Category Archives: Actuarial science

International Workshop on Risk and Insurance, 서울, June 2026

In three weeks, the International Workshop on Risk and Insurance will be organized in 서울 (Seoul, Korea), prior to the Insurance: Mathematics & Economics conference. We were asked to send our slides in advance, so I thought I could be nice to share them (slides are available here). I will be the very first speaker of the day, in a session “AI Revolution and Cyber Risks”.

Over the past ten years, we have heard a lot about the AI revolution in actuarial science. Very often, the narrative is by technological optimism: more data, more models, more automation, and therefore better pricing, better decisions, and better insurance. In this talk, I plan to take a step back. Not to deny the importance of AI, of course, but to return to a more fundamental actuarial question: what makes a risk insurable? I will take two perspectives: first, information granularity and mutualization; second, AI itself as an insured exposure. The first part will be about granularity and mutualization. Insurance transforms individual heterogeneity into risk classes, but as information becomes more granular, the boundary between what is pooled and what is individualized shifts. I will move from information asymmetry to information granularity, then to natural catastrophe maps, and finally to actuarial fairness. In the second part, I will turn to AI risk in insurance: not AI as a tool for insurers, but AI as a risk that insurers may have to cover.

Let me start with the first part: granularity and mutualization. Insurance relies on a form of shared ignorance. We do not know who will have an accident, who will fall ill, or which house will be flooded. This uncertainty makes pooling possible. But ignorance is never complete. Actuaries observe variables, build classes, estimate frequencies, and price risks. The history of pricing is therefore a history of compromise between measuring heterogeneity and preserving mutualization. This slide gives a very classical way of seeing the problem. If there is a latent risk factor, which I call theta, total variance can be decomposed into within-risk variance and between-risk variance. The first part is the residual uncertainty that remains pooled. The second part is systematic heterogeneity across individuals or groups. But in practice, insurers do not observe theta. They observe covariates: age, location, car type, claim history, scores, and so on. These variables move part of the uncertainty from the insurer to the policyholder. The last formula is the key one. It separates irreducible risk from epistemic uncertainty, or misclassification. More granular information reduces misclassification, but it also turns pooled uncertainty into priced heterogeneity.

The classical issue in insurance economics is information asymmetry.  In Akerlof, or in Rothschild and Stiglitz, the problem is that policyholders may know more about their risk than insurers. If high-risk individuals buy more coverage than low-risk individuals, pooling contracts may become unstable. Empirically, this leads to a simple question: after controlling for observable risk characteristics, do coverage choices still predict losses? The genetic-testing debate makes this very concrete. Individuals may know something about their future risk that insurers cannot observe, or are not allowed to use. Traditionally, the fear was that policyholders knew too much. Today, with big data, we may also ask what happens when insurers know almost too much.

With granularity, the problem changes. It is no longer only about asymmetric information between the insured and the insurer. It is about reducing epistemic uncertainty. Things that were previously hidden become partially observable: behaviour, location, telematics, digital traces, health signals, and social proxies. Statistically, this is attractive: prediction improves. But actuarially and socially, it is more ambiguous. Better prediction also redistributes premiums, makes some risks more visible, and may turn solidarity into sorting. Removing protected variables is not enough. In rich data environments, proxies can reconstruct what we claim to exclude. So the question becomes normative: what should be priced, what should be pooled, and what should be used only for prevention? Note that the same issue arises with past criminal records: even if the information is predictive, should it remain admissible forever? Inclusive insurance requires a temporal dimension of data governance. Some information may be relevant at one point, but should progressively lose its underwriting legitimacy.

Natural catastrophes make this problem very concrete. For a long time, some climate risks were pooled at a broad scale. But risk maps, climate models, and fine geographic data now identify areas that are much more exposed than others. Even when a system is formally solidaristic, access to coverage may depend on the underlying household insurance contract. If insurers withdraw locally, or impose stricter conditions, formal solidarity may remain while effective access to insurance declines. So granularity does not only produce more accurate prices. It can also produce non-insurance, selective underwriting, or local market withdrawal.

This leads naturally to actuarial fairness. We often say that equal risks should pay equal premiums. But what does “equal risks” mean? Equal given all available information? Equal within a tariff class? Equal for a score? Equal within a protected group? Actuarial fairness is always relative to an information set. More granular information gives a more individualized notion of equality. Coarser information preserves more mutualization. This creates a tension between actuarial adequacy, solidarity, and causal legitimacy. A variable may be predictive without being socially acceptable. Conversely, excluding a variable may preserve solidarity, but at the cost of cross-subsidies and possibly selection.

I now move to the second part: AI risk in insurance. The link with the first part is this: so far, I have discussed AI and data as instruments of classification. But AI is also becoming a source of risk. Firms use models to code, advise, filter, recommend, automate, and decide. So the question is no longer only: how do insurers use AI? It is also: how do we insure organizations that use AI?

