擴散模型能夠在缺乏歷史數據的情況下，生成數以萬計看似合理的天氣事件。保險公司希望藉此獲得更精確的風險評估，但研究人員也警告了模型產生「幻覺」的可能性。
自 1980 年代以來，保險公司、銀行和能源公司一直依賴所謂的巨災模型來評估其在地震、颶風和洪水方面的風險。這些基於物理的模型將世界劃分為網格單元，並求解重力、摩擦和流動的方程式。解析度越精細，計算成本就越高，因此在細節和地理覆蓋範圍之間必須做出權衡。
英國《金融時報》的一份報導指出，生成式 AI 正在突破這一界限。例如，再保險公司 Swiss Re 的子公司 Fathom 等模型開發商，正利用擴散模型為預計的 2030 年氣候，合成生成數萬年的天氣事件數據。Fathom 首先用約 1,000 年的現有氣候模擬數據訓練其擴散工具，然後讓它產生比原始氣候模型多得多的情境。
第二個影像銳化模型將最初粗糙的 100 × 100 公里解析度，精煉到 10 × 10 公里，這足以捕捉降水模式。Fathom 的科學總監 Oliver Wing 表示：「AI 完全重新定義了可能性。」
競爭對手 Verisk 現在使用生成式 AI 同時模擬極端風雨，而非依序處理。研究主管 Jay Guin 表示，這種方法比傳統機器學習更能精確捕捉空間變異性。Moody's RMS 則利用 AI 分析野火和颶風後的衛星影像，以估計保險損失。
Moody's 北美洪水和野火模型負責人 Firas Saleh 指出，這項技術對於「尾部風險事件」特別有價值，這些罕見的巨災幾乎沒有歷史數據可供參考。
如同所有形式的生成式 AI，幻覺在這裡也是一個問題。模型可能會產生看似合理但卻違反基本物理定律的事件。Wing 警告說：「使用這些技術可能會產生一些完全不合理的結果。」根據 Swiss Re 的數據，2025 年自然災害造成了 2,200 億美元的損失，其中只有 1,070 億美元獲得保險理賠。
更精確的模型理論上可以讓保險公司承保孟加拉或巴西等主要模型公司因資產價值較低而跳過的地區。然而，這些新工具是否會實際反映在保費上仍是個未知數。更精確的模型可能會揭示潛在損失高於先前預期，根據《金融時報》的說法，這可能需要更大的資本緩衝來應對最極端的損失。
一位模型開發者告訴該報，保險公司「通常會購買能讓他們做更多生意的模型，也就是產生較低損失估計的模型」。這位開發者補充說：「承保人只想承保更多業務。」《金融時報》認為，即使客觀風險狀況惡化，更好的科學最終也可能與銷售邏輯產生衝突。
