.png)
Agents IA en actuariat assurance : usages, fiabilité et enjeux
Dernière mise à jour : 30 août
Épisode disponible
Apple Podcast - Spotify - Deezer - Youtube Podcast - Amazon Music
Agents IA en actuariat assurance : comment l’IA transforme le métier ?
L’intelligence artificielle peut-elle réellement intervenir dans les calculs, les modèles et les processus d’un actuaire ?
La question dépasse largement l’utilisation de ChatGPT pour rédiger un email. Dans l’assurance, les données sont sensibles, les calculs doivent être maîtrisés et les décisions peuvent engager financièrement une entreprise pendant plusieurs années.
C’est précisément sur ce terrain qu’interviennent les agents IA en actuariat.
Dans cet épisode d’Assurance en coulisses, Reda Jarir et Sami Hamine, cofondateurs d’URLab, expliquent pourquoi l’enjeu n’est plus seulement de disposer d’un modèle d’intelligence artificielle performant. La véritable difficulté consiste à construire des systèmes capables d’utiliser cette puissance tout en garantissant contrôle, traçabilité et reproductibilité.
Une transformation qui pourrait profondément modifier le quotidien des actuaires.
Résumé de l’épisode
Reda Jarir et Sami Hamine réunissent deux compétences complémentaires : l’actuariat d’un côté, l’IT, la data et l’entrepreneuriat technologique de l’autre. Cette rencontre a conduit à la création d’URLab, avec l’ambition de réduire la complexité technique supportée par les équipes actuarielles afin qu’elles puissent se recentrer sur l’analyse du risque.
Pendant près d’une heure, l’échange explore les agents IA, les limites des LLM, la reproductibilité des résultats, la « white box », l’automatisation de tâches longues et le rôle futur de l’actuaire.
Il aborde également un enjeu moins technologique qu’il n’y paraît : comment intégrer l’IA dans une organisation sans perdre la maîtrise des processus ?
Le fil rouge est clair : l’objectif n’est pas de remplacer l’actuaire, mais de lui permettre de déléguer certaines tâches tout en continuant à piloter.
Pourquoi l’actuariat dans le secteur de l'assurance constitue-t-il un terrain particulier pour l’intelligence artificielle ?
L’actuaire travaille à la croisée des mathématiques, des statistiques, de la finance, de la réglementation et de la connaissance métier.
Son travail ne consiste donc pas simplement à obtenir une réponse.
Il faut notamment :
comprendre les données ;
choisir les hypothèses ;
sélectionner ou construire une méthode ;
exécuter des calculs ;
contrôler les résultats ;
documenter les traitements ;
interpréter les écarts ;
prendre ou éclairer une décision.
À cela s’ajoute une couche technique croissante : infrastructures, environnements de calcul, bases de données, bibliothèques de code, sécurité ou encore capacité de calcul.
L’idée à l’origine d’URLab vient précisément de ce constat. Les fondateurs expliquent vouloir faire abstraction d’une partie de cette complexité afin de permettre aux équipes actuarielles de consacrer davantage de temps à ce qui constitue leur valeur métier : l’analyse du risque.
Cette distinction est importante.
L’objectif des agents IA n’est pas nécessairement d’automatiser la décision actuarielle. Ils peuvent d’abord automatiser ou orchestrer tout ce qui entoure cette décision.
Qu’est-ce qu’un agent IA en actuariat ?
Un agent IA est un système utilisant notamment un modèle de langage, mais auquel sont également accessibles des outils, des fonctions, des données ou des environnements lui permettant d’accomplir différentes actions pour répondre à un objectif.
Dans l’épisode, l’agent est décrit comme un modèle opérant dans un environnement et capable de mobiliser les outils mis à sa disposition en fonction de la demande.
LLM et agent IA : quelle différence ?
Un LLM comme ceux qui alimentent les principaux assistants génératifs est avant tout capable de comprendre et produire du langage, du code ou des raisonnements à partir d’un contexte.
Un agent ajoute une couche supplémentaire.
Il peut, par exemple :
comprendre la demande ;
identifier l’action à réaliser ;
rechercher une donnée ;
appeler un outil ;
lancer un calcul ;
récupérer le résultat ;
l’interpréter ;
poursuivre le processus.
