IA en actuariat : structurer la connaissance métier pour une IA fiable et explicable

Les assureurs disposent de décennies de règles métier, de modèles actuariels, de documentation et de retours d’expérience. Une grande partie de ce patrimoine reste pourtant dispersée et difficile à exploiter. Avec l’IA générative et agentique, la question change de nature : l’enjeu n’est plus seulement de choisir le modèle le plus performant, mais de lui transmettre cette connaissance métier.

C’est le sujet du podcast « Les voies de l’actuariat » de l’Institut des Actuaires, auquel ont participé Antoine Gruet, Head of Data & AI chez Addactis, et Kevin Poulard, Actuarial AI Solutions Lead. Cet article reprend les points clés de leur échange : ce que recouvre la connaissance métier, pourquoi elle reste sous-exploitée, comment l’intégrer à un système d’IA et ce que cela change pour l’explicabilité, la traçabilité et le rôle de l’actuaire.

Pour l’IA prédictive, la valeur ajoutée est établie : elle réside d’abord dans les données d’entraînement. Pour l’IA générative et agentique, la logique change. Les grands modèles de langage (LLM) sont aujourd’hui très majoritairement génériques. Sans connaissances métier, sans outils, sans corpus documentaire ni formules, leur valeur ajoutée reste limitée.

La valeur se joue à trois niveaux : la définition précise du besoin métier, sa retranscription technique dans le système et l’expertise métier à laquelle l’IA aura accès.
Un modèle entraîné sur des données publiques s’appuie sur des informations souvent non spécifiques, pas toujours validées, parfois obsolètes. Dans un domaine aussi spécialisé que l’actuariat, ses performances sont mécaniquement plus faibles et moins garanties.

La connaissance métier n’est pas une collection de documents. C’est tout ce qui permet de transformer un besoin en décision pertinente. Elle se structure en quatre blocs :

• Le besoin : quel problème résoudre, pour quel utilisateur et ce qu’on attend d’une bonne réponse.
• Les ressources : données, modèles, hypothèses, règles de gestion et références réglementaires.
• Les garde-fous : contrôles, exceptions et limites d’utilisation. Autrement dit, quand utiliser un résultat et quand le remettre en cause.
• Le retour d’expérience : décisions passées, corrections et enseignements de la pratique.

C’est la différence entre information et connaissance. Une règle devient connaissance métier lorsqu’on sait pourquoi, comment et dans quelles limites l’utiliser.

Cette connaissance existe dans toutes les compagnies d’assurance, mais reste peu exploitée. Elle est à la fois profonde et vaste, répartie entre de nombreuses personnes et équipes. Elle n’est pas toujours écrite : une part importante vit dans les pratiques orales et évolue en continu.

Le patrimoine documentaire ne suffit donc pas. L’approche consiste à donner à l’IA des outils et des moyens de contrôle fiabilisés, si possible déterministes, pour interroger ces ressources. L’IA joue alors un rôle de routeur plutôt que de tout porter elle-même. La méthode dépend du cas d’usage : un chatbot qui explique une norme à partir d’un corpus documentaire n’a pas les mêmes enjeux qu’une solution de provisionnement, où il s’agit surtout de traduire la connaissance en formules et en métriques d’optimisation.

Cela suppose des profils capables de faire le pont entre l’expertise actuarielle et les compétences techniques (logiciel, sécurité, IA). C’est une barrière à l’entrée et un avantage différenciant pour les organisations qui réunissent ces compétences.

Nous distinguons trois notions. L’explicabilité permet de comprendre un résultat. La traçabilité permet de retrouver ce que le système a réellement utilisé. La fiabilité consiste à vérifier qu’il fonctionne correctement dans le domaine pour lequel il a été conçu.

Une justification rédigée après coup, même convaincante, n’est pas une preuve. Il faut pouvoir retrouver les sources consultées, les données utilisées, les règles et formules appliquées, les outils mobilisés. Lorsqu’un calcul est nécessaire, il doit être confié à un outil maîtrisé plutôt qu’à l’IA. Par exemple, si l’on demande pourquoi un résultat IFRS 17 a évolué, le système doit identifier les éléments qui ont varié, remonter les dépendances de calcul et distinguer les faits de son interprétation.

La fiabilité se mesure et s’entretient : tests sur des cas représentatifs et des cas limites avant la mise à disposition, capacité à demander une précision ou à s’abstenir, puis surveillance des performances à mesure que les données, les usages et la réglementation évoluent. Pour un assureur, fiable ne signifie pas infaillible, mais testé, traçable, surveillé et contestable.

Une IA peut optimiser ce qu’on lui demande, mais ne peut pas décider seule de ce qu’il faut optimiser. L’actuaire apporte d’abord le cap : quels problèmes résoudre, ce qu’est une bonne réponse, quels critères arbitrer. En provisionnement, retenir la méthode qui reproduit le mieux le passé ne suffit pas. Il faut aussi tenir compte de l’évolution du portefeuille, de la qualité des données, de la stabilité entre deux clôtures et de la capacité à justifier le choix.

L’actuaire définit ensuite le cadre de validité : données, méthodes et règles applicables, propres à chaque compagnie. Une IA généraliste ne peut pas les connaître sans qu’on les lui transmette. Enfin, il apporte son jugement professionnel pour arbitrer sous incertitude et savoir quand le système doit rendre la main. D’où le message adressé aux actuaires : ne pas rester en bout de chaîne. Sans devenir ingénieur en IA, il s’agit de comprendre suffisamment ces systèmes pour garder la maîtrise de ce qu’on leur délègue et contribuer à leur conception.

La valeur d’une IA en actuariat repose moins sur la puissance du modèle que sur la connaissance métier qui l’alimente : un besoin bien défini, des ressources structurées, des garde-fous explicites et un retour d’expérience capitalisé. C’est cette structuration qui rend possible une IA explicable, traçable et fiable, à condition de réunir expertise actuarielle, compétences logicielles et IA.

Ce travail ne s’arrête pas à la mise en production. Les produits et la réglementation évoluent : un système pertinent aujourd’hui devra être challengé, enrichi et parfois corrigé. Les actuaires ont un rôle central à y jouer.