La prochaine vague d’adoption de l’IA dans les sinistres d’assurance commence par les décisions, pas par les workflows

L’IA contribue déjà à automatiser certaines parties du traitement des sinistres, mais transformer ces avancées en valeur à grande échelle reste difficile. L’étude Capgemini sur l’IARD en 2026 a constaté que 60 % des assureurs en sont encore à l’exploration ou à la preuve de concept, et que seuls 10 % déploient l’IA à l’échelle avec succès. BCG arrive à un constat similaire : seuls 38 % des assureurs IARD tirent une valeur à grande échelle de l’IA sur leurs processus cœur de métier.

Pour les sinistres plus simples et à faible variabilité, le traitement automatisé de bout en bout (straight-through processing) est à portée de main. Lorsque la garantie, les preuves, la responsabilité et le mode de règlement sont clairs, une grande partie du dossier peut avancer sans intervention de spécialiste.

Le défi plus difficile concerne les sinistres qui sortent de ce schéma. Ambiguïté, preuves contradictoires, contexte manquant ou besoin d’un jugement de spécialiste rendent l’automatisation complète moins fiable. Dans ces cas, la question la plus utile n’est pas de savoir quelle part du workflow l’IA peut automatiser, mais quelles décisions en son sein comptent le plus. Par décisions, nous entendons les points du processus sinistres qui déterminent l’issue du dossier.

Ces décisions sont le point de départ le plus utile pour l’optimisation par l’IA.

Où se trouve la valeur : les décisions qui façonnent le sinistre

Dans le contexte des sinistres, les décisions sont les choix concrets qui déterminent la suite. La perte est-elle garantie ? Où acheminer le dossier ? Justifie-t-il un signalement pour fraude ? Les preuves disponibles sont-elles suffisantes ? Comment le sinistre doit-il être réglé au final ?

Naturellement, certaines de ces décisions pèsent bien plus lourd que d’autres. La garantie en est un exemple évident, car elle intervient très tôt dans le dossier, mais il en va de même des décisions d’acheminement, d’enquête, de preuves, de règlement et de recours.

Ce qui rend ces décisions si lourdes de conséquences, c’est l’effet qu’elles ont sur tout ce qui suit :

• Un meilleur acheminement peut réduire les transferts inutiles.
• Un signalement pour fraude plus précis peut préserver la capacité d’enquête.
• Une clarté plus précoce sur les preuves peut éviter les demandes répétées et les retards.
• Les décisions de réparation, de règlement et de recours peuvent peser sensiblement sur la gravité et le coût du sinistre.

Ne regarder que le workflow peut masquer cette différence d’effet de levier. Un workflow sinistres peut compter des dizaines d’étapes, mais améliorer chacune d’elles ne crée pas la même valeur. Partir de la décision aide à isoler les points où une meilleure information, une intervention plus précoce ou une exécution plus cohérente peuvent changer sensiblement ce qui se passe en aval.

C’est ce qui fait de la décision une bonne unité d’optimisation. Automatiser une tâche supprime l’effort lié à cette tâche ; améliorer une décision déterminante peut influencer tout le reste du dossier.

L’IA agentique peut transformer le travail autour des décisions qui comptent le plus

L’IA agentique est particulièrement utile autour des décisions déterminantes, car le travail nécessaire pour y parvenir n’est souvent pas figé. Ce qu’il faut examiner ensuite dépend des preuves disponibles, de ce qui reste flou et du besoin éventuel d’informations complémentaires. Les parties plus prévisibles du processus peuvent rester fondées sur des règles ou automatisées de façon classique.

Le défi consiste souvent à amener le dossier dans un état où une décision peut être prise de façon fiable. Le contexte pertinent peut être dispersé entre le système de gestion des sinistres, le système d’administration des contrats, les référentiels de documents, les échanges de correspondance, les sources de données tierces et les actions précédentes sur le dossier. Les agents peuvent aider à rassembler ce contexte, à comparer les preuves, à examiner les écarts et à mener à bien les actions de suivi approuvées à mesure que la situation se précise.

Il est essentiel de le préciser : cela ne signifie pas confier la décision déterminante elle-même à l’IA. Pour les décisions à fort enjeu, l’agent peut produire des résultats structurés qui consignent les preuves pertinentes, les constats et les questions en suspens. Des règles déterministes peuvent ensuite exploiter ces résultats pour appliquer des seuils, rendre une décision ou orienter le sinistre vers une revue humaine.

Un assureur allemand utilise des agents pour classer les documents de sinistres dans le cadre de ses propres conditions de garantie et garde-fous. Les agents peuvent extraire les données pertinentes, repérer les écarts dans les documents transmis par les clients, catégoriser le sinistre et signaler les dossiers qui nécessitent une revue humaine supplémentaire.

L’opportunité tient donc moins à rendre un workflow entier agentique qu’à utiliser des agents pour préparer le contexte autour des décisions déterminantes. La logique déterministe et les personnes continuent de gouverner la façon dont les décisions sont prises en dernier ressort.

