Intelligence artificielle et assurance : entre prédiction, équité et prudence

L’intelligence artificielle s’installe rapidement dans l’ensemble de la chaîne de valeur assurantielle. Souscription, tarification, lutte contre la fraude, gestion des sinistres, relation client : les cas d’usage se multiplient. Pour autant, la conformité ne se résume pas à déterminer si un système relève ou non de la catégorie “à haut risque” de l’AI Act. Elle suppose d’articuler le droit de l’assurance, la protection des données, la résilience opérationnelle et les nouvelles règles européennes sur l’IA autour d’une même exigence : pouvoir justifier, contrôler et, le cas échéant, corriger la décision.

 

1. L’IA en assurance relève déjà d’un cadre juridique dense

L’adoption n’est plus marginale. Selon l’enquête publiée par l’EIOPA en février 2026, près de 65 % des entreprises interrogées utilisaient déjà l’IA générative, même si la majorité des cas d’usage demeurait encore au stade de l’expérimentation ou de la preuve de concept. Les outils concernés ne se limitent plus aux fonctions support : ils assistent la sélection des risques, la tarification, le tri des sinistres, la détection de fraude, l’analyse documentaire, la relation client et, de plus en plus, les activités de distribution.

Les décisions d’assurance ne sont pourtant pas des prédictions ordinaires. Elles déterminent l’accès à une couverture, le prix de la protection et, au stade du sinistre, l’exécution de la prestation promise en contrepartie de la prime. Lorsqu’un système influence ces décisions, sa conception et son utilisation entrent directement dans le champ des préoccupations classiques du droit des assurances : gestion saine et prudente, justification actuarielle, traitement équitable, transparence et préservation de la confiance.

La question n’est donc plus de savoir si l’IA utilisée par un assureur est réglementée. Elle est de déterminer quelles règles s’appliquent, à quel niveau et avec quelle intensité. Le cadre est nécessairement “en couches” : un même outil peut relever simultanément du droit prudentiel, des règles de conduite et de gouvernance produit, du droit des données personnelles, des exigences de résilience numérique et, lorsque les conditions sont réunies, de l’AI Act.

Solvabilité II continue d’imposer une organisation permettant une gestion saine et prudente, y compris lorsqu’un outil algorithmique influence matériellement la souscription, le provisionnement, les sinistres ou les contrôles opérationnels. La directive sur la distribution d’assurances (DDA) impose d’agir de manière honnête, impartiale et professionnelle au mieux des intérêts du client ; ses exigences de gouvernance produit s’étendent aux composantes algorithmiques susceptibles d’affecter le marché cible, l’accessibilité ou le prix d’un produit. Le RGPD encadre les données utilisées à chaque étape et les décisions exclusivement automatisées produisant des effets significatifs. DORA ajoute, enfin, une couche propre à la résilience numérique et aux dépendances envers les prestataires technologiques. Cette lecture intégrée est également au cœur de l’avis de l’EIOPA sur la gouvernance et la gestion des risques liés à l’IA.

 

La proportionnalité demeure essentielle. Un moteur de recherche interne à faible impact n’appelle pas le même niveau de validation qu’un système qui influence l’acceptation d’un risque en assurance vie. Elle ne doit toutefois pas être confondue avec une exemption. Quel que soit le niveau de sophistication du dispositif, l’entreprise devrait au minimum être en mesure d’identifier l’outil, sa finalité, son propriétaire, les personnes affectées, les principales données utilisées et les modalités de contrôle.

Il en résulte une idée simple : un système qui ne serait pas “à haut risque” au sens de l’AI Act n’est ni hors droit, ni nécessairement peu risqué pour l’assureur ou ses clients.

 

2. Un calendrier aménagé ne constitue pas une pause réglementaire

Le Digital Omnibus on AI, entré en vigueur le 27 juillet 2026, a reporté l’application de certaines exigences relatives aux systèmes à haut risque. Pour les systèmes à haut risque visés à l’article 6, paragraphe 2, et à l’annexe III de l’AI Act, les principales obligations s’appliqueront à compter du 2 décembre 2027 ; pour les systèmes liés à des produits relevant de l’annexe I, la date est fixée au 2 août 2028.

