AI & clima: il dato diventa il nuovo vantaggio competitivo assicurativo

Cosa è successo?

L’articolo “How central banks are using AI to manage climate risk” evidenzia come istituzioni come la Bank for International Settlements, attraverso il Project Symbiosis, stiano utilizzando AI (LLM, deep learning, NLP) per misurare le emissioni Scope 3, che rappresentano fino al 95% dell’impronta climatica del settore finanziario. Queste emissioni indirette, storicamente difficili da tracciare e soggette a greenwashing, diventano ora quantificabili e collegabili a decisioni di finanziamento e decarbonizzazione. Parallelamente, l’evoluzione normativa europea (pacchetto Omnibus sulla sostenibilità) sta rallentando gli obblighi di disclosure, riducendo la disponibilità di dati ufficiali proprio mentre la domanda di dati granulari aumenta.

Perché è importante?

Per il settore assicurativo, si tratta di un cambio di paradigma nella disponibilità e nel controllo dei dati di rischio climatico. La principale barriera all’integrazione delle emissioni Scope 3 nei modelli attuariali (la scarsità di dati affidabili) viene progressivamente meno. Questo consente di migliorare il pricing su linee come D&O climate-linked, liability ambientale e trade credit ESG-adjusted. Allo stesso tempo, si apre un gap informativo: meno dati regolatori disponibili, ma maggiore necessità di analisi dettagliata. Questo sposta il vantaggio competitivo verso chi è in grado di costruire dataset proprietari e modelli di interpretazione avanzati. In altre parole, il rischio climatico diventa sempre più un problema di data intelligence, non solo di esposizione fisica.

E adesso?

Per gli assicuratori, la priorità è duplice. Da un lato, adottare rapidamente strumenti AI per integrare le emissioni di filiera nei processi di underwriting e risk assessment, anticipando le richieste regolatorie e migliorando la selezione del rischio. Dall’altro, sviluppare capacità proprietarie di raccolta e analisi dati, combinando fonti alternative (satelliti, supply chain data, report pubblici) con modelli AI, da utilizzare sia internamente sia come servizio per clienti istituzionali. Questo permette di differenziare il pricing su polizze property, agricole e liability ambientale in modo più granulare. In prospettiva, chi costruisce oggi queste capacità diventa un player di riferimento nella climate risk intelligence; chi resta dipendente dai dati dichiarati rischia di operare con un’informazione incompleta in un mercato sempre più data-driven.

Fonte

https://greencentralbanking.com/2026/03/31/how-central-banks-are-using-ai-to-manage-climate-risk/