IA et assurance : tarification, gestion des sinistres et prévention

L'assurance est, depuis toujours, un métier de la probabilité. Estimer la chance qu'un toit cède, qu'un conducteur freine trop tard, qu'une canalisation lâche pendant la nuit : voilà le cœur du travail, bien avant que l'on parle d'algorithmes. C'est précisément parce que ce métier consiste à modéliser l'incertitude qu'il rencontre aujourd'hui l'intelligence artificielle avec une intensité particulière. Là où l'actuaire traçait des tables de mortalité et des courbes de sinistralité, des modèles apprennent désormais à lire des images satellitaires, des données de conduite, des dossiers médicaux ou des signaux d'objets connectés. Cet article propose un tour d'horizon posé de cette rencontre : ce que l'IA change concrètement pour la tarification, pour la gestion des sinistres et pour la prévention, et comment le secteur cherche à concilier finesse statistique et équité de traitement.

L'idée directrice tient en une phrase : l'IA ne réinvente pas l'assurance, elle en accélère et en affine les gestes anciens, tout en soulevant des questions nouvelles sur la façon dont un tarif se construit. Nous avancerons sans idéaliser ni noircir le tableau. Chaque usage a sa valeur et ses limites, et le secteur avance sous le regard de plus en plus attentif des autorités. C'est ce double mouvement — capacité technique d'un côté, cadre de responsabilité de l'autre — qui rend le sujet passionnant à décrire.

Un mot de méthode avant d'entrer dans le vif. Les chiffres cités ici proviennent de sources publiques vérifiées : rapports sectoriels, textes réglementaires, études d'organismes reconnus, presse spécialisée. Quand une donnée est solide, elle est sourcée en fin d'article. Quand un usage relève encore de la montée en charge plutôt que du standard, nous le disons. L'objectif est de vous laisser une carte fiable du territoire, pas un catalogue de superlatifs.

L'assurance, un métier de la donnée avant l'IA

Pour saisir ce que l'IA apporte, il faut d'abord rappeler ce qu'elle prolonge. Une compagnie d'assurance mutualise le risque : elle collecte des cotisations auprès d'un grand nombre d'assurés pour indemniser la minorité qui subira un sinistre sur une période donnée. Tout l'art consiste à fixer une cotisation qui reflète le risque réel apporté par chaque profil, sans quoi l'équilibre se rompt. Trop bas, le tarif ruine l'assureur ; trop haut, il fait fuir les bons profils et ne retient que les mauvais. Cette recherche d'un juste prix repose, depuis des décennies, sur des statistiques.

Le métier d'actuaire, cœur technique de l'assurance, formalise cette discipline. Il segmente les populations en classes de risque homogènes et attribue à chacune une prime cohérente avec sa sinistralité observée. Historiquement, cette segmentation s'appuyait sur un nombre limité de variables : âge, lieu de résidence, historique de sinistres, type de bien assuré. Les modèles étaient interprétables, presque lisibles à l'œil, et validés par des méthodes éprouvées. C'est ce socle que l'apprentissage automatique vient enrichir.

Ce que l'apprentissage automatique déplace

La bascule tient à deux mots : volume et variété. Les modèles d'apprentissage automatique digèrent des quantités de données bien supérieures et des formats que les méthodes classiques peinaient à exploiter — images, texte libre, séries temporelles issues de capteurs. Là où l'actuaire raisonnait sur quelques dizaines de variables, un modèle peut en croiser des centaines et détecter des combinaisons subtiles associées à une sinistralité plus ou moins élevée. Selon SmartDev (2025), ces approches ont amélioré la précision de la prédiction du risque d'environ 25 % par rapport aux modèles actuariels traditionnels, et permis aux grands assureurs des gains notables de performance de portefeuille.

Cette puissance a une contrepartie que le secteur mesure de mieux en mieux : plus un modèle croise de variables, plus il devient difficile à expliquer, et plus il faut vérifier qu'il ne reproduit pas des écarts injustifiés entre catégories de population. Nous y reviendrons longuement, car c'est là que se joue une part essentielle de l'avenir. Retenons pour l'instant que la finesse gagnée d'un côté crée une exigence de vigilance de l'autre.

