IA et technologie:
L’écart d'adoption
Chapitre 2
De l’avis quasi unanime des professionnels, l'IA représente une avancée majeure dans la détection des fraudes. Sa valeur est démontrée et le contexte des menaces qui l'exigent est bien cerné. Toutefois, la réalité opérationnelle demeure : la grande majorité des assureurs ne sont pas encore en mesure d’y faire face. Le coût de cette lacune est bien réel ; il se traduit quotidiennement par des pertes sur sinistres, des inefficacités liées au travail manuel et un désavantage concurrentiel.
Ce qui rend cet écart d'adoption particulièrement frappant, c'est qu’il ne s’agit pas d’un problème d'ignorance. Le problème n'est pas la sensibilisation, mais la mise en œuvre. Les obstacles sont réels, la voie à suivre est connue et les pionniers ont déjà démontré ce qui est possible. Ce qui manque dans la plupart des organisations, c'est la volonté collective et les conditions structurelles nécessaires pour combler l’écart entre savoir et faire.
Où se situent réellement les organisations
Le paysage de l'adoption est divisé en quatre groupes distincts. 36 % des assureurs sont en phase pilote ou de déploiement partiel : des mesures concrètes ont été prises mais que la technologie n'est pas encore déployée à grande échelle. 36 % prévoient de l’implanter, ce qui indique qu'une décision stratégique a été prise, mais que sa mise en œuvre n'a pas encore commencé. Entre-temps, 19 % disent n`’avoir aucun projet en cours et seulement 9 % ont complètement intégré l'IA ou l'apprentissage machine (ML).
Les 72 % d’organizations qui planifient ou testent actuellement la solution peuvent sembler un progrès, mais il faut examiner ce que cela signifie concrètement. Planifier sans agir n'est pas une protection, et un projet pilote qui n’est jamais déployé à grande échelle ne constitue pas une défense. Ces organisations ne bénéficient pas encore des avantages de l'IA en matière de détection des fraudes ; elles se trouvent plutôt à différentes étapes de leur mise en œuvre. Le seul indicateur opérationnel pertinent est le 9 % qui ont pleinement déployé la solution. Ce chiffre témoigne clairement du chemin qu’il reste à parcourir, surtout compte tenu du calendrier des menaces qui sera présenté.
Il existe également un risque latent au sein de la phase de planification qu’il convient de nommer : l'inertie organisationnelle déguisée en diligence raisonnable. Lorsque la planification s'éternise, que les projets pilotes sont menés sans conditions de mise à l'échelle clairement définies et que les budgets sont étudiés mais jamais être engagés, la phase de planification devient une alternative confortable à l'action. Le temps de préparation diminue déjà, et les organisations qui s’attardent le plus longtemps en mode planification seront celles qui auront le moins de temps pour rattraper leur retard lorsque la menace s'intensifiera.
36%
36%
19%
9%
En pilote / déploiement partiel
Prévoient une implantation
Aucun projet actuel
Entièrement implémenté
Quels sont les obstacles à l'adoption et que révèlent t’ils?
Les contraintes budgétaires (29 %) et les problèmes de qualité des données (27 %) constituent les principaux obstacles à l'adoption de l'IA. Il est important de noter que ces problèmes ne son pas indépendants ; ils forment plutôt un cercle vicieux qui maintient de nombreuses organisations bloqués au stade de la planification. Une mauvaise qualité des données complique la construction de modèles d'IA fiables. Des modèles peu fiables rendent plus difficile la démonstration du rendement sur capital investi (RSI). Un RSI insuffisant complique l'obtention des autorisations budgétaires, et des budgets limités rendent plus difficile l'investissement dans l'infrastructure de données. Le cycle se perpétue.
Briser ce cercle vicieux, il est essentiel de comprendre qu'il s'agit d'une boucle interconnectée et que s’attaquer à l'une ou l'autre contrainte en isolement est insuffisant. Les organisations qui investissent dans la qualité des données sans allouer de budget aux outils d'IA se retrouveront avec des données propres, mais sans modèles pour les exploiter. Inversement, celles qui obtiennent un budget sans améliorer la qualité des données disposeront d'outils sans les apports nécessaires à leur fonctionnement. Ces deux investissements doivent être menés de concert, sous l’impulsion d’une direction qui comprend qu’ils constituent des prérequis et non des étapes successives optionnelles.