There is already a large discussion about AI for insurance: pricing, fraud detection, claims management, customer service. I want to reverse the perspective. AI is becoming an insured exposure. AI-related losses may not appear in a new line called “AI insurance.” They will appear through existing lines: cyber, technology E&O, professional liability, product liability, D&O, and regulatory risk. What is new is the combination of opacity, speed, scale, version changes, dependence on external providers, and difficult ex-post attribution. The actuarial question is not simply: what is the historical frequency of AI failures? The question is whether the risk can be bounded, observed, priced, monitored, and evidenced.

The first insurance problem is accumulation. A portfolio may look diversified: different firms, sectors, and countries. But they may all rely on the same models, APIs, cloud providers, datasets, retrieval systems, or agent frameworks. A model bug, a bad update, a prompt-injection vulnerability, a compromised API, or a provider failure can generate correlated losses across many insureds. This weakens the usual law-of-large-numbers intuition. Risks are not independent if they share the same technological infrastructure. Underwriting AI therefore requires mapping the AI supply chain: provider, model version, API, data, RAG system, agents, tools, and update process.

This slide introduces a recent report on AI risk prioritization. I would not take the probabilities literally; it is a study based on expert judgment. But it is useful because it frames AI risks as systemic, cross-sectoral, and unevenly distributed. The key point for insurance is the mismatch between vulnerability and control. The actors most exposed to harm are not necessarily those who control the models. Users, clients, and affected third parties may bear the consequences, while mitigation often depends on developers, providers, regulators, governments, or standards bodies. This raises a classical insurance question: who bears the risk, who controls the risk, and who can produce evidence after a loss?

Large language models (LLMs) are a particularly interesting case. The issue is not only hallucination. It also includes retrieval errors, prompt injection, privacy leakage, biased outputs, insecure code, incorrect tool use, and automation of decisions that should remain supervised. Benchmarks are not enough. They evaluate controlled tasks. Insurance deals with deployed systems, real users, real incentives, changing environments, and downstream losses. LLMs shift the cost of reliability. Producing an answer becomes cheap; verifying it may become expensive. And “human-in-the-loop” is not a magic control. A human can only control the system if they have time, competence, authority, and incentives to challenge the machine.

This brings me to a central point: insurability depends on proof. An insurance policy cannot simply say: “we cover AI risk.” It must define the insured system: the use case, model, version, provider, data source, retrieval layer, tools, agents, and update regime. It must also define evidence obligations: logs, audits, monitoring, incident reporting, version retention, red teaming, escalation procedures, and human review. Insurance can play a disciplinary role here. If nobody pays for proof before the loss, everybody pays for uncertainty after the loss. Conversely, if coverage depends on traceability, insurance creates an economic incentive to document and control AI systems.

I will end with vibe coding. Lawrence Lessig famously said that “code is law”, twenty five years ago: code does not only execute rules; it structures what is possible, impossible, easy, costly, visible, or invisible. But if code is generated by AI from prompts, modified quickly, integrated by agents, and sometimes deployed without serious human review, a new question appears: who can reconstruct the history of the code after a loss? The risk is not only that AI-generated code may be wrong. The risk is that nobody can say exactly what was asked, what was generated, which model version was used, which dependencies were added, which tests were run, and how the code reached production. For insurers, the right question is not: “Do you use AI to code?” Almost everyone will. The real question is: “Through which process can AI-generated code enter a critical system?” And this brings us back to very concrete underwriting tools: prompt logs, model versions, human review, tests, vulnerability scanners, SBOMs, deployment rules, and exclusions for unverified autonomous deployment. The broader conclusion is that AI does not eliminate classical actuarial questions. It makes them more visible: mutualization, accumulation, information asymmetry, evidence, moral hazard, control, and responsibility.

Recoverability of market-wide fair insurance premiums under selection bias

Our article, Recoverability of market-wide fair insurance premiums under selection bias, with Marie-Pier Côté and Olivier Côté, was published in Insurance: Mathematics & Economics.

Fairness adjustments in insurance pricing are defined relative to a reference population, i.e., to a joint distribution of (X, D, Y) where X are rating factors, D protected attributes, and Y is claim amount. Because an insurer’s portfolio is generally a selected subpopulation, portfolio and population reference distributions typically differ, so portfolio-calibrated and population-calibrated fairness adjustments need not coincide. In what follows, we use selection bias as an umbrella term for any discrepancy between an observed sample and its target population. We call portfolio composition bias the insurance-specific form of selection bias induced by the portfolio inclusion mechanism (underwriting/marketing), which makes each insurer’s portfolio a selected subpopulation. Relying on causal inference and a portfolio composition indicator, we characterize how portfolio composition bias affects common premium adjustments (unawareness, discrimination-free pricing, and transport-based corrective pricing), and we provide restrictive conditions under which portfolio and population adjustments coincide. We propose estimators to recover the fairness-adjusted premiums on the regulator-intended target population from selection-biased data, by using externally available information on the population marginal distribution of the prohibited attribute D. We study this scope mismatch from the policyholder’s perspective: we model the market premium faced by a newly entering policyholder (not yet assigned to any portfolio) as a mixture of insurer-specific premiums, weighted by the probability of being assigned to each insurer. Under this view, a pricing rule can satisfy a fairness criterion within each insurer’s portfolio yet produce direct or proxy discrimination in the market when portfolio inclusion depends on X and/or D. Finally, we show that enforcing portfolio-level balance on population-intended fair premiums can reintroduce portfolio composition bias, highlighting a regulatory trade-off between portfolio balancing and market-wide fairness. We focus on recoverability: which population-level fairness targets are identifiable from portfolio data, and what minimal external information is required to recover them.

