L'IA dans l'assurance sera transparente ou ne sera pas

Disons-le d'emblée : nous croyons à l'IA dans l'assurance, et pas à petites doses. Analyse documentaire, préparation des actes de gestion, pilotage de portefeuille, les gains sont réels et il serait absurde de s'en priver. Mais pour la déployer à grande échelle dans un secteur aussi régulé, encore faut-il pouvoir en répondre. Les acteurs de l'assurance, ou les solutions SaaS qui utilisent l'IA, mettent en avant des chiffres sur la précision ou la fiabilité de leurs modèles. C'est essentiel, mais cela ne suffit pas. Un autre élément est essentiel : la transparence. Le sujet n'est pas seulement ce que l'IA sait faire, mais de pouvoir démontrer clairement comment l'IA opère et s'insère dans les process.

Ce que les régulateurs regardent vraiment

Aucun régulateur ne demande un modèle fiable à 99 %. Ce que l'AI Act européen et l'ACPR demandent tient en quatre questions : quels systèmes d'IA utilisez-vous ? Pouvez-vous retracer comment une décision a été produite ? Est-ce que l'IA a agi en toute autonomie, et si oui est-ce qu'il était justifié de laisser agir l'IA sans supervision ? Qui en est responsable ? Concrètement, cela signifie documenter ses systèmes, enregistrer ce qu'ils font, et être capable d'expliquer toute décision automatisée qui touche un client.

Alors que la performance est un argument commercial, la conformité de l'IA repose sur la capacité à documenter, retracer et assumer. Et l'assurance ne peut pas se permettre l'approximation sur ce terrain : tarification, souscription, sinistres, devoir de conseil, chaque décision engage la confiance et parfois la protection financière des assurés.

La transparence se joue autour du modèle, pas dedans

Un agent IA ne sait pas détailler son raisonnement interne : il peut justifier ses conclusions, citer les éléments sur lesquels il s'appuie, mais les milliards de paramètres d'un modèle ne se lisent pas comme un arbre de décision. Ce n'est pas un défaut à cacher, c'est une caractéristique à connaître pour construire autour.

Ce que l'on peut rendre transparent, et ce que les régulateurs demandent en réalité, c'est le cadre dans lequel l'agent intervient : le workflow est documenté, chaque étape est identifiée, le risque de chaque intervention est analysé, les actions sont tracées et rattachées au dossier, au contrat, au sinistre. On ne lit pas dans les pensées du modèle. On sait précisément où il agit, sur quoi, avec quelles limites et quel contrôle. L'IA est assimilée à un opérateur humain, à qui l'on fait plus ou moins confiance en fonction de sa performance et du niveau de risque.

C'est ce qui permet d'aller loin dans l'automatisation sans perdre la maîtrise. La transparence n'est pas ce qui freine l'IA. C'est ce qui autorise à la déployer à grande échelle.

Tout repose sur la qualité du contexte

Il existe toutefois un prérequis à cette transparence : les fondamentaux technologiques compatibles avec l'IA. Un workflow IA fiable suppose deux choses :

1. Une donnée fondamentale de très haute qualité, avec des événements captés au bon niveau de granularité, un historique complet, la capacité de reconstituer l'état exact d'un dossier ou d'un portefeuille à n'importe quel instant.
2. Des process métiers documentés et digitalisés. Si l'essentiel des décisions et des opérations se déroule en dehors du système (à l'oral, via des emails ou des outils éparpillés), alors l'IA n'aura pas assez de contexte pour opérer efficacement.

C'est ce contexte qui permet à un agent de produire des analyses justes et vérifiables.

Or c'est là que le legacy pèse : des décennies de systèmes vieillissants, de migrations et de portefeuilles repris ont laissé des données éparpillées, incomplètes, rarement historisées. L'essentiel des décisions se prend en fonction de process implicites et de règles manuelles. Une IA posée sur ces fondations ne corrige rien, elle amplifie. Une donnée d'entrée douteuse et des process vagues produisent une recommandation douteuse, avec de l'assurance en plus.

La confiance sera le vrai facteur d'adoption

L'avenir de l'IA dans l'assurance ne se jouera pas seulement sur la performance. Il se jouera sur la capacité à expliquer le fonctionnement des nouveaux process augmentés par l'IA. Les acteurs qui sauront documenter, tracer et contextualiser leurs usages pourront industrialiser l'IA à grande échelle sans fragiliser la confiance de leurs clients, de leurs distributeurs et de leurs régulateurs.

C'est la conviction qui structure notre travail chez Korint : une donnée événementielle, granulaire et historisée comme socle, des workflows IA documentés et analysés en risque, des actions tracées de bout en bout. L'assurance n'a pas besoin d'une IA bridée. Elle a besoin d'une IA qu'elle peut prouver, expliquer et contrôler, pour pouvoir l'utiliser à fond.