Comment les assureurs MRH avec IA vont remplacer les assureurs sans IA ?

Le véritable débat n’est donc pas celui de la segmentation contre la mutualisation, mais bien celui de la sélection des risques : pro-sélection contre anti-sélection.

Le débat n’est pas non plus une lutte entre de « vertueux » assureurs qui mutualisent sans IA et des assureurs « cupides » qui segmentent grâce à l’IA. On peut paraphraser en pariant sur le fait que la data et l’IA ne remplaceront pas l’assurance mais affirmer avec une quasi-certitude que les assureurs avec IA remplaceront ceux sans IA.

L’impact de la connaissance granulaire des risques est en effet majeur pour les acteurs de l’assurance MRH. Tant que cette connaissance granulaire ne sera pas acquise, la multiplicité des événements climatiques engendrera alternativement des bonnes ou mauvaises surprises en fonction de l’aléa du « mix risque » souscrit dans les zones touchées.

Inversement la « méconnaissance » gra­nulaire pose inévitablement la question de la mesure de la mutualisation des risques en portefeuille sur un territoire donné. Chaque acteur doit se poser cette question par rapport à ses propres caractéristiques et sa propre politique de sous­cription.

Si cette connaissance n’est acquise que par quelques acteurs du marché, un phéno­mène de pro-sélection semble inévitable, car ces derniers sélectionneront inévitable­ment les biens les plus résilients, notamment dans les zones à risque, ne serait-ce que pour répondre à d’éventuelles nouvelles règles de mutualisation imposées par les pouvoirs publics. Les autres acteurs dépourvus de cette connaissance seront, sans le savoir, confrontés à une anti-sélection sur les risques les plus vulnérables dans ces territoires sensibles. Ce scéna­rio conduisant à une forte asymétrie entre assureurs n’est bien sûr pas souhaitable pour l’équilibre du marché car il remet en cause le principe même de l’assurance et de l’assurabilité d’un risque sur un secteur ou sur des bâtiments donnés.

Les nouveaux entrants représentent aussi un danger fort car grâce à l’IA et à la sélection des risques, ils peuvent affiner les modèles en attirant les bons risques par des tarifs ou conditions plus adaptées et s’arroger ainsi les parts de marché vitales pour l’équilibre des portefeuilles existants. Ces nouveaux entrants peuvent se focaliser sur un segment de bons risques grâce aux seules data externes (sans données d’expérience) et viennent ainsi menacer l’équilibre des portefeuilles des assureurs en place. Ceux qui payaient davantage que le coût de leur risque, sont ainsi invités à aller se « mutualiser » avec d’autres moins risqués, afin de payer moins cher, en maintenant une profitabilité supérieure au nouvel entrant. Ce danger est renforcé par la financiarisation du secteur, et la recherche de profits faciles et immédiats au détriment de la mutualisation assurantielle et des principes de solidarité.

De nouveaux acteurs dont l’assurance n’est qu’une porte d’entrée vers un service global peuvent aussi profiter de l’IA et des données externes pour proposer des produits d’assurance (quand l’absence de données d’expérience, la méconnaissance des risques et la faible rentabilité du secteur les excluaient auparavant). L’expérience du passé et les parts de marché acquises par les nouveaux entrants qu’étaient les bancassureurs dans les années 1970-1980 démontrent que le danger est bien réel.

Enfin, la régulation très forte de l’assurance qui protégeait jusqu’alors les acteurs existants pourrait au contraire, avec de nouvelles dispositions data et IA, les pénaliser et favoriser de nouveaux entrants (assureurs / comparateurs / courtiers / distributeurs). Le règlement FIDA et l’obligation de partager les primes et couverture des assureurs en place illustrent parfaitement la perte de valeur des données d’expérience des assureurs en place et pourraient favoriser « indument » des disrupteurs.

La volonté des pouvoirs publics de protéger le consommateur est certes louable, mais elle peut malheureusement conduire à des effets pervers par méconnaissance de la technique assurantielle.

Si cette non-utilisation de la data et de l’IA pénalise fortement le positionnement concurrentiel, elle fragilise également la chaine de valeur de la gestion client.

