Votre IA de sinistres repère parfaitement les dommages. Elle ignore totalement s'ils sont réels.

J'avais deux photos de la même berline argentée ouvertes sur un écran. Celle de gauche montrait une véritable bosse sur l'aile arrière, causée par un frottement sur un parking. Celle de droite n'avait jamais eu d'accident : quelqu'un avait fourni une photo intacte à un modèle de diffusion et lui avait demandé d'ajouter des dégâts. Le pli, l'ombre sous le rebord, la façon dont la peinture accrochait la lumière : tout était généré, rien n'était physique.

J'ai passé les deux au modèle d'évaluation des dommages que nous testions. Les deux ont été renvoyés comme des dommages authentiques. Les deux ont reçu un score de gravité. Les deux ont reçu une estimation de réparation. La fausse a même obtenu, si tant est, une lecture légèrement plus nette, parce que les dégâts générés étaient plus soignés que le désordre du monde réel.

C'est ce matin-là que j'ai compris que l'IA des sinistres d'assurance et la détection de deepfakes sont deux problèmes complètement différents, et que presque tout le monde sur le marché résout le premier tout en supposant discrètement qu'il couvre le second. Ce n'est pas le cas. Un modèle d'évaluation des dommages demande à quoi cela ressemble-t-il ? Il ne demande pas était-ce réel ? Et en 2026, c'est dans cet écart que l'argent s'en va.

Votre IA d'évaluation des dommages analyse le contenu. La fraude, elle, vit dans l'authenticité. Ce ne sont pas les mêmes axes, et la précision sur l'un ne vous achète rien sur l'autre.

Le modèle de menace a discrètement changé, mais pas les outils

La plupart des IA de sinistres ont été conçues à une époque où le pire qui pouvait arriver était un chiffre erroné : une estimation trop élevée ou trop basse de 400 dollars. C'était toute la surface de risque : la précision de l'estimation. Les fournisseurs se faisaient concurrence là-dessus, les équipes d'achat la notaient, et tout le monde s'y améliorait.

Puis les données d'entrée sont devenues attaquables. N'importe qui muni d'un téléphone peut désormais prendre la photo d'une voiture intacte et demander à un modèle librement accessible d'y injecter un pare-chocs enfoncé, avec un éclairage et des reflets plausibles. L'ampleur du phénomène n'a rien de théorique. Les tentatives de fraude par deepfake ont augmenté de 2 137 % en trois ans, et elles représentent désormais 6,5 % de toutes les fraudes à l'identité détectées dans l'univers de la finance et des paiements. Dans l'assurance en particulier, les cas de fraude renforcés par l'IA aux États-Unis sont passés de moins de 20 000 en 2022 à plus de 80 000 en 2025.

Le chiffre le plus concret que j'aie vu vient du Royaume-Uni. En avril 2025, les assureurs automobiles y ont révélé que des fraudeurs utilisaient des modèles de diffusion pour injecter des rayures et des fissures dans des photos anodines, gonflant les indemnisations moyennes d'environ 13 000 £ par sinistre. Ce n'est pas une erreur d'arrondi sur un portefeuille. C'est une fuite structurelle.

Et les consommateurs ne résistent pas vraiment. L'étude sur la fraude de Verisk de mars 2026 a révélé que 36 % des consommateurs envisageraient de modifier l'image d'un sinistre, et chez la génération Z ce chiffre grimpe à 55 %. Parallèlement, 98 % des assureurs signalent désormais une hausse des médias manipulés liés aux outils d'IA. L'offre d'outils est infinie, l'aléa moral est désormais généralisé, et le modèle d'évaluation à l'autre bout lit le contenu comme s'il s'agissait de la vérité.

J'ai passé la première période à construire la mauvaise chose

Voici la partie dont je ne suis pas fier. Quand nous avons commencé, j'ai positionné le produit comme un meilleur modèle d'évaluation des dommages. Les leaders du marché fixaient la barre, alors je voulais la franchir. Tractable, qui a levé 185 M$ et traite plus d'un milliard de dollars de sinistres, revendique une précision d'environ 95 %. CCC Intelligent Solutions exploite une chaîne allant de l'estimation au paiement auprès de plus de 125 assureurs et a dépassé le milliard de chiffre d'affaires. Le geste évident était d'être un brin plus précis que cela et de vendre sur cet écart.

