Assurer l’IA, assurer avec l’IA

« Insurance is the art of pricing risk »¹

L’intelligence artificielle donne à cette formule une portée singulière. L’assureur doit désormais attribuer un prix aux risques d’une technologie qu’il mobilise lui-même pour mieux les connaître, les prévenir et les sélectionner. L’IA entre ainsi dans l’assurance sous une double figure, à la fois objet de garantie et instrument de maîtrise de l’incertitude.

L’innovation technique a toujours déplacé les frontières du risque autant qu’elle a renouvelé les moyens de le contenir. L’IA s’inscrit dans cette continuité, mais avec une intensité particulière. Elle ne fait pas seulement naître de nouvelles expositions assurantielles, elle transforme simultanément les méthodes par lesquelles l’assureur observe, tarifie, prévient et indemnise les risques.

Nouveaux risques, mêmes polices ?

Cet été 2026 marque les soixante-dix ans de la conférence de Dartmouth, généralement considérée comme l’acte de naissance de l’intelligence artificielle en tant que discipline.

En 1956, ses promoteurs formulaient déjà l’hypothèse que les différentes manifestations de l’intelligence pourraient être décrites avec suffisamment de précision pour être reproduites par une machine. Soixante-dix ans plus tard, l’IA a quitté les laboratoires pour entrer dans l’entreprise, les services, l’industrie ou encore la santé. Avec cette diffusion se pose désormais une question très concrète pour les assureurs : ces nouveaux risques appellent-ils nécessairement de nouvelles polices ?

Les dommages susceptibles de résulter de l’IA ne sont pourtant pas, dans leur nature, entièrement nouveaux. Ils peuvent être corporels, matériels, économiques ou réputationnels, mais aussi prendre la forme d’une discrimination, d’une atteinte à la vie privée ou d’une perte de données. Leur singularité tient davantage à leur mode de production. Le dommage peut trouver son origine dans les données utilisées, la conception ou le paramétrage du modèle, son intégration, son déploiement ou encore l’usage de ses résultats.

Cette évolution du risque ne commande pas nécessairement celle de la couverture. Une atteinte corporelle ou matérielle causée par un système d’IA peut relever d’une police de responsabilité civile. Une erreur commise dans le cadre d’une prestation assistée par l’IA peut entrer dans le champ d’une assurance de responsabilité professionnelle. Une atteinte aux données ou à la vie privée peut, quant à elle, relever d’une garantie cyber.

L’assurance de l’IA existe donc parfois sans porter ce nom. Certaines couvertures sont ainsi qualifiées de « silencieuses » lorsque le contrat ne vise pas expressément l’intelligence artificielle, mais que les pertes qui en résultent entrent dans la définition générale d’un risque garanti (tel est le cas des polices « tous risques sauf »). La technologie transforme alors les circonstances de réalisation du risque sans remettre nécessairement en cause sa qualification assurantielle.²

Avant de créer une police autonome, il faut donc récupérer ce qui existe déjà. Cette démarche suppose de partir de la nature du préjudice, du fondement de la responsabilité, de la qualité de l’assuré et des exclusions applicables, plutôt que de raisonner à partir de la seule présence de l’IA.

Les garanties traditionnelles peuvent toutefois ne pas saisir certaines particularités du risque algorithmique, notamment l’opacité du système, la pluralité des intervenants, l’évolution du modèle ou le potentiel sériel du dommage. Des couvertures « affirmatives » commencent ainsi à apparaître pour certaines erreurs de performance, discriminations, atteintes aux données ou dépenses de remédiation directement liées à l’IA.

La trajectoire rappelle celle de la cyberassurance, longtemps prise en charge par des polices générales avant l’apparition de garanties autonomes.³ L’enjeu immédiat réside donc moins dans l’invention d’une police universelle que dans une cartographie rigoureuse des garanties disponibles.

L’assurance ne se borne pourtant pas à accueillir les risques produits par l’IA. Par les conditions auxquelles elle accepte de les couvrir, elle peut aussi influer sur la manière dont cette technologie est conçue et déployée.

Quand assurer, c’est réguler

La prime, la franchise, les exclusions et les conditions de garanties ne sont pas de simples instruments de tarification. Elles orientent les comportements. L’assureur peut exiger une meilleure qualité des données, des tests de robustesse, une supervision humaine, une documentation suffisante ou la conservation des traces de fonctionnement. Un système dont la sécurité, les performances et les limites sont suffisamment démontrées devient plus aisément assurable. À l’inverse, une incertitude importante peut se traduire par une prime plus élevée ou des garanties plus étroites.

