Peut-on faire confiance à l'IA pour évaluer les sinistres d'assurance ?

Le problème

Un grand assureur a demandé à son IA d'« améliorer » une photo d'un pare-chocs arrière sévèrement cabossé. L'IA a entièrement effacé les dommages et renvoyé une image immaculée et fictive d'une voiture intacte. C'est l'incident désormais tristement célèbre du « Pare-chocs Immaculé ». L'assureur avait intégré dans son application mobile de sinistres un outil d'IA générative — bâti sur le même type de technologie que Stable Diffusion et DALL-E. Lorsqu'un assuré téléchargeait une photo après une collision, l'IA interprétait le métal froissé comme du bruit visuel. Elle gommait numériquement la bosse, la remplaçant par les lignes nettes d'une aile parfaite.

Le moteur automatisé de traitement des sinistres a ensuite rejeté la réclamation. Son motif : aucun dégât visible. Face à un véhicule épave dans son allée, l'assuré a poursuivi l'assureur en justice pour mauvaise foi. L'assureur s'est retrouvé avec une pièce numériquement altérée qui contredisait frontalement la réalité physique.

Ceci n'était pas un bug. L'IA a fait exactement ce pour quoi elle avait été conçue. Ces modèles apprennent, à partir de milliards d'images, qu'une « voiture » est un objet lisse et symétrique. Une bosse leur apparaît comme une erreur à corriger, non comme une preuve à préserver. Si votre processus de gestion des sinistres fait appel à l'IA générative pour le traitement d'images, ce même mode de défaillance existe déjà dans votre système. La question est de savoir s'il s'est déjà déclenché — et si vous sauriez le remarquer.

Pourquoi cela importe pour votre entreprise

L'exposition financière et juridique ici n'est pas hypothétique. Elle est structurelle. Chaque fois qu'un outil d'IA générative altère la photo d'un sinistre, votre organisation encourt ce que le système juridique appelle la spoliation des preuves — la modification ou la destruction de pièces pertinentes pour une procédure judiciaire. Les tribunaux peuvent imposer des sanctions, donner aux jurés des instructions d'inférence défavorable ou prononcer un jugement sommaire contre la partie fautive.

Voici ce que cela signifie pour votre bilan et votre conseil d'administration :

• Multiplicateur contentieux. Le livre blanc identifie un risque contentieux de 7,2 milliards de dollars lié aux défaillances probatoires induites par l'IA dans l'assurance. Un seul procès en mauvaise foi issu d'une seule photo altérée peut coûter des millions. Extrapolons sur des milliers de sinistres quotidiens : vous mesurerez l'exposition.
• Une responsabilité réglementaire que l'on ne peut déléguer. Le NAIC Model Bulletin sur l'utilisation de l'IA par les assureurs impose désormais aux transporteurs de tenir un programme écrit de gouvernance de l'IA. Point crucial : vous ne pouvez pas transférer la responsabilité à votre fournisseur d'IA. Si un outil tiers hallucine ou discrimine, c'est l'assureur qui répond de ses actes. Plusieurs États ont déjà adopté ces orientations.
• Classement au titre de l'AI Act européen. Pour les assureurs présents à l'international, l'AI Act européen classe l'IA utilisée pour l'évaluation des risques d'assurance impliquant des personnes physiques comme haut risque. Cela déclenche des exigences strictes en matière de gouvernance des données, de journalisation automatique des événements et de supervision humaine.
• Vulnérabilité à la fraude. La même IA générative qui efface les dommages réels permet aussi aux fraudeurs de fabriquer de faux dommages. Les criminels utilisent désormais des outils texte-vers-image pour ajouter des pare-chocs écrasés ou des dégâts d'incendie sur des photos de véhicules intacts. Les relecteurs humains ne font pas mieux que le hasard pour détecter les deepfakes de haute qualité. Vos défenses actuelles sont probablement insuffisantes.

L'incident du « Pare-chocs Immaculé » a coûté à un assureur sa crédibilité et un procès. Votre exposition est identique chaque fois qu'un outil génératif touche votre chaîne probatoire.

Ce qui se passe réellement sous le capot

Pour comprendre pourquoi cela se répète sans cesse, vous devez saisir une différence clé. Il existe deux types d'IA fondamentalement différents : générative et discriminative. L'IA générative crée du contenu nouveau. L'IA discriminative analyse ce qui existe déjà. Le secteur de l'assurance a besoin d'analyse, mais il continue d'acheter des outils de création.

Pensez-y ainsi. Une IA générative est comme un portraitiste qui peint ce qu'une voiture devrait être. Une IA discriminative est comme un expert légiste qui mesure ce que la voiture est réellement. Vous ne demanderiez jamais à un portraitiste de témoigner en qualité d'expert. Mais c'est précisément ce qui se produit lorsque vous intégrez un traitement d'images génératif dans votre pipeline de sinistres.