C’est donc moins le modèle pris isolément que l’environnement dans lequel il opère qui devient déterminant.
Les fondateurs insistent d’ailleurs sur ce point : le LLM reste une technologie avec des forces et des limites ; le produit doit organiser son utilisation autour d’un cas d’usage précis.
À retenir : un agent IA en actuariat est un système capable d’utiliser un modèle d’intelligence artificielle, des données et différents outils pour exécuter ou orchestrer des tâches actuarielles sous le contrôle d’un professionnel.
Un agent IA n’« apprend » pas nécessairement de chaque interaction.
C’est l’une des idées reçues abordées pendant l’épisode.
Lorsqu'un outil mémorise certaines informations sur son utilisateur, celui-ci peut avoir l’impression que le modèle « apprend » continuellement à son contact.
Techniquement, ce n’est pas nécessairement le cas.
Les invités distinguent l’entraînement du modèle de l’utilisation de mécanismes de mémoire, de stockage ou de contextualisation. Selon leur explication, l’agent peut retrouver des informations précédentes sans que les paramètres du modèle sous-jacent soient réentraînés après chacune des conversations.
Cette nuance est fondamentale pour les entreprises d’assurance.
Elle évite de confondre :
entraînement du modèle ;
mémoire ;
contexte ;
orchestration d’outils.
Ces quatre mécanismes peuvent participer à l’expérience utilisateur, mais ils ne recouvrent pas la même réalité technique.
Quels sont les cas d’usage des agents IA pour les actuaires en assurance ?
Le potentiel devient plus concret lorsqu’on quitte les démonstrations génériques pour revenir aux processus actuariels.
Les fondateurs évoquent notamment la capacité de comprendre un contexte métier à partir d’un document, d’identifier les outils et données utiles à une analyse, puis de déclencher certains traitements.
1. Lire et interpréter une documentation métier
Un agent peut exploiter, par exemple, une notice produit ou une documentation interne afin de contextualiser une demande.
L’intérêt ne consiste pas seulement à résumer le document.
Le système peut potentiellement utiliser cette information comme point de départ d’un processus plus long.
2. Préparer et transformer les données
Une part importante du travail préalable à une analyse concerne :
le nettoyage des données ;
leur restructuration ;
la détection d’anomalies ;
la préparation des fichiers nécessaires au modèle.
C’est précisément le type de tâches que les invités considèrent comme plus facilement délégables à un agent, à condition que l’actuaire maîtrise ensuite le modèle et les traitements déterminants.
3. Générer ou manipuler du code
L’agent peut également produire du code, appeler un notebook ou sélectionner différents outils selon le problème posé.
Mais l’intérêt métier vient surtout du contrôle associé : voir le code, savoir quelles données sont utilisées et pouvoir interrompre ou refuser une action.
4. Lancer des calculs et récupérer les résultats
Dans un processus actuariel, certains traitements peuvent prendre plusieurs heures, voire davantage.
L’ambition décrite dans l’épisode consiste à permettre aux agents de suivre ces tâches sur la durée : lancer un traitement, récupérer le résultat puis poursuivre l’analyse.
5. Libérer l’actuaire de certaines contraintes techniques
Le bénéfice recherché peut finalement se résumer ainsi :
moins de temps consacré à l’infrastructure, davantage de temps consacré à l’analyse et à la décision.
C’est explicitement l’objectif exprimé dans l’échange.
Assistant conversationnel ou agent IA actuariel : quelle différence ?
Assistant IA conversationnel | Agent IA appliqué à l’actuariat |
Répond principalement à une requête | Peut orchestrer plusieurs actions |
Interaction souvent ponctuelle | Peut suivre un processus |
Produit du texte ou du code | Peut appeler des outils et traitements |
Contexte principalement conversationnel | Peut exploiter données, documents et environnements |
Peu adapté seul aux workflows actuariels complexes | Pensé autour de workflows métiers |
Contrôle dépend du produit utilisé | Peut intégrer validation, audit et intervention humaine |
C’est une rupture importante.
L’actuariat ne se limite pas à la logique :
question et une réponse.