J'ai amené ce positionnement dans une conversation avec un responsable des sinistres chez un assureur de taille moyenne, et la réponse a été une version polie de on en a déjà un comme ça. Et c'était la bonne réponse. Un point de précision supplémentaire sur l'évaluation des dommages, c'était une vitamine, pas un antidouleur. Ce qui inquiétait cette équipe, ce n'était pas de savoir si leurs estimations étaient précises à 94 % plutôt qu'à 96 %. C'était de savoir combien des photos alimentant ces estimations étaient réelles au départ.

Cette conversation m'a coûté environ un mois de conviction. Nous avions construit selon le mauvais axe, entièrement. La prise de conscience qui a payé tout ce qui a suivi était simple et un peu humiliante : un modèle de contenu plus précis aggrave le problème de la fraude, au lieu de l'améliorer, car il appose un tampon plus confiant sur une image fabriquée. Plus votre modèle est bon pour lire les dommages, plus l'indemnisation sur le faux est nette.

Nous avons donc cessé de rivaliser sur la précision et commencé à construire pour l'authenticité. Cela signifiait traiter chaque photo de sinistre non pas comme une donnée à noter, mais comme une preuve à authentifier — mesurée, et préservée.

Pourquoi « il suffit d'ajouter un détecteur de deepfake » ne fonctionne-t-il pas ?

Le premier réflexe qu'on a tous — le nôtre inclus — est de greffer un détecteur de deepfake à l'entrée de la chaîne. Il existe une technique forensique bien connue appelée PRNU, abréviation de photo-response non-uniformity (non-uniformité de la réponse photographique). Chaque capteur d'appareil photo possède une empreinte de bruit ténue et unique, et si une image a été synthétisée plutôt que capturée, cette empreinte est absente ou erronée. En laboratoire, c'est élégant.

Dans une véritable chaîne de traitement des sinistres, le PRNU seul s'effondre. Les photos de téléphone sont compressées, ré-enregistrées, transitent par l'application de messagerie qu'a utilisée l'assuré pour les envoyer, et sont post-traitées avant même de vous parvenir. Tout cela brouille l'empreinte du capteur, et la technique est en outre lourde en calcul. À elle seule, elle n'est tout simplement pas compétitive face à la génération moderne. Les assureurs savent que c'est difficile, et c'est pourquoi seuls 32 % des assureurs se disent très confiants dans leur capacité à détecter les deepfakes, et 76 % rapportent que les soumissions manipulées qu'ils voient deviennent plus sophistiquées.

Le problème de la détection, ce n'est pas « avons-nous un modèle de deepfake ». C'est que la détection réside dans un produit distinct de l'évaluation, si bien que le contrôle d'authenticité et le contrôle des dommages ne se parlent jamais vraiment.

C'est l'écart structurel vers lequel j'orienterais n'importe quel assureur, et c'est la raison pour laquelle nous avons construit une vision par ordinateur forensique pour l'ensemble de la chaîne de preuves des sinistres plutôt qu'un détecteur autonome. Verisk publie d'excellentes recherches sur la fraude et exploite de solides analyses, mais sa détection est a posteriori : elle se déclenche après la soumission, séparée de l'outil d'évaluation des dommages. VAARHAFT réalise une notation de fraude sur image sur mesure avec analyse des métadonnées et cartes de chaleur pour l'expert, mais ne fait aucune évaluation des dommages, si bien que vous exploitez deux fournisseurs qui ne partagent pas de modèle. Tractable et CCC font l'évaluation à merveille et ne livrent aucune détection de deepfake. L'assureur finit par assembler authenticité et évaluation entre plusieurs fournisseurs, et la couture entre les deux est exactement l'endroit où une image fabriquée survit.

La réponse honnête n'est pas un seul détecteur. C'est un ensemble — de la forensique au niveau du capteur, plus une segmentation qui raisonne pour déterminer si les dommages sont physiquement cohérents (le genre de contrôle où une passe d'estimation de profondeur signale une bosse dont l'éclairage ne peut expliquer la géométrie, ce qui est exactement là où un faux de diffusion bien net se trahit), plus une véritable chaîne de traçabilité — le tout au sein du même système qui produit l'estimation.

