Assurance MRH : L’IA va-t-elle tuer la mutualisation par l’hyper-segmentation ?

À l’ère du combo data + IA, d’aucuns redoutent que la technologie pousse les assureurs vers une hyper-segmentation, sapant le principe de mutualisation des risques qui fonde l’assurance.
En permettant une connaissance fine du risque, la data et l’IA apporteraient à l’assureur une opportunité nouvelle de segmenter son portefeuille, d’adapter et de « granulariser » sa politique tarifaire en fonction de risques individuels et ainsi de favoriser l’inassurabilité par des règles de souscription ou une tarification individualisée.

Cette vision dystopique menace non seulement d’exclure les plus vulnérables ou les plus exposés aux risques mais surtout de rompre à la fois le contrat social de l’assurance et ses fondements techniques. Elle conduirait en effet à exclure toute une partie de la population des bénéfices de l’assurance (ceux qui en ont le plus besoin) et à faire payer aux autres une prime équivalente au coût de leur risque (dans une approche financière de type assurance vie avec une seule mutualisation dans le temps, où chacun sait qu’il va décéder, seul le moment restant incertain).

Il convient de rappeler ici que toute opération d’assurance repose sur le double principe de la mutualisation et de la segmentation. L’assurance n’est au départ qu’un simple pot commun dans lequel des membres cotisent (un segment) pour que ceux qui sont sinistrés s’indemnisent en puisant dans la cagnotte constituée (la mutualisation de risques préalablement définis par une indemnisation des sinistres survenus). Les membres de cette communauté pouvant accepter de rémunérer la gestion à hauteur du service rendu et les surplus éventuels leur revenant après une période déterminée, comme ils leur incombent de remettre au pot en cas d’insuffisance de celui-ci.

La mutualisation est réalisée à la fois dans le temps (aléa), entre probabilités de survenance (exposition) et conséquences en cas de réalisation du risque (vulnérabilité), et s’applique sur un segment homogène d’assurés aux niveaux de risque semblables ou au minimum acceptant de mutualiser leur risque entre eux pendant une période donnée. Tous les produits d’assurance sont ainsi d’abord segmentés en groupes de risques homogènes, ne serait-ce qu’aux niveaux des garanties et des tarifs, puis tentent d’élargir leur champ pour disperser davantage les risques. Mutualisation et segmentation sont donc complémentaires et indissociables, la segmentation servant à préserver la mutualisation au sein d’un segment défini et accepté par les assurés.

Par ailleurs et depuis une trentaine d’années, partout dans le monde, l’assurance s’est de plus en plus financiarisée en introduisant de fortes contraintes de rentabilité dans un contexte de concurrence exacerbée. Par principe, les primes doivent non seulement couvrir les sinistres et les coûts de gestion, mais aussi financer le développement, le marketing, la publicité, et surtout garantir la solvabilité et rémunérer les fonds propres. Dans cette équation à la base de l’assurance, la mutualisation a parfois laissé une place prépondérante aux enjeux de rentabilité et de profitabilité, avec plusieurs conséquences techniques fondamentales, notamment la mise en place d’hyper-segmentations et l’apparition des systèmes d’optimisation tarifaire.

La « price optimisation », par exemple, basée sur des comportements d’achat (« customer behavior ») consiste à déterminer non pas la prime pure la plus juste actuariellement pour le segment, mais la prime la plus avantageuse pour l’assureur en tenant compte de ce que l’assuré est prêt à payer pour son contrat ou des niveaux de primes des concurrents. Cette pratique, qui s’oppose à la mutualisation en créant une discrimination quasi systématique des anciens assurés au profit des nouveaux clients, est d’ailleurs de plus en plus contrainte ou interdite par les régulateurs.

Avec la data et l’IA, l’assureur revient alors à ses fondamentaux d’acteur de l’économie du partage : connaître, comprendre et maitriser le risque pour pouvoir l’assurer et organiser un partage avec les assurés, agir en prévention ou en mitigation.

Le véritable enjeu est donc celui de la « bonne » segmentation, basée sur le risque réel et qui garantit une mutualisation conforme aux choix « politiques » et stratégiques de l’assureur, incluant plus ou moins de règles solidaires ou équitables.

L’exemple de l’assurance Multi-Risques Habitation (MRH) en France démontre que l’IA et la data vont au contraire permettre de pérenniser la mutualisation et les principes même de l’assurance, sur un secteur et un type d’assurance pourtant fortement perturbés par les effets du changement climatique et des catastrophes naturelles. Car les risques climatiques qui représentaient 10 % de la prime pure il y a 10 ans en représentent déjà aujourd’hui environ 30 %. Et ils deviennent l’une des principales sources de vulnérabilité du marché de l’assurance. Lorsque le climat transforme l’aléa en quasi-certitude, cela remet en cause le principe même de l’assurance ; la seule mutualisation possible étant alors le lissage de sa dépense dans le temps. Dans son rapport de fin 2023 « UN‑Global Risk Report », l’ONU inscrivait l’inassurabilité parmi les « six périls qui menacent l’humanité et la planète » en avertissant qu’avec la multiplication des catastrophes naturelles, les assureurs pourraient se retirer, ce qui rendrait certaines zones « inassurables ». Le rapport ne parlait pas simplement de catastrophes ponctuelles, mais avertissait que si les systèmes d’assurance, essentiels à la résilience des sociétés, cessaient progressivement de fonctionner, cela conduirait à un effondrement ou basculement du système entier.