Ce report est significatif, mais il ne suspend pas l’AI Act dans son ensemble. Les obligations de transparence prévues à l’article 50 s’appliquent depuis le 2 août 2026 dans les situations qu’il vise, notamment lorsqu’une personne interagit directement avec un système d’IA. L’obligation de prendre des mesures favorisant la maîtrise de l’IA est également déjà applicable. Surtout, les exigences issues de Solvabilité II, de la DDA, du RGPD et de DORA continuent à s’appliquer indépendamment de ce calendrier.

Dans le secteur assurantiel, l’annexe III qualifie en principe de systèmes à haut risque les systèmes d’IA destinés à l’évaluation du risque et à la tarification concernant des personnes physiques en assurance vie et santé, sous réserve des conditions et exceptions prévues par le règlement. À l’inverse, les outils de gestion des sinistres, de détection de fraude, de service client ou de tarification non-vie ne sont pas automatiquement couverts par cette entrée spécifique. Ils doivent néanmoins être analysés au regard de leurs effets réels et des autres règles applicables.

La classification doit être menée cas d’usage par cas d’usage. Le nom donné par le fournisseur, l’existence formelle d’un “humain dans la boucle” ou le caractère prétendument auxiliaire du modèle ne suffisent pas. Il faut examiner le poids effectif de la recommandation, la fréquence avec laquelle elle est suivie, la possibilité réelle de s’en écarter et les conséquences de la décision pour le client. Un outil présenté comme un simple support peut, en pratique, déterminer le prix ou l’acceptation lorsqu’aucun collaborateur ne remet réellement sa sortie en cause.

La qualification du rôle de l’entreprise est tout aussi importante. L’éditeur qui développe et commercialise un système sous son nom sera généralement “fournisseur”, tandis que l’assureur qui l’utilise sous son autorité sera généralement “déployeur”. Ces rôles peuvent toutefois évoluer. Un assureur qui modifie substantiellement le dispositif, change sa destination ou l’intègre sous sa propre marque dans une solution à haut risque peut assumer des obligations de fournisseur. Le contrat avec l’éditeur ne peut pas neutraliser cette qualification légale.

Lorsque le régime des systèmes à haut risque s’applique, les obligations ne se résument pas à une documentation technique. Elles forment un ensemble cohérent : gestion des risques sur le cycle de vie, gouvernance des données, journalisation, information des utilisateurs, supervision humaine, exactitude, robustesse, cybersécurité et suivi après mise sur le marché. Pour certains déployeurs, une évaluation d’impact sur les droits fondamentaux devra également être réalisée. Le délai supplémentaire doit donc être utilisé pour construire les preuves et les processus qui permettront de démontrer la conformité, non pour démanteler les programmes déjà engagés.

 

3. L’équité algorithmique au cœur du modèle assurantiel

L’assurance repose par nature sur la différenciation des risques. L’objectif juridique ne peut donc pas être de garantir des résultats identiques pour tous les assurés. Il consiste à distinguer une différenciation actuarielle légitime d’un traitement injustifié ou discriminatoire, et à pouvoir défendre les variables, les choix de modélisation et les règles de décision qui produisent cette différenciation.

Le document de réflexion publié par l’ACPR en juillet 2026 met précisément en lumière cette difficulté. Une disparité statistique, un biais technique et une discrimination juridique ne sont pas des notions interchangeables. Une différence de résultat peut révéler un problème et appeler une investigation sans suffire, à elle seule, à établir une discrimination. Inversement, une bonne performance globale du modèle ne permet pas d’écarter tout risque de traitement défavorable, notamment lorsque des variables apparemment neutres servent de substituts à des caractéristiques protégées.

Les outils statistiques sont indispensables pour détecter ces effets, mais aucun indicateur d’équité ne fournit, à lui seul, la réponse juridique. Comparer les taux d’acceptation, les taux de faux positifs ou la valeur prédictive d’un score correspond à des objectifs différents. Les principales familles de métriques - indépendance, séparation et suffisance - traduisent chacune une conception particulière de l’équité. Lorsque les taux de base diffèrent entre les groupes, ces objectifs peuvent en outre être mathématiquement incompatibles.

