Après des années d’expérimentations, l’assurance entre dans une nouvelle phase de l’adoption de l’IA : celle du passage à l’échelle.
La recherche de cas d’usage et les POC ont permis d’explorer les possibilités de l’intelligence artificielle et d’en comprendre les limites. Avec les progrès des modèles et l’émergence de l’IA agentique, le débat a changé de nature.
Analyser des documents, exploiter des données, assister les décisions, automatiser des processus ou interagir directement avec les applications : l’IA trouve désormais des usages dans la plupart des métiers de l’assurance.
Du 26 au 29 octobre, plus de 3 000 assureurs et partenaires de 36 pays se sont réunis à Las Vegas pour Connections 2026, autour du thème « Insurance With Confidence ». Des délégations françaises et européennes avaient également fait le déplacement pour découvrir les innovations et échanger avec leurs pairs.
Je reviens toujours enthousiaste de Connections. Mais cette année, au-delà des nombreuses annonces et démonstrations, ce sont surtout les échanges entre experts et les retours d’expérience des assureurs qui m’ont particulièrement marqué. Ces témoignages montrent que les assureurs sont désormais passés de l’expérimentation à la transformation concrète de leurs opérations, avec des résultats tangibles et des enseignements particulièrement riches.
1. Transformer le travail, pas seulement déployer l’IA
Une IA convaincante en démonstration ne crée pas nécessairement de valeur dans les opérations quotidiennes. Pour cela, elle doit s’intégrer aux processus, disposer des bonnes informations et être adoptée par les collaborateurs.
Une partie importante de son potentiel réside dans la réduction du temps consacré à rechercher une procédure, comparer plusieurs sources, solliciter un expert ou faire circuler un dossier entre différents outils. Ce « travail de liaison » mobilise du temps qui pourrait être consacré à l’analyse, à la décision et à la relation client.
Les témoignages de Gore Mutual et de TD Insurance ont illustré cette évolution.
Gore Mutual a présenté le passage d’un développement interne plafonnant autour de 60 % de précision à une solution spécialisée visant 90 %. Chez cet assureur, les nouveaux collaborateurs représentent environ 20 % des utilisateurs, mais génèrent 33 % des questions adressées à l’outil. Ces données offrent aussi de nouvelles possibilités pour identifier les besoins d’accompagnement des collaborateurs et adapter les formations.
TD Insurance a montré comment rendre les procédures et l’expertise accessibles pendant les interactions avec les clients. Un collaborateur peut retrouver une règle sans interrompre un appel, tandis que les experts se concentrent davantage sur les situations complexes et l’accompagnement de leurs collègues.
Ce qui m’intéresse dans ces exemples, c’est la manière dont l’IA transforme les pratiques de travail et la circulation des connaissances.
La question n’est plus seulement ce que l’IA peut faire à notre place, mais ce qu’elle nous permet de faire mieux.
C’est pourquoi la gestion du changement devient une priorité stratégique.
Former les équipes à de nouveaux outils ne suffit pas. Il faut repenser les processus, clarifier les responsabilités, développer les compétences et accompagner les managers. Les experts doivent pouvoir consacrer davantage de temps au jugement et à la transmission de leur savoir-faire.
La réussite doit également se mesurer au-delà du nombre d’utilisateurs ou des tâches automatisées : gains de productivité, qualité des décisions, expérience des collaborateurs et des clients.
Industrialiser l’IA, ce n’est pas seulement rendre la technologie disponible à grande échelle. C’est rendre l’entreprise capable de l’utiliser à grande échelle.
2. Passer à l’échelle en toute confiance : les fondations d’une IA industrielle
Alors que les conditions de mise en production des grands modèles de langage (LLM) suscitent encore de nombreuses interrogations dans le secteur français de l’assurance, Connections 2026 a permis de découvrir des retours d’expérience concrets de déploiements en production.
Avec l’IA agentique, nous passons progressivement de systèmes qui analysent et recommandent à des agents capables d’interagir avec les applications, de mobiliser plusieurs sources d’information et d’exécuter certaines actions.
Mais comment garantir leur fiabilité, sécuriser leurs accès, contrôler leurs actions et maintenir une supervision adaptée ?
La discussion entre Ben Chang, Vice President of Engineering chez Guidewire, et Viyat Bhalodia, Member of Technical Staff chez OpenAI, a été particulièrement éclairante sur ces questions.
Lors de leur session « Security in the Age of AI Agents: A Conversation with OpenAI », les deux experts ont partagé des principes d’architecture et des bonnes pratiques pour déployer l’IA agentique en production, au-delà des seules performances des modèles.
J’en retiens une conclusion : la confiance ne repose pas sur le seul modèle d’IA. Elle se construit dans l’ensemble de la plateforme industrielle qui permet de le déployer, de contrôler ses actions et de le superviser.
Encadrer l’autonomie des agents IA
Le déploiement de l’IA agentique exige une défense en profondeur. La sécurité ne peut pas dépendre uniquement du comportement du modèle. Elle doit s’appuyer sur des contrôles explicites : environnements isolés, accès limités au strict nécessaire, actions autorisées clairement définies et surveillance en production.
L’autonomie doit être proportionnée aux risques. Rechercher une information n’a pas les mêmes conséquences que déclencher un paiement de sinistre ou transmettre des données sensibles.
La validation humaine reste indispensable pour certaines décisions, mais elle doit être ciblée. Des approbations trop fréquentes peuvent provoquer une fatigue de contrôle et en réduire l’efficacité.
Enfin, la traçabilité doit permettre aux métiers et aux fonctions de contrôle de comprendre les informations utilisées et les actions réalisées.
La confiance ne vient pas de la promesse d’une IA sans erreur. Elle vient de la capacité à détecter ces erreurs, à en limiter les conséquences et à garder le contrôle.
