AI i underwriting när naturskador kostar 100+ md/år

Naturskador har nu legat över 100 miljarder dollar i försäkrade förluster i sex år i rad. 2025 landade nivån på 107 miljarder dollar, enligt Swiss Re Institute. Det är visserligen ned från 2024 års 141 miljarder, men trenden är det viktiga: förlusterna är strukturellt höga, inte tillfälliga toppar.

Det här är inte en amerikansk specialitet heller – men USA stod ändå för 83% av de globala försäkrade naturskadeförlusterna 2025. Den siffran säger något obekvämt om hur snabbt exponering kan byggas upp när bebyggelse, kapital och klimat drivs åt samma håll.

I vår serie ”AI inom försäkring och riskhantering” brukar jag vara tydlig: de flesta bolag tror att deras stora problem är modellerna. Oftare är det flödet – hur riskdata blir beslut i underwriting, prissättning, portföljstyrning och skadehantering. När skadorna är så här frekventa och dyra blir AI inte en bonus. Det blir en nödvändighet för att hinna fatta rätt beslut i tid.

Varför 100-miljardersnivån har blivit ”normal”

Den korta förklaringen är att exponeringen växer snabbare än motåtgärderna. Naturskador blir dyrare när mer värde byggs i utsatta lägen, när byggkostnader stiger och när reparationer tar längre tid. 2025 pekas två skadeorsaker ut som dominerande:

• Skogsbränder
• Kraftiga konvektiva oväder (åska, hagel, tromber/tornador och stormbyar)

Skogsbränder: när riskkartan ritas om av byggmönster

Los Angeles-bränderna under årets första kvartal blev den dyraste skogsbrandshändelsen globalt hittills med 40 miljarder dollar i försäkrade förluster. Det var inte bara ”vädret”. Kombinationen var klassisk och farlig:

• Långvarig värme och torka
• Kraftiga vindar
• Mer bebyggelse i gränszonen mellan stad och skogsmark (wildland-urban interface)

Försäkringstekniskt är poängen enkel: risken flyttar in i portföljen när nybyggnation sker i utsatta områden. Om underwriting inte hinner uppdatera villkor, självrisker, riskkrav och prissättning i takt med byggtakten blir skadeutfallet en efterräkning.

Konvektiva oväder: många små smällar som blir en stor

Konvektiva oväder gav 50 miljarder dollar i globala försäkrade förluster 2025 och gjorde året till det tredje dyraste någonsin för den skadeorsaken (efter 2023 och 2024). Här ligger en fälla: enskilda oväder är ofta ”hanterbara”, men frekvensen och den sammanlagda effekten blir brutal när reparationskostnader, material och logistik drar iväg.

För svenska risk- och försäkringsteam är detta extra relevant eftersom ”vardagshändelser” (skyfall, hagel, översvämning i källare, nedfallna träd) ofta driver en stor del av totalkostnaden – inte bara de få ”sällsynta katastroferna”.

Vad det här betyder för svenska försäkringsbolag (och stora företagskunder)

Det är lätt att avfärda 2025 som ett USA-år. Jag tycker det är fel slutsats. Lärdomen är att kapitalet söker risk: fler fastigheter, större värden, tätare leverantörskedjor och mer beroende av el, IT och transporter.

Tre konsekvenser syns tydligt även i en nordisk kontext:

1. Snabbare förändring i riskprofil än i policydokument Villkor och riskkrav hinner inte alltid ikapp. Det skapar otydlighet i skadereglering, missnöje i kundled och oväntad volatilitet i resultatet.

2. Portföljrisk blir en ledningsfråga, inte bara en aktuariell När flera periler (brand, storm, skyfall) samvarierar, måste styrningen ske i nära samspel mellan underwriting, återförsäkring, risk och skador.

3. Operativ kapacitet blir en flaskhals Vid toppar räcker det inte att ha ”rätt premie”. Du måste kunna hantera volymen: triage, skadeinspektion, bedrägeriscreening, leverantörsstyrning och kundkommunikation.

Det här är precis där AI skapar mätbar effekt – inte genom magi, utan genom att automatisera och förstärka beslut som annars blir manuella och inkonsekventa.

Där AI faktiskt gör skillnad: från riskbedömning till skadehantering

AI i försäkring och riskhantering fungerar bäst när den kopplas till konkreta beslutspunkter. Jag brukar dela upp nyttan i fyra spår.

1) AI i underwriting: snabbare och mer konsekventa riskbeslut

Nyckeln är att gå från statiska riskklasser till dynamiska riskprofiler. I praktiken handlar det om att kombinera fler datakällor och låta modeller prioritera vad som måste granskas.