Le choix de la métrique est donc déjà une décision de gouvernance : quel préjudice cherche-t-on à prévenir, pour quelle population, à quel stade de la décision et avec quel arbitrage entre exactitude, inclusion et stabilité du modèle ? Cette décision ne devrait pas être laissée aux seules équipes de data science. Elle doit associer le métier, la fonction actuarielle, les fonctions juridique et conformité et, pour les systèmes matériels, la direction.

Les seuils doivent également être maniés avec prudence. Une règle comme le ratio de 80 % peut servir d’indicateur d’alerte, mais elle ne constitue ni un test universel de conformité, ni une zone de sécurité. La taille des échantillons, les intervalles de confiance, la variabilité entre plusieurs entraînements du modèle et la différence minimale détectable sont déterminants. Une mesure ponctuelle sans indication d’incertitude peut produire un faux sentiment de sécurité ou, à l’inverse, conduire à corriger sans nécessité un modèle dont l’écart observé est instable.

Les méthodes de correction emportent elles-mêmes des conséquences juridiques. Rééquilibrer les données avant entraînement, intégrer une contrainte d’équité dans l’optimisation ou ajuster les seuils après entraînement ne revient pas au même. Une correction fondée explicitement sur l’appartenance à un groupe peut se heurter aux restrictions relatives à l’usage direct d’un critère protégé. Une correction intégrée au modèle peut être inaccessible lorsque l’assureur utilise une solution standard fournie par un tiers. Le remède doit donc être évalué au regard de la performance, de la protection des données, du droit de la non-discrimination et de la capacité de l’assureur à l’expliquer.

Un autre paradoxe apparaît lorsque l’évaluation de l’équité exige d’accéder à des données sensibles qui ne doivent pas être utilisées dans la décision d’assurance courante. Le nouvel article 4a de l’AI Act ouvre, sous des conditions strictes, une voie exceptionnelle pour traiter certaines catégories particulières de données afin de détecter et corriger des biais. Il ne s’agit ni d’une autorisation générale d’utiliser ces données pour souscrire ou tarifer, ni d’un raccourci permettant d’écarter le RGPD. Le dispositif suppose notamment une stricte nécessité, une séparation entre l’environnement d’audit et la production, des accès limités, des mesures de sécurité renforcées, l’interdiction de réutiliser les données à d’autres fins et leur suppression lorsqu’elles ne sont plus nécessaires.

 

4. Quatre cas d’usage, quatre profils de risque

Souscription et tarification : l’exactitude ne suffit pas

La souscription est l’application la plus évidente de l’IA prédictive. Les modèles peuvent combiner des variables actuarielles traditionnelles avec des données issues de la télématique, d’objets connectés, de dossiers médicaux ou d’indicateurs comportementaux. Le gain attendu est réel : rapidité, homogénéité du traitement et capacité à identifier des interactions que des modèles plus simples ne détectent pas. Mais le gain prédictif ne répond pas à la question juridique. L’assureur doit encore établir que les données sont licitement disponibles, pertinentes au regard du risque, suffisamment exactes et compatibles avec la politique de souscription et le marché cible.

Le risque principal est celui de la discrimination par procuration. La suppression d’un critère comme le sexe, l’origine, le handicap ou l’état de santé ne suffit pas à empêcher le modèle de reconstruire une information voisine à partir du code postal, de la profession, des habitudes de consommation ou d’autres variables corrélées. L’analyse doit donc porter sur la pertinence de la variable, sa contribution au modèle, les corrélations observées, la plausibilité de son lien avec le risque et les alternatives moins intrusives. Toute corrélation n’est pas interdite, mais la performance statistique ne saurait être présentée comme une justification juridique automatique.

