Ningún actuario ha observado el peor terremoto o el huracán más severo que su cartera podría enfrentar. A diferencia de la mortalidad o de la frecuencia de choques de automóvil, las catástrofes naturales son eventos raros, de cola pesada y, cada vez más, no estacionarios por efecto del cambio climático. Modelar lo que casi nunca ha ocurrido, pero que puede ocurrir, es uno de los desafíos más exigentes de la técnica actuarial, y es justo ahí donde la inteligencia artificial empieza a mover la frontera de lo calculable.
El problema de la cola pesada
La siniestralidad ordinaria se deja describir con datos abundantes y modelos de frecuencia y severidad bien entendidos. Las catástrofes no. Un solo evento puede concentrar años de primas en cuestión de horas, y el registro histórico casi nunca contiene suficientes casos extremos para estimar directamente la cola de la distribución. La teoría del valor extremo aporta el andamiaje: por encima de un umbral alto \(u\), los excesos tienden a una distribución de Pareto generalizada,
$$P(X-u\le y\mid X>u)=1-\left(1+\frac{\xi\,y}{\sigma}\right)^{-1/\xi},$$
donde el parámetro de forma \(\xi\) gobierna el peso de la cola. Estimar \(\xi\) con pocos datos es delicado, y aquí la inteligencia artificial no sustituye a la teoría: la complementa, aportando estructura donde el histórico calla.
Modelos de catástrofe: física más estadística
Desde los años noventa, la industria evalúa el riesgo catastrófico con modelos que combinan tres módulos. Un catálogo de eventos estocásticos genera miles de tormentas, sismos o inundaciones plausibles; un módulo de peligro traduce cada evento en intensidad local; y un módulo de vulnerabilidad convierte esa intensidad en daño sobre la exposición asegurada. Proveedores como Verisk, antes AIR, y Moody's RMS popularizaron este esquema. El resultado se resume en la curva de excedencia de pérdidas, o curva EP, que asigna a cada nivel de pérdida un período de retorno, y de la que se extraen métricas como la pérdida máxima probable y la pérdida anual esperada:
$$\text{AAL}=\int_{0}^{\infty}\ell\,f(\ell)\,d\ell.$$
La inteligencia artificial se inserta en cada módulo. Emula procesos físicos costosos, afina las funciones de vulnerabilidad y enriquece la descripción de la exposición, tres frentes donde el error tradicional ha sido grande.
Aprender el clima, no solo consultarlo
Los modelos climáticos globales corren a resoluciones demasiado gruesas para tarificar un portafolio concreto. El downscaling estadístico con redes neuronales permite traducir esas salidas a la escala de un municipio o un código postal, capturando relaciones no lineales entre variables atmosféricas y la precipitación o el viento local. Más aún, los emuladores basados en aprendizaje automático, llamados modelos sustitutos, reproducen en segundos lo que a un modelo físico le toma horas. Eso vuelve viable simular miles de escenarios climáticos y propagar su incertidumbre hasta la prima. Los avances recientes en pronóstico meteorológico con IA, capaces de igualar o superar a los modelos numéricos en ciertos horizontes, anticipan hacia dónde se dirige el modelado del peligro.
Ver la exposición desde el satélite
Buena parte del error en el modelado de catástrofes no está en el peligro, sino en la exposición y la vulnerabilidad, esto es, en no saber con precisión qué está asegurado, dónde y con qué características constructivas. La visión por computadora aplicada a imágenes satelitales y aéreas identifica el tipo de techo, el número de pisos, los materiales y la proximidad a cuerpos de agua, con lo que afina las funciones de daño. Tras un evento, esas mismas técnicas aceleran la estimación de siniestros y la detección de zonas afectadas, y acortan el ciclo de ajuste justo cuando la rapidez importa.
La cola, el reaseguro y el capital
Para el reasegurador y para el área de capital, la cola lo es casi todo. Las coberturas de exceso de pérdida por catástrofe, los bonos catastróficos y las estructuras de capital bajo Solvencia II o bajo el requerimiento de capital de solvencia mexicano dependen de estimar con cuidado los períodos de retorno de una en doscientos años o más. Un sesgo pequeño en \(\xi\) o en la frecuencia de eventos severos se amplifica en la cola y puede descapitalizar o sobrecapitalizar a una entidad. La IA ayuda a estrechar esa incertidumbre, pero también introduce la suya: un modelo entrenado con el clima del pasado hereda una no estacionariedad que a menudo queda silenciada.
Gobernar lo que no tiene precedente
El cambio climático rompe un supuesto cómodo, el de que el pasado es representativo del futuro. Un modelo de IA ajustado a series históricas puede subestimar de forma sistemática un riesgo que se está intensificando. Por eso el criterio actuarial no es prescindible, es más necesario. La Society of Actuaries mantiene una línea activa de investigación en riesgo climático; la Casualty Actuarial Society trabaja de cerca el modelado de catástrofes y la equidad en su uso; y el Institute and Faculty of Actuaries ha sido enfático en advertir sobre los puntos de inflexión climáticos y en pedir escenarios que no ignoren los peores desenlaces. Validar un modelo de catástrofes apoyado en IA exige varias disciplinas:
- Separar incertidumbres: distinguir la aleatoria, propia de la variabilidad del clima, de la epistémica, que refleja nuestra ignorancia del modelo correcto.
- Probar la cola: someter los resultados a pruebas de estrés y a escenarios adversos, no solo al ajuste central.
- Documentar supuestos: dejar trazabilidad de datos, hipótesis y limitaciones para auditoría y regulación.
- Vigilar la deriva: monitorear que el desempeño no se degrade a medida que el clima cambia bajo el modelo.
El actuario ante lo extremo
La inteligencia artificial no vuelve calculable lo incalculable, pero desplaza la frontera. Permite ver más eventos plausibles, mapear mejor la exposición y reaccionar más rápido cuando el desastre llega. Lo que no puede hacer es asumir la responsabilidad de la cifra. Decidir cuánta prudencia añadir a una cola que nadie ha observado, cuánto capital reservar para el evento que aún no ocurre y cómo comunicar esa incertidumbre a un consejo o a un regulador sigue siendo trabajo actuarial. Ante el riesgo extremo, el mejor modelo no es el más sofisticado, sino el que se combina con un criterio que sabe cuándo desconfiar de él.