Il repose sur des chaînes de traitement. Les fondateurs expliquent donc vouloir sortir de ce fonctionnement purement transactionnel pour confier à l’agent des tâches successives, tout en laissant au professionnel la capacité de valider, interrompre et comprendre ce qui est réalisé.
Le principal défi : rendre les réponses suffisamment fiables
C’est probablement le passage le plus structurant de l’épisode.
Un modèle de langage est stochastique : pour une même demande, il peut produire des réponses légèrement différentes.
Dans un chatbot grand public, cette caractéristique peut être acceptable.
Dans un processus actuariel critique, beaucoup moins.
Les invités considèrent cette variabilité comme l’un des principaux freins à l’utilisation directe des LLM dans l’actuariat.
Pourquoi la reproductibilité est-elle essentielle ?
Imaginez un calcul effectué à partir :
des mêmes données ;
des mêmes hypothèses ;
de la même méthode.
L’actuaire doit pouvoir comprendre pourquoi il obtient un résultat donné et retrouver ce résultat lorsque les conditions demeurent identiques.
URLab explique donc avoir séparé deux fonctions.
Le LLM sert notamment à comprendre le contexte et à orchestrer les actions.
Les outils de calcul exécutent les traitements pour lesquels la précision et la reproductibilité sont nécessaires.
Le principe exprimé pendant l’interview est limpide :
« Pour les mêmes données, les mêmes hypothèses, on retrouve toujours les mêmes réponses. »
C’est ici que l’on comprend pourquoi intégrer ChatGPT, Claude ou un autre LLM dans une entreprise n’équivaut pas automatiquement à disposer d’un système actuariel basé sur l’IA.
De la black box à la « white box » : garder l’actuaire aux commandes
La confiance constitue l’autre enjeu central.
Un agent qui agit seul en arrière-plan puis fournit un résultat final sans expliquer comment il y est arrivé reproduit le problème de la boîte noire.
Les fondateurs défendent une autre approche, appelée dans l’épisode « white box ».
Lorsque l’agent écrit ou exécute du code, l’actuaire doit pouvoir :
visualiser ce code ;
l’accepter ou le refuser ;
connaître les données utilisées ;
retrouver la piste d’audit ;
contrôler l'exécution.
La formule employée dans l’épisode résume parfaitement cette philosophie :
« L’actuaire délègue mais continue de piloter. »
Une approche cohérente avec les attentes réglementaires
Cette question dépasse URLab.
Dans son Opinion sur la gouvernance et la gestion des risques liés à l’IA publiée en août 2025, l’EIOPA met notamment en avant la gouvernance des données, la tenue de registres, la cybersécurité, l’explicabilité et la supervision humaine.
Pour certains systèmes classés à haut risque par le règlement européen sur l’IA, notamment certains usages d’évaluation des risques et de tarification en assurance vie et santé, la traçabilité, l’interprétabilité et la surveillance humaine prennent une importance particulière.
Le programme de travail 2026 de l’ACPR confirme également que l’évaluation et la supervision des systèmes d’intelligence artificielle sont devenues un sujet concret pour le superviseur français.
La promesse de productivité doit donc aller de pair avec une architecture de contrôle.
Jusqu’où faut-il laisser un agent IA en actuariat dans le secteur de l'assurance agir seul ?
C’est probablement la question la plus importante pour les équipes métiers.
Tout n’a pas le même niveau de criticité.
Dans l’épisode, les invités distinguent clairement les opérations qu’un actuaire pourrait accepter de déléguer et celles qu’il souhaite conserver sous contrôle direct.
Nettoyer ou restructurer des données ?
Potentiellement oui.
Identifier certaines anomalies ?
Également.
Laisser un agent choisir seul la méthodologie utilisée pour un calcul de provision engageant l’assureur ?
Beaucoup plus problématique.
Cette distinction suggère une approche pragmatique de l’IA actuarielle :
automatiser selon le niveau de risque de la tâche, plutôt que chercher une automatisation intégrale.
C’est probablement l’un des enseignements les plus durables de l’épisode.
Après les copilotes, place aux agents IA capables de travailler pendant plusieurs heures ?