Le mode de défaillance technique s'appelle l'inpainting. Les modèles génératifs fonctionnent en apprenant des motifs statistiques. Dans leurs données d'entraînement, les voitures apparaissent massivement avec des surfaces lisses et continues. Quand le modèle voit une bosse — une perturbation haute fréquence du motif attendu — il la traite comme du bruit. Son objectif mathématique est de produire un résultat ressemblant à une « image normale de voiture ». Il comble donc les pixels cabossés avec des pixels lisses. Il « guérit » le dommage.

Ce processus repose sur les mathématiques de diffusion, où le modèle inverse l'introduction de bruit pour récupérer un signal « propre ». Une bosse ressemble à du bruit pour ces modèles. Ils la suppriment. En restauration d'art, c'est une fonctionnalité. En matière de sinistres, c'est de la destruction automatisée de preuves. Le modèle remplace la réalité désordonnée et coûteuse d'une collision par une fiction plausible et bon marché.

Le problème s'aggrave lorsque l'on dépend de wrappers d'API tiers. La plupart des outils InsurTech ne construisent pas leur propre IA. Ils envoient vos données à des modèles généralistes qui ne comprennent rien à l'indemnisation, à la physique des collisions ni aux normes forensiques. Si le fournisseur du modèle met à jour ses poids pour être plus « esthétique », votre outil d'évaluation des dommages pourrait se mettre à effacer les bosses plus agressivement — et vous n'avez zéro contrôle sur ce changement.

Ce qui fonctionne (et ce qui ne fonctionne pas)

Commençons par ce qui échoue en pratique.

Wrappers d'IA générative génériques : Ces outils traitent les dommages comme du bruit visuel et les suppriment. Ils altèrent les pixels, créant un risque de spoliation. Ils sont vulnérables à la fraude par deepfake parce qu'ils évaluent le contenu, et non la physique de la fabrication d'une image. Un taux d'échec de 99 % est invoqué pour illustrer l'inadaptation de ces outils au travail forensique.

Classifieurs d'images simples : Les modèles de classification standard (comme ResNet) donnent une réponse binaire — « endommagé » ou « non endommagé ». Ils ne peuvent vous dire où se situe le dommage, quelle est la profondeur d'une bosse, ni si la photo est un deepfake. Ce niveau d'imprécision ne survit pas à une contestation devant un tribunal.

Revue exclusivement humaine à grande échelle : Les humains sont peu performants pour détecter les faux générés par IA. Ils introduisent en outre une variabilité subjective. Deux experts en sinistres examinant la même bosse peuvent attribuer des scores de gravité différents. On ne peut pas auditer la subjectivité.

Voici ce qui fonctionne — une approche forensique déterministe qui analyse sans altérer :

1. Entrée — Verrouillage des preuves. La photo originale est hachée avec un chiffrement SHA-256 dès son arrivée. L'IA lit l'image mais n'y écrit jamais. Les métadonnées — horodatage, coordonnées GPS — sont verrouillées au fichier. Cela crée une chaîne de conservation qui tient devant un tribunal.

2. Traitement — Analyse en trois couches. Premièrement, la segmentation sémantique — une technique où l'IA classe chaque pixel — identifie et cartographie les contours des dommages. Elle peut dire qu'une rayure mesure 14 centimètres de long et qu'une bosse couvre 45 centimètres carrés de surface. Deuxièmement, l'estimation monoculaire de profondeur — calculer la géométrie 3D à partir d'une photo 2D — mesure la profondeur et le volume d'une bosse. Un fort gradient de profondeur signale un pli marqué imposant le remplacement de la pièce. Un gradient faible signifie qu'une réparation sans peinture peut suffire. Troisièmement, l'analyse de réflexion spéculaire — étudier la façon dont la lumière se reflète sur la carrosserie — détecte les dommages invisibles comme les impacts de grêle ou des réparations antérieures que l'IA standard ne perçoit pas du tout.

3. Sortie — Rapport structuré et auditable. Le système produit un rapport JSON listant les pièces endommagées, les scores de gravité et des recommandations réparer-ou-remplacer fondées sur vos règles métier configurées. Toute l'analyse est sauvegardée sous forme de fichiers sidecar distincts liés au hash de l'image originale. Rien dans la preuve originale n'est modifié.

Voici ce que votre équipe de conformité doit entendre. La superposition d'analyse peut être activée ou désactivée. L'expert en sinistres reste l'humain dans la boucle doté de l'autorité décisionnelle finale — un refuge sûr décisif au titre de l'AI Act européen. Chaque étape de traitement est journalisée. Vous pouvez expliquer exactement pourquoi un sinistre a été accepté ou refusé, jusqu'aux mesures au pixel près. Voilà ce qui sépare un système qui survit à un contrôle réglementaire d'un système qui fabrique votre prochain procès.

Quand votre fournisseur d'IA actuel affirme utiliser « l'IA pour les sinistres », demandez-lui de quel type il s'agit. Si la réponse évoque la génération, l'amélioration ou tout processus qui écrit de nouveaux pixels dans vos preuves, alors vous portez un risque dont vous n'avez peut-être jamais fixé le prix.