesso profilo di quota. Non è nemmeno lo stesso sport.

Cosa succede quando puoi vedere attraverso le nuvole?

La sottoscrizione del rischio alluvione ha un'ironia crudele: il momento in cui hai più bisogno di vedere cosa sta accadendo al suolo — durante un'alluvione — è esattamente quando i satelliti ottici diventano ciechi. Le alluvioni arrivano con nuvole e pioggia. Le telecamere non riescono a vedere attraverso nessuna delle due.

Al radar ad apertura sintetica le nuvole non importano.

I satelliti SAR trasmettono impulsi a microonde che attraversano la copertura nuvolosa, il fumo e la pioggia intensa, poi misurano l'energia che rimbalza indietro. L'acqua calma agisce come uno specchio — riflette il segnale radar lontano dal satellite, apparendo come pixel scuri nell'immagine. La terraferma asciutta disperde il segnale all'indietro, apparendo luminosa. Il contrasto ti fornisce una mappa dell'alluvione, con qualsiasi condizione atmosferica, giorno e notte.

Ammetto che, quando ho incontrato per la prima volta i dati SAR, li ho trovati alieni. Non assomigliano a una fotografia. Sono granulosi, disturbati e poco intuitivi. Ma una volta che capisci cosa ti stanno mostrando, sono straordinari — un occhio per ogni condizione atmosferica capace di mappare l'esatta estensione di un'alluvione entro poche ore dal picco di un evento.

La complessità arriva nelle città. Le alluvioni urbane creano un fenomeno chiamato "doppio rimbalzo" — il radar colpisce la superficie dell'acqua, rimbalza sul muro di un edificio e torna al satellite con alta intensità. A un algoritmo ingenuo questo sembra terraferma asciutta. Servono modelli di deep learning specificamente addestrati su questi pattern di interferenza per identificare correttamente l'inondazione urbana. Gli approcci tradizionali basati su soglie qui falliscono sistematicamente.

Quando fondi il SAR con i dati ottici — usando il radar per la copertura in ogni condizione atmosferica e le immagini ottiche per la conferma spettrale — l'accuratezza della classificazione supera il 92% anche in paesaggi urbani complessi.

Perché l'AI standard non può semplicemente prevedere le alluvioni?

Questa è una domanda che mi viene posta di continuo, e rivela un fraintendimento fondamentale su cosa il machine learning può e non può fare.

Un modello standard di deep learning addestrato su dati storici di alluvioni apprende dei pattern. Potrebbe apprendere che gli immobili vicini ai fiumi si allagano di più, che certi tipi di suolo sono correlati a perdite maggiori, che la primavera è peggiore dell'autunno. E per eventi che assomigliano ai dati di addestramento, si comporta ragionevolmente bene.

Ma le alluvioni stanno peggiorando in modi che non hanno precedenti storici. Un modello puramente basato sui dati che incontra un'intensità di tempesta mai vista prima o estrapolerà in modo selvaggio o ripiegherà su qualcosa di prudente e sbagliato. Peggio ancora, potrebbe generare previsioni fisicamente impossibili — acqua che appare senza una sorgente, o che scorre in salita.

Una rete neurale che non ha mai visto una tempesta cinquecentennale avrà allucinazioni quando ne incontra una. La fisica non ha allucinazioni.

Ecco perché le reti neurali informate dalla fisica — PINN — rappresentano il progresso architetturale più importante nella modellazione delle alluvioni. Una PINN non è solo addestrata a corrispondere ai dati storici. È simultaneamente addestrata a rispettare le leggi della fluidodinamica: conservazione della massa (l'acqua non appare dal nulla) e conservazione della quantità di moto (l'acqua scorre verso il basso, rispettando gravità e attrito).

L'implementazione tecnica è ingannevolmente semplice nel concetto. La funzione di perdita della rete ha due componenti: quanto bene corrisponde ai dati osservati e quanto gravemente viola le equazioni fisiche che governano il fenomeno. Penalizza le violazioni della fisica durante l'addestramento e ottieni un modello che è al contempo informato dai dati e vincolato dalla fisica.

Il beneficio pratico è enorme. Le PINN necessitano di molti meno dati di addestramento perché le equazioni fisiche vincolano lo spazio delle soluzioni. E generalizzano a eventi senza precedenti perché la fisica sottostante non cambia — una tempesta cinquecentennale segue la stessa fluidodinamica di una tempesta decennale, solo con input diversi.

Per la descrizione tecnica completa di come queste architetture lavorano insieme, inclusa la matematica alla base delle Graph Neural Network per l'instradamento idrologico, ti rimando al nostro paper di ricerca. Ma l'intuizione chiave per la sottoscrizione è questa: una PINN addestrata come modello surrogato può simulare in tempo reale migliaia di scenari climatici per un immobile specifico. Invece di una tariffa statica "Zona AE", ottieni un profilo di rischio dinamico e probabilistico che riflette la fisica reale dell'acqua che scorre attraverso quel paesaggio specifico verso quell'edificio specifico.

L'argomento della solvibilità

Ho esposto la tesi tecnologica, ma lasciatemi esporre quella di business, perché è qui che risiede l'urgenza.

Il combined ratio dell'assicurazione sulla casa — la misura di base per capire se un assicuratore sta guadagnando o perdendo denaro sulla sottoscrizione — di recente si è attestato in media al 101,5% e ha raggiunto un picco del 110,5% nel 2023. Sopra il 100% significa che stai perdendo denaro. Il settore sta sanguinando.