La prochaine étape évoquée par les fondateurs consiste à dépasser les assistants qui attendent une succession de prompts.
Un processus actuariel peut comprendre plusieurs dizaines d’étapes et certains calculs prendre beaucoup de temps.
L’idée est donc de pouvoir donner à l’agent une mission plus complexe :
problème → plan validé → actions → contrôles → calculs → résultat.
Les invités évoquent des agents capables à terme de gérer des tâches durant plusieurs heures, voire plusieurs jours, tout en permettant à l’actuaire d’intervenir.
Le cloud comme infrastructure d’exécution
Cette évolution suppose également de disposer d’une infrastructure adaptée.
L’épisode explique comment les capacités du cloud peuvent permettre d’allouer des ressources en fonction de la complexité d’un calcul, plutôt que de limiter systématiquement l’utilisateur à la capacité d’une machine virtuelle prédéfinie.
L’agent ne serait alors plus seulement un chatbot amélioré.
Il deviendrait une couche d’orchestration entre :
l’actuaire, les données, les outils, le code et l’infrastructure.
L’IA est-elle déjà mature pour l’assurance ?
La réponse apportée pendant l’épisode est nuancée.
Pour Sami Hamine et Reda Jarir, les modèles sont désormais suffisamment avancés pour permettre de construire des usages sérieux.
En revanche, la maturité organisationnelle est beaucoup plus hétérogène.
Ils identifient plusieurs dimensions :
la culture ;
le management ;
l’organisation des équipes ;
la compréhension des processus ;
la confiance.
C’est particulièrement visible autour d’une peur récurrente :
« L’IA va-t-elle prendre mon travail ? »
Les invités considèrent cette inquiétude comme légitime mais estiment que son traitement relève aussi de l’accompagnement managérial.
Autrement dit, adopter les agents IA n’est pas uniquement un projet IT.
C’est également un projet de transformation des métiers.
Les assureurs doivent-ils entraîner leur propre LLM ?
Sur ce point, les fondateurs prennent une position assez nette.
Selon eux, la plupart des organisations d’assurance ne devraient pas commencer leur stratégie d’IA générative par la création et l’entraînement de leur propre grand modèle.
Ils mettent en avant :
le coût ;
la rareté des compétences ;
la vitesse d’évolution des technologies ;
la difficulté à justifier économiquement ces investissements.
Il s’agit bien d’un point de vue exprimé par les invités, et non d’une règle universelle.
Leur raisonnement consiste à déplacer la création de valeur vers une autre question :
Quel produit et quelle expérience permettent de résoudre réellement le problème métier ?
À leurs yeux, la différence se joue aujourd’hui moins sur le fait de posséder le meilleur modèle que sur la manière dont ce modèle est intégré à un produit et à des usages spécifiques.
Vers une standardisation des agents IA
Les fondateurs font également un parallèle intéressant avec Internet et les télécommunications.
Lorsqu’une rupture technologique se diffuse, elle finit souvent par nécessiter des standards permettant à différents systèmes de communiquer.
Ils voient actuellement émerger cette logique autour des agents IA et des protocoles permettant aux modèles, outils et applications d’interagir plus facilement.
L’échange cite notamment MCP plus loin dans cette discussion et présente la standardisation comme l’une des conditions permettant aux éditeurs de construire des intégrations plus facilement.
À terme, cette logique pourrait faciliter la connexion entre :
applications métiers ;
bases de données ;
moteurs de calcul ;
outils SaaS ;
agents spécialisés.
Pour les assureurs, l’enjeu sera alors moins de disposer d’un unique « super-agent » que de construire une architecture suffisamment sécurisée pour faire collaborer plusieurs briques.
Agents IA et actuariat : vers la disparition des actuaires ?
La transcription ne va pas dans ce sens.
Elle décrit plutôt un déplacement du travail.
Ce qui peut être confié à la machine :
préparation de données ;
tâches répétitives ;
orchestration technique ;
certaines recherches ;
exécution de traitements ;
premières analyses.
Ce qui demeure central pour l’actuaire :
choix méthodologiques ;
jugement ;
analyse du risque ;
interprétation ;
validation ;
responsabilité ;
décision.