« Pelleter en avant » (sécheresse, cumul et causalité, le cas du RGA en France)

Au Québec, on utilise une jolie expression, « pelleter en avant », ou « pelleter par en avant »,

Fait référence à quelqu’un qui déneige en pelletant la neige en avant de lui, ce qui l’amène à cumuler cette dernière dans son chemin. Il doit donc déplacer une quantité de plus en plus grande de neige au fur et à mesure qu’il progresse. Cela fait en sorte, notamment, qu’un jour ou l’autre, il ne pourra plus pelleter par en avant.

J’y pensais ce matin en lisant l’article de L’Argus de l’assurance consacré aux maisons fissurées par la sécheresse (Maisons fissurées : la sécheresse fragilise la solidarité nationale, les propriétaires pourraient payer l’essentiel d’une facture de plus en plus coûteuse). Si on le regarde de trop prêt, comme bien souvent, le sujet semble très technique (argiles, fissures, fondations, arrêtés de catastrophe naturelle, expertises), mais avec un peu de recul, on voit facilement la dimension politique. Qui paiera demain les fissures qui lézardent des centaines de milliers de maisons françaises ? Les assureurs ? L’État ? Les propriétaires eux-mêmes ? Oui, on reconnait des sujets que j’aborde depuis pas mal de temps sur le blog. Parce que l’article rappelle que l’explosion des sinistres liés au retrait-gonflement des argiles menace aujourd’hui l’équilibre du régime des catastrophes naturelles, construit depuis 1982 autour d’un principe de solidarité nationale.

Pour donner un peu de contexte, cette histoire de “retrait-gonflement des argiles“, ou RGA, est un phénomène bien connu des géotechniciens. En une phrase, en période sèche, certains sols argileux se rétractent , et lorsque l’eau revient, ils gonflent. Ces variations sont lentes, mais peuvent atteindre une amplitude suffisante pour endommager les bâtiments. Géorisques rappelle que la grande majorité des sinistres concerne les maisons individuelles. Et ce risque n’est plus du tout marginal. Le dossier Géorisques indique que, depuis 2016, les sécheresses de grande ampleur se succèdent, avec une charge annuelle moyenne du régime Cat Nat autour d’un milliard d’euros, contre environ 400 millions d’euros sur la période 1989-2015. L’année 2022 aurait atteint 3,5 milliards d’euros de sinistralité sécheresse. L’article de L’Argus ajoute que les modélisations CCR anticipent une hausse du coût annuel moyen de la sécheresse géotechnique de l’ordre de 85% d’ici 2050 sous le seul effet climatique, et de 100% en intégrant l’évolution des biens assurés….

Mais le changement climatique ne frappe pas un parc immobilier neuf, homogène, conçu selon les connaissances actuelles. Il frappe un stock de maisons construites à des époques différentes, souvent avant que le risque RGA ne soit bien intégré dans les pratiques de construction. La Cour des comptes rappelait en 2022 que, sur 19,2 millions de maisons individuelles en France métropolitaine, 10,4 millions se situaient en zone d’exposition moyenne ou forte, et que près de 44% de ces maisons exposées avaient été construites après 1975. À mon avis, ce détail est important. Les années 1970 et 1980 sont aussi celles de l’accession pavillonnaire de masse, des lotissements, de la résidence secondaire démocratisée, de la promesse faite aux classes moyennes : devenir propriétaires, avoir son pavillon, son jardin, parfois son petit appartement au bord de la mer. Les “maisons Merlin” moquées par Coluche (dans le syndicat) peuvent servir d’image de cette époque. Le Monde décrivait en 1982 l’essor de Guy Merlin, promoteur de l’immobilier de loisirs à bas prix, avec 35 000 logements construits et 150 000 personnes logées, dans une logique de diffusion massive de la propriété de vacances. C’est aussi, un peu plus tôt, la période des “Chalandonnettes”, ces maisons individuelles en accession, de type industriel, issues des mesures incitatives portées par Albin Chalandon à la fin des années 1960 et au début des années 1970. Le terme est resté péjoratif : il désigne environ 60 000 à 70 000 pavillons à bas prix, construits dans une logique de standardisation et de promotion privée, dont les déboires ont rapidement nourri une critique de la qualité de conception et de construction (comme le rappelle l’AQC). Il ne s’agit pas de dire que ces programmes expliquent à eux seuls les sinistres actuels. Mais ils donnent du contexte, rappelant quelque chose d’important : le changement climatique ne frappe pas seulement des sols argileux. Il touche en grande partie un stock bâti produit dans une économie de l’accession rapide, du prix contenu et de la vulnérabilité parfois différée. Ce qui n’a pas été payé au moment de la construction — étude de sol, fondations adaptées, gestion fine de l’eau, qualité structurelle — peut revenir, quarante ou cinquante ans plus tard, sous forme de fissures, d’expertises, de contentieux et d’indemnisation CatNat.

