Comment l'IA transforme le secteur de l'assurance
Dans la continuité de la forte digitalisation du secteur de l'assurance, l'IA se retrouvera dans tous les processus de la chaîne de valeur d'ici à 2030.
83%. C'est la part d'assureurs qui considèrent que l'IA va profondément modifier les processus internes et la relation client, selon une étude menée en 2022 par l'ACPR*. Pour McKinsey, "le secteur est à l'aube d'un bouleversement sismique, amené par la technologie".
Mais de quelles transformations parle-t-on exactement ? Satisfaction client, efficacité opérationnelle, réduction des risques... Tour d'horizon en 5 exemples de ce que les technologies d'intelligence artificielle apportent déjà, ou apporteront au secteur de l'assurance d'ici à 2030.
1/ Les polices d'assurance "à l'usage"
Combinée à d'autres technologies comme l'IoT (Internet des objets), l'intelligence artificielle permet de personnaliser la tarification des polices d'assurance. Peut-être avez-vous entendu parler du concept " Pay how you drive " ? Il consiste à installer des capteurs IoT dans les véhicules qui fournissent des données aux plateformes de tarification. Avec cette approche, les bons conducteurs, dont les comportements sont les moins risqués, sont récompensés en payant moins cher leur assurance automobile.
La personnalisation de la tarification est également rendue possible par l'analyse de données client massives et une segmentation beaucoup plus fine des offres d'assurance. Par exemple, un client intéressé par la seule police "Retard du vol" au sein d'une assurance voyage pourra choisir de ne souscrire qu'à cette garantie.
2/ La cotation anticipée du risque
Les informations recueillies à partir des dispositifs fournis par les réseaux de télécommunication, les réassureurs, les fabricants et les distributeurs de produits sont regroupées dans une variété de référentiels et de flux de données.
Ces sources d'information permettent aux assureurs de prendre des décisions prévisionnelles concernant la souscription et la tarification. Ils peuvent ainsi développer une démarche commerciale proactive avec une offre personnalisée pour un ensemble de produits adaptés au profil de risque et aux besoins de couverture du client.
3/ La souscription en temps réel
Traditionnellement, la souscription d'assurance dépendait fortement des employés pour analyser les données historiques et prendre des décisions éclairées. Or au vu de l'évolution rapide des usages, observés notamment depuis la crise Covid, il semble inévitable qu'en 2030 la souscription telle que nous la connaissons n'existera plus, et sera instantanée.
L'automatisation intelligente des processus simplifie l'expérience de souscription grâce à des algorithmes de Machine Learning qui collectent et donnent du sens à des quantités massives de données, issues de l'entreprise et de data sets publics. Elle améliore également la performance des règles, gère les taux d'acceptation directe et prévient les erreurs de demande de souscription.
4/ L'automatisation de la gestion des sinistres
Du fait des exigences réglementaires et contractuelles, les compagnies d'assurance doivent vérifier que les demandes d'indemnisation répondent aux critères requis tout au long du cycle de traitement. Cela aboutit à un processus nécessairement chronophage.
Le Machine Learning améliore considérablement la chaîne de valeur du traitement des sinistres :
- lors de la déclaration, par exemple grâce à des bots (voice ou chat) qui guident l'assuré,
- au moment de l'analyse, par exemple en accélérant l'expertise grâce à de l'analyse automatique de photographies de sinistres,
- enfin, lors de l'indemnisation, par exemple en rapprochant les devis des factures associées pour sécuriser le règlement.
5/ La détection de la fraude
Les algorithmes de Machine Learning et d'IA peuvent facilement analyser et détecter des motifs récurrents (patterns) parmi les millions de demandes d'indemnisation reçues et ainsi d'identifier des demandes douteuses.
Par exemple, de manière préventive et prédictive, à chaque point de contact avec le client un score de fiabilité peut être calculé et déclencher ou non des vérifications supplémentaires lorsqu'un sinistre est ouvert. Cela est notamment rendu possible par la capacité fournie par les NLP (capacités de traitement du langage naturel) et la compréhension de données textuelles non structurées (analyse des scripts de conversation, des emails...). De façon réactive, un modèle d'intelligence artificielle peut détecter et alerter très rapidement sur la probabilité d'une fraude, ce qui permet à la compagnie de s'en prémunir au plus vite.
Preuve de l'importance de ce sujet pour l'industrie, le secteur de l’assurance à la personne au Canada a décidé de recourir à la mise en commun des données sur les demandes de règlement et à l’intelligence artificielle avancée afin d’améliorer la détection et l’analyse de la fraude aux prestations.
Sommes-nous prêts ?
Pour que cette transformation s'opère, un élément essentiel doit être pris en considération : leur potentiel d'adoption par les clients finaux. Sommes-nous prêts à donner accès à certaines de nos données personnelles aux compagnies d'assurance pour accéder à des services plus rapides, plus personnalisés, et parfois plus économiques ?
Pas de réponse pré-conçue, et cette adoption ne se fera certainement pas à la même vitesse selon les pays et les différences culturelles. Si dans certains pays comme au Royaume-Uni les assurances auto collectent déjà les données de conduite pour proposer des services moins onéreux, l'Union Européenne prépare l'AI Act qui pourrait contrevenir à ces pratiques selon le niveau de risque associé. Le régulateur jouera donc aussi un rôle de premier plan dans le futur de l'assurance.
Pour aller plus loin
*Etude de l'ACPR (Autorité de contrôle prudentiel et de résolution) - La transformation numérique dans le secteur bancaire et de l'assurance français
Etude McKinsey - Insurance 2030— The impact of AI on the future of insurance