L’IA dans l’assurance : souscription, sinistres, fraude et réglementation

L’IA intervient à plusieurs étapes de la chaîne de valeur, mais les cas d’usage ne présentent ni le même potentiel ni le même niveau de risque. Les fonctions les plus adaptées à un premier déploiement sont généralement celles où l’algorithme assiste un professionnel sans prendre seul une décision défavorable.

• ▹Souscription : extraction de données depuis des pièces justificatives, classement de dossiers, analyse prédictive, segmentation du risque et aide à la tarification.
• ▹Gestion des sinistres : lecture automatique des déclarations, rapprochement avec les garanties, contrôle des documents, estimation visuelle des dommages et priorisation des dossiers.
• ▹Détection de fraude : détection d’anomalies, analyse de réseaux entre assurés, réparateurs et sinistres, comparaison avec l’historique et génération d’alertes.
• ▹Relation client : assistants conversationnels, recherche dans la documentation contractuelle, suivi de dossier et transmission vers un conseiller.

Une enquête publiée en 2025 sur les services financiers indique que les dirigeants citent le service client comme principal domaine d’usage des agents d’IA, devant la souscription et le traitement des sinistres. Les proportions rapportées sont respectivement de 70 %, 68 % et 65%.

Le choix du cas d’usage doit reposer sur quatre critères : volume de dossiers, coût actuel, qualité des données et possibilité d’une vérification humaine. Un assistant qui prépare une synthèse de sinistre est plus simple à encadrer qu’un système qui refuse automatiquement une couverture. Le retour sur investissement doit inclure les coûts de données, d’intégration, d’audit, de cybersécurité et de supervision, pas seulement la réduction du temps de traitement.

En souscription, l’IA sert principalement à transformer des données dispersées en informations exploitables. Un modèle peut lire des documents, identifier des variables pertinentes, signaler des incohérences et proposer un niveau de risque ou une orientation. Le souscripteur conserve alors la responsabilité de l’analyse et peut demander des éléments complémentaires.

Le bénéfice opérationnel est particulièrement important pour les produits comportant de nombreux dossiers standardisés. L’automatisation réduit la ressaisie, homogénéise les contrôles et permet de réserver l’expertise humaine aux cas complexes. Elle peut également accélérer l’émission d’un devis ou la détection d’une anomalie avant la prise d’effet du contrat.

Les principaux points de contrôle sont les suivants :

• ▹vérifier la provenance, la fraîcheur et la représentativité des données ;
• ▹documenter les variables utilisées et celles qui sont interdites ;
• ▹tester les écarts de résultats entre groupes de clients ;
• ▹conserver une trace de la version du modèle et des données exploitées ;
• ▹prévoir une revue humaine pour les décisions sensibles ou contestées.

La tarification algorithmique ne doit pas être confondue avec une simple automatisation administrative. Lorsqu’un modèle influence l’accès à une assurance, le niveau de prime ou l’étendue d’une garantie, ses effets peuvent être significatifs pour la personne concernée. Les équipes juridiques, conformité, actuariat, data science et métiers doivent donc définir ensemble les règles d’utilisation.

Le déploiement le plus robuste commence par un mode assistant : le modèle formule une recommandation, affiche les facteurs déterminants et laisse le professionnel confirmer, corriger ou rejeter le résultat. Les décisions et corrections servent ensuite à mesurer la qualité réelle du système.

La gestion des sinistres offre des cas d’usage concrets pour l’IA générative, la vision par ordinateur et le machine learning. Dès la déclaration, un système peut extraire les informations d’un formulaire, identifier les pièces manquantes et vérifier la cohérence entre le récit, le contrat et les justificatifs. Il peut aussi classer le dossier selon son urgence, sa complexité ou la probabilité qu’une intervention spécialisée soit nécessaire.

Dans l’assurance automobile et habitation, l’analyse d’images peut aider à repérer des dommages visibles et à proposer une estimation initiale. Cette estimation ne remplace pas systématiquement l’expertise : elle sert à accélérer les dossiers simples et à orienter les dossiers présentant une incertitude élevée. Les photographies floues, les dommages cachés et les réparations antérieures exigent une vérification supplémentaire.

Un parcours de déploiement efficace comprend :

1. la numérisation et la normalisation des pièces reçues ; 2. un contrôle automatique de complétude ; 3. une classification du dossier par complexité ; 4. une recommandation de traitement ou d’indemnisation ; 5. une validation humaine selon des seuils documentés ; 6. un contrôle a posteriori des erreurs et des réclamations.

L’indicateur pertinent n’est pas uniquement le temps moyen de règlement. Il faut suivre le taux d’erreur, les réouvertures de dossiers, les écarts d’indemnisation, les transferts vers un gestionnaire, la satisfaction du client et le taux de contestation. Un système qui traite vite mais augmente les réclamations ne crée pas de valeur durable.