La tension entre finesse et mutualisation

Un débat de fond mérite d'être posé ici, car il traverse tout le sujet. L'assurance repose sur la mutualisation : un grand nombre de personnes partagent le coût d'un aléa que seule une minorité subira. Or plus la segmentation devient fine, plus elle rapproche chaque prime du risque individuel, et plus elle réduit mécaniquement la part de mutualisation. À l'extrême théorique, une tarification parfaitement individualisée ferait payer à chacun exactement son risque, ce qui viderait de sens l'idée même de partage. Ce point de tension n'est pas nouveau — les actuaires le connaissent depuis longtemps — mais l'IA le rend plus vif, puisqu'elle repousse les limites de ce qu'il est techniquement possible de segmenter.

Le secteur cherche donc un point d'équilibre entre deux exigences également légitimes : refléter le risque réel pour rester viable, et préserver une solidarité qui donne à l'assurance sa valeur sociale. Ce n'est pas un arbitrage purement technique ; c'est un choix de modèle, que les régulateurs accompagnent en fixant des limites à certaines variables et en imposant des contrôles. Comprendre cette tension aide à lire avec justesse les évolutions à venir : la question n'est jamais seulement « que peut-on mesurer ? », mais « jusqu'où est-il souhaitable d'individualiser ? ».

L'IA ne fait pas de l'assurance un métier nouveau : elle donne aux gestes anciens — estimer, segmenter, indemniser — une portée que les tables statistiques n'atteignaient pas. La question n'est plus tant de savoir ce que la machine peut calculer, mais ce qu'il est juste de lui faire calculer.

Tarification : vers une prime plus fine, sous conditions

La tarification est le domaine où l'IA se voit le plus discrètement et pèse le plus lourd. Chaque devis, chaque renouvellement de contrat mobilise désormais, chez de nombreux assureurs, des modèles prédictifs. L'ambition affichée est double : mieux coller le prix au risque réel, et automatiser une part croissante des décisions de souscription pour gagner en rapidité.

Les ordres de grandeur avancés par les acteurs du secteur sont parlants. Selon plusieurs études sectorielles, des solutions d'IA réduisent le temps de souscription de plusieurs jours à quelques minutes tout en améliorant la précision de l'évaluation du risque d'environ 20 %, en agrégeant automatiquement des données jusque-là dispersées. Sur des lignes standard, une part significative des dossiers passe désormais en traitement direct, validés et tarifés sans intervention humaine. Le marché mondial de l'IA dans l'assurance illustre l'ampleur du mouvement : les cabinets d'études sectorielles l'estiment à environ 15 milliards de dollars en 2025 (chiffre indicatif, les instituts affichant des fourchettes allant d'environ 9 à 19 milliards de dollars selon la méthodologie retenue), avec des projections de forte croissance sur la décennie.

La tarification comportementale et l'usage réel

Le changement le plus visible pour le grand public tient à la tarification fondée sur l'usage réel, souvent appelée assurance à l'usage. En automobile, des boîtiers télématiques ou une application mobile mesurent la façon dont on conduit : kilomètres parcourus, horaires, accélérations, freinages, virages. Un modèle traduit ces signaux en un score de conduite qui module la prime. L'assuré prudent voit sa cotisation refléter son comportement plutôt qu'une moyenne de classe d'âge. Dans le transport commercial, des caméras embarquées détectent la somnolence ou la distraction et déclenchent une alerte avant l'incident, ce qui relie directement la tarification à la prévention.

Le même principe se déploie dans l'habitation avec les objets connectés, et dans la santé et la prévoyance avec les données de bien-être issues d'objets portés. L'assurance passe alors d'une logique de photographie ponctuelle — un questionnaire à la souscription — à une logique de film : le risque se mesure en continu. Cette évolution séduit une partie des assurés, qui y voient un moyen de faire valoir leur comportement vertueux, tout en posant des questions légitimes sur la protection des données personnelles et le consentement, encadrées par le règlement européen sur la protection des données.

Les images vues du ciel

La tarification des biens immobiliers connaît elle aussi une transformation par l'image. Des assureurs exploitent des prises de vue aériennes et satellitaires, analysées par des modèles de vision, pour évaluer l'état d'un toit, la proximité de la végétation, les modifications d'un bâtiment. Ces informations nourrissent la décision d'assurer, de renouveler et de tarifer, avec une rapidité inédite. La contrepartie est connue et discutée publiquement : une image peut être datée ou mal interprétée — une ombre prise pour une dégradation, une bâche pour de la négligence. Les régulateurs et les associations de consommateurs demandent donc des garde-fous, notamment la possibilité pour l'assuré de contester une évaluation automatisée. Le principe demeure sain — mieux connaître le bien pour mieux le protéger — à condition que l'humain garde la main sur les cas litigieux.

