AI i försäkring när katastrofförlusterna ökar

År 2025 landade de försäkrade naturskadorna globalt på 107 miljarder dollar – och därmed över 100-miljardersnivån för sjätte året i rad. Det är inte en tillfällig ”dyr säsong”, utan ett mönster som tvingar fram nya sätt att räkna, prissätta och förebygga risk.

Det som sticker ut i årets siffror är vad som drev kostnaderna: skogsbränder och kraftiga konvektiva stormar (åska, hagel, downbursts och tornado-liknande händelser). Samtidigt var Atlantens orkansäsong ovanligt ”snäll” ur försäkringssynpunkt – ett bra exempel på varför magkänsla och historik inte räcker som styrinstrument.

I vår serie ”AI inom försäkring och riskhantering” återkommer samma insikt gång på gång: när skadorna blir fler, mer varierade och mer lokala måste besluten bli snabbare och mer datadrivna. Jag tycker att naturskadeutvecklingen 2020–2025 är ett av de tydligaste argumenten för varför AI i underwriting och riskmodellering inte längre är en innovationsfråga – utan en överlevnadsfråga.

Varför 100-miljardersnivån blivit ”det nya normala”

Det korta svaret: exponeringen växer snabbare än samhällets motståndskraft, och det syns direkt i försäkringskollektivet.

2025 dominerades de försäkrade förlusterna av två risktyper:

• Skogsbränder: Los Angeles-bränderna under första kvartalet blev den dyraste skogsbrandshändelsen globalt hittills, med 40 miljarder dollar i försäkrade skador.
• Kraftiga konvektiva stormar: bidrog med cirka 50 miljarder dollar globalt, vilket gör 2025 till det tredje dyraste året för den här peril-typen efter 2023 och 2024.

Det som gör detta extra relevant för svenska bolag (och nordiska riskchefer) är inte att vi får Kaliforniens bränder. Det är att logiken är densamma i Sverige:

• fler värden byggs i riskutsatta lägen (kust, skogsnära, vattendrag)
• högre återställandekostnader (material, entreprenörer, logistikkedjor)
• mer komplexa skadeförlopp (kombinationer av vind + nederbörd + avbrott)

Myten som behöver dö: ”Det är bara vädret som blivit värre”

Väder spelar roll, men det är kombinationen av hazard och exposure som spräcker budgetar. Årets stora brandförluster kopplades till långvarig värme och torka, starka vindar och ökad bebyggelse i gränszonen mellan stad och brandbenägen natur.

Översatt till försäkringspraktik: om din riskbedömning inte uppdateras med förändrad bebyggelse, renoveringstakt, takens ålder, lokala vindmönster och räddningstjänstens responstider – då prissätter du bakåt.

AI i riskbedömning: från postnummernivå till ”fastighetsfingeravtryck”

Den konkreta nyttan med AI i försäkring är att den kan gå från grova medelvärden till högupplöst risk – och göra det löpande.

I naturskadeaffären är det avgörande eftersom många risker är hyperlokala. En hagelcell kan slå ut ett industriområde, men lämna nästa stadsdel nästan oskadd. En brandfront kan stanna vid en brandgata – eller hoppa den med vindbyar.

Vad AI faktiskt kan göra bättre än traditionella modeller

Här är fyra områden där jag sett att AI ofta ger snabbast effekt i riskhantering och underwriting:

1. Dynamisk exponering

   • Kombinerar byggnadsdata, renoveringshistorik, geografiska lager, skadestatistik och socioekonomiska faktorer.
   • Uppdateras när ny information kommer in (t.ex. bygglov, fastighetstransaktioner, satellitindikatorer).

2. Objektnära sårbarhet (vulnerability)

   • Exempel: taktyp, takets ålder, fasadmaterial, lutning, dräneringsförutsättningar.
   • Konvektiva stormar blir dyrare när tak och klimatskal inte klarar återkommande påfrestning.

3. Händelseklassificering i realtid

   • AI kan sortera inkommande signaler (väder, larm, bilder, samtal) och tidigt avgöra om det är ett ”mass event”.
   • Det styr bemanning, kommunikation, skadejour och återförsäkringsrapportering.

4. Prediktiv modellering med många scenarier

   • Snabbare scenarioanalyser: vad händer med portföljen om vindzoner flyttar sig, om byggkostnad indexeras upp 12%, eller om självrisken ändras?

Det här är inte fluff. Det är exakt den typ av ”kumulativ” risk som kraftiga konvektiva stormar skapar: enskilda händelser kan vara medelstora, men tillsammans blir de portföljförstörande.

Underwriting i ett klimat med dyra sekundärrisker

Sekundärrisker (som hagel, skyfall, blixt, lokala vindar och skogsbränder) har länge hamnat i skuggan av ”stora” periler som orkan och jordbävning. 2025 visar varför det är ett misstag.

Ett effektivt underwriting-upplägg för 2026 behöver enligt min mening två saker:

1) En prissättning som tål att verkligheten varierar

När historiken inte längre representerar framtiden blir prissättning en fråga om robusthet.