La menace que je n'avais pas vue venir, c'était nous

Pendant un temps, j'ai pensé que tout le problème était externe — les fraudeurs à l'extérieur, notre chaîne à l'intérieur, un mur entre les deux. Puis nous nous sommes surpris à causer nous-mêmes les dégâts.

Un assuré avait téléversé la photo d'une aile arrière enfoncée via une application mobile. Notre chaîne de traitement d'images, comme beaucoup, exécutait une passe d'« amélioration » pour nettoyer le bruit de l'appareil photo du téléphone avant l'évaluation. Le sur-échantillonneur, entraîné à rendre les images plus belles, a interprété la bosse comme du bruit et en a lissé une partie. L'expert a vu une voiture plus nette et moins endommagée que ce que l'assuré avait réellement photographié. Nous n'avions pas été attaqués. Nous avions discrètement altéré la preuve nous-mêmes.

C'est là que la dimension juridique m'est tombée dessus, et c'est l'expertise avec laquelle j'ouvre désormais chaque conversation avec un assureur. En droit américain, altérer une preuve pertinente pour une procédure judiciaire constitue une destruction de preuve (spoliation), et l'intention ne vous sauve pas. Le test n'est pas « aviez-vous de bonnes intentions en améliorant la photo ». Le test est de savoir si des pixels synthétiques — des pixels que le capteur de l'appareil n'a jamais captés — ont été introduits avant que quiconque ne préserve l'original. Si un sinistre refusé part en contentieux et que votre flux de travail a écrasé l'original par une version modifiée par IA, vous vous exposez à des instructions d'inférence défavorable, à des sanctions ou à un jugement sommaire.

Toute chaîne où l'IA générative touche une image de sinistre — sur-échantillonnage, débruitage, « amélioration » — comporte cette exposition, et la plupart des assureurs ne l'ont jamais auditée. Le correctif dans notre système est devenu une règle que nous ne transgressons pas : l'image originale, captée par le capteur, est préservée, hachée, et jamais écrasée ; chaque transformation se fait sur une copie avec une piste de provenance journalisée. L'amélioration peut toujours avoir lieu. Elle ne peut simplement pas avoir lieu sur la seule copie qu'un tribunal réclamera un jour.

Les régulateurs ne se contentent plus de « c'est la boîte noire du fournisseur qui l'a fait »

Les deux menaces — la fraude synthétique qui entre, la destruction de preuves qui se produit à l'intérieur — entrent en collision avec un environnement de conformité qui a soudain montré les dents.

Le Model Bulletin de la NAIC, désormais adopté par 24 États, exige une gouvernance de l'IA documentée, des décisions de sinistres explicables et une surveillance continue des modèles. L'AI Act du Colorado entre en vigueur le 30 juin 2026, et une infraction est traitée comme une pratique commerciale déloyale ou trompeuse. Le règlement européen sur l'IA (EU AI Act) classe l'IA d'assurance comme à haut risque, avec une échéance d'application en août 2026 et des pénalités pouvant atteindre 35 millions d'euros ou 7 % du chiffre d'affaires mondial. Et la NAIC devrait introduire cette année une loi type sur la supervision des fournisseurs tiers.

Cette dernière est le séisme silencieux. Un assureur est responsable des résultats de l'IA d'un tiers — « c'est le modèle de notre fournisseur SaaS qui a décidé » n'est pas une défense qu'un régulateur ou un tribunal accepte. Un assureur qui utilise un score en boîte noire pour refuser un sinistre ne peut pas fournir l'explication que les régulateurs exigent désormais. Un assureur dont la chaîne a altéré la preuve ne peut pas produire l'original qu'un tribunal exige. Ces deux situations sont le même échec sous deux déguisements : vous ne contrôlez pas, ne pouvez pas expliquer, et n'avez pas préservé.

C'est aussi pourquoi je suis sceptique quant à la voie où un grand intégrateur de systèmes gère l'ensemble. Les grandes sociétés sont réellement compétentes en intégration Guidewire et Duck Creek et pour rédiger des cadres de gestion des risques. Mais elles recommandent et intègrent des fournisseurs de plateformes ; elles ne construisent pas de vision par ordinateur forensique sur mesure. Leur travail en IA est centré sur les LLM — copilotes et triage agentique — et une mission coûte de 500 000 $ à 5 M$ avec un délai de six à dix-huit mois avant qu'un modèle ne touche un sinistre réel. Vous pouvez dépenser un an et un budget à sept chiffres et vous retrouver quand même avec une boîte noire que vous ne pouvez pas expliquer au Colorado.