La selezione avversa sta divorando gli assicuratori. Quando tariffi il rischio alluvione a livello di codice postale, stai facendo la media tra una casa su una collina e una casa in una depressione. Il proprietario nella depressione — che sa che il suo seminterrato si allaga a ogni pioggia intensa — acquista con entusiasmo al prezzo medio. Il proprietario sulla collina, che percepisce correttamente il prezzo come troppo alto per il suo rischio reale, se ne va. Il tuo pool di rischio concentra silenziosamente i rischi cattivi, e il tuo loss ratio si deteriora in modi che non emergono fino al prossimo evento importante.

Il Deep AI ribalta questa dinamica. Un assicuratore che sa che una casa in una zona "ad alto rischio" in realtà si trova quattro piedi sopra la quota base di allagamento, con bocchette antiallagamento installate e un impianto HVAC sopraelevato, può sottoscrivere quella polizza in modo redditizio a una tariffa che i concorrenti tradizionali non toccherebbero. Non è cherry-picking — è una tariffazione accurata. E funziona in entrambe le direzioni: la casa in una zona "a basso rischio" con un garage interrato e superfici impermeabili su tutti i lati viene tariffata per ciò che realmente è.

L'era della sottoscrizione del rischio alluvione basata su mappe cartacee degli anni '80 e medie per codice postale è di fatto finita. La domanda è quali assicuratori lo riconosceranno per primi.

C'è anche un aspetto riassicurativo qui. I riassicuratori — le società che assicurano gli assicuratori — chiedono sempre più trasparenza sui portafogli sottostanti degli assicuratori primari. Un portafoglio sottoscritto con dati di quota a livello di pixel e monitorato tramite radar satellitare è una proposta di rischio fondamentalmente diversa da uno tariffato sulle zone FEMA. Dati migliori significano condizioni di riassicurazione migliori, che significano una migliore efficienza del capitale, che significa vantaggio competitivo. È un effetto che si compone.

"Ma riesci a spiegarlo a un regolatore?"

Le persone me lo chiedono sempre, ed è la domanda giusta. Man mano che l'AI diventa centrale nelle decisioni di tariffazione che influiscono sulla possibilità di qualcuno di permettersi di vivere nella propria casa, il controllo normativo si intensificherà — e dovrebbe.

Questo è in realtà il punto in cui i modelli informati dalla fisica hanno un vantaggio inaspettato rispetto al deep learning a scatola nera. Le previsioni di una PINN sono radicate in equazioni fisiche esplicite — le equazioni di Saint-Venant della fluidodinamica, la conservazione della massa, la conservazione della quantità di moto. Quando un dipartimento assicurativo statale chiede perché un premio è aumentato, l'assicuratore può indicare uno specifico rischio idraulico modellato fisicamente: "L'acqua di questo bacino idrografico raggiunge questo immobile a questa profondità in queste condizioni di pioggia, sulla base di queste misurazioni di quota e di questa topologia di drenaggio."

Non è una correlazione algoritmica opaca. È ingegneria. I regolatori capiscono l'ingegneria.

Ho iniziato a chiamarla "AI a scatola di vetro" — modelli il cui ragionamento è trasparente perché ancorato a una fisica nota, non solo a pattern statistici appresi. È l'opposto del problema della scatola nera che rende tutti nervosi riguardo all'AI nelle decisioni ad alta posta.

Dove porta tutto questo

Il concetto che trovo più avvincente — e più dirompente — è quello che chiamerei il modello di rischio "vivente". Oggi il rischio alluvione viene valutato all'inizio della polizza e forse riesaminato al rinnovo. È un'istantanea. Ma il rischio è continuo.

Se un satellite SAR rileva una subsidenza del terreno in una regione, i punteggi di rischio degli immobili interessati dovrebbero aggiornarsi. Se un vicino cementifica un prato permeabile, le caratteristiche di deflusso superficiale dell'intero micro-bacino cambiano. Se un comune potenzia i suoi sistemi di scolo delle acque piovane, ogni immobile del bacino di drenaggio ne beneficia.

Un modello vivente trasforma l'assicuratore da pagatore di sinistri in qualcosa di più simile a un partner del rischio. Adeguamenti a metà termine. Avvisi proattivi. Crediti sul premio per interventi di mitigazione che l'assicuratore può effettivamente verificare tramite immagini aeree — bocchette antiallagamento installate, HVAC sopraelevato, superfici permeabili mantenute.

Questo abilita anche l'assicurazione parametrica per le alluvioni — polizze che pagano automaticamente quando un satellite conferma che la profondità dell'alluvione supera una soglia alle coordinate assicurate. Nessuna visita del perito. Nessun processo di liquidazione lungo mesi. Liquidità immediata quando le persone ne hanno più bisogno.

Continuo a pensare a quell'underwriter con la mappa del 1992 appesa alla parete. Non era lui il problema. Stava lavorando con ciò che il settore gli aveva dato. Il problema è che il settore è stato lento a riconoscere che il clima è andato avanti, i dati sono andati avanti e la tecnologia è andata avanti — mentre l'infrastruttura di sottoscrizione è rimasta appesa alla parete.

La convergenza di computer vision, radar ad apertura sintetica e machine learning informato dalla fisica non si limita a migliorare la sottoscrizione del rischio alluvione. La rende possibile per la prima volta. Tutto ciò che è venuto prima era un'ipotesi informata a una risoluzione troppo grossolana per essere significativa. Ciò che viene dopo è misurazione — edificio per edificio, piede per piede, tempesta per tempesta — a una precisione che trasforma il rischio alluvione da catastrofe imprevedibile in qualcosa che puoi effettivamente tariffare.

Gli assicuratori che lo capiranno per primi non avranno soltanto loss ratio migliori. Avranno gli unici loss ratio che abbiano senso.