Exempel på AI-stöd i underwriting:

• Automatisk klassning av objekt (t.ex. byggnadstyp, takmaterial, närhet till skog, höjddata)
• Upptäckt av avvikelser mellan ansökan och externa datapunkter
• Förslag på riskkrav (t.ex. brandskydd, backventil, takbesiktning) baserat på skadehistorik
• Portföljbegränsningar i realtid (”stoppa nyteckning i zon X när ackumulationen passerar gräns Y”)

En mening som brukar landa hos ledningar: AI ger enhetlig underwriting i skala – och minskar beroendet av enskilda experters magkänsla.

2) Prediktiv analys och katastrofmodellering som uppdateras oftare

Traditionell katastrofmodellering är ofta tung, batchad och långsam. AI- och maskininlärningsbaserade komponenter kan användas för att:

• Förfina skadefunktioner (hur skadan faktiskt utvecklas vid olika intensiteter)
• Kalibrera modeller mot ny skadeutfall snabbare
• Identifiera ”nya normalnivåer” i frekvens och kostnad per skadetyp

Det viktiga är att detta kopplas till styrning: prissättning, återförsäkringsprogram, riskaptit och kapitalallokering.

3) AI i skadehantering: triage, prioritering och snabbare kundnytta

När flera händelser inträffar samtidigt är första dygnet avgörande. AI kan stödja:

• Triage: vilka skador kräver akut åtgärd, vilka kan hanteras digitalt
• Automatiserad dokumenttolkning: kvitton, skadebeskrivningar, polisrapporter
• Skadeprognoser: sannolik slutkostnad och risk för eskalering
• Leverantörsorkestrering: rätt hantverkare till rätt plats, med rätt prioritet

Ett praktiskt mål jag gillar: kortare ”time-to-first-payment” för enkla ärenden och snabbare beslut för komplexa. Det ger både lägre kostnad och högre kundnöjdhet.

4) Bedrägeridetektion när volymen ökar

Stora händelser och hög skadevolym skapar tyvärr också fler möjligheter till bedrägeri. AI-baserad bedrägeridetektion gör inte att man ”misstänkliggör alla” – tvärtom. Den hjälper till att:

• Flagga mönster som avviker från normal skadebild
• Prioritera utredning där risken är hög
• Minska manuella kontroller där risken är låg

Bra bedrägeridetektion är ett sätt att skydda seriösa kunder från att behöva bära kostnaden för fusk genom högre premie.

En praktisk plan: så kommer du igång utan att fastna i pilotträsket

Den vanligaste fällan jag ser är att man börjar med ”en AI-pilot” utan att bestämma vilket beslut som ska bli bättre. Resultatet blir en demo, inte en förändring.

Här är en plan som brukar fungera i försäkringsmiljö:

1. Välj en process med volym och friktion Exempel: skade-triage vid väderhändelser, eller riskgranskning av kommersiella fastigheter.

2. Sätt ett styrbart mål i siffror

   • 20% kortare handläggningstid för enkla ärenden
   • 10% lägre kostnad per skada i en vald skadegren
   • 15% fler korrekta riskkrav vid nyteckning

3. Bygg en dataminimum-setup Du behöver inte perfekt data. Du behöver tillräckligt för att fatta bättre beslut än idag.

4. Inför “human-in-the-loop” från start Underwriters och skadereglerare ska kunna överstyra – och deras feedback ska förbättra modellen.

5. Produktionssätt inom 8–12 veckor Inte full utrullning. Men ett skarpt flöde på en avgränsad portfölj eller region.

Min tydliga åsikt: om ni inte kan få ut något i produktion på tre månader är problemet sällan AI. Det är styrning, ägarskap och process.

Vad du ska göra nu (och vad du ska sluta göra)

Naturskador över 100 miljarder dollar per år är inte en rubrik att notera och gå vidare från. Det är en signal om att riskstyrning måste bli mer adaptiv.

Om du ansvarar för underwriting, risk, återförsäkring eller skadechefens agenda inför 2026, skulle jag prioritera detta:

• Skapa en gemensam ”cat+weather”-bild för portföljen: exponering, ackumulation, byggkostnader, leverantörskapacitet
• Standardisera beslutspunkter där AI kan hjälpa: riskflagga, villkorsförslag, triage, bedrägeriscore
• Mät effekter i drift (tid, kostnad, precision) – inte i modeller (AUC, accuracy) i första hand

Nästa fråga är rätt obekväm, men nödvändig: Om en händelse med hög volym inträffar i januari – har ni ett AI-stött arbetssätt som skalar, eller blir allt manuellt igen?