L’explicabilité doit également être intégrée au processus de souscription. Un modèle techniquement interprétable peut demeurer opaque pour l’utilisateur si celui-ci ne reçoit qu’un score sans motifs, limites ni indication d’incertitude. À l’inverse, un modèle complexe peut rester gouvernable si ses principaux facteurs, ses domaines de validité et les raisons d’une décision individuelle peuvent être extraits et contrôlés. La revue humaine doit se concentrer sur les décisions défavorables, les cas atypiques, les données contestées et les situations dans lesquelles le modèle se trouve hors de son domaine normal de performance.

L’IA pose enfin une question plus structurelle : jusqu’où la personnalisation demeure-t-elle compatible avec la mutualisation ? L’assurance a toujours classé les risques ; l’uniformité des primes n’en constitue pas l’essence. Une segmentation toujours plus fine peut toutefois réduire les solidarités du portefeuille, exclure les personnes dont le risque prédit est élevé ou pénaliser celles pour lesquelles les données sont rares. La gouvernance produit doit donc apprécier non seulement la rentabilité moyenne, mais aussi l’accessibilité, l’affordabilité et les effets de la personnalisation sur le marché cible.

Gestion des sinistres et fraude : éviter que le signal ne devienne la preuve

L’IA peut accélérer la gestion des sinistres en extrayant les informations de documents, en analysant des images, en évaluant un coût de réparation ou en orientant les dossiers simples vers un règlement rapide. Elle peut ainsi améliorer le service rendu. Le point de départ doit toutefois être la fonction réellement confiée au système. Un outil qui classe des pièces n’appelle pas les mêmes contrôles qu’un outil qui propose une réserve, signale une fraude, recommande une transaction ou conduit au rejet d’une demande. La gouvernance doit suivre la décision de plus fort impact que le système influence matériellement, non la description la plus rassurante figurant dans le dossier d’achat.

Les faux positifs constituent le risque caractéristique des modèles de fraude. Les données historiques peuvent refléter les endroits où les équipes ont cherché la fraude plutôt que ceux où elle s’est effectivement produite. Le modèle peut alors reproduire et amplifier ces pratiques, soumettant certaines catégories d’assurés à des contrôles répétés. Le score devrait en principe rester un indice d’investigation. Des règles doivent encadrer la précision des alertes, la durée maximale d’enquête, le niveau de preuve exigé avant toute mesure défavorable et les modalités d’information du client.

La nécessité d’une intervention humaine est particulièrement forte lorsqu’un outil influence un refus de garantie, une réduction d’indemnité ou un retard de règlement. Le gestionnaire doit réexaminer les stipulations contractuelles, les pièces et la situation propre à l’assuré, et non simplement vérifier que le modèle s’est exécuté sans erreur technique. La lettre adressée au client doit exposer les fondements contractuels et factuels effectivement retenus. La confidentialité des critères de détection peut justifier de ne pas révéler certains détails, mais elle ne supprime pas l’obligation interne de pouvoir expliquer et défendre la décision devant l’autorité, le juge ou l’audit.

L’IA générative crée un enjeu supplémentaire. Des images, factures ou récits synthétiques peuvent être utilisés à l’appui de demandes frauduleuses, tandis que les assureurs recourent à des outils multimodaux pour détecter les manipulations. Toute sortie susceptible d’être utilisée dans un contentieux devrait être conservée avec l’entrée analysée, la version du modèle, les paramètres pertinents et le niveau de confiance. À défaut, la conclusion technique risque d’être difficilement reproductible et contestable.

Tarification dynamique et objets connectés : distinguer le risque de la disposition à payer

La télématique automobile, les objets connectés du domicile ou les applications de bien-être permettent d’adapter la prime ou les avantages en fonction de comportements observés. Ces produits peuvent encourager la prévention et rendre économiquement viable une couverture à l’usage. Ils transforment toutefois la relation d’assurance : la collecte devient continue, la frontière entre souscription et gestion du contrat s’estompe et le client peut subir des modifications répétées de prix ou de prestations.

Il est essentiel de distinguer la tarification dynamique du risque de l’optimisation du prix selon la disposition à payer ou la propension à changer d’assureur. La première cherche à refléter la fréquence ou le coût attendu du sinistre ; la seconde vise à déterminer le prix maximal qu’un client est susceptible d’accepter. L’IA rend cette dernière pratique particulièrement scalable. Une gouvernance robuste doit donc identifier la finalité de chaque variable et empêcher que des indicateurs de fidélité, de vulnérabilité ou d’élasticité ne migrent silencieusement dans le moteur de tarification actuarielle.