Domaine d'usage	Ce que l'IA apporte	Point de vigilance
Souscription auto/habitation	Décision en minutes, précision du risque améliorée (~20 %)	Explicabilité de la décision
Assurance à l'usage (télématique)	Prime alignée sur le comportement réel de conduite	Consentement et protection des données
Tarification des biens (imagerie)	Analyse de l'état d'un toit ou d'un terrain à distance	Images datées, droit de contestation
Santé et prévoyance	Évaluation continue à partir de données de bien-être	Classement en système à haut risque (IA Act)

Gestion des sinistres : de la déclaration à l'indemnisation

Si la tarification est le domaine le plus stratégique, la gestion des sinistres est celui où l'IA soulage le plus visiblement le quotidien. Un sinistre, du point de vue de l'assuré, c'est un moment d'inquiétude et d'attente ; du point de vue de l'assureur, c'est une chaîne d'étapes coûteuses : déclaration, vérification, expertise, estimation, versement. L'IA intervient à chaque maillon pour raccourcir les délais et fluidifier l'expérience.

Les gains rapportés par le secteur sont substantiels. Certains assureurs annoncent une baisse des délais de traitement pouvant atteindre 90 % sur les dossiers simples, et une part importante des sinistres standard en assurances de personnes traités en flux direct, c'est-à-dire validés et payés sans intervention humaine. Les analyses convergent sur des ordres de grandeur de 20 à 35 % de diminution des coûts opérationnels et des cycles de règlement raccourcis de moitié dans les 12 à 18 mois suivant un déploiement complet. Derrière ces pourcentages, l'enjeu humain est simple : recevoir plus vite une indemnisation légitime.

Le premier contact et l'estimation des dégâts

Concrètement, la chaîne commence souvent par un agent conversationnel qui recueille la déclaration, pose les bonnes questions et oriente le dossier. La vision par ordinateur prend le relais pour estimer les dégâts : à partir de photos d'un véhicule accidenté ou d'un logement sinistré, un modèle propose une première évaluation du montant, comparée à des bases de coûts de réparation. Après un sinistre climatique majeur, l'imagerie aérienne et satellitaire, traitée par des algorithmes, produit une cartographie des dommages d'un quartier entier en quelques heures, là où des experts mettaient des jours à se déployer. On rapporte des baisses de l'ordre de 30 % des frais d'expertise et une accélération sensible des inspections.

Cette automatisation ne supprime pas l'expertise humaine : elle la recentre sur les dossiers complexes, contestés ou d'un montant élevé, où le jugement et l'empathie font la différence. Le bon équilibre, celui que recherchent les assureurs sérieux, consiste à laisser la machine traiter le volumineux et le répétitif pour libérer du temps d'expert sur ce qui le mérite vraiment.

La détection des dossiers frauduleux

La lutte contre la fraude est l'un des terrains les plus mûrs pour l'IA, et l'un des plus utiles collectivement, car la fraude est payée in fine par l'ensemble des assurés honnêtes. L'ampleur du phénomène est considérable : la Coalition Against Insurance Fraud estime les pertes annuelles liées à la fraude à l'assurance aux États-Unis à environ 308,6 milliards de dollars, soit près de 900 dollars supplémentaires par foyer et par an répercutés sur les primes. Face à cela, la quasi-totalité des assureurs déploient des technologies anti-fraude.

Les modèles d'apprentissage automatique excellent à repérer les configurations atypiques dans un flux de dossiers : incohérences entre déclarations, réseaux de sinistres liés, motifs qui s'écartent du comportement attendu. Les systèmes récents affichent des taux de détection nettement supérieurs aux méthodes traditionnelles et, point tout aussi important, réduisent les fausses alertes — ces dossiers honnêtes signalés à tort qui exaspèrent les assurés. Un scoring en temps réel qui diminue de 40 % les faux positifs, comme le rapportent plusieurs déploiements, améliore autant l'efficacité que la relation client.

Un point mérite d'être nommé sans détour : l'IA générative crée aussi de nouveaux vecteurs de fraude, avec la fabrication d'images ou de documents falsifiés. Le secteur y répond par des outils de détection d'images synthétiques, dans une logique classique de course entre la fabrication et la vérification. C'est un risque géré, pas subi, et il illustre que l'IA se trouve des deux côtés de la table.

Le meilleur usage de l'IA dans les sinistres n'est pas de remplacer l'expert, mais de lui rendre du temps : traiter en flux ce qui est simple et incontestable, pour concentrer le regard humain là où un dossier a besoin de nuance, de contexte et d'écoute.