AI kan hjälpa genom att:

• modellera skadeutfall som en funktion av både hazard och sårbarhet
• hitta icke-linjära samband (t.ex. när en viss vindstyrka i kombination med äldre tak plötsligt driver skadegrad)
• segmentera kunder så att riskdifferentiering blir möjlig utan att regelverket tappas bort

2) Villkor och riskkrav som faktiskt minskar skada

Förebyggande åtgärder är inte en bilaga längre, utan en del av affären.

Exempel på riskkrav som AI kan stödja (och följa upp):

• takbesiktning och åtgärdsplan för byggnader med hög hagel-/vindexponering
• krav på dränering/backventiler i skyfallszoner
• brandhärdiga material och defensible space för skogsnära objekt

Den viktiga poängen: AI gör det möjligt att mäta att kraven minskar risk, vilket gör att man kan koppla det till premier, självrisker och villkor på ett sätt som kunder accepterar.

Återförsäkring och kapital: där AI ger beslutsfördel

Rapporten bakom årets siffror pekade på att USA stod för en mycket stor del av de globala försäkrade förlusterna 2025. Oavsett geografi får detta konsekvenser: när globala skador är höga pressas återförsäkringsmarknaden, och priser samt villkor påverkas även för nordiska bolag.

AI kan bidra på tre praktiska sätt i samspelet mellan direktförsäkring och återförsäkring:

Portföljstyrning som går att försvara

När kapital blir dyrare måste portföljbeslut bli tydligare:

• Var växer vi – och varför?
• Vilka segment ska ha lägre maxkapacitet?
• Vilka risker behöver riskreduktion för att ens vara kvar?

AI-stödd portföljanalys gör att svaret kan baseras på scenarier, inte bara på fjolårets combined ratio.

Snabbare och bättre katastrofrapportering

Vid större händelser vill återförsäkrare snabbt veta: omfattning, exponering, uppskattad ultimate, osäkerhet och drivare.

Med AI som strukturerar skadedata (inklusive fria texter, bilder och entreprenörsunderlag) blir estimaten bättre tidigare. Det påverkar allt från likviditetsplanering till intern kommunikation.

Parametriska upplägg och triggers

När traditionell skadevärdering blir långsam eller dyr (t.ex. vid översvämningar) växer intresset för parametriska komponenter. AI kan hjälpa att designa triggers som korrelerar med verklig skada och minskar basis risk.

Skadehantering vid naturskador: AI som kapacitetsförstärkare

När många skador kommer samtidigt är den största bristen sällan vilja – det är kapacitet. Handläggare, besiktningsmän, entreprenörer, byggmaterial. AI gör inte underverk, men den kan ta bort friktion.

Tre användningsfall som brukar ge snabb effekt

• Triagering av skador: AI grupperar ärenden efter sannolik komplexitet och kostnadsdrivare så att rätt kompetens hamnar rätt.
• Dokumentanalys och kostnadsestimat: automatiserar delar av bedömningen med tydliga kontrollpunkter.
• Bedrägeridetektion vid mass event: när volymen är hög ökar också risken för opportunistiska upplägg. AI kan flagga avvikelser i mönster och bilagor.

För svenska bolag är vinsten ofta dubbel: kortare ledtider (NKI) och lägre LAE (claims cost).

Praktisk checklista för 2026: så kommer du igång utan att fastna

Det här är min rekommenderade miniminivå om du arbetar med försäkring, risk eller återförsäkring och vill ta AI från powerpoint till drift:

1. Välj en peril och en portfölj först (t.ex. skyfall i företagsfastigheter eller storm/hagel i villa).
2. Definiera ett beslut som ska bli bättre (prissättning, riskurval, villkor, triage).
3. Bygg en ”golden dataset”-pipeline: skador + objektdata + geodata + kostnadsindex i en versionerad datamodell.
4. Mät före/efter med hårda KPI:er: träffsäkerhet i risk, minskad ledtid, minskade överraskningar i reservsättning.
5. Säkra governance: modellrisk, dokumentation, bias-kontroll och tydliga människa-i-loopen-regler.

När det sitter kan du skala till fler periler och fler produkter.

Vad utvecklingen betyder för svensk försäkring och riskhantering

När naturskador ligger över 100 miljarder dollar globalt år efter år blir slutsatsen enkel: försäkring blir mer beroende av modellkvalitet än av historik. De bolag som fortfarande behandlar AI som ett ”IT-projekt” kommer få det tufft – eftersom motparten inte är en konkurrent, utan fysiken.

Det fina är att riktningen också är tydlig: bättre riskdata, bättre beslut och mer förebyggande arbete ger lägre skador. Och just där är AI starkt, särskilt när den kopplas till riskingenjörsarbete, villkorsutveckling och skadeprocess.

Om 2025 lärde oss något så är det detta: katastrofrisk är inte längre en kalenderhändelse – den är en löpande portföljfråga. Vilket av dina beslut skulle bli mest lönsamt att göra 10% bättre med AI redan under 2026?