Ce que l'avènement de l'IA axée sur les missions signifie pour l'assurance

Qu'est-ce qui change en matière d'IA et quel est l'impact de l'Insurtech sur le secteur ?

L'intelligence artificielle est un mot à la mode dans le secteur de l'assurance depuis plus de dix ans, mais dans l'esprit de nombreux dirigeants, elle n'a pas été à la hauteur du battage médiatique et n'a pas eu l'impact promis. Cependant, au cours des dernières années, les progrès de l'IA ont permis d'obtenir un retour sur investissement bien supérieur et permettent désormais de résoudre certains des défis les plus complexes du secteur de l'assurance.

Cela est dû en grande partie à « l'IA axée sur les missions » : les Insurtechs développent des produits complètement intégrés qui tirent parti de l'IA pour résoudre des problèmes spécifiques. Ces startups financées par du capital-risque sont en mesure d'attirer les meilleurs talents techniques du monde pour investir davantage dans des défis spécifiques que ne le ferait un opérateur ou une équipe interne de science des données dotée d'une approche et d'une spécialisation plus restreintes que des organisations comme McKinsey et IBM. Les résultats parlent d'eux-mêmes : une IA plus rapide et moins chère qui génère un meilleur retour sur investissement que celle des générations précédentes.

L'IA a un impact sur les résultats financiers

Les progrès de l'IA et de ses applications ont radicalement changé au cours de la dernière décennie. La plupart des premiers efforts, toujours populaires aujourd'hui, étaient des types d'automatisation robotique des processus (RPA). Cette technologie s'est révélée particulièrement efficace pour automatiser des tâches simples et répétitives, ce qui a principalement permis d'améliorer l'efficacité et de réduire les dépenses de l'organisation. Cependant, les économies de coûts n'ont pas fourni d'avantage concurrentiel significatif, car ces tâches banales étaient généralement exécutées par une petite équipe de membres du personnel subalterne. Bien que l'automatisation de base soit indispensable, les économies de dépenses ont rarement eu une incidence sur les résultats financiers et cela n'a eu que peu ou pas d'impact sur les ratios de sinistres.

La modélisation par intelligence artificielle a été la prochaine technologie qui a suscité l'intérêt des assureurs, en commençant par la souscription et la tarification, puis n'a fait son apparition que récemment dans le domaine des réclamations, le plus grand domaine d'opportunité restant pour influencer les performances des compagnies d'assurance. Ces nouvelles initiatives sont axées sur l'analyse, la prévision et la hiérarchisation des données existantes au sein du transporteur. Dans un marché hyperconcurrentiel comme celui de l'assurance, il est important de réfléchir à ce qui générera en fin de compte une valeur différenciée. Les trois éléments principaux de ces systèmes d'IA sont : l'infrastructure, les modèles et les données.

Changer les comportements et les résultats grâce aux données

Chaque opérateur dispose de données uniques qui devraient lui permettre de se différencier, mais le facteur limitant réside en grande partie dans l'accessibilité des données au sein de ses organisations. Les défis initiaux liés au stockage et à la numérisation ont été largement relevés grâce à des investissements massifs dans les systèmes de base au cours de la dernière décennie. Le défi le plus récent est que la majorité des informations disponibles au sein des compagnies d'assurance se trouvent dans des notes de sinistre non structurées (pour en savoir plus sur les données non structurées, cliquez ici). La majeure partie de l'investissement dans l'analyse de ce texte est axée sur la recherche par mot clé afin de permettre des systèmes basés sur des règles qui créent souvent des indicateurs faussement positifs. Ces systèmes ne seront pas en mesure de passer à l'étape suivante pour générer un impact quantifiable sur les réclamations sans investir massivement dans la PNL et l'ingénierie des fonctionnalités du texte en forme libre, car celui-ci représente plus de 80 % du contexte et du processus de traitement des réclamations.

Dans de nombreux cas, les modèles prédisant la gravité et le risque pour les porteurs étaient des boîtes noires, fournissant un score à peine plus élevé. Cela a fourni aux gestionnaires de sinistres une liste de réclamations hiérarchisée et leur a donné peu de confiance dans le système. En conséquence, le personnel a passé au peigne fin des années d'historique des réclamations uniquement pour valider les résultats du modèle et annuler tout impact sur les dépenses. En l'absence d'investissements dans la gestion du changement et le développement de produits pour les utilisateurs finaux, ces avancées en matière de modélisation n'ont pas tenu leurs promesses d'impact sur les pertes.

Cependant, les approches les plus récentes ont apporté bien plus encore. Comprendre la série chronologique des informations contenues dans une réclamation à partir des notes (données non structurées) permet à l'IA de recommander des actions spécifiques (pour en savoir plus sur l'analyse chronologique des sinistres, cliquez ici), par exemple à quel moment du cycle de vie du sinistre le dossier aurait dû être référé à un spécialiste ou à un enquêteur, quels demandeurs sont les plus susceptibles d'être réglés, et quelles actions du responsable du traitement des sinistres ont en fin de compte un impact sur le sinistre. En fin de compte, l'IA peut apprendre à recommander systématiquement ce que le responsable du traitement des réclamations doit faire ensuite pour obtenir le meilleur résultat possible pour toutes les parties. Les entreprises sont en mesure d'approfondir les actions spécifiques et l'impact qui en résulte lorsque l'IA comprend les notes et les documents pour en tirer les meilleures pratiques en matière de traitement des réclamations.

L'âge d'or des Insurtechs

La nouvelle génération d'IA permettra de réaliser des milliards de dollars d'économies et aura un impact sur des centaines de points de base des ratios combinés. Cette quête est menée par Insurtechs pour plusieurs raisons principales. Tout d'abord, ce type d'IA nécessite des investissements dans les produits frontaux, l'infrastructure dorsale et les ressources de science des données, ce qui nécessite des dizaines, voire des centaines de millions de dollars au cours de la prochaine décennie. En outre, ces défis plus complexes seront résolus par les plus grands spécialistes de l'IA et de la technologie (en savoir plus sur les défis du recrutement dans le secteur de l'assurance). Cette ampleur d'investissement continu n'est possible que lorsque les coûts peuvent être répartis dans l'ensemble du secteur. L'économie de ces éditeurs de logiciels leur permet d'investir massivement tout en fournissant des technologies plus ciblées et avancées à un prix inférieur.

‍