Assurance et gestion des risques

Les assureurs intègrent l'IA dans la souscription, la gestion des sinistres et la modélisation des catastrophes plus vite que leurs cadres de gouvernance ne peuvent l'absorber. Notre approche consiste à construire la couche de gouvernance et de validation de l'IA qui s'intercale entre vos outils InsurTech et vos régulateurs — de sorte qu'une mission est cadrée pour produire les artefacts de documentation qui résistent à un examen de conduite de marché d'un DOI d'État, à une revue d'impact disparate au titre du SB 21-169 du Colorado, ou à une demande de communication de pièces pour mauvaise foi UCSPA formulée par un avocat de la partie plaignante.

Votre pile de validation de modèles a été conçue pour des GLM, pas pour des ensembles boostés par gradient

Les outils InsurTech sont arrivés. En l'espace de quelques mois, les grands éditeurs de plateformes ont déployé de l'IA en production au cœur des opérations des assureurs :

• Guidewire a livré son premier assistant de souscription à IA agentique en décembre 2025.
• Verisk a lancé XactAI et un assistant de souscription GenAI commercial en septembre 2025.
• Shift Technology a lancé une plateforme de gestion des sinistres agentique le même mois.

Pourtant, 90 % des assureurs ont testé l'IA en 2025 et seuls 22 % ont atteint la production. L'écart n'est pas technologique. Il tient au fait que, chez la plupart des assureurs, l'infrastructure de validation des modèles, de documentation réglementaire et de tests d'équité a été conçue pour des GLM et des tables actuarielles — pas pour des ensembles boostés par gradient, des narratifs de risque fondés sur des transformeurs, ou des flux de gestion des sinistres multi-agents. Vos actuaires n'ont pas été formés pour valider les modèles que vous déployez.

La mosaïque réglementaire multi-États sur l'IA est déjà là

Vingt-quatre États plus le District de Columbia ont adopté le Model Bulletin de la NAIC sur l'usage de l'IA dans l'assurance, mais les règles d'application de chaque État diffèrent. Le Colorado à lui seul impose trois exigences qui se chevauchent :

• SB 21-169 — tests quantitatifs d'impact disparate pour les modèles de souscription, étendus aux assureurs auto et santé en octobre 2025.
• Le Colorado AI Act SB 24-205 — en vigueur le 1er février 2026, couvrant l'IA à haut risque dans la souscription et la gestion des sinistres.
• Les amendements à la Regulation 10-1-1 — imposant aux assureurs-vie de soumettre des rapports annuels sur l'IA à partir de décembre 2025.

Le Connecticut et le Vermont ont leurs propres cadres d'application. Le Texas et la Floride sont à la traîne. Les États ont adopté 145 lois liées à l'IA rien qu'en 2025, soit une hausse de 50 % par rapport à l'année précédente. Les dispositions à haut risque de l'EU AI Act relatives à la tarification du risque d'assurance entrent pleinement en application le 2 août 2026. La NAIC pilote un outil d'évaluation des systèmes d'IA destiné à être utilisé dans les examens de conduite de marché et les examens financiers en 2026, et des groupes du secteur contestent déjà la possibilité que les conclusions du pilote puissent déclencher des mesures d'exécution.

Un assureur multi-États souscrivant des affaires dans quinze ou vingt juridictions ne peut pas gérer cela avec des tableurs et des notes juridiques. Notre approche consiste à construire des systèmes de cartographie de la conformité conçus pour relier chaque caractéristique d'un modèle d'IA aux exigences spécifiques de la transposition de la NAIC dans chaque État, du régime à trois niveaux du Colorado, et de l'EU AI Act le cas échéant. Lorsqu'un nouvel État adopte ou modifie ses règles sur l'IA, la cartographie est conçue pour se mettre à jour. Le résultat visé : lorsqu'un examinateur du DOI demande comment votre modèle de souscription traite les variables proxy qui corrèlent avec la race, vous lui remettez un rapport généré, et non un travail actuariel bâclé dans l'urgence.

