WEBINAIRE | Ce que personne ne vous dit sur l’IA agentive

Cliquez ici pour visionner le webinaire complet.

Du piège de l’architecture qui limite discrètement la plupart des initiatives en intelligence artificielle (IA), au mur des données qui bloque les cas d’usage décisionnels, en passant par les défis de gestion du changement qui font dérailler même les déploiements techniquement solides, ce webinaire aborde ce que l’industrie ne dit toujours pas ouvertement — et ce que vous devez entendre avant votre prochain investissement en IA.

Ordre du jour de la séance #

• Bilan réaliste des investissements en IA générative : pourquoi 92 % des assureurs investissent, mais la plupart des cas d’usage relèvent encore de l’optimisation, et non de la prise de décision
• Le piège de l’architecture : pourquoi intégrer l’IA directement dans votre système central crée des contraintes stratégiques cachées
• IA native ou IA prête : où l’intelligence devrait résider dans votre écosystème
• Combler l’écart entre la preuve de concept et la production : gestion de la dérive, explicabilité et gestion du changement
• Le véritable obstacle des données : gouverner les 85 % de données non structurées que les assureurs n’exploitent pas

Ce que vous apprendrez #

• Pourquoi 92 % des assureurs vie nord-américains investissent dans l’IA générative — mais la plupart continuent d’optimiser des processus statiques plutôt que de transformer leur façon d’évaluer et de gérer le risque
• Ce qu’est le « piège de l’architecture », pourquoi intégrer l’IA dans les systèmes centraux crée des contraintes stratégiques cachées, et comment les assureurs les plus avant-gardistes s’en affranchissent
• La différence entre des écosystèmes optimisés par l’IA et des écosystèmes natifs à l’IA — et pourquoi l’intelligence doit de plus en plus résider à l’extérieur du système de référence pour permettre une prise de décision en temps réel
• Pourquoi l’écart entre la preuve de concept et la production n’est pas qu’un problème technique : à quoi ressemblent réellement la gestion de la dérive, l’explicabilité et la conception avec supervision humaine à grande échelle
• Le modèle en trois étapes (évaluer, prédire, exécuter) qui fait passer l’IA de la réduction des coûts à la croissance des revenus — et les décisions en matière d’infrastructure de données à prendre dès aujourd’hui pour y arriver
• Des conseils pratiques pour les dirigeants d’assurance sur par où commencer : de la gouvernance et de l’adhésion des employés aux critères de sélection des fournisseurs pour une IA agentive prête pour la production

Faits saillants de cette session #

L’investissement en IA générative est bien réel — mais la majorité de l’industrie reste en mode d’efficacité. #

Le sondage 2026 de Celent auprès des directeurs de l’information (CIO) montre que la part de l’IA générative dans les budgets d’IA et d’apprentissage automatique a doublé d’une année à l’autre, et que 92 % des assureurs vie nord-américains investissent ou prévoient de le faire d’ici deux ans. Mais la majorité des cas d’usage en production — résumé de documents, tri des soumissions, copilotes internes — relèvent de l’optimisation. Ils ne changent pas la façon dont les assureurs évaluent ou gèrent le risque. Ce passage de l’efficacité à la prise de décision est là où commence la véritable transformation.

Le piège de l’architecture : pourquoi intégrer l’IA dans votre système central est une erreur stratégique. #

De nombreux assureurs intègrent l’IA dans des environnements qui n’ont jamais été conçus pour la soutenir. Lorsque l’IA est intégrée dans un système de référence, elle hérite des limites de ce système — traitement par lots, déclencheurs de cycle de vie statiques, aucune réponse en temps réel. Le résultat est une IA probabiliste qui fonctionne dans un environnement déterministe. Les assureurs qui réussissent conçoivent l’IA pour qu’elle réside à l’extérieur du système central d’administration des polices, connectée par une architecture événementielle et régie par une logique claire de supervision humaine.

IA native ou IA prête : l’endroit où réside l’intelligence compte plus que la simple présence de l’IA. #

Un système d’administration des polices (SAP) natif à l’IA constitue une amélioration importante — mais il demeure fondamentalement un système de référence : conçu pour la stabilité et la cohérence, non pour l’adaptation. Un écosystème prêt pour l’IA traite le SAP comme le cœur (le système de vérité), tandis que la prise de décision se déplace vers une couche cognitive à l’extérieur du système central. Cette couche d’intelligence peut observer des signaux, réagir en continu et évoluer dans le temps sans contaminer la logique déterministe du système central.

L’écart entre la preuve de concept et la production n’est pas seulement technique — il est aussi organisationnel. #

La plupart des assureurs peuvent créer une preuve de concept convaincante. La partie difficile consiste à la rendre fiable à grande échelle : mesurer la dérive dans le temps, gérer les versions de modèles, mettre en place une logique de dérogation et structurer les boucles de rétroaction qui permettent aux systèmes d’IA de s’améliorer. Il est tout aussi important de gérer la perception des employés. Si votre main-d’œuvre croit que l’IA la remplace, ses commentaires seront prudents — et le système ne s’améliorera jamais. Le déploiement fantôme, les tests par cohortes et la recommandation assistée par un humain constituent l’approche graduelle qui fonctionne réellement.

Le véritable obstacle lié aux données n’est pas leur disponibilité — ce sont les 85 % que vous ne gouvernez pas. #

La plupart des assureurs gouvernent environ 15 % de leurs données : les dossiers structurés provenant des systèmes centraux. Les 85 % restants — documents, courriels, journaux d’appels, décisions historiques — sont non structurés, non gouvernés et inaccessibles. Passer des cas d’usage axés sur l’efficacité à des cas d’usage axés sur la croissance exige de combler cet écart. Les assureurs qui prennent au sérieux la prise de décision fondée sur l’IA doivent réfléchir à l’architecture de lac de données, à la gouvernance des données non structurées et à la façon dont ils traitent les renseignements personnels et les renseignements médicaux protégés dans un environnement agentif.

À propos de nos experts #

Fabio Sarrico, Analyste senior en assurance – APAC, EMEA et LATAM, Celent #

Fabio Sarrico est analyste principal au sein de la pratique assurance de Celent, basé à Londres. Il couvre les tendances technologiques mondiales de l’assurance dans les branches vie, IARD et spécialisées, avec des recherches portant sur la modernisation des systèmes centraux, la souscription, la distribution et la prévention de la fraude. Il contribue à la couverture mondiale de Celent en Amérique latine, en EMEA et en région Asie-Pacifique, et parle couramment le portugais, l’espagnol et l’anglais.

Ghassan Karam, ASA, ACIA, Vice-président adjoint, Gestion de produits, Equisoft #

Ghassan Karam, vice-président adjoint, Gestion de produits chez Equisoft, est actuaire accrédité ASA et compte plus de 13 ans d’expertise en systèmes centraux d’assurance, en consultation actuarielle et en technologie de l’assurance. Il dirige la stratégie pour les systèmes d’administration des polices infonuagiques, la productivité de l’arrière-guichet et l’analytique fondée sur l’IA, en modernisant les opérations des assureurs à l’aide de technologies de pointe.

Approfondissez vos connaissances : l’IA agentive en assurance #

• Le piège de l’architecture : SAP natif à l’IA vs écosystème prêt pour l’IA
• Equisoft AI : le pont vers l’intelligence en assurance
• Pôle de connaissances sur la modernisation des SAP
• Étude de cas : gestion des tâches habilitée par l’IA pour les exigences en attente