Branche par branche : où l'IA travaille déjà

Les grands principes prennent tout leur relief lorsqu'on descend au niveau des branches d'assurance, car chacune mobilise l'IA à sa manière, selon la nature du risque qu'elle couvre. Ce détour concret montre que le sujet n'est ni abstrait ni lointain : il s'inscrit déjà dans le fonctionnement ordinaire du secteur.

Automobile : le laboratoire de la donnée

L'assurance automobile est historiquement la branche la plus avancée, parce qu'elle dispose de la donnée la plus riche et la plus structurée. Le véhicule est devenu un objet connecté qui produit un flux continu d'informations sur son usage. Les modèles y estiment le risque au plus près du comportement, orientent la tarification à l'usage et accélèrent la gestion des sinistres matériels grâce à l'analyse d'images de carrosserie. C'est aussi là que la prévention routière trouve son terrain d'expression le plus direct, avec des alertes qui interviennent avant l'accident. Cette avance fait de l'automobile un laboratoire dont les enseignements se diffusent progressivement vers les autres branches.

Habitation et biens : l'œil et le capteur

En assurance habitation, deux technologies se conjuguent. L'image, d'abord, vue du ciel ou du sol, permet d'évaluer l'état d'un bien à distance et d'accélérer l'expertise après un sinistre. Le capteur, ensuite, ouvre la voie à la prévention active, en signalant une fuite ou une anomalie avant qu'elle ne dégénère. La combinaison des deux dessine une assurance habitation plus réactive, où le sinistre le plus fréquent — le dégât des eaux — recule sous l'effet de dispositifs qui l'anticipent. Pour l'assuré, cela se traduit par une relation moins tendue avec son assureur, davantage tournée vers l'accompagnement que vers la seule indemnisation.

Santé, prévoyance et vie : le terrain le plus sensible

Les branches de personnes — santé, prévoyance, assurance vie — sont celles où l'IA appelle la plus grande prudence, précisément parce que les données en jeu touchent à l'intime. C'est aussi pourquoi le cadre européen les classe parmi les usages à haut risque lorsqu'ils servent à évaluer le risque et à tarifer. L'IA y apporte une valeur réelle : accélérer la gestion des dossiers, fluidifier les remboursements, soutenir des programmes d'accompagnement fondés sur des données de bien-être consenties. Mais chaque usage y est pesé au regard du consentement, de la finalité et de la protection accordée par la réglementation. Le mot d'ordre des acteurs sérieux, sur ce terrain, tient en un principe : la donnée de santé sert à protéger l'assuré, jamais à l'écarter.

D'une branche à l'autre, un même fil se dessine : l'IA rapproche l'assurance du réel — le comportement de conduite, l'état d'un toit, le signal d'un capteur — et la déplace peu à peu de la réparation vers l'anticipation.

Prévention : l'assurance qui aide à ne pas déclarer de sinistre

Le déplacement le plus prometteur, à long terme, tient dans un renversement de logique. L'assurance traditionnelle indemnise après coup ; l'IA associée aux objets connectés permet d'anticiper et d'éviter l'incident. Ce passage d'un modèle « réparer » à un modèle « prévenir puis protéger » est peut-être la transformation la plus profonde du secteur, car elle aligne enfin l'intérêt de l'assureur et celui de l'assuré : moins de sinistres, c'est bénéfique pour les deux.

L'habitation offre l'exemple le plus concret. Des capteurs acoustiques placés sur le réseau d'eau détectent une fuite naissante et coupent l'arrivée avant qu'un dégât des eaux ne se déclare. Selon les fournisseurs de ces solutions, la technologie de détection de fuite peut réduire le risque de sinistre lié à l'eau de façon très marquée, et les logements équipés bénéficient d'allègements de prime de l'ordre de 5 à 12 %. De grands assureurs installent des milliers de capteurs chez leurs assurés précisément parce que le calcul est favorable à tous : le dégât des eaux hors intempéries est l'un des sinistres habitation les plus fréquents et les plus coûteux.

De la maintenance corrective à la maintenance prédictive

Au-delà de l'eau, la même intelligence anticipe les défaillances d'appareils, de plomberie ou de systèmes de chauffage et de climatisation avant qu'elles ne surviennent. Un flux continu de données de capteurs, analysé par des modèles, permet de passer d'une réparation d'urgence à une intervention planifiée. Cette maintenance prédictive, longtemps réservée à l'industrie et à ses machines critiques, descend progressivement vers le logement et le petit patrimoine des particuliers. Elle réduit les sinistres, mais aussi le stress et le coût des réparations dans l'urgence.