Ces exigences ne sont d’ailleurs pas propres à l’assureur. On les retrouve dans les cadres de gouvernance que les entreprises se donnent pour maîtriser leurs propres usages de l’IA.⁴ Le contrat d’assurance et la gouvernance interne poursuivent le même souci de qualité, de traçabilité et de contrôle, l’un par le prix, l’autre par la règle. Ce que la norme encadre, la couverture le récompense.

L’assurance ne se contente alors plus de réparer les conséquences de l’innovation. Elle contribue à en fixer les conditions acceptables de déploiement. Cette fonction apparaît clairement dans le domaine médical. Une couverture adaptée peut réduire l’incertitude pesant sur les fabricants, les établissements et les praticiens, tout en favorisant les technologies dont la sécurité et l’efficacité sont suffisamment documentées.⁵

L’assurance produit ainsi un signal de confiance, sans se confondre avec une certification technique ou réglementaire. Les conditions de couverture expriment la manière dont le marché apprécie la qualité et la maîtrise du système.

Cette régulation privée dépend néanmoins de l’accès de l’assureur aux informations pertinentes. L’opacité technique, le secret des affaires ou l’absence de données historiques peuvent limiter son appréciation du risque et se traduire, dans le contrat, par des exclusions ou des franchises plus importantes.⁶

L’assureur ne régule toutefois pas l’IA depuis l’extérieur. Il utilise lui-même la technologie qu’il contribue à discipliner. L’IA devient ainsi moins un objet étranger à l’assurance qu’un élément de sa propre transformation.

Ce qu’il assure lui apprend à assurer

L’IA intervient dans : l’évaluation des risques, la tarification, la prévention, la détection de la fraude et le traitement des sinistres.

Dans l’assurance automobile, l’exploitation des données télématiques (kilométrage, vitesses, freinages, types de routes empruntées) autorise une tarification ajustée au comportement de conduite, tandis que des réseaux de neurones affinent la prévision de la fréquence des sinistres.

Dans l’assurance de dommages aux biens, l’imagerie aérienne et les données de capteurs servent à apprécier l’exposition d’un bien aux événements climatiques et à en tarifer le risque au plus près. Le traitement du langage, enfin, absorbe des flux documentaires hétérogènes (soumissions de courtiers reçues dans des formats disparates, contrats de plusieurs centaines de pages) pour en extraire l’information utile, quand la détection d’anomalies repère, dans ces mêmes branches, les schémas caractéristiques de la fraude.

Dans les risques industriels et immobiliers, l’IA peut rapprocher des rapports techniques, analyser des photographies ou détecter des récurrences dans une série de sinistres. Associée à des capteurs ou à des drones, elle peut aussi intervenir avant le dommage, notamment dans l’inspection des biens et la maintenance prédictive.

Un assureur de risques immobiliers peut ainsi confier à un drone doté de reconnaissance d’images l’inspection périodique d’une toiture industrielle : le système repère les zones de corrosion ou d’infiltration avant qu’elles ne dégénèrent en sinistre, hiérarchise les réparations et documente l’état du bien à une date certaine.⁷

De même, en rapprochant les déclarations d’une série de sinistres survenus sur des installations comparables, un modèle de détection d’anomalies peut faire apparaître la défaillance récurrente d’un même composant.⁸

Ainsi, ce que l’assureur apprend à couvrir nourrit ainsi les instruments avec lesquels il exerce son métier.

Les gains les plus immédiats tiennent à la rapidité de traitement, à la capacité de traiter de grands volumes d’informations et à rapprocher des données jusque-là dispersées. Mais les résultats produits par ces outils doivent être interprétés avec prudence : une corrélation détectée par un modèle constitue un indice, non la démonstration d’un lien de causalité, et une probabilité peut éclairer l’appréciation du professionnel sans se substituer à son jugement.

Ces bénéfices doivent donc être appréciés à l’aune de chaque usage. Si les applications de l’IA se multiplient, les données empiriques permettant de mesurer précisément les gains globaux de productivité ou l’amélioration effective de la qualité des décisions demeurent encore partielles.⁹

Cette connaissance plus fine du risque touche enfin à l’économie même du contrat d’assurance, et peut-être à l’un de ses équilibres les plus fondamentaux.