Le manque d'adhésion interne (18 %) est l’obstacle qui reflète le plus directement un problème de culture organisationnelle plutôt qu'un manque de ressources. Dans près d'une organisation sur cinq, le problème ne réside pas dans les capacités, mais dans la volonté. Cela découle soit du scepticisme de la direction quant à la valeur de l'IA, soit d'une résistance culturelle de la part des praticiens qui ont acquis une expertise dans les processus de travail existants et qui perçoivent l'IA comme une menace pour cette expertise plutôt que comme un atout. Heureusement, ces deux problèmes sont surmontables. Les données de rendement des entreprises ayant adopté l'IA, détaillées dans la section suivante, constituent le contre-argument le plus convaincant face au scepticisme interne.
Les préoccupations réglementaires et de confidentialité (16 %) complètent le tableau. Bien que ce soient des contraintes réelles, leur faible importance suggère que la plupart des professionnels les considèrent comme gérables, les percevant davantage comme un facteur à prendre en compte que comme un obstacle insurmontable. Cela envoie un signal fort aux fournisseurs, aux consultants et aux organismes professionnels : les organisations qui ont le plus besoin d'aide n'attendent pas une clarification réglementaire. Elles attendent le budget, des données et une harmonisation organisationnelle.
29%
27%
18%
16%
Contraintes budgétaires
Problèmes de qualité des données
Manque d'adhésion interne
Préoccupations réglementaires / de confidentialité
La preuve de sa valeur est déjà là
70%
45%
35%
25%
25%
Détection plus rapide des fraudes
Amélioration de la qualité du portefeuille
Réduction des faux positifs
Meilleure expérience client
Coûts d'exploitation réduits
* Les pourcentages reflètent les répondants ayant adopté l'IA (pilote ou mise en œuvre complète). Réponses « non applicable » exclues.
Un ensemble d'outils trop axé sur le passé
Les outils les plus utilisés aujourd'hui révèlent les fondements des défenses de l'industrie. Les systèmes d'alerte automatisés et les bases de données de renvoi représentent chacun 60 %. Il s’agit d’approches fondamentalement basées sur des règles ou des recherches, efficaces pour détecter des schémas connus. Cependant, elles sont structurellement incapables de détecter les nouvelles fraudes, car elles ne peuvent trouver que ce pour quoi elles ont été spécifiquement configurés.
Les réseaux sociaux et les recherches en ligne (44 %), la vérification des documents et des médias (36 %), et les modèles d'IA ou d'apprentissage machine (20 %) complètent le portrait. 81 % des assureurs qui n'ont pas encore pleinement déployé de modèle d'IA abordent la phase la plus dangereuse de la course à l’armement antifraude avec des outils obsolètes. Ce délai survient précisément au moment où les fraudeurs commencent à déployer l'IA générative, les identités synthétiques et des systèmes d’agents autonomes qu'aucun système basé sur des règles n'a jamais été conçu pour détecter.
Soixante pour cent des répondants jugent leurs outils de détection de fraude actuels moyennement efficaces, tandis que seulement 15 % les considèrent comme très efficaces. Il ne s’agit pas d’un rejet de ces outils par les professionnels, mais plutôt des d’une reconnaissance honnête de leurs limites intrinsèques. L'écart entre « moyennement efficace » et « très efficace » ne relève ni des compétences des opérateurs ni de l’'optimisation du flux de travail. Il s’agit d’un manque fondamental de capacités que seule une meilleure technologie peut combler. L'industrie en est consciente. La question cruciale qui demeure est de savoir si les conditions structurelles seront réunies pour permettre aux assureurs d'agir avant que la menace ne se déploie pleinement.
60%
60%
44%
36%
20%
Alertes automatisées / règles d’affaires
Base de données de renvoi / bases de données externes
Réseaux sociaux / recherches en ligne
Vérification des documents / médias
Modèles IA / ML
Point clé
Le retard d'adoption est un problème organisationnel plutôt que technologique. Le budget et la qualité des données constituent des contraintes réelles, mais parfaitement surmontables. Les 9 % d'assureurs ayant pleinement intégré l'IA ne sont pas des cas isolés dotés de ressources exceptionnelles ; ils ont tout simplement fait le choix stratégique de la prioriser. Les organisations encore en phase de planification ne sont pas à l’abri des problèmes liés à leurs intentions. Chaque mois passé en phase de planification est un mois perdu à utiliser des outils conçus pour détecter les fraudes d'hier.