Une plateforme moderne, connectée aux métiers
Ces exigences de sécurité et de supervision ne peuvent être dissociées des systèmes sur lesquels les agents doivent s’appuyer.
Pour agir correctement, un agent doit disposer du contexte métier : l’état actuel d’un contrat ou d’un sinistre, les règles applicables et l’historique du dossier. Il doit accéder à des données fiables et interagir avec les applications dans un environnement maîtrisé.
Cela suppose un modèle de données métier cohérent, des API et une architecture permettant d’intégrer l’IA directement dans les opérations, dans un cadre sécurisé et gouverné.
La modernisation du système d’information et l’industrialisation de l’IA doivent faire partie d’une même trajectoire de transformation.
Mais cette modernisation ne peut plus se limiter au remplacement technologique.
De nombreux assureurs ont conscience qu’une migration vers le cloud leur permettra de gagner en agilité et d’accéder plus rapidement aux dernières innovations. Pourtant, ces programmes restent souvent abordés comme des migrations essentiellement techniques. Les bénéfices métier sont alors difficiles à démontrer à l’issue de cette première étape, malgré les investissements engagés.
Pourquoi investir dans une nouvelle plateforme pour simplement reproduire les processus d’hier ?
Une transformation doit être l’occasion de simplifier les opérations, de mieux exploiter les données et d’intégrer de nouvelles capacités d’automatisation et d’IA.
Il ne s’agit pas de tout transformer simultanément, mais de définir des bénéfices métier prioritaires et de les intégrer dès les premières mises en production.
La modernisation ne doit pas seulement remplacer l’existant. Elle doit permettre à l’entreprise de faire ce qu’elle ne pouvait pas faire auparavant.
3. Des transformations réussies, sans trajectoire unique
Les témoignages présentés à Connections montrent qu’il n’existe pas une seule méthode pour réussir une transformation. Approche progressive ou bascule globale : la trajectoire dépend du contexte, mais la création de valeur, la maîtrise des risques et l’implication des métiers restent essentielles.
West Bend : créer de la valeur dès le premier jour
West Bend a déployé douze modèles de machine learning dès la première mise en production de ClaimCenter, autour de trois priorités : la gravité des sinistres, le risque de contentieux et la subrogation.
Préparés parallèlement à la migration des données, les modèles ont été intégrés directement au travail des gestionnaires, sous forme d’alertes explicables et de recommandations d’action.
Ce qui me paraît remarquable n’est pas tant le nombre de modèles déployés que la démarche : créer de la valeur métier dès le premier go-live, plutôt que de repousser les bénéfices à des phases ultérieures.
American Family : avancer par étapes, sans perdre l’ambition
American Family devait remplacer plusieurs systèmes d’administration des polices datant des années 1980, associés à près de 3 milliards de dollars de primes et 2,5 millions de contrats.
La migration vers PolicyCenter Cloud, menée avec Guidewire et EY, a été organisée comme une transformation d’entreprise, avec des indicateurs partagés et une gouvernance commune.
L’assureur a retenu une approche progressive, par produit et par État, permettant d’ajuster le rythme ou de revenir en arrière si les indicateurs de qualité, de continuité ou de santé des équipes se dégradaient.
Une approche phasée a permis de maîtriser les risques, d’apprendre à chaque étape et d’accompagner le changement, sans perdre de vue l’ambition globale.
Arch Insurance : un big bang où la préparation a fait la différence
Arch Insurance a suivi une trajectoire très différente.
En août 2024, l’assureur a finalisé l’acquisition auprès d’Allianz de ses activités américaines MidCorp et Entertainment, représentant environ 1,7 milliard de dollars de primes brutes émises en 2023 et près de 500 collaborateurs.
L’enjeu était d’intégrer ces activités tout en les séparant des systèmes informatiques d’Allianz dans un calendrier contraint, sans interrompre les opérations.
Arch a choisi une bascule complète vers un nouvel écosystème Guidewire comprenant PolicyCenter, BillingCenter et ClaimCenter, après 16 mois de préparation.
Le contexte était complexe : connaissance encore incomplète des processus acquis et données indisponibles au lancement. Les premières répétitions de migration ont révélé des écarts importants, conduisant les équipes à multiplier les tests et les migrations à blanc. Plus de 75 utilisateurs ont testé les fonctionnalités pendant plusieurs semaines.
Le résultat ? Une mise en production presque « ennuyeuse », sans incident majeur.
Arch montre qu’un big bang peut être maîtrisé grâce à des tests réalistes, des scénarios de repli et une forte implication des utilisateurs.
Le prochain défi n’est plus de démontrer, mais de transformer
Le défi est désormais de transformer les possibilités technologiques en résultats mesurables, à grande échelle et dans la durée.
Cela suppose deux priorités indissociables : construire les conditions de la confiance et faire évoluer les organisations pour que les collaborateurs puissent réellement tirer parti de l’IA.
Pour les assureurs français, les expériences présentées à Las Vegas montrent également qu’une modernisation, progressive ou menée sous forme de big bang, doit apporter de la valeur dès les premières mises en production et préparer les capacités futures.
La différence ne se fera pas sur le nombre de POC réalisés, ni sur le nombre d’agents déployés. Elle se fera sur ce que l’IA change réellement dans les décisions, les opérations et le travail des équipes.
Pour aller plus loin
- Guidewire : une plateforme core ouverte, sécurisée et complète
- Guidewire : acquisition d’hyperexponential
- Gore Mutual : déploiement de ProNavigator
- Insurance Innovation Reporter : retours d’expérience Gore Mutual et TD Insurance
- Connections 2026 : session « Security in the Age of AI Agents: A Conversation with OpenAI » disponible à la demande