« Mais est-ce que cela ne ralentit pas le traitement de bout en bout ? »

C'est l'objection que j'entends le plus, et elle est légitime. Toute l'industrie pousse vers le traitement de bout en bout (straight-through processing) — les principaux assureurs automobiles visent 70 à 90 % de STP sur les sinistres auto personnels basiques, et IDC prévoit un taux de STP de 65 % sur l'auto et l'habitation d'ici cette année. Les experts coûtent cher ; l'intérêt de l'IA est de tenir les humains à l'écart des sinistres de routine.

Les gens supposent que l'authentification forensique est un frein qui fait retomber le STP. C'est l'inverse. Le moyen le plus rapide de tuer un programme de bout en bout, c'est un réseau de fraude médiatisé ou une sanction pour destruction de preuves — après cela, chaque sinistre reçoit un second regard humain « juste par sécurité », et votre taux d'automatisation s'effondre. L'authentification est ce qui vous permet de garder le portail ouvert. Quand le système peut certifier qu'une image est réelle, non altérée et à la provenance journalisée, voilà le sinistre que vous pouvez approuver automatiquement en toute sécurité. Vous n'ajoutez pas un point de contrôle ; vous gagnez le droit d'en sauter un.

Un sinistre dont vous pouvez prouver qu'il est réel est un sinistre que vous pouvez payer en toute sécurité sans qu'un humain n'y touche jamais.

Et l'économie n'est pas subtile. La fraude automobile ajoute déjà environ 900 $ par an à la prime de chaque assuré, et la vision par ordinateur bien menée devrait réduire les coûts de traitement des sinistres de 12 milliards de dollars par an. Rien de tout cela ne se concrétise si les images qui entrent sont fabriquées et si les originaux qui sortent sont altérés.

Que devrait réellement tester un responsable des sinistres ?

Une vice-présidente des sinistres m'a un jour fait parcourir sa grille d'évaluation des fournisseurs — une fiche soignée de précision, d'intégration, de déploiement, de prix. La colonne « détection de deepfake » était vide pour tous les fournisseurs présélectionnés. Pas mal notée. Vide. Personne ne l'avait construite, donc personne n'était noté dessus, donc elle disparaissait entièrement de l'évaluation. C'est le piège : vous pouvez mener un appel d'offres rigoureux sans jamais tester une seule fois la menace qui, en réalité, est en train de croître.

La colonne que j'ajouterais pose donc une question que le score de précision ne peut pas poser : l'outil peut-il vous dire si une image est authentique, et pas seulement ce qu'elle représente ? À partir de là, les questions cessent de porter sur la performance et se mettent à porter sur la preuve. Exposera-t-il son raisonnement — le masque de segmentation, les signaux forensiques — ou vous tendra-t-il simplement un chiffre à croire ? L'image originale du capteur doit survivre avec une piste de provenance que vous pourriez présenter devant un juge. Et sous tout cela repose la question de la propriété : exploitez-vous votre propre modèle et vos propres données, ou louez-vous un modèle partagé, non affiné, que vous ne pouvez ni ajuster à votre portefeuille ni expliquer à votre régulateur ?

Les assureurs qui traverseront les deux prochaines années ne seront pas ceux qui auront les estimations de dommages les plus précises. Ce seront ceux qui pourront se tenir devant un régulateur, un expert et, à terme, un juge, et prouver que le pixel qu'ils ont indemnisé était réel au moment du déclenchement de l'obturateur — et qu'ils n'y ont jamais touché ensuite. Si vous souhaitez voir comment nous avons construit une vision par ordinateur forensique précisément pour cela, tout y est.

Je garde ces deux photos de la berline argentée sur mon bureau. L'une était un vrai accident. L'autre n'est jamais arrivée. Le modèle ne parvenait pas à les distinguer, et pour la majeure partie de l'industrie il n'y parvient toujours pas. Tout le métier, il s'avère, n'a jamais consisté à mieux voir les dommages. Il consistait à pouvoir dire, preuve à l'appui, laquelle était vraie.