L’objectif exprimé par URLab est justement de réduire la charge technique afin que l’actuaire puisse davantage se concentrer sur « l’analyse » et la « décision ».
La transformation du métier pourrait donc moins ressembler à actuaire contre IA qu’à actuaire augmenté par une nouvelle couche d’automatisation.
Ce que l’entrepreneuriat apporte à cette réflexion
L’épisode n’est pas uniquement technologique.
La dernière partie revient largement sur la construction d’URLab.
Un principe domine : partir du besoin client plutôt que de la technologie.
L’un des conseils formulés est particulièrement simple :
« Concentre-toi sur tes clients et sur ton produit. »
Puis vient une seconde conviction :
« L’idée ne vaut rien à côté de l’exécution. »
Les cofondateurs décrivent le product-market fit comme l’aboutissement d’itérations successives permettant de faire converger un produit vers un problème réellement rencontré au quotidien.
Ce raisonnement vaut aussi pour l’IA dans l’assurance.
Déployer un agent parce que les agents sont à la mode présente peu d’intérêt.
Commencer par un problème métier clairement identifié puis déterminer si l’IA peut le résoudre de manière fiable est probablement une approche beaucoup plus robuste.
Ce qu’il faut retenir
Un agent IA est plus qu’un chatbot : il peut orchestrer des données, des outils et des actions.
L’actuariat nécessite une forte reproductibilité : un LLM ne peut donc pas être utilisé naïvement pour tous les calculs.
Le LLM peut comprendre et orchestrer tandis que des outils déterministes réalisent les traitements critiques.
La traçabilité est essentielle : code, données, actions et résultats doivent pouvoir être contrôlés.
L’actuaire doit rester le pilote, même lorsqu’il délègue certaines tâches.
Les premiers cas d’usage concernent notamment la préparation des données, la documentation, le code et l’orchestration de traitements.
L’enjeu dépasse la technologie : culture, organisation et management conditionnent l’adoption.
La valeur se situe dans le cas d’usage et le produit, pas uniquement dans la puissance du modèle.
Les agents pourraient progressivement passer de réponses instantanées à des missions exécutées pendant plusieurs heures.
Le métier d’actuaire dans le secteur de l'assurance devrait évoluer vers davantage d’analyse, de contrôle et de décision plutôt que disparaître.
Les agents IA en actuariat dans le secteur de l'assurance ne constituent pas simplement une nouvelle interface conversationnelle.
Leur potentiel réside dans leur capacité à relier le langage naturel, les données, le code, les moteurs de calcul et les infrastructures pour prendre en charge une partie des processus qui entourent le travail de l’actuaire.
Mais l’assurance pose une exigence essentielle : la performance ne suffit pas.
Les systèmes doivent également être fiables, explicables, traçables et gouvernables.
L’un des enseignements majeurs de l’échange avec Reda Jarir et Sami Hamine tient donc en quelques mots : l’avenir n’est probablement pas celui d’un agent qui décide seul, mais d’un environnement dans lequel l’actuaire délègue tout en continuant de piloter.
Retrouvez l’intégralité de cet échange dans Assurance en coulisses, disponible sur Spotify, Apple Podcasts, YouTube et les principales plateformes d’écoute.
Vous pouvez contacter mes invités :
Site d’URLAB : https://www.urlab.ai/
FAQ
Qu’est-ce qu’un agent IA en actuariat ?
Un agent IA en actuariat est un système capable d’utiliser un modèle d’intelligence artificielle, des données et différents outils pour réaliser ou orchestrer des tâches liées au travail actuariel. Il peut comprendre une demande, consulter un document, utiliser une base de données, exécuter du code ou lancer un traitement, sous le contrôle de l’actuaire.
Quelle est la différence entre un LLM et un agent IA ?
Un LLM est principalement un modèle capable de comprendre et générer du contenu à partir d’un contexte. Un agent IA utilise ce modèle mais y ajoute des outils, des fonctions et un environnement d’exécution. Il peut donc aller au-delà de la réponse textuelle et déclencher plusieurs actions afin d’accomplir une tâche.
Quels sont les cas d’usage de l’IA pour les actuaires ?
