L’IA, copilote des souscripteurs santé 

De l’asthme modéré à la sclérose en plaques, les maladies influencent directement les conditions d’accès à l’assurance. Si les demandes les plus courantes sont déjà largement automatisées - près de 90 % des dossiers sont traités sans intervention humaine - l'évaluation de cas complexes requiert l’œil aguerri d’un souscripteur. Selon des centaines de critères, celui-ci décide, ou non, d’accepter le risque porté par le client et adapte éventuellement les conditions de contrat. Ce travail requiert, dans le cas de la santé, une lecture de longs dossiers médicaux. « Nous avons environ 100 000 dossiers complexes à relire chaque année dans le monde », explique Pierre Gilloury, Head of Life & Health Transformation chez le réassureur SCOR. Aux États-Unis, ces dossiers atteignent désormais 235 pages en moyenne, un volume en forte augmentation ces dernières années. « Les informations auxquelles nous avons accès ne sont pas forcément pertinentes dans un contexte assurantiel, avec un nombre de pages très élevé qui apportent du bruit dans le travail d’un tarificateur médical », poursuit-il. 

Extraire les données, un travail de précision  

Face à ce travail titanesque, SCOR a mis en place un outil d’aide à la décision basé sur l’intelligence artificielle. Déployé en production depuis 2024, l’AI Assistant traite aujourd’hui près d’un million de pages de documents médicaux chaque mois à travers le monde. Son objectif n’est pas de remplacer l’expert humain, mais de lui simplifier la tâche. Première fonction : automatiser l’extraction des informations contenues dans les dossiers médicaux. Pour atteindre un niveau de fiabilité exploitable, SCOR insiste sur le travail métier réalisé en amont. « La problématique de précision est primordiale : si l’utilisateur doit revérifier toute la saisie, il n’y a aucun gain de temps », souligne Pierre Gilloury. Les équipes ont ainsi catégorisé les caractéristiques médicales importantes et structuré les données jugées pertinentes pour les souscripteurs.  

Calibrer par prompt learning 

Ce travail de structuration a également servi à alimenter une seconde fonctionnalité : la génération de résumés détaillés. Quelques lignes synthétisent la situation du patient, tandis que les informations clés remontent automatiquement dans l’interface du souscripteur. Pour y parvenir, les équipes ont privilégié une approche de prompt engineering plutôt que l'entrainement d'un modèle de machine learning depuis zéro. Ce calibrage est réalisé en étroite collaboration avec les experts métiers, afin de permettre au système de comprendre les nuances médicales. Pour un dossier lié à l’asthme, par exemple, l’IA va rechercher spécifiquement la valeur du VEMS (Volume Expiratoire Maximum par Seconde), considérée comme déterminante dans l’évaluation du risque. Si cette donnée est jugée préoccupante, elle apparaît automatiquement en rouge dans l’espace de travail du souscripteur. 

Jusqu’à 30 % de gains opérationnels 

Cet espace de travail a lui-même été bousculé. Les tarificateurs n’ont plus à naviguer entre plusieurs logiciels, documents PDF, notes Word et guides de souscription : toutes les informations sont centralisées dès l’ouverture du dossier. SCOR affirme déjà observer jusqu’à 30 % de gains opérationnels grâce à l’intégration directe de l’assistant IA dans les outils existants. Une amélioration qui, selon le groupe, n’aurait pas été possible avec un simple outil additionnel déconnecté des processus métiers. 

Vers l’agentique  

La prochaine étape de cette stratégie est prévue pour fin 2026 avec l’intégration d’AI Assistant au manuel interne de tarification médicale du groupe, Solem. L’objectif est de faire évoluer l’outil vers des « workflows agentiques » capables, non seulement de résumer les dossiers, mais aussi de proposer des recommandations tarifaires pour une partie des 3 000 maladies répertoriées dans la base de connaissances de SCOR. Pour les pathologies les plus rares, où le volume de cas reste insuffisant, l’analyse humaine continuera toutefois de primer. L’intérêt de ces outils pour les équipes dépasse largement le simple gain de productivité. « Il n’y a pas de fatigue humaine de fin de journée », souligne Sophie Chapelain, responsable sélection des risques et sinistres, évoquant une lecture plus exhaustive des dossiers et une réduction des angles morts dans l’analyse. 

Une tarification plus fine et individualisée du risque 

À terme, SCOR espère également utiliser ces capacités d’analyse pour affiner sa modélisation du risque et élargir l’accès à certaines couvertures d’assurance. Les données issues d’objets connectés ou l’amélioration continue des modèles pourraient permettre d’évaluer plus finement certaines pathologies ou combinaisons de facteurs de risque. L’ambition du groupe est de passer d’une approche statistique globale à une compréhension beaucoup plus granulaire et individualisée du risque. L’IA pourrait ainsi mieux analyser les interactions entre plusieurs pathologies. Dans un dossier combinant hypertension et diabète, par exemple, l’objectif n’est plus seulement d’additionner les facteurs de risque, mais de proposer une tarification « au plus près du risque réel » grâce à une meilleure compréhension des interactions médicales. SCOR espère également identifier, au sein de pathologies lourdes comme la sclérose en plaques, des sous-groupes de patients présentant des pronostics plus favorables. Une approche qui pourrait permettre, à terme, d’ouvrir certaines garanties aujourd’hui systématiquement refusées, comme les couvertures liées à l’arrêt de travail.