La transparence est ici plus difficile mais également plus nécessaire. Le client doit comprendre les catégories de comportements susceptibles d’influencer la prime, le sens et la fréquence des ajustements, les données tierces utilisées et la procédure de correction ou de réexamen. Il n’est pas nécessaire de révéler une formule permettant de contourner le dispositif, mais l’information doit être intelligible et utile à la décision. La gouvernance produit doit parallèlement suivre les taux de souscription, de renouvellement, de résiliation et d’exclusion au sein des groupes concernés, et pas seulement la performance technique du portefeuille.

IA générative et distribution : encadrer le passage de l’information au conseil

L’IA générative se diffuse rapidement dans les assistants de relation client, la synthèse d’appels, l’analyse de contrats, la préparation de communications commerciales et l’aide aux intermédiaires. L’enquête 2026 de l’EIOPA recensait 957 cas d’usage déclarés, dont une majorité en back-office mais une part déjà importante tournée vers la clientèle. Les risques les plus fréquemment identifiés par les acteurs étaient les hallucinations, la cybersécurité, la protection des données et le manque d’explicabilité.

Dans la distribution, un chatbot peut passer sans rupture visible d’une assistance administrative à une recommandation réglementée. Poser des questions, réduire le nombre de produits et présenter une option comme adaptée peut engager les règles relatives aux exigences et besoins ou au conseil, même si l’interface évite ce terme. L’assureur ou l’intermédiaire doit définir les fonctions autorisées et interdites, tester les cas limites, conserver les échanges lorsque cela est nécessaire et transférer les situations sensibles ou incertaines vers un collaborateur qualifié.

Les outils internes ne sont pas exempts de risque. La synthèse d’un rapport médical, d’un dossier de sinistre ou d’un avis juridique peut influencer matériellement une décision sans être visible du client. Les utilisateurs doivent vérifier les références, les calculs et les stipulations invoquées ; les données confidentielles ou personnelles ne doivent pas être versées dans des services non approuvés. La formation doit être adaptée aux rôles : un gestionnaire de sinistres, un acheteur, un data scientist et un dirigeant n’ont ni les mêmes usages, ni les mêmes risques à détecter.

L’information selon laquelle l’interlocuteur est une IA, exigée dans certaines situations par l’article 50, constitue un préalable mais non une garantie suffisante. L’entreprise doit également maîtriser le contenu, les sources, les limites de la réponse et le chemin d’escalade. Un système qui improvise une exclusion, une position de garantie ou une comparaison de produits hors du corpus validé expose l’entreprise à un risque de conduite et de contentieux immédiat.

 

5. Gouverner la décision, et non le seul modèle

La bonne unité de conformité n’est pas l’algorithme considéré isolément. C’est la chaîne de décision complète : données d’entrée, modèle, règles métier, interface, intervention humaine, relation avec le prestataire, communication au client et suivi après déploiement. Cette approche évite deux écueils symétriques : réduire la conformité à une certification technique du modèle ou, à l’inverse, multiplier des analyses juridiques détachées du fonctionnement réel du processus.

Le premier instrument est un inventaire capable de supporter plusieurs classifications à la fois. Pour chaque système, l’assureur devrait enregistrer la finalité, le propriétaire, les utilisateurs, les personnes concernées, les catégories de données, le degré d’autonomie, la matérialité, la chaîne de fournisseurs et les pays de déploiement. Il devrait ensuite examiner séparément la qualification d’IA au sens de l’AI Act, la catégorie de risque, son rôle de fournisseur ou de déployeur, l’éventuelle application de l’article 22 du RGPD, la matérialité prudentielle, les dépendances DORA ainsi que les obligations de distribution ou de gouvernance produit.