En premier lieu, une connaissance plus fine et plus granulaire du risque permet d’adapter la couverture aux besoins de l’assuré. Dans ce cas, l’IA permet à l’assureur de répondre aux besoins exacts de couverture de chaque assuré en tenant compte des caractéristiques réelles et récentes du bâtiment couvert. L’assureur peut à la fois ajuster la prime, se protéger d’une offre concurrente similaire en augmentant la satisfaction de l’assuré, et réduit le risque de fort mécontentement ou de contentieux en cas de sinistre.

Les informations externes permettent aussi d’optimiser les parcours de souscription, notamment en permettant de réduire le nombre de questions posées par l’assureur, tout en évitant les erreurs. Quand la guerre concurrentielle sur internet se joue à quelques minutes pour souscrire un contrat d’assurance, les données externes deviennent vitales pour réduire la collecte d’informations.

Plus un parcours de souscription est automatisé, plus les informations externes sur le bien assuré deviennent cruciales pour identifier les éventuels risques non standard, et organiser une éventuelle intervention des souscripteurs pour une identification plus précise du bien et envisager une tarification adaptée.

Enfin, le problème de l’inadéquation de la prime avec le risque d’un bâtiment ne trouve pas comme unique solution l’augmentation de la prime, la résiliation ou le refus de souscription du contrat. Réduire le coût de la couverture pour rendre la prime acceptable peut nécessiter de modifier le contrat pour le rendre abordable, et il existe un panel de solutions bien connues (franchises, plafonds…).

Enfin, l’un des risques opérationnels à surveiller est celui d’une utilisation « aveugle » de l’IA. En effet, sans cadre stratégique, les outils IA peuvent :

• Produire des segmentations « boîtes noires » déconnectées de la stratégie de mutualisation,
• Souscrire des risques en aveugle par « hallucinations » qui font peser un risque majeur à l’assureur
• Favoriser une approche purement technique et financière,
• Déposséder les assureurs de leur pilotage en confiant leurs données et décisions à des tiers ou à des outils logiciels intégrant de l’IA.

L’adoption de l’IA et les futures utilisations de l’Agentic AI nécessitent une connaissance renforcée des modèles utilisés (dans la souscription, la tarification, l’adaptation de l’offre) et des risques couverts (avec la granularité la plus fine possible). Pour caricaturer, s’il existe une multitude de couvertures et de tarifs, il faut pouvoir retrouver pourquoi et comment cette couverture et ce tarif ont été appliqués et pouvoir expliquer et défendre si besoin le modèle devant le régulateur.

Les données au bâtiment permettent de segmenter plus finement dans des limites socialement et stratégiquement acceptables. Elles peuvent ainsi permettre de réduire l’inassurabilité aux seuls bâtiments concernés en évaluant le risque de chaque habitation plutôt que d’exclure ou de se désengager de toute une rue, une commune ou une région. Les données aux bâtiments rendent alors assurables des constructions pourtant situées dans des zones réputées inassurables en permettant aux assureurs de distinguer les maisons résilientes dans les zones à risque.

Disposer de données, d’attributs et de scores de risque les plus granulaires possible (au bâtiment) s’avère la seule solution pour véritablement gérer l’équilibre de son portefeuille et la mutualisation des risques en toute connaissance et selon la stratégie et les principes de l’assureur (appétence au risque, dose de solidarité…).

La donnée bâtimentaire n’est plus un avantage optionnel : c’est le socle sur lequel repose l’équilibre technique des portefeuilles MRH. Sans elle, un assureur s’expose à une anti-sélection invisible, à la perte de ses meilleurs risques et à un cercle vicieux tarifaire difficile à briser. Avec elle, il peut piloter sa mutualisation en connaissance de cause, adapter sa souscription et maintenir sa rentabilité sans sacrifier son rôle sociétal.

Pour aller plus loin, découvrez notre ebook « Comment l’IA et la data peuvent sauver l’assurance ? L’exemple de la MRH en France », rédigé par les experts Addactis.