Dans le domaine automobile, la prévention prend la forme d'alertes en temps réel et de retours sur la conduite, qui incitent chacun à corriger ses habitudes à risque. Dans la santé et la prévoyance, elle s'exprime par des programmes d'accompagnement fondés sur les données de bien-être, avec toute la prudence que réclame ce terrain sensible. Le fil conducteur reste identique : mobiliser la donnée non pour trier, mais pour aider.

Un modèle vertueux, sous réserve d'équilibre

Ce modèle préventif n'est pas sans tension. Plus l'assureur observe finement le comportement, plus il peut prévenir — mais plus il en sait aussi sur la vie privée de l'assuré. Le bon dosage suppose la transparence sur les données collectées, un consentement clair et la garantie que la prévention ne se retourne pas en surveillance ou en exclusion. Les acteurs les plus avancés l'ont compris : la valeur de ces dispositifs tient autant à la confiance qu'ils inspirent qu'à leur performance technique. Une prévention acceptée est une prévention efficace.

• Détection de fuite d'eau : capteurs acoustiques coupant l'arrivée d'eau, baisse marquée du risque de dégât des eaux, allègements de prime associés.
• Maintenance prédictive du logement : anticipation des pannes d'appareils, de plomberie et de chauffage à partir de données de capteurs.
• Prévention routière : alertes de somnolence et de distraction, retours de conduite qui corrigent les habitudes à risque.
• Accompagnement santé : programmes fondés sur les données de bien-être, sous conditions strictes de consentement et de finalité.

Équité algorithmique : le débat qui structure l'avenir

Nous arrivons au point le plus délicat, et sans doute le plus important pour l'avenir du secteur. Un modèle de tarification puissant apprend à partir de données historiques. Or ces données portent la trace des inégalités passées. Le risque, largement documenté, est que le modèle reproduise ou amplifie des écarts de traitement entre catégories de population, même quand ses concepteurs n'en ont aucune intention. C'est le cœur du débat sur l'équité algorithmique en assurance.

Le mécanisme de la variable relais

Le mécanisme central porte un nom : la variable relais, ou proxy. Un modèle auquel on interdit d'utiliser directement une caractéristique protégée — origine, par exemple — peut malgré tout la reconstituer indirectement à travers des variables corrélées : code postal, score de crédit, niveau d'éducation, profession. Le code postal, en particulier, encode souvent des réalités socio-démographiques héritées de la ségrégation spatiale ; le score de crédit reflète des écarts de patrimoine. Un modèle qui s'appuie sur ces variables peut aboutir à un impact différencié sur des groupes protégés, sans jamais nommer la caractéristique interdite. La difficulté est réelle car ces variables sont aussi, parfois, authentiquement prédictives du risque : c'est toute la tension entre justesse actuarielle et équité.

La question posée par les régulateurs n'est donc plus seulement « le modèle utilise-t-il une variable interdite ? » mais « le modèle produit-il des résultats sensiblement différents pour des profils de risque comparables selon leur appartenance à un groupe protégé ? ». Ce glissement d'une logique d'intention vers une logique de résultat est fondamental. Il déplace la charge : l'assureur doit désormais tester activement ses modèles pour détecter et corriger d'éventuels écarts injustifiés, et documenter cette démarche.

Le vrai test d'équité ne demande pas si un algorithme mentionne une caractéristique interdite, mais si, à risque comparable, il traite deux personnes de la même façon. C'est un test de résultat, pas d'intention — et c'est là que se joue la confiance dans l'assurance de demain.

Une réponse réglementaire qui se structure

Face à cet enjeu, le cadre se précise des deux côtés de l'Atlantique. Aux États-Unis, l'association des régulateurs, la NAIC, a formalisé en 2023 un bulletin-modèle sur l'usage de l'IA par les assureurs, adopté depuis, en totalité ou sous une forme proche, par au moins vingt-quatre États et le District de Columbia. Le Colorado est allé plus loin : sa réglementation impose aux assureurs de tester et de documenter si leurs algorithmes produisent une discrimination injustifiée, avec une extension progressive à l'automobile et à la santé et des échéances de conformité fixées. Cette approche par les résultats fait figure de référence discutée dans toute la profession.