L’IA générative peut également résumer un dossier ou rédiger un projet de réponse. Dans ce cas, l’assureur doit empêcher l’envoi automatique d’informations inventées, de garanties inexistantes ou d’une interprétation contractuelle non vérifiée.

La fraude constitue un domaine naturel pour l’analyse algorithmique, car les dossiers contiennent des signaux multiples et parfois difficiles à relier manuellement. Un modèle peut comparer les montants, dates, lieux, réparateurs, bénéficiaires, véhicules, déclarations et historiques afin de détecter des configurations inhabituelles.

Les approches les plus utiles combinent plusieurs techniques :

• ▹règles expertes pour les schémas déjà connus ;
• ▹détection d’anomalies pour repérer des comportements atypiques ;
• ▹analyse de graphes pour identifier des liens récurrents entre acteurs ;
• ▹traitement du langage pour comparer les déclarations et pièces textuelles ;
• ▹vision par ordinateur pour examiner les photographies de dommages.

L’IA ne doit pas transformer un score de suspicion en preuve de fraude. Une alerte déclenche une investigation proportionnée ; elle ne justifie pas, à elle seule, un refus d’indemnisation. Le gestionnaire doit pouvoir consulter les éléments à l’origine du signal, rechercher des explications alternatives et corriger une erreur.

Les chiffres publiés sur les performances varient fortement selon les produits, les données et la définition retenue. Une source professionnelle rapporte qu’Allianz a observé une hausse de 29 % des taux de détection dans un dispositif de lutte contre la fraude. Ce résultat ne constitue pas un benchmark universel applicable à tous les assureurs.

Pour limiter les faux positifs, il faut mesurer séparément le taux de détection, le taux de dossiers effectivement frauduleux après enquête, le délai d’investigation et l’impact sur les clients honnêtes. Les modèles doivent aussi être réentraînés lorsque les fraudeurs modifient leurs pratiques. La gouvernance doit prévoir un responsable métier, une piste d’audit, des seuils d’escalade et une procédure de contestation.

Le règlement européen sur l’intelligence artificielle, l’AI Act, distingue les usages selon leur niveau de risque. Pour l’assurance, l’évaluation du risque des personnes physiques en matière d’assurance santé et vie fait partie des cas d’usage à haut risque mentionnés par le règlement. Cette qualification implique des obligations renforcées lorsqu’un système entre dans le champ concerné.

Les exigences à organiser comprennent notamment la gestion des risques, la qualité des jeux de données, la documentation technique, la traçabilité, la supervision humaine, la robustesse, la cybersécurité et la précision. Le RGPD reste applicable lorsqu’un système traite des données personnelles. Il encadre notamment la base légale, la minimisation, la sécurité, l’information des personnes et les décisions exclusivement automatisées.

Les assureurs doivent établir un inventaire précis de leurs systèmes : fournisseur, finalité, données, utilisateurs, décision influencée, niveau de risque, localisation des traitements et procédure de secours. Cette cartographie permet de distinguer un outil de productivité interne d’un système qui modifie concrètement les droits ou la situation d’un assuré.

La conformité ne doit pas être traitée à la fin du projet. Elle doit intervenir dès la sélection du cas d’usage, avec une validation avant pilote, avant industrialisation et après chaque changement important du modèle.

Un projet d’IA utile commence par un problème métier mesurable, pas par le choix d’un modèle. L’assureur doit définir une situation de référence : délai moyen, coût par dossier, taux d’erreur, productivité, fraude confirmée ou satisfaction client. Sans cette mesure initiale, il devient impossible de démontrer un progrès.

La démarche peut suivre six étapes :

1. Cadrer : choisir un processus limité, un responsable et un indicateur principal. 2. Auditer les données : vérifier qualité, droits d’utilisation, biais, formats et conservation. 3. Tester en assistance : faire produire une recommandation sans automatiser la décision finale. 4. Évaluer : comparer le modèle à des professionnels et à une période de référence. 5. Déployer progressivement : limiter le périmètre, définir des seuils et surveiller les exceptions. 6. Réviser : contrôler les dérives, incidents, réclamations et changements de données.

Le cahier des charges fournisseur doit préciser la localisation des données, les sous-traitants, la conservation des prompts et sorties, l’utilisation éventuelle des données pour entraîner un modèle, les engagements de disponibilité, la réversibilité et la notification des incidents. Pour une IA générative, il faut aussi prévoir des tests contre les hallucinations, les fuites de données et les instructions malveillantes.

Le comité de gouvernance doit réunir les métiers, l’actuariat, la conformité, la protection des données, la sécurité, les achats et l’IT. Chaque système doit avoir un propriétaire clairement désigné. Les utilisateurs doivent savoir quand l’IA intervient, quelles limites elle présente et dans quelles situations ils doivent reprendre la main.

La règle pratique est simple : automatiser d’abord la collecte, le classement et la préparation ; automatiser ensuite les décisions simples uniquement lorsque les tests démontrent une qualité stable, explicable et contrôlable.