Auto, retail, pharma : pour innover en 2023, les assureurs ont plus d’une leçon à tirer de l’IA appliquée aux autres secteurs
Selon le cabinet Early Metrics, les deux tiers des assureurs estiment que l’intelligence artificielle peut les aider à augmenter leur productivité. Pourtant, un récent rapport de PwC indique qu’un quart d’entre eux seulement ont intégré cette technologie à leurs activités. Pour franchir le pas, comment peuvent-ils s’inspirer des autres industries ?
Il existe plusieurs secteurs dans lesquels la mise en place de l’IA est plus avancée que dans l’assurance. C’est notamment le cas chez les équipementiers automobiles (à 76 %, selon une étude de Google), dans le commerce de détail (50 %, si l’on en croit KPMG), ou encore au sein des entreprises pharmaceutiques, qui seraient 90 % à avoir misé sur cette technologie dans la foulée de l’année 2020, notamment après avoir pu observer son rôle essentiel dans le développement du vaccin contre la Covid. Quels enseignements les assureurs peuvent-ils tirer du déploiement et de l’utilisation de l’IA dans des marchés aussi divers, et éloignés de leur cœur de métier ?
publicité
Auto : quand l’humain et la machine travaillent main dans la main
Dans l’industrie automobile, la cobotique représente un cas typique de collaboration entre l’intelligence artificielle et l’être humain. Au croisement de « coopération » et de « robotique », les « cobots », aussi appelés « robots collaboratifs », prennent généralement la forme de petits chariots programmés pour suivre un préparateur de commandes. Lorsque celui-ci trouve les pièces dont il a besoin, il les place dans le cobot, qui trace ensuite son chemin vers la chaîne de montage, se décharge, et revient, choisissant systématiquement l’itinéraire le plus direct, ce qui permet d’optimiser la cadence de travail.
Dans l’assurance également, les algorithmes sont voués à simplifier et rendre intuitives les tâches qui seront ensuite finalisées et supervisées par les gestionnaires, optimisant ainsi les deux intelligences, artificielle et humaine – et prouvant leur complémentarité. Ils sont par exemple capables d’extraire toutes les informations d’une facture ou d’un rapport médical et de déterminer ce qui est couvert ou non par le contrat d’assurance. Le gestionnaire de sinistres agit alors comme un superviseur d’un ensemble de modules d’IA qui accomplissent pour lui diverses tâches chronophages et répétitives.
Retail : les chatbots au service de l’expérience client
Dans le commerce de détail, les acteurs du secteur se tournent vers l’IA pour améliorer l’expérience client. Grâce aux chatbots et aux centres d’appels virtuels, les commerçants sont en mesure d’analyser le langage naturel, de trier et d’acheminer les demandes des clients vers les canaux appropriés, tout en transmettant les requêtes les plus complexes à des collaborateurs humains. Résultat : 40 % des utilisateurs préfèrent chatter avec des agents virtuels plutôt qu’avec le service après-vente, selon une étude menée par Juniper Research.
Les assureurs peuvent en retenir qu’il est plus que jamais possible de s’appuyer sur cette technologie AI-driven. Par exemple, pour permettre aux assurés de déclarer et de suivre le traitement de leur sinistre directement via un portail en ligne. Seul prérequis : que celle-ci soit en mesure de comprendre ce que disent les assurés, et de répondre à leurs questions de manière intelligible et pertinente. Les situations rencontrées dans l’assurance pouvant être très diverses et parfois fort complexes – le chatbot devant comprendre les circonstances du sinistre, les dommages, les responsabilités – seuls les sinistres les plus simples et communs pourront être totalement automatisés. Les experts en gestion de sinistres seront ainsi à même de se recentrer sur les cas les plus complexes, ceux qui nécessitent une certaine dose d’empathie ou un soutien humain concret, comme un sinistre corporel important ou une situation de détresse éprouvée par l’assuré.
Pharma : le tri de données en support aux laboratoires
Dans le secteur pharmaceutique, l’IA permet de rationaliser, trier et interpréter d’importants volumes de données. Par exemple, lorsque des essais cliniques génèrent des informations pertinentes sur le dosage des médicaments, les méthodes d’administration, les mesures de santé des participants, etc. Si un participant X tombe malade, la cause peut être imputée à un composant du médicament, à un mauvais dosage, mais aussi à une intoxication alimentaire sans rapport avec l’essai. Dans les deux premiers cas, il est essentiel d’en tenir compte, tandis que le troisième n’est qu’un faux positif dont l’investigation représente une perte de temps.
Les analogies avec le secteur de l’assurance sont ici aussi flagrantes. En pharmaceutique, tout retard dans l’interprétation des résultats aura un impact direct sur le délai de mise sur le marché. Cela peut nuire à la compétitivité du laboratoire producteur, mais aussi au bien-être et à la sécurité des patients.
Dans le secteur de l’assurance, tout retard dans la résolution des sinistres peut inciter les clients à résilier leur contrat, mais aussi avoir un impact sur leur santé et sur leurs moyens de subsistance. Difficulté supplémentaire, la gestion des sinistres implique un nombre immense d’informations, dont toutes ne sont pas utiles. Il est crucial de parvenir à identifier celles qui sont pertinentes, et à écarter les autres, en vue de prendre au plus vite les décisions qui permettront de clôturer le dossier. Les assurés sont en effet extrêmement sensibles à la durée que prend un assureur pour résoudre leur problème – par exemple, lorsque leur véhicule est immobilisé, ou qu’un dégât des eaux est en cours et nécessite une résolution rapide. Accélérer la prise de décision grâce au recours au machine learning peut s’avérer un élément déterminant. Cela s’est notamment vérifié lors de l’élaboration de vaccins lors de la crise de la Covid-19, où cette technologie a permis aux laboratoires de gagner un nombre précieux de jours en sélectionnant automatiquement des candidats vaccins.
Généralement enclins à oser le pari de l’innovation et des nouvelles technologies, les assureurs pourront poursuivre cette ligne de conduite en 2023 en se nourrissant de ces diverses expériences. Pour fluidifier les interactions entre leurs gestionnaires et la technologie qu’ils utilisent, pour améliorer l’expérience client, et pour accélérer la gestion des sinistres grâce au recours à l’intelligence artificielle.