Et justement, les documents techniques de la MRN sont clairs, les maisons individuelles sont particulièrement vulnérables parce qu’elles sont souvent légères, peu rigides, fondées superficiellement, et construites sans étude géotechnique préalable permettant d’identifier la présence éventuelle d’argile gonflante. Géorisques décrit même la construction sinistrée typique comme une maison individuelle de plain-pied, reposant sur des fondations inadaptées, avec présence d’arbres à proximité. La Cour des comptes va dans le même sens : en l’absence d’étude de sol, le choix économiquement attractif à court terme peut être celui de fondations non adaptées au sol, moins coûteuses au moment de l’achat mais susceptibles d’entraîner des dommages à plus long terme. Elle note aussi que, dans un marché de la construction fortement concurrentiel, cette option permet d’afficher un prix plus attractif.

Il y a donc une chaîne de valeur complète derrière la fissure, avec un terrain vendu, un permis accordé, une étude de sol parfois absente, un constructeur qui arbitre entre coût et prudence, un promoteur qui vend une promesse d’accession, un acheteur qui regarde surtout le prix, un commune qui urbanise, des règles de prévention qui arrivent tard, puis à la fin, un assureur qui, des années plus tard, reçoit une demande d’indemnisation de sinistre. Comme souvent, l’assureur est le dernier de la chaîne,  celui à qui on présente la facture quand les décisions passées, les défauts de prévention et le changement climatique se rencontrent. Et c’est là que les problèmes commencent…

Dans le régime Cat Nat, il ne suffit pas qu’une maison soit fissurée et qu’une sécheresse ait eu lieu. Encore faut-il que le dommage ait pour “cause déterminante” l’intensité anormale de l’agent naturel, ou, pour le RGA, la succession anormale d’épisodes de sécheresse et de réhydratation. Dans deux rapports publiés par la Chaire PARI (L’assurance des catastrophes naturelles et la cause déterminante des dommages provoqués ou non par la sécheresse/réhydratation des sols), Rodolphe Bigot montre que cette notion de cause déterminante est centrale, mais difficile. Elle n’exige pas que la sécheresse soit la cause exclusive du dommage, seulement qu’elle joue le rôle causal décisif. Or une maison fissurée a rarement une seule cause. Il peut y avoir des argiles, une sécheresse, des fondations insuffisantes, une pente, des arbres, une fuite de canalisation, un drainage mal conçu, une fissure ancienne, un défaut de chaînage. Les guides techniques de l’IFSTTAR rappellent qu’on peut réduire la sensibilité de la maison en agissant à la fois sur l’eau, l’environnement, les arbres, les fondations, le chaînage des murs et l’agencement de la construction. Mais lorsque la maison est déjà construite, parfois depuis quarante ans, ces choix ne sont plus des options simples. Ils sont devenus des coûts de remédiation. Et c’est précisément ce que souligne la Cour des comptes : intégrer les bonnes dispositions dès la construction coûte relativement peu, mais modifier après coup une maison existante (notamment reprendre ses fondations) coûte extrêmement cher. Elle cite des ordres de grandeur allant d’environ 21 000 euros pour certaines injections à 76 000 euros pour des techniques de longrines et micropieux.

On comprend alors pourquoi le RGA est un risque de cumul. Ce n’est pas seulement une succession de sinistres indépendants. C’est un risque où chaque sécheresse peut frapper un bâti déjà vulnérable, parfois déjà fissuré, parfois déjà refusé à l’indemnisation, parfois réparé seulement en surface. La maison garde la trace des épisodes passés. Le dossier d’assurance, lui, essaie de reconstituer cette mémoire avec des expertises, des photographies, des dates, des arrêtés Cat Nat et des arguments de causalité. Dans un incendie, refuser un sinistre peut être une décision de couverture. Le feu est passé. Le dommage est là. Dans le RGA, la fissure reste dans le mur, les fondations restent dans le sol, les argiles continueront à se rétracter et gonfler. Refuser aujourd’hui peut donc parfois signifier : ne pas payer maintenant, mais laisser grossir une facture qui reviendra plus tard. C’est ce que l’on pourrait appeler une perte différée.

Une perte différée n’est pas simplement un sinistre déclaré tardivement. Ce n’est pas seulement un dossier mal provisionné. C’est une perte que l’on croit avoir écartée juridiquement, mais qui continue physiquement d’exister. Le refus d’indemnisation ne l’éteint pas toujours. Il peut la déplacer dans le temps, la rendre plus coûteuse, et surtout plus difficile à attribuer. Plus le temps passe, plus la causalité se brouille, comme le dit Rodolphe Bigot. Les fissures anciennes et nouvelles se mélangent. Les sécheresses successives se superposent. Des travaux partiels (ou cosmétiques) peuvent masquer le problème sans le résoudre. Le propriétaire peut avoir changé. L’assureur aussi. La maison, elle, garde la mémoire des chocs antérieurs. Mais le droit doit répondre à une question binaire : la sécheresse reconnue était-elle, oui ou non, la cause déterminante ? Il ne suffira pas de compter les sinistres payés, il faudra aussi regarder les sinistres refusés, les dossiers rouverts, les contentieux, les maisons déjà expertisées qui reviennent après une nouvelle sécheresse, les réparations insuffisantes, les coûts qui explosent lorsque la reprise en sous-œuvre devient nécessaire. Autrement dit, il faudra suivre le bâti, pas seulement le dossier.