L’assurance repose historiquement sur la mutualisation. Chacun contribue à la couverture de risques dont on ignore à l’avance envers qui ceux-ci se réaliseront. Cette part d’incertitude rend possible la mise en commun des risques.

Or, plus les modèles affinent la segmentation et rapprochent des données nombreuses, plus cette incertitude se réduit. L’assureur peut alors individualiser davantage l’évaluation du risque et ajuster la prime au profil de chaque assuré. À mesure que le risque devient prévisible à l’échelle individuelle, la logique de mutualisation peut ainsi progressivement céder du terrain à une tarification toujours plus personnalisée.

L’enjeu dépasse dès lors la seule performance technique. La capacité à prédire un risque et la décision de le mutualiser répondent à des logiques différentes. La première tend à mesurer aussi précisément que possible la probabilité du sinistre, tandis que la seconde détermine la part de ce risque que la collectivité des assurés accepte de mettre en commun.

Poussée à l’extrême, une segmentation parfaite pourrait ainsi fragiliser le principe même de l’assurance. Chacun serait davantage renvoyé au coût de son propre risque, tandis que les profils les plus exposés pourraient devenir excessivement coûteux, voire difficiles à assurer (à titre d’exemple, tel est désormais le cas des collectivités territoriales). Il ne s’agit plus seulement de savoir jusqu’où il est possible d’affiner la connaissance du risque, mais jusqu’où il est souhaitable de le faire.

Cette tension transforme enfin la relation entre l’assureur et l’assuré. L’IA promet davantage de simplicité et de personnalisation, mais elle donne simultanément à la décision assurantielle une puissance nouvelle.

Être aidé, mais avoir le choix

L’assuré peut attendre de l’IA une information plus claire, une prévention plus fine et un traitement plus rapide de son dossier.

L’enquête menée par Deloitte Suisse auprès de 1 291 assurés révèle une acceptation relativement élevée lorsque l’IA simplifie les contrats, formule des conseils de prévention ou identifie des anomalies afin de soumettre certains dossiers à un examen. L’adhésion devient plus réservée lorsque le système influence directement l’admission du risque, la prime ou le règlement du sinistre.¹⁰

L’enjeu ne consiste toutefois pas à opposer simplement l’assistance à la décision. Il réside dans l’articulation de deux aspirations. L’assuré veut être aidé. Il attend de la technologie qu’elle réduise la complexité et facilite ses démarches. Il veut aussi avoir le choix. Cela suppose de savoir qu’un système d’IA a été utilisé, de comprendre son rôle, de pouvoir solliciter une intervention humaine et de contester le résultat.

La tension entre l’être et l’avoir traduit ainsi deux dimensions complémentaires. Être aidé renvoie à la place de la personne dans le processus. Avoir le choix renvoie à la maîtrise qu’elle conserve sur la décision qui la concerne. La supervision humaine doit donc être réelle. La présence d’un professionnel ne suffit pas lorsqu’elle se réduit à entériner automatiquement le résultat du système. Elle doit permettre un jugement propre et, le cas échéant, une remise en cause de la recommandation algorithmique. La confiance dépend ainsi de la qualité du système autant que de la possibilité d’en discuter les effets.

Conclusion

Cette exigence de maîtrise conduit naturellement à une autre question, celle de la possibilité de retracer et d’auditer le fonctionnement du système. Elle prend une importance particulière pour les usages que l’AI Act classe parmi les systèmes à haut risque, notamment l’évaluation des risques et la tarification des personnes physiques en matière d’assurance-vie et d’assurance maladie. Pour ces systèmes relevant de l’annexe III, l’application des principales exigences du régime européen a récemment été reportée au 2 décembre 2027.

Ce report ne place pas pour autant ces usages hors du droit. Le RGPD continue notamment d’encadrer les traitements de données personnelles et certaines décisions automatisées. Il ouvre surtout une période décisive pour les assureurs, qui devront préparer des systèmes capables non seulement de produire une décision, mais aussi d’en conserver la trace, d’en permettre l’explication et d’en rendre le fonctionnement vérifiable. L’auditabilité des systèmes à haut risque devient ainsi la prochaine frontière de la confiance algorithmique.