Los riesgos catastróficos, huracanes, terremotos, inundaciones e incendios, comparten un rasgo que los vuelve difíciles de asegurar: son poco frecuentes pero devastadores. Un solo evento puede consumir en horas lo que la cartera tardó años en acumular en primas. Durante décadas la industria ha recurrido a los modelos de catástrofes, o cat models, para estimar esa cola de la distribución de pérdidas. Hoy la inteligencia artificial está redibujando la forma en que se construyen y se usan esos modelos, y con ello el criterio actuarial que los respalda.
El riesgo catastrófico, un problema de cola
El seguro de daños se financia con la ley de los grandes números, pero las catástrofes rompen esa lógica: las pérdidas están correlacionadas en el espacio y en el tiempo. Cuando un huracán toca tierra, miles de pólizas se afectan a la vez, así que la diversificación deja de funcionar justo cuando más se necesita. Por eso el actuario no puede apoyarse solo en la experiencia histórica. Los registros de eventos extremos son cortos y no representan todo lo que puede ocurrir.
La cuantificación del riesgo catastrófico exige simular decenas de miles de años sintéticos de actividad, estimar la pérdida máxima probable (PML) y la prima pura de exceso, y con esa distribución fijar la retención, el programa de reaseguro y el capital de solvencia. Es un ejercicio de cola, no de promedio, y ahí es donde un buen modelo vale su peso en oro y un mal modelo se vuelve peligroso.
Del modelo tradicional al aprendizaje automático
Un modelo de catástrofes clásico se organiza en tres módulos. El módulo de peligro genera un catálogo estocástico de eventos: trayectorias de huracanes, rupturas de fallas, mapas de inundación. El módulo de exposición y vulnerabilidad traduce la intensidad física en daño sobre las construcciones aseguradas. El módulo financiero aplica deducibles, límites y condiciones de reaseguro hasta llegar a la pérdida asegurada. Cada capa está poblada de supuestos físicos y de ingeniería que hasta hace poco se calibraban con datos escasos.
La inteligencia artificial entra en cada uno de esos módulos, no para reemplazar la física, sino para afinarla con datos que antes no se podían aprovechar.
Qué aporta la IA en cada capa
El valor no está en un algoritmo único, sino en el uso disciplinado de fuentes de datos nuevas y de modelos que aprenden relaciones difíciles de parametrizar a mano.
- Datos satelitales y de sensores: las redes neuronales convolucionales interpretan imágenes de satélite para mapear inundaciones, medir la huella de un incendio o estimar la exposición de una cartera a partir de la altura, la ocupación y el material de los edificios.
- Curvas de vulnerabilidad más finas: el aprendizaje automático relaciona la intensidad del evento con el daño observado y captura efectos no lineales que las curvas paramétricas tradicionales suavizan en exceso.
- Emuladores rápidos: un surrogate model entrenado aproxima en segundos el resultado de una simulación física costosa, lo que permite explorar muchos más escenarios y cuantificar mejor la incertidumbre.
- Detección de daños tras el evento: la visión por computadora acelera el ajuste de siniestros comparando imágenes de antes y después, algo crítico cuando llegan miles de reclamaciones al mismo tiempo.
- Peligros secundarios: modelos que capturan riesgos antes tratados como marginales, como el granizo severo o los incendios en la interfaz urbano forestal, que hoy concentran una parte creciente de las pérdidas.
Clima no estacionario, el reto de fondo
El supuesto más incómodo de la modelación catastrófica es la estacionariedad, la idea de que el pasado describe bien el futuro. El cambio climático lo invalida. La frecuencia y la severidad de varios peligros están cambiando, y un catálogo calibrado solo con historia tiende a subestimar el riesgo emergente. Aquí la IA ayuda a incorporar señales de los modelos climáticos y a construir vistas del riesgo condicionadas al clima actual y a escenarios futuros.
Pero introduce también un peligro sutil. Un modelo entrenado con datos del pasado puede aprender con gran precisión relaciones que ya no se sostienen, y presentar esa confianza como si fuera conocimiento. El actuario debe distinguir entre correlaciones útiles y espejismos estadísticos, vigilar la deriva de los datos y documentar la incertidumbre estructural que ningún algoritmo elimina. En el riesgo extremo, un intervalo de confianza estrecho suele ser señal de alarma, no de calidad.
Gobernanza, validación y el papel del actuario
La Casualty Actuarial Society (CAS) ha desarrollado material extenso sobre modelación de catástrofes, y tanto la Society of Actuaries (SOA) como el Institute and Faculty of Actuaries (IFoA) han integrado el riesgo climático en sus programas y estándares de práctica. La lección común es que un cat model, potenciado o no con IA, es una herramienta de decisión, no un oráculo. El actuario sigue siendo responsable de tareas que la máquina no asume:
- entender los supuestos y las limitaciones del modelo antes de usar sus resultados;
- validar el desempeño frente a eventos reales y contrastar varias vistas del riesgo en lugar de confiar en una sola;
- comunicar la incertidumbre con honestidad a la dirección, al reasegurador y al regulador;
- traducir la distribución de pérdidas en decisiones de precio, retención, reaseguro y capital.
La inteligencia artificial no elimina la profunda incertidumbre del riesgo extremo, pero amplía lo que podemos ver: más datos, más escenarios y respuestas más rápidas cuando el evento ocurre. La diferencia entre un modelo útil y uno peligroso seguirá dependiendo del criterio de quien lo interpreta. En las catástrofes, más que en ningún otro ramo, el actuario no delega su responsabilidad en la máquina. La usa para prepararse mejor ante lo que, por definición, casi nunca ha sucedido.