Pour les actuaires, c’est un vrai défi ! Et il faudra s’y atteler parce que les engagements potentiels sont impressionnants. La Cour des comptes reprend les chiffrages de France Assureurs selon lesquels le coût cumulé du risque sécheresse pour les assurances passerait de 13,8 milliards d’euros sur 1999-2019 à 43 milliards d’euros pour les trente années suivantes. Et encore : cette estimation ne tient pas compte de tous les effets possibles de remédiation, ni de la manière dont les nouvelles règles de construction pourraient réduire le risque sur les constructions neuves. Le problème du stock, lui, demeure. Les règles récentes peuvent améliorer les constructions futures, mais elles ne réparent pas les millions de maisons déjà construites. La Cour des comptes l’écrit explicitement : les mesures issues de la loi ÉLAN concernent les constructions nouvellement construites et ne règlent pas le problème des maisons déjà exposées, déjà fragilisées ou potentiellement concernées. Pour ce stock, des mesures de prévention devraient être expérimentées.

En Québecois, je dirais que la stratégie a été de « pelleter en avant » (stratégie classique de gestion des risques en période de contraction budgétaire). Pendant des décennies, on a construit des maisons sur des sols parfois mal connus. On a différé le coût de la prévention. On a laissé la question du sol dans l’angle mort du prix de vente. Puis les sécheresses se sont répétées. Puis les fissures sont apparues. Puis on a discuté de cause déterminante. Puis on a refusé certains dossiers. Puis les maisons sont restées là. À chaque étape, quelqu’un a pu avancer un peu en repoussant le problème, le vendeur du terrain, le promoteur, le constructeur, l’acheteur contraint par son budget, la commune qui cherche à développer son territoire, l’État qui ajuste les critères Cat Nat, l’assureur qui conteste la causalité. À force de « pelleter en avant », la neige s’accumule, devant tout le monde. Elle devient de plus en plus lourde, et à partir une réflexion collective, on a du mal à voir comment régler la facture…

La “cause déterminante” est à mon avis la condition indispensable pour éviter que le régime Cat Nat ne devienne une assurance générale de la construction. Cela veut dire qu’il ne sera pas possible d’indemniser toutes les fissures. Certaines relèvent de défauts constructifs, de travaux mal faits, d’un défaut d’entretien, d’un arbre trop proche, d’une fuite d’eau, ou d’une vulnérabilité qui n’a pas de lien déterminant avec un épisode de sécheresse reconnu. Mais il faudrait regarder les refus avec attention. Certains ne font que déplacer la perte, vers un autre assureur, vers un futur arrêté Cat Nat, vers le propriétaire, vers le contentieux, ou vers le régime dans son ensemble. Pour un risque lent, cumulatif, fortement dépendant du stock bâti, le bon indicateur n’est donc pas seulement le montant payé aujourd’hui. C’est aussi le montant que l’on crée, ou que l’on laisse croître, en ne réparant pas. L’assureur est souvent accusé d’être celui qui ne veut pas payer. Mais dans ce dossier, il est aussi le dernier maillon d’une longue chaîne. Il paie les pots cassés d’un urbanisme, d’une construction, d’une politique de prévention et d’un climat qui ont longtemps avancé séparément. Le RGA rappelle brutalement que l’assurance ne peut pas être le seul lieu où se règle, après coup, le coût des décisions prises avant le sinistre.

Risques climatiques : la donnée et l’intelligence artificielle ne remplaceront pas la solidarité

Notre tribune, Risques climatiques : la donnée et l’intelligence artificielle ne remplaceront pas la solidarité, écrite avec Laurence Barry, a été publiée par L’Argus de l’Assurance.

À mesure que les risques climatiques s’intensifient, l’essor des données fines et de l’intelligence artificielle promet une meilleure connaissance des expositions. Mais derrière cette avancée technique se joue un choix fondamental : préserver la logique de solidarité qui fonde l’assurance ou glisser vers une individualisation accrue des risques, au risque d’exclure les plus vulnérables ?

Insurance, Biases, Discrimination and Fairness

Two years ago, my book “Insurance, Biases, Discrimination and Fairness” was published in the Springer Actuarial series.

Discrimination in insurance is a difficult topic because, in a very specific sense, insurers are expected to discriminate: they classify risks, build risk pools, and differentiate premiums. This is the logic of risk-based pricing and actuarial fairness. But insurance is not only about pricing risks accurately (accuracy is overrated). It is also about mutualization, risk sharing, and solidarity. The real question is therefore not simply whether insurers should differentiate, but which differences should matter, which should not, where the limits should be drawn, and how to navigate a complex world in which several notions and metrics of fairness coexist, sometimes in tension with one another.