Et même en ne considérant pas les périls climatiques, l’assurance habitation en France n’échappe pas pour autant aux autres défis multiples et croissants auxquels sont confrontés tous les modèles assurantiels dans le monde. Il s’agit en effet de faire fonctionner un modèle reposant sur un équilibre très précaire entre, d’une part, des coûts de risques de plus en plus finement connus grâce à l’IA et la data, et d’autre part, de multiples contraintes allant de l’acceptabilité sociale de la mutualisation aux exigences croissantes des régulateurs, en passant par la nécessaire rentabilité du portefeuille.

Si les modèles reposant sur des données d’expérience restent le must de l’état de l’art technique, nous assistons chaque jour à une inversion en faveur de l’IA et des data, qui s’avèrent seules capables de modéliser la survenance d’événements sans données passées utilisables et la vulnérabilité des bâtis avec un grand degré de précision.

Chaque assureur sait aujourd’hui que les données externes peuvent déjà supplanter les données d’expérience pour la souscription de nouvelles affaires. Dans le cas de l’assurance habitation, les seules données d’expérience seront peu utiles prises isolément pour apprécier le risque d’une tempête centenaire, car la vulnérabilité de chaque bâtiment sera très différente face à la réalisation de ce risque inédite pour l’assureur. Inversement, disposer de données de vulnérabilité sans données d’exposition au bâtiment serait tout aussi limitant.

Ainsi en Bretagne, une maison centenaire bien orientée par rapport aux vents, construite pour résister aux éléments pourrait s’avérer plus résiliente face à une tempête qu’une maison plus récente au design plus original, mais pas nativement conçue pour résister aux tempêtes exceptionnelles. Inversement, une maison neuve pourrait bénéficier des progrès importants apparus dans la construction si elle respecte bien les dernières normes en la matière. Ces trois maisons sont pourtant mutualisées dans le portefeuille de l’assureur, et l’écart de vulnérabilité n’est pas forcément retranscrit dans la prime.

Les modèles de coûts des risques reposent aujourd’hui à la fois sur :

• Des modèles d’aléa avec des scénarios d’événements basés sur une localisation, une intensité et une fréquence de survenance,
• Des calculs d’exposition des biens assurés en portefeuille, des valeurs assurées, des contrats souscrits et des risques couverts,
• Des hypothèses de vulnérabilité pour quantifier les dommages en fonction de l’aléa,
• Un modèle financier global pour traduire les dommages calculés précédemment en coûts potentiels de sinistres selon les conditions d’assurance (et les impacts de la réassurance).

La connaissance des zones d’exposition aux différents aléas climatiques et l’évolution des événements avec le changement climatique (notamment l’évolution des périodes de retour des différentes intensités) est certes une nécessité, mais la maîtrise du risque propre à chaque bien en portefeuille face à ces aléas devient encore plus primordiale.

Dans un récent livre blanc intitulé « L’approche par l’exposition géographique suffit-elle encore à l’assurance ? », Addactis a démontré que la cartographie des risques et des niveaux d’exposition territoriale devait impérativement intégrer une connaissance fine et localisée de la vulnérabilité intrinsèque de chaque bâtiment assuré.

Les prévisions des modèles d’IA d’Addactis ont été confirmées par les résultats observés sur un grand nombre de portefeuilles. Elles révèlent des disparités significatives entre les différentes estima­tions de charges, puisque les écarts vont fréquemment du simple au double et soulignent la nécessité d’une compréhension approfondie de chaque bien. L’approche au bâtiment (et pas seulement à l’adresse d’ailleurs, l’écart entre l’adresse et le bâtiment pouvant avoir des impacts significatifs sur certains risques tel le risque inondation) permet d’améliorer fondamentalement la vision réelle de ses expositions et des risques réels encourus lors d’un évènement climatique.

C’est bien grâce à l’IA et aux données externes d’aléa, d’exposition et de vulnérabilité que les assureurs actuels pourront à la fois préserver l’assurabilité des biens sur le territoire et sauvegarder la soutenabilité de leurs modèles d’assurance basés sur différents niveaux de solidarité et de mutualisation. L’IA devient alors un véritable outil au service du pilotage et de la maîtrise de la mutualisation en assurance habitation.

L’opposition entre mutualisation et segmentation est un faux débat : les deux sont indissociables depuis les origines de l’assurance. Ce qui est en jeu aujourd’hui, c’est la qualité de la segmentation. Les assureurs qui intègrent la connaissance granulaire du risque bâtimentaire, via l’IA et la data, seront en mesure de gérer leur portefeuille avec équité, précision et résilience face aux aléas climatiques. Ceux qui s’en privent s’exposent à une anti-sélection silencieuse et progressive.

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.