Commencer par les décisions où les conditions sont réunies

Pour appliquer l’IA agentique au processus sinistres, un bon point de départ consiste à évaluer les décisions importantes à l’aune de quatre questions distinctes :

• Quel est l’impact de la décision sur l’issue du dossier ? Les décisions qui influent sur la suite du traitement, sur la perte, sur le résultat pour le client ou sur l’implication de spécialistes offrent plus de valeur potentielle que celles dont l’impact s’arrête à la tâche immédiate.
• Quelle est la variabilité du chemin qui mène à la décision ? Les décisions qui exigent plusieurs sources, des preuves non structurées, une investigation ou des actions de suivi différentes selon ce qui est découvert sont de meilleurs candidats à un appui agentique. Lorsque la séquence est déjà prévisible, une automatisation classique peut suffire.
• Quel effort de spécialiste est consacré à la préparation de la décision ? Si des gestionnaires de sinistres expérimentés passent régulièrement du temps à reconstituer l’historique, à collecter des informations ou à lever des incertitudes de routine avant de pouvoir appliquer leur expertise, il y a peut-être moyen de déplacer une plus grande part de ce travail en amont.
• Que doit-on autoriser l’agent à faire en toute autonomie ? Pour certaines décisions, il peut convenir que l’agent prépare ou recommande, tandis que l’exécution reste régie par des règles déterministes, des seuils, des validations ou une responsabilité humaine. Les refus de garantie, les paiements de montant élevé, les changements de provisions et d’autres actions déterminantes peuvent exiger des contrôles différents selon l’assureur et la juridiction.

Ensemble, ces questions aident à distinguer le travail qui doit rester automatisé de bout en bout ou fondé sur des règles des décisions où l’IA agentique peut apporter davantage de valeur. Elles offrent aussi une base de priorisation plus claire que de commencer simplement par le workflow le plus manuel ou le plus complexe.

Le résultat est une feuille de route IA plus réfléchie : partir des décisions qui comptent, comprendre ce qui les rend difficiles aujourd’hui, puis déterminer quelles parties du travail environnant se traitent le mieux par des règles, de l’automatisation, de l’IA ou une approche agentique.

Par exemple, un assureur utilise des agents pour standardiser les preuves et appliquer des contrôles homogènes. Les dossiers simples avancent, tandis que les cas nuancés sont orientés vers une revue de spécialiste. Chaque étape reste traçable jusqu’aux preuves d’origine, et les retours des spécialistes peuvent affiner au fil du temps les prompts, les règles et la logique de décision, dans des garde-fous définis.

Dans un secteur réglementé, chaque étape doit pouvoir être revue

Pour les assureurs régulés, préparer une décision n’est qu’une partie de l’exigence. Il faut aussi pouvoir comprendre ce qui l’a éclairée, quelles actions ont été menées, quelles règles ou quels seuils ont été appliqués, et à quel moment la supervision humaine est intervenue.

Ces attentes existent des deux côtés de l’Atlantique. En Europe, par exemple, le Consumer Duty de la FCA exige des entreprises qu’elles agissent pour obtenir de bons résultats pour les clients particuliers. Aux États-Unis, l’assurance reste principalement réglementée au niveau des États. Le Model Bulletin de la NAIC sur l’IA fixe des attentes en matière de gouvernance, de gestion des risques, de tests, de documentation et de supervision réglementaire pour les décisions d’assurance assistées par l’IA.

Pour les processus sinistres agentiques, l’architecture qui entoure le modèle devient donc particulièrement importante.

Un agent peut être en mesure d’examiner un sinistre, de rassembler des preuves ou de recommander une prochaine étape. Mais il ne doit pas nécessairement être autorisé à refuser seul une garantie, à débloquer un paiement de montant élevé ou à prendre une autre décision déterminante. Ces limites doivent se situer en dehors du modèle et rester explicites.

De meilleures décisions sinistres créent de la valeur au-delà du dossier individuel

Les sinistres sont l’un des endroits où un assureur voit le plus clairement comment le risque se comporte en pratique. Questions de garantie, schémas de fraude, issues de responsabilité, comportement en matière de règlement et résultats des recours révèlent tous où les hypothèses tiennent et où elles commencent à bouger.

Lorsque le contexte et les résultats de ces décisions sont consignés de façon plus cohérente, cet apprentissage devient utile au-delà de la fonction sinistres. La souscription peut voir où le risque est en train d’évoluer, les équipes produit peuvent repérer les frictions récurrentes dans la conception des contrats, les équipes fraude peuvent affiner les signaux qui comptent, et les équipes portefeuille ou réassurance peuvent réagir plus tôt aux nouveaux schémas de sinistralité.

Cela confère à l’optimisation au niveau de la décision une valeur stratégique plus large. Le bénéfice immédiat est un meilleur traitement des sinistres complexes et un usage plus efficace de l’expertise des spécialistes. Avec le temps, elle crée aussi une boucle de rétroaction plus solide entre les sinistres et le reste de l’assureur.

Les workflows continueront de compter : c’est ainsi que fonctionnent les opérations sinistres. Mais ils ne sont pas toujours le meilleur point de départ pour décider où l’IA peut créer le plus de valeur. Partir de la décision permet de repérer plus facilement où un meilleur contexte, une investigation adaptative, des contrôles déterministes et l’expertise humaine doivent se conjuguer.

Pour les responsables sinistres, c’est là le changement : optimiser le workflow autour des décisions qui comptent, plutôt que de traiter le workflow lui-même comme l’unité de la transformation par l’IA.