In the book, I tried to connect actuarial pricing, statistical discrimination, legal constraints, algorithmic fairness, explainability, mitigation techniques, and the limits of “fairness through unawareness”. I also discuss a dimension that is often overlooked: causality. Correlation may be useful for prediction, but prevention, explanation, and fairness often require asking what mechanism lies behind an observed association.

For those interested in the mathematics, I have also made lecture notes freely available.

Couvrir les risques de catastrophes naturelles au Japon

Un rapport présentant l’assurance des catastrophes naturelles au Japon est en ligne dans la collection des documents de la Chaire PARI,

Cette note montre que le Japon a construit, face à une exposition exceptionnelle aux séismes, tsunamis, volcans, inondations et glissements de terrain, un système de couverture des catastrophes naturelles original, qui ne repose ni sur un régime unifié de type français ni sur le seul marché privé. Après avoir rappelé la géographie physique et administrative du pays, puis les spécificités du marché immobilier japonais (abondance relative du parc, forte dualité entre propriété et location, faible valorisation du bâti ancien, importance des logements vacants), elle explique que l’assurance habitation japonaise est structurée autour d’un socle de fire insurance couvrant les périls ordinaires et climatiques, auquel s’ajoute un régime spécifique d’assurance séisme, facultatif mais adossé au contrat incendie, partiellement indemnitaire et massivement réassuré par l’État. L’étude montre ensuite, risque par risque, que le séisme constitue le cœur du modèle japonais, avec un partenariat public-privé très institutionnalisé, tandis que l’inondation relève surtout du marché privé complété par des aides publiques ex post ; le tsunami et le volcan, eux, sont couverts juridiquement par le régime séisme mais gérés administrativement par des dispositifs autonomes de surveillance, d’alerte, d’évacuation et de cartographie. Au total, cette note défend l’idée que la “couverture” japonaise ne se réduit jamais à l’assurance : elle combine indemnisation privée, réassurance publique, réserves prudentielles, soutien budgétaire, hazard maps et gouvernance territoriale, dans le but moins de compenser intégralement les pertes que de stabiliser rapidement les conditions de vie et d’organiser la reconstruction après catastrophe.

If No One Pays for Proof, Everyone Will Pay for the Loss

This post was initially written in French, Si personne ne paie pour la preuve, tout le monde paiera pour le sinistre

Let’s start with a truism. In ordinary life, just as in economic life, we have to make decisions without ever knowing everything. Every decision involves some uncertainty, and therefore some risk. Some risks are small, manageable, and we barely notice them anymore. Others can have financial consequences large enough that we would rather transfer them to a third party, by paying a premium so that an insurer will bear them for us. That is, at bottom, one of the most concrete functions of insurance. But an equally interesting question arises when that transfer becomes impossible, or at least impossible at a reasonable price. That is what we call uninsurability. We already encounter it with certain natural risks, when losses become too correlated, too massive, too difficult to mutualize, as I discussed in Insurers and AI, a systemic risk and in Insuring AI. New risks? New models?. And apologies for using this umbrella term, “AI,” which I do not like very much, but I need to simplify a little or I would never finish this post…

The day before yesterday, Thomas Claburn wrote in AI still doesn’t work very well in business, businesses are faking it, and a reckoning is coming:

Another looming problem is that large insurers have become wary of underwriting policies that cover companies against AI risk.

(Thanks to @flomaraninchi and @ugo for pointing it out to me.) I have the feeling that it is important to understand exactly what this means. If major insurers are becoming reluctant to cover AI-related uses, this is probably not just one more market anecdote, nor simply another legal precaution. It is a signal. An important signal for anyone who builds predictive models, or who is interested in uncertainty and ambiguity, because insurers do not need to be prophets to become cautious. Perhaps that is what risk culture is. It is enough for them to conclude that they do not understand the risk well enough, that they cannot observe it properly, that they cannot reconstruct the chain of responsibility behind it, or that they doubt they can carry it at a sustainable price. In other words, if insurers are stepping back, that should force us to ask whether AI is really under control. What we are dealing with here are very classical questions in the economics of information, imperfect measurement, misaligned incentives, and insufficient proof, much more than a simple dispute about the current level of the technology.