Les cas d’usage évoqués incluent la lecture de documents métier, la préparation et le nettoyage des données, l’identification d’anomalies, la génération de code, le choix d’outils adaptés à une analyse ou encore l’orchestration de calculs. L’objectif est surtout de réduire les tâches techniques et répétitives pour consacrer plus de temps à l’analyse du risque.
Pourquoi les LLM posent-ils un problème de fiabilité en actuariat ?
Les LLM sont stochastiques : une même question peut produire des réponses légèrement différentes. Or certains processus actuariels nécessitent une grande reproductibilité. Pour les mêmes données, hypothèses et méthodes, l’entreprise doit pouvoir comprendre et reproduire le résultat obtenu. L’utilisation d’outils de calcul contrôlés autour du LLM permet de réduire cette difficulté.
L’intelligence artificielle va-t-elle remplacer les actuaires ?
L’épisode défend plutôt une évolution du métier. L’IA peut prendre en charge certaines tâches de préparation, d’orchestration ou d’exécution, tandis que l’actuaire conserve la maîtrise des choix méthodologiques, de l’analyse, de l’interprétation et de la décision. La logique est donc davantage celle d’un actuaire augmenté que d’un remplacement complet.
Comment garantir la traçabilité d’un agent IA en assurance ?
Une approche consiste à rendre visibles les actions réalisées : code généré, données utilisées, opérations exécutées et résultats produits. L’actuaire doit également pouvoir accepter, refuser ou interrompre certaines actions. Cette approche « white box » permet de créer une piste d’audit et de conserver un contrôle humain sur les processus.
Faut-il entraîner son propre LLM dans une compagnie d’assurance ?
Pas nécessairement. Les invités considèrent que la plupart des assureurs devraient d’abord se concentrer sur les cas d’usage, l’architecture, la sécurité et l’expérience métier plutôt que sur l’entraînement d’un grand modèle propriétaire. Cette position leur appartient : le choix dépend notamment des besoins, des données, des ressources disponibles et des contraintes propres à chaque organisation.
Quels sont les principaux risques de l’IA dans l’assurance ?
Les sujets importants incluent la fiabilité, la qualité et la gouvernance des données, la cybersécurité, les biais, l’explicabilité, la documentation et la supervision humaine. L’EIOPA a précisément intégré ces dimensions à son cadre de gouvernance et de gestion des risques liés à l’IA dans l’assurance.
📚 RECOMMANDATIONS
Profil Andrej Karpathy : LinkedIn / Site web / Eureka Labs AI / Chaine Youtube : Let’s Reproduce GPT-2 (124M)
Écoutez la Playlist des invités sur Spotify.
💪 DONNEZ DE LA FORCE
1. Abonnez-vous 🔔 pour ne rien manquer.
2. Laissez 5 ⭐️ ou un avis ici 🙏
5. Visitez mon site web
📖 CHAPITRES
00:00:00-Générique d’intro
00:01:08-Présentation
00:04:04-Question mystère
00:07:31-L’aventure URLab
00:12:40-Quelle Idée préconçue vous avez envie de casser dans le secteur de l'assurance ?
00:16:11-Les actuaires et l'IA : marché mature ?
00:20:45-La genèse de l’IA
00:22:36-Comprendre les agents IA
00:27:16-DATA et IA : Combo parfait ou critique ?
00:31:50-Le défi technologique
00:40:55-Challenge : croissance, levée de fonds, partenariats ?
00:42:11-Agent IA co-construction d'un standard ultime entre OpenAI, Google, Anthropic
00:46:24-L'IA générative un buzzword ou une révolution dans le secteur de l'assurance ?
00:47:55-Une leçon de l'entrepreneuriat ?
00:51:47-Outils préférés utilisé au quotidien ?
00:55:48-Recommandations livres/Podcast ?
00:58:03-Question signature podcast
00:58:23-Recos invités
00:59:20-URLab, une fiction ?
00:59:48-Mot de la fin
01:00:56-Générique de fin
🎧 Bonne écoute à toustes !
Vous souhaitez sponsoriser Assurance en Coulisses ou proposer un partenariat ?
Contactez-moi via ce formulaire
Commentaires