AI och risk: lärdomar från Campi Flegrei

År 1982–1984 höjde sig marken i Pozzuoli i södra Italien med drygt 1,8 meter. Hamnen grundades upp så mycket att fartyg inte längre kunde lägga till, och efter en jordbävning runt magnitud 4 och tusentals mikroskalv evakuerades cirka 40 000 personer. Det är den sortens händelseförlopp som försäkringsbranschen älskar att modellera i efterhand – men som samhället och försäkringsgivare egentligen behöver förutse och dämpa innan skadorna uppstår.

Nu kommer en forskningsvinkel som skaver mot den klassiska berättelsen om ”magma på väg upp”. Stanfordforskare pekar på något mer vardagligt men potentiellt mer hanterbart: vatten. När ytvatten och grundvatten långsamt laddar ett tillslutet geotermiskt reservoarsystem byggs fluidtryck upp. När ”locket” (caprock) tätar igen sprickor, kan trycket stiga tills berget spricker – och då får man jordbävningssvärmar, marklyft och ibland det karaktäristiska mullret invånarna i området beskriver.

Det här är mer än vulkanologi. Det är en tydlig fallstudie i hur miljöövervakning, prediktiv analys och aktiv resursstyrning kan flytta riskhantering från ”övervaka och hoppas” till ”påverka och förebygga”. Och där blir kopplingen till vår serie AI inom försäkring och riskhantering väldigt konkret.

Vad forskningen faktiskt säger: tryck, lock och cykler

Kärnpunkten: Campi Flegrei beter sig som ett återkommande, övertrycksatt system där vatten och ånga i en geotermisk reservoar kan vara huvuddrivaren bakom deformation och skalv – inte nödvändigtvis magma som stiger.

Forskargruppen jämförde två tydliga perioder av oro: 1982–1984 och 2011–2024. Trots att de ligger decennier ifrån varandra ser man likheter i både markrörelser och seismiska mönster. Det är en viktig detalj för riskmodellering: cykler gör fenomenet mer förutsägbart än om allt vore slumpmässigt.

Ett mönster som går att testa i data

En särskilt intressant observation handlar om hur jordbävningarna utvecklas i djup.

• Skalven startar relativt grunt, ungefär 1,6 km (cirka 1 mile) – i eller nära caprock.
• Med tiden tenderar händelserna att bli djupare.

Om magmaintrusion (magma på väg upp) vore huvudförklaringen skulle man ofta förvänta sig motsatt trend: aktivitet som börjar närmare den djupare smältzonen (kring 8 km, cirka 5 miles) och sedan migrerar uppåt. Forskarna använder denna skillnad som en av byggstenarna i en alternativ modell.

Varför ”regn” är för grovt som förklaring

Forskarna gör också en viktig distinktion som är lätt att missa i debatten: det är inte regnet i sig som utlöser skalv, utan trycket som byggs upp när vatten långsamt fyller ett reservoarsystem som hunnit tätas igen.

För riskhantering är det en stor skillnad:

• Regn = väderhändelse, ofta kortsiktig och volatil.
• Grundvattennivå + reservoartryck = långsam laddning, uppbyggnad, trösklar.

Det senare är betydligt mer lämpat för prediktiva modeller och tidiga varningsindikatorer.

Den praktiska idén: hantera vatten för att dämpa oro

Kärnpunkten: Om övertrycket är drivaren öppnar det för åtgärder som faktiskt minskar sannolikheten för skalvsvärmar – till exempel bättre avrinning eller tryckavlastning via brunnar.

Det här är känsligt territorium politiskt och tekniskt, men principen är tydlig: du kan inte ”stänga av brännaren” (magman), men du kan ibland påverka ”bränslet” (vätskorna i reservoaren).

Caprock som självläkande lock

En detalj som gör Campi Flegrei extra intressant är caprockens fiberrika natur. I labb visade forskarna att sprickor kan tätas igen snabbt genom mineralbildning när varmt hydrotermalt vatten och ånga interagerar med bergmaterial. De demonstrerade detta i ett experiment som i praktiken påminner om en moka-bryggare: saltlösning i botten, vulkanisk aska och krossat berg i toppen, värme till reservoarnivåer – och inom ungefär ett dygn bildades fibrer som cementerade igen sprickor.

Konsekvensen för risk:

1. Sprickor tätas → systemet blir mer slutet.
2. Tryck byggs upp → deformation och spänning ackumuleras.
3. Fraktur/jordbävning → tryck släpper, vatten flashar till ånga → mullrande och ”burst”-beteenden.

En användbar one-liner för riskteam: När ett geotermiskt system kan täta sig självt får du tryck som hinner bli farligt.

Varför detta spelar roll för Europa vintern 2025

Energifrågor är fortsatt politiskt laddade i Europa. Samtidigt ökar intresset för geotermi och lokal energiförsörjning. Det gör den här forskningen extra relevant: samma vätskedynamik som kan skapa risk kan också vara en del av energilösningen.

Men då krävs en ny sorts styrning: inte bara produktion och övervakning, utan aktiv tryck- och vattenbalans. Där blir AI ett verktyg snarare än ett buzzword.

Där AI kommer in: från övervakning till prediktiv styrning

Kärnpunkten: Campi Flegrei illustrerar en modelltyp som AI är bra på: system med långsam uppladdning, tydliga trösklar och flera datakällor (regn, grundvatten, deformation, seismik).