La responsabilité liée à l'IA de gestion des sinistres après UnitedHealth et Cigna

Le paysage contentieux des décisions de sinistres assistées par IA a changé de façon permanente en 2025 et 2026 :

• Un juge fédéral du Minnesota a ordonné à UnitedHealth de communiquer les documents relatifs à son algorithme nH Predict en mars 2026, après que des éléments de preuve ont montré que 90 % des sinistres refusés par l'IA étaient infirmés en appel.
• Cigna, via son algorithme PxDx, a rejeté plus de 300 000 sinistres en deux mois, et le juge Drozd a autorisé le recours collectif Kisting-Leung à se poursuivre en mars 2025.

Les avocats des plaignants élaborent désormais des théories fondées sur l' UCSPA (Unfair Claims Settlement Practices Act) autour du règlement automatisé des sinistres, et la logique est claire : si votre IA sous-paie ou refuse systématiquement des sinistres selon des critères démographiques, vous vous exposez à la fois à une action réglementaire et à un recours collectif.

Nous concevons des systèmes de gouvernance de l'IA de gestion des sinistres (voir notre démo fonctionnelle de règlement déterministe des sinistres) pour produire les trois éléments dont ont besoin les assureurs qui déploient Shift Technology, Tractable, CLARA Analytics, ou des modèles de règlement sur mesure :

1. Des pistes d'audit des décisions qui consignent chaque entrée, chaque sortie de modèle et chaque dérogation humaine (override), avec horodatage et justification.
2. Une surveillance de l'équité qui teste en continu les résultats des sinistres afin de détecter un impact disparate parmi les classes protégées — pas seulement au déploiement, mais tout au long de l'exploitation.
3. Des dossiers de documentation que votre directeur juridique peut remettre à un avocat de la partie plaignante lors de la communication de pièces sans créer d'exposition supplémentaire.

Le mode de défaillance visé est bien documenté : un audit d'équité a constaté des écarts de tarification de 11 à 17 % dans des codes postaux à population majoritairement noire, quatorze mois après le déploiement d'un modèle qui avait passé les tests de biais initiaux. La surveillance continue est conçue pour détecter la dérive que la validation ponctuelle laisse échapper.

Validation actuarielle des modèles que les actuaires ne savent pas lire

Le problème central de la validation de l'IA en assurance est que les personnes chargées d'approuver les modèles — vos actuaires et votre équipe de validation des modèles — ont été formées sur des modèles linéaires à coefficients interprétables. Un modèle de souscription XGBoost comportant 500 caractéristiques et des effets d'interaction ne se prête pas au même test d'hypothèses. Un transformeur qui génère des narratifs de risque à partir de données de soumission non structurées n'a tout simplement pas de coefficients. Les assureurs réagissent soit en freinant le déploiement de l'IA, soit en recrutant des validateurs compétents en ML qu'ils ne trouvent pas en nombre suffisant, soit en s'appuyant discrètement sur les affirmations des fournisseurs, qui ne tiennent pas lors d'une contestation de dépôt tarifaire.

Notre approche pour combler cet écart repose sur une architecture spécifique. Le modèle d'IA fonctionne à l'intérieur d'une couche de contraintes déterministes ancrée dans l'ontologie de votre domaine — directives de souscription, règles du manuel de tarification, seuils réglementaires — de sorte que les chemins de décision deviennent auditables sans avoir à lire les poids des tenseurs. La méthode génère des rapports d'importance des caractéristiques fondés sur SHAP, des analyses d'importance par permutation, et des résultats de tests d'équité dans le format que votre équipe actuarielle utilise déjà pour la documentation des GLM. Le résultat visé : lorsque votre actuaire en chef doit signer le dépôt tarifaire, il examine un dossier de validation structuré, et non une boîte noire.

Les architectures d'auto-critique antagoniste ont été démontrées, dans la littérature publiée, comme réduisant l'hallucination dans la souscription commerciale de 11,3 % à 3,8 % (arXiv 2602.13213). Nous concevons le système pour y intégrer cette discipline dès le premier jour.