En Europe, le règlement sur l'intelligence artificielle — l'IA Act — classe explicitement parmi les systèmes à haut risque les usages d'IA destinés à l'évaluation du risque et à la tarification en assurance vie et santé pour les personnes physiques, ainsi que l'évaluation de la solvabilité et le scoring de crédit. Ce classement entraîne des obligations renforcées : gouvernance des données, documentation, supervision humaine, évaluation d'impact. En France, l'ACPR est appelée à jouer le rôle d'autorité de surveillance du secteur financier pour ces systèmes. Le calendrier d'application des obligations les plus lourdes s'échelonne sur les prochaines années, laissant au secteur le temps de s'organiser.

Vers une équité outillée

Il serait injuste de présenter ces contraintes comme un frein. Elles dessinent au contraire une voie constructive : celle d'une IA dont la performance se double d'une redevabilité. Les techniques existent pour aller dans ce sens — mesure des écarts de traitement entre groupes, tests statistiques d'impact, explicabilité des décisions individuelles, possibilité de recours humain. Un assureur qui les intègre ne renonce pas à la finesse de ses modèles ; il la met au service d'une relation de confiance durable. Et cette confiance est, pour un métier fondé sur la promesse d'indemnisation, l'actif le plus précieux qui soit.

Repères pour lire l'IA dans l'assurance

Au terme de ce parcours, quelques repères aident à garder une lecture lucide de ces transformations, que l'on soit professionnel du secteur, assuré curieux ou simple observateur. Ils tiennent moins de la recette que de la boussole.

Premier repère : distinguer la capacité technique de la décision de l'employer. Qu'un modèle sache croiser des centaines de variables ne signifie pas qu'il soit souhaitable de toutes les utiliser. Les meilleurs acteurs choisissent leurs variables autant qu'ils entraînent leurs modèles. Deuxième repère : la vitesse n'est une vertu que si elle laisse place au recours. Une décision automatisée rendue en quelques secondes doit toujours pouvoir être expliquée et contestée par un humain. Troisième repère : la donnée de prévention est précieuse tant qu'elle sert à protéger et non à exclure ; sa légitimité tient au consentement et à la clarté de sa finalité.

Ce que chacun peut retenir

Pour l'assuré, le message est plutôt encourageant. L'IA promet des devis plus rapides, des indemnisations plus fluides, des primes qui reconnaissent le comportement vertueux, et des dispositifs qui aident à éviter le sinistre plutôt qu'à le subir. En contrepartie, elle appelle à une vigilance sur la donnée personnelle et sur le droit de contester une décision automatisée — des droits que le cadre européen protège explicitement.

Pour le professionnel, l'enjeu se résume à une combinaison exigeante : tirer parti de la puissance des modèles tout en maîtrisant leur explicabilité et leur équité. Ce n'est pas une contrainte ajoutée à la performance, c'est une composante de la performance elle-même, à l'heure où la confiance devient un facteur de différenciation. L'assureur qui saura conjuguer finesse statistique et loyauté de traitement disposera d'un avantage difficile à copier.

Reste une conviction que ce panorama invite à formuler avec mesure. L'intelligence artificielle ne transforme pas l'assurance en boîte noire : elle en outille les fondations séculaires, à charge pour le secteur et ses régulateurs de veiller à ce que la précision gagnée serve l'ensemble des assurés. Le métier reste ce qu'il a toujours été — une promesse de solidarité face à l'aléa. L'IA, bien encadrée, peut rendre cette promesse plus rapide, plus juste et plus préventive. C'est un chantier ouvert, et c'est précisément ce qui le rend digne d'attention.

Sources

• SmartDev — AI in Insurance Underwriting: The Ultimate Guide 2025
• Insurance Thought Leadership — AI Revolutionizes Auto Insurance Via Real-Time Data
• Deloitte Insights — Using AI to fight insurance fraud (2025)
• Coalition Against Insurance Fraud — Fraud Stats (308,6 Md$ / an)
• Guidewire — Combating AI-Generated Media Fraud in Insurance Claims
• NPR — Insurance companies using aerial imagery to determine coverage renewals
• Insurance Thought Leadership — A Paradigm Shift for Water Leak Sensors
• EU Artificial Intelligence Act — Annexe III : systèmes à haut risque (assurance vie/santé, scoring)
• Deloitte — Colorado Division of Insurance : AI Regulation
• Agentech — NAIC AI Model Bulletin : nouvelle ère de redevabilité
• American Academy of Actuaries — Designing Fairness in Insurance Pricing
• Banque de France / ACPR — Surveillance de l'IA dans le secteur financier