Continue reading If No One Pays for Proof, Everyone Will Pay for the Loss

Si personne ne paie pour la preuve, tout le monde paiera pour le sinistre

Allez, commençons par une banalité, en notant que dans la vie ordinaire, comme dans la vie économique, il faut décider sans jamais tout savoir. Toute décision engage une part d’incertitude, donc une part de risque. Certains risques sont petits, absorbables, et on n’y prête même plus attention. D’autres peuvent avoir des conséquences financières telles qu’on préfère les transférer à un tiers, en payant une prime pour qu’un assureur les prenne à sa charge. C’est, au fond, une des fonctions les plus concrètes de l’assurance. Mais une question au moins aussi intéressante surgit lorsque ce transfert devient impossible, ou du moins impossible à un prix raisonnable. C’est ce qu’on appelle “inassurabilité”, que l’on rencontre déjà face à certains risques naturels, lorsque les pertes deviennent trop corrélées, trop massives, trop difficiles à mutualiser, comme je l’évoquais dans Assureurs et IA, un risque systémique et dans Assurer l’IA. Nouveaux risques ? Nouveaux modèles ?. Et désolé d’utiliser ce terme parapluie, “IA”, que je n’aime pas trop, mais je vais simplifier un peu sinon je ne finirais jamais ce billet…

Avant hier, Thomas Claburn écrivait dans AI still doesn’t work very well in business, businesses are faking it, and a reckoning is coming

Another looming problem is that large insurers have become wary of underwriting policies that cover companies against AI risk.

(merci @flomaraninchi et @ugo de me l’avoir pointé) et j’ai l’impression qu’il est important de bien comprendre ce que ça signifie… Si de grands assureurs deviennent réticents à couvrir les usages de l’IA, ce n’est peut être pas simplement une de ces nombreuses anecdotes venant du marché, ni une précaution juridique de plus, c’est probablement un signal. Un signal important quand on fait des modèles prédictifs, qu’on s’intéresse à l’incertitude et à l’ambiguïté, parce que bien souvent, un assureur n’a pas besoin d’être prophète pour devenir méfiant. C’est peut être ce qui s’appelle la culture du risque… Il lui suffit d’estimer qu’il ne comprend pas suffisamment le risque, qu’il ne peut pas l’observer correctement, qu’il ne sait pas en reconstruire la chaîne de responsabilité, ou qu’il doute de pouvoir le porter à un prix soutenable. Autrement dit, si on voit les assureurs reculer, ça devrait nous obliger à nous demander si l’IA est réellement maîtrisée. On touche ici à des questions très classiques d’économie de l’information, de mesure imparfaite, d’incitations mal alignées et de preuve insuffisante, bien plus qu’à une simple querelle sur le niveau actuel de la technologie.

Continue reading Si personne ne paie pour la preuve, tout le monde paiera pour le sinistre

Fukushima : 15 ans après, réflexions sur une inévitable catastrophe

en m’inspirant du titre de l’article de Benoît Hopquin publié par Le Monde, il y a 5 ans, jour pour jour.

J’étais à Hiroshima l’automne dernier. C’est un lieu saturé d’images, trop connu, que l’on connait avant même d’y être allé. Le dôme apparaît une dizaine de fois dans Gen d’Hiroshima ou Gen aux pieds nus, tel qu’il vient d’être nommé dans la nouvelle édition paru l’an dernier (reprenant le titre original Hadashi no Gen, はだしのゲン), et le voir en vrai fait remonter plein de souvenirs de lecture.

source: “Gen aux pieds nus“, de Keiji Nakazawa, publié par Le Tripode

Il y a aussi les photographies des lendemains du 6 août 1945 dans mes livres d’histoires. Hiroshima appartient à ce petit nombre de catastrophes que tout le monde croit avoir déjà vues. Et pourtant, l’essentiel de la catastrophe nucléaire n’a justement rien de visible. Ce que l’on voit à Hiroshima, c’est la destruction. Au sens littéral, on peut penser à ce couple, désintégré, dont il reste juste la silhouette sur un mur. Hormis le dôme, l’essentiel échappe au regard. Et au delà de la destruction, c’est aussi la contamination, l’incertitude, le temps long pour ses victimes. Janet Farrell Brodie le rappelle très bien dans Radiation Secrecy and Censorship after Hiroshima and Nagasaki. Dès après le bombardement, les autorités américaines ont travaillé à censurer, contenir, déformer l’information sur les effets radiologiques, autrement dit à rendre moins visible ce qui, de toute façon, ne se voyait pas directement.
Continue reading Fukushima : 15 ans après, réflexions sur une inévitable catastrophe

Crue centennale de la Seine à 42 milliards d’euros ?

En fin de semaine dernière, L’Argus de l’Assurance titrait sur une estimation de la “crue centennale de la Seine”

Je voulais revenir dessus avec un (court) billet parce que j’ai toujours du mal à comprendre ce qu’une telle estimation veut (vraiment) dire. Au risque de me répéter (je le disais dans Catastrophes naturelles, catastrophes évitables ou imprévisibles ?) et c’est largement discuté dans Flood Risk Assessment and Management, le risque d’inondation (comme toutes les catastrophes naturelles) doit être compris comme le résultat d’interactions entre l’humain et la nature. Ça semble trivial à force de le répéter, mais son sens profond, c’est que si l’aléa est en partie coproduit (urbanisation, endiguements, réservoirs, règles de gestion), alors l’idée d’une période de retour de 100 ans ne peut pas être vue comme une constante de la nature, puisque c’est forcément un produit de nos choix.
Continue reading Crue centennale de la Seine à 42 milliards d’euros ?

Natural disasters, avoidable or unpredictable?