Modélisation des catastrophes, à l'intersection du stochastique et du ML

Les modèles de catastrophes de Moody's (anciennement RMS), Verisk et AIR reposent sur des bases physiques et stochastiques : jeux d'événements dérivés de la sismicité historique, des trajectoires de cyclones tropicaux, ou de schémas hydrologiques. Lorsque les assureurs y superposent du ML — en utilisant l'imagerie satellite de Maxar ou Planet pour la validation de l'exposition, des données alternatives pour l'amplification des pertes, ou de la reconnaissance post-événement pilotée par IA pour un triage rapide des sinistres (voir notre recherche en intelligence des inondations) — le système combiné se retrouve dans un no man's land de la validation. Le fournisseur du modèle de catastrophes valide le moteur stochastique. Personne ne valide la surcouche de ML, et les effets d'interaction entre les deux peuvent produire des scores de risque que ni l'une ni l'autre des équipes ne comprend pleinement.

L'assurance inondation privée en est l'exemple le plus frappant. Le marché est passé de 600 millions de dollars de primes émises en 2016 à plus de 2,5 milliards de dollars en 2025. Les assureurs privés utilisent des modèles d'inondation spécifiques à chaque bien, pilotés par IA, qui divergent sensiblement de la méthodologie Risk Rating 2.0 de la FEMA, créant des dynamiques d'antisélection que les régulateurs commencent à examiner de près. Treize pour cent des assurés confrontés aux plus fortes hausses de prime au titre de Risk Rating 2.0 ont totalement abandonné leur couverture. Nous concevons des cadres de validation pour les systèmes hybrides cat-ML afin de tester les composantes stochastiques et de ML de manière indépendante puis combinée, de documenter les effets d'interaction, et de produire la justification actuarielle qu'un examinateur de dépôt tarifaire d'un DOI doit voir.

Détection de la fraude au-delà du plancher de 30 % de faux positifs

Chez la plupart des assureurs, les systèmes de détection de la fraude fondés sur des règles affichent des taux de faux positifs de 30 à 50 %. Chaque faux positif consomme du temps d'expert, retarde les sinistres légitimes et érode la confiance des assurés. Les référentiels de performance de l'IA racontent une autre histoire :

• La détection de la fraude par IA atteint moins de 10 % de faux positifs avec une réduction de 40 % des pertes dues à la fraude, selon les données de la Coalition Against Insurance Fraud.
• McKinsey rapporte que les solutions de pointe améliorent la détection de 15 à 20 % tout en réduisant les faux positifs de 20 à 50 %.

Mais descendre sous un taux de faux positifs de 5 % — le seuil à partir duquel les experts font réellement confiance au système — exige une détection multimodale portant sur le texte, les images et les signaux comportementaux, ainsi qu'un étalonnage continu par rapport à votre portefeuille spécifique.

Nous concevons des architectures de détection de la fraude qui combinent des données de sinistres structurées, des notes d'experts non structurées, l'analyse d'imagerie (détaillée dans notre recherche sur la vision par ordinateur déterministe pour l'expertise judiciaire en assurance), et l'analyse de réseaux au sein d'un système de notation étalonné sur vos schémas de sinistralité. L'architecture produit des scores de risque explicables, et pas seulement des alertes, de sorte que votre équipe SIU comprend pourquoi un sinistre a été signalé et peut défendre l'enquête auprès des régulateurs. Pour les assureurs qui déploient des outils de fraude de fournisseurs comme Shift Technology ou FRISS, nous concevons la couche d'intégration et d'étalonnage afin d'ajuster la sortie du fournisseur à votre portefeuille plutôt que de fonctionner sur des seuils génériques.

Pourquoi pas Accenture, Deloitte ou votre fournisseur de système central ?

Accenture a enregistré 3,6 milliards de dollars de revenus liés à l'IA sur l'exercice 2025, recruté 77 000 collaborateurs en IA et données, et acquis Faculty en janvier 2026. Deloitte se démarque grâce à son cadre Trustworthy AI. Les deux sont solides en matière de méthodologie de gouvernance, de conception de modèles opérationnels et de renfort de personnel. Mais être solide en méthodologie n'équivaut pas à livrer les artefacts que vos régulateurs, auditeurs et avocats examinent réellement.

Nous sommes neutres vis-à-vis des fournisseurs sur la couche de plateforme. Notre approche consiste à construire l'architecture de gouvernance, de validation et de contraintes qui enveloppe les outils que vous utilisez déjà, quels qu'ils soient, et une mission est cadrée pour produire les artefacts que vos régulateurs, auditeurs et avocats examinent réellement.