Le deuxième instrument est le dossier de preuve. Une politique générale ne suffira pas si l’entreprise ne peut pas montrer son application au système concerné. Le dossier devrait contenir la finalité autorisée, la provenance des données, la justification des principales variables, la version du modèle, les résultats de validation, les tests d’équité, les limites, les instructions d’utilisation, la conception de la supervision humaine, les dépendances externes, les décisions d’approbation et les événements postérieurs au déploiement. L’objectif n’est pas documentaire pour lui-même : il est de pouvoir reconstruire pourquoi le système a été considéré comme licite et prudent à un moment donné.

L’explicabilité doit être organisée selon les destinataires. Les fonctions de contrôle et les autorités ont besoin d’une documentation technique et méthodologique détaillée. Le client affecté a besoin d’informations compréhensibles sur le rôle du système et les principaux éléments de la décision. Le RGPD et la jurisprudence européenne conduisent à écarter les explications purement formelles : placer un collaborateur après un score ne suffit pas lorsque ce score détermine en pratique l’issue, et l’invocation du secret des affaires ne permet pas de refuser toute information utile. Il n’est pas nécessaire de divulguer le code source, mais il faut être capable d’expliquer le processus, les facteurs pertinents et les voies de contestation.

La supervision humaine doit être effective. Le collaborateur doit disposer du temps, des compétences, des informations et de l’autorité nécessaires pour remettre en cause la sortie du système. Le processus doit définir les cas de revue obligatoire, les possibilités d’override et les modalités d’escalade. Un taux d’override extrêmement faible ne démontre pas nécessairement l’excellence du modèle ; il peut aussi révéler que le contrôle humain est devenu purement formel. Les taux de modification, les décisions annulées et les échantillonnages de dossiers doivent donc être analysés.

Les réclamations et les recours des clients constituent également une source de contrôle. Ils peuvent révéler des erreurs de données, des explications insuffisantes, des difficultés d’accès au réexamen ou des effets défavorables qu’une validation ex ante n’avait pas détectés. Les réclamations liées à l’IA devraient être identifiées, rattachées à la version du système et intégrées au suivi. Le réexamen doit permettre d’atteindre la base réelle de la décision, et non de relancer mécaniquement le même modèle.

Enfin, le suivi post-déploiement doit couvrir la dérive de performance, la dérive des données, l’évolution des effets d’équité, les incidents cyber, les changements apportés par le fournisseur et les modifications de l’usage métier. Un modèle acceptable lors de son approbation peut devenir inadapté lorsque les comportements, les coûts, l’accès aux soins ou les données disponibles évoluent. Les seuils de surveillance doivent conduire à des actions déterminées : revue renforcée, recalibrage, restriction temporaire ou retrait.

L’externalisation ne transfère pas la responsabilité réglementaire. L’assureur qui utilise une solution fournie par un tiers demeure tenu de respecter ses obligations sectorielles. Les contrats doivent permettre l’audit, la compréhension des évolutions du modèle, l’accès aux informations utiles, la coopération avec les autorités, la gestion des incidents, la sécurité, la continuité, la réversibilité et la suppression ou restitution des données. Une clause de propriété intellectuelle qui empêche toute explication significative n’est pas une allocation viable du risque. Une solution techniquement performante peut être juridiquement inutilisable si l’assureur ne peut pas satisfaire ses propres obligations à partir des informations fournies.

 

Conclusion : concevoir la prudence dans le système

L’IA ne remet pas en cause la capacité de l’assurance à différencier les risques ; elle accroît la puissance, la granularité et la vitesse de cette différenciation. C’est précisément pourquoi elle doit être gouvernée. L’équité ne peut être réduite à l’égalité des résultats, pas davantage que la conformité ne peut être réduite à la qualification de système à haut risque.

Le standard pratique qui se dessine est celui d’une prédiction maîtrisée : l’assureur doit pouvoir identifier le système, qualifier son rôle, justifier ses données et ses variables, tester ses effets, organiser une intervention humaine compétente, contrôler ses prestataires et reconstruire la décision dans le temps. Le report de certaines obligations à 2027 et 2028 offre un délai utile pour y parvenir. Il ne change pas l’essentiel : dans l’assurance, la prudence doit être conçue dans le système avant que sa sortie n’affecte l’assuré.