I försäkring pratar vi ofta om riskbedömning som en punktinsats (underwriting vid teckning). Det här caset visar varför risk i verkligheten är en tidsserie. Och tidsserier är AI:s hemmaplan.

Datakällor som går att koppla ihop

Ett robust AI-upplägg för den här typen av georisk bygger på att sammanföra data som vanligtvis ägs av olika aktörer:

• Nederbörd och hydrologi (SMHI-analogi: lokala/regionala mätserier)
• Grundvattennivåer och flödesriktningar
• InSAR och GNSS (markdeformation i millimeter–centimeter)
• Seismiska kataloger (mikroskalv, svärmar, djupmigration)
• Brunnsdata (om tryckavlastning används)
• Byggnadsskador och skadeanmälningar (försäkringsdata)

Poängen är inte att ”AI kan allt”. Poängen är att ingen människa kan väga ihop allt detta i realtid utan beslutsstöd.

Prediktiva modeller: vad ska man faktiskt förutsäga?

För att skapa affärsnytta (och samhällsnytta) behöver man definiera prognosmålet tydligt. I den här typen av system är följande mål ofta mer användbara än att försöka förutsäga ”nästa jordbävning”:

1. Sannolikhet för svärm inom 7/30/90 dagar
2. Risk för accelererande marklyft (deformationstakt)
3. Tryckindex: proxyvariabel som kombinerar grundvatten, deformation och seismik
4. Trigger-varningar: ”om X och Y inträffar samtidigt, höj beredskap”

Det är samma tänk som i energisystem:

• Du prognostiserar inte en enskild förbrukningstopp; du prognostiserar risk för topp och styr resurser.

Från prognos till åtgärd: den svåra (men viktiga) delen

Forskarna pekar på åtgärder som avrinning och tryckavlastning. För AI-projekt är det här den kritiska bryggan:

• Prognos utan åtgärdsplan = dashboard.
• Prognos med åtgärdsplan = riskreduktion.

I praktiken handlar det om policyer:

• När ska vatten ledas om?
• När ska brunnar användas för att sänka tryck?
• När ska byggnadsinspektioner intensifieras?
• När ska försäkringsvillkor uppdateras eller riskzoner omvärderas?

Det är här försäkring och samhällsplanering möts – och det är också där leadspotentialen finns för bolag som kan leverera analys, modellstyrning och operativa rekommendationer.

Vad detta betyder för svenska försäkringsbolag och riskteam

Kärnpunkten: Även om Campi Flegrei är unikt, är mekanismen (tryck, trösklar, multipla indikatorer) direkt överförbar till hur vi bygger AI för naturrisk, klimatrisk och infrastrukturrisk.

Sverige har inte en Campi Flegrei. Men vi har:

• Skredrisker kopplade till vattenmättade jordar
• Översvämningar och höga flöden
• Snabbt växlande vinterväder (freeze–thaw) som påverkar byggnader
• Kustområden med erosion

Gemensamt är att vatten ofta är den dolda drivaren och att risk byggs upp innan den syns i skadestatistiken.

Praktiska takeaways för underwriting och portföljstyrning

Här är vad jag skulle ta med mig om jag satt med risk, prissättning eller skadestyrning:

• Bygg riskmodeller kring mekanismer, inte bara historik. Historik fångar inte nya regimmönster.
• Lägg vikt vid långsamma indikatorer. Grundvatten, markdeformation, sättningsmönster – ofta mer värdefullt än ”senaste veckans väder”.
• Skapa tydliga trösklar för åtgärd. Exempel: extra besiktningar, proaktiv kundkommunikation, temporära självrisksjusteringar i särskilda zoner.
• Koppla skadeutfall till fysikaliska drivare. Det gör modeller mer robusta och lättare att förklara för tillsyn, styrelse och kunder.

”People also ask” – snabba svar som ofta dyker upp

Kan AI verkligen förutsäga jordbävningar? AI kan sällan ge exakt tidpunkt och magnitud, men den kan ge riskprognoser för svärmar och accelererande oro när den får rätt indikatorer.

Varför är vatten så centralt i georisk? Vatten påverkar tryck, friktion och stabilitet i både berg och jord. I slutna system kan små förändringar ackumuleras till stora effekter.

Vad är analogin till energisystem? Reservoartryck ≈ nätbelastning. Långsam uppladdning och trösklar kräver prognoser och styrning, inte bara reaktiv hantering.

Nästa steg: från ”monitorering” till förebyggande riskreduktion

Campi Flegrei-fynden är en påminnelse om att risk inte alltid är ett öde. I vissa system går det att påverka drivarna – här genom vattenflöden och tryck. För försäkringsbranschen är det här exakt den riktning AI bör ta: inte bara bättre riskurval, utan mätbar riskminskning.

Om du arbetar med underwriting, naturrisk, klimatrisk eller skadeprevention är en rimlig nästa fråga: vilka av våra risker beter sig som ”slutna system” där tryck byggs upp tills något brister – och vilka datakällor skulle låta oss se det i tid?

För när vi kan svara på det, kan vi också börja bygga AI-modeller som inte bara förklarar gårdagen, utan faktiskt gör morgondagen lite mindre dyr.