We’ve all seen the images. And they are incredible. Like many natural disasters.

On 25 January, Niscemi, a small Sicilian town, split in two, after the torrential rains associated with Storm Harry, leaving a scar several kilometres long. We saw roads collapsing, cars vanishing, houses left hanging on the edge of a void. More than 1,600 people were evacuated. In the Guardian article, we are reminded that this was not the first time. We are told that the very same area had already slid in the 18th century, and again in 1997, and yet construction continued, especially from the 1950s and 1960s onwards.

Could we have known? Did we already know? And if we did, why does it still happen? Almost inevitably, after every natural disaster, I find that these questions come back too, again and again… I thought I could write a short post to recall that, on the one hand, there are striking regularities in the way some disasters unfold. But on the other hand, “predictable” does not mean “avoidable”, because disaster is also a social fact, a story of vulnerability, exposure, and public choices (at the risk of repeating myself, I know).
Continue reading Natural disasters, avoidable or unpredictable?

From Premium to Contribution: Recovering Solidarity

This post was originally written and published in French, De la prime à la cotisation: retrouver la solidarité

Well, let’s start with something everyone can observe. Insurance has a bad image, a bad press. It is often suspected of being a cold bureaucracy, a paperwork industry, a partner that looks for loopholes precisely when you need it. We talk about premiums the way we talk about a price, and we end up judging insurance the way we judge a purchase. Did I “get my money’s worth” this year. Did I “lose” money if I had no claim. Was I a good customer if I kept quiet. With questions like these, the very idea of solidarity quickly feels out of place.

And yet, if we set aside the forms and the marketing campaigns, insurance is first and foremost a social technology. It makes a simple reality livable. Some events are rare, hit hard, and cannot be financed individually without tipping into ruin. Insurance says the following. We do not know when, we do not know who, we only know that one day someone will have an accident, fall ill, see their home damaged, or cause harm to someone else. And because we cannot decide in advance who that person will be, we choose to be many to carry the associated financial burden. We pool a small share of our resources, and we agree on rules so that, when the day comes, the burden is bearable. For everyone. It is not only a service, it is a common.

I had already tried to look at the issue from a concrete angle, the angle of claims settlement, and the way it can disenchant a tool that is, in principle, virtuous, in an earlier post When insurance falls apart, the silent crisis of claims settlement. And there are other posts too, revolving around pricing, perception, and what we truly expect from an insurance contract, such as The value of life, The paradoxes of segmentation and discrimination in insurance, Cheaper personalized insurance premiums thanks to AI, or Insurance, a zero sum game. But what was missing was a broader lens, more sociological, and probably more political too. And as often, going back to classic works in the social sciences helps clarify what is at stake.

Continue reading From Premium to Contribution: Recovering Solidarity

De la prime à la cotisation: retrouver la solidarité

Bon, commençons par un constat que tout le monde peut faire. L’assurance a mauvaise image, mauvaise presse. On la soupçonne d’être une bureaucratie froide, une industrie de paperasse, un partenaire qui cherche l’échappatoire au moment où l’on en a besoin. On parle de primes comme on parlerait d’un prix, et on finit par juger l’assurance comme on juge un achat. Ai-je “rentabilisé” mon contrat cette année ? Ai-je “perdu” de l’argent si je n’ai pas eu de sinistre. Ai-je été un bon client si je suis resté discret ? Avec ce genre de questions, l’idée même de solidarité paraît vite hors sujet.

Pourtant, si l’on met de côté les formulaires et les campagnes marketing, l’assurance est d’abord une technologie sociale. Elle sert à rendre vivable une réalité simple. Certains événements arrivent rarement, frappent fort, et ne sont pas finançables individuellement sans basculer dans la ruine. L’assurance dit ceci. On ne sait pas quand, on ne sait pas qui, on sait seulement qu’un jour quelqu’un aura un accident, tombera malade, verra sa maison endommagée, ou causera un tort à autrui. Et comme on ne peut pas décider à l’avance qui sera cette personne, on décide d’être plusieurs à porter le poids financier associé. On met en commun une petite part de nos moyens, et on s’accorde sur des règles pour que, le jour venu, la charge soit supportable. Pour toutes et tous. Ce n’est pas seulement un service, c’est un commun.

J’avais déjà essayé de regarder le problème par un angle concret, l’angle de l’indemnisation, et de la manière dont elle peut désenchanter un outil a priori vertueux, dans mon ancien billet Quand l’assurance se défait, la crise silencieuse de l’indemnisation. Et puis il y a d’autres billets, qui tournent autour de la tarification, de la perception, et de ce que l’on attend vraiment d’un contrat d’assurance, comme La valeur de la vie, Les paradoxes de la segmentation et de la discrimination en assurance, Des primes d’assurance personnalisées moins chères grâce à l’IA ?, ou encore L’assurance, un jeu à somme nulle?. Mais il manquait une grille de lecture plus large, plus sociologique, plus politique probablement. Et comme souvent, se replonger dans des classiques des sciences sociales aide à voir ce qui est en jeu.
Continue reading De la prime à la cotisation: retrouver la solidarité