Lutte contre la fraude en assurance
L’analyse en temps réel de volumes de données importants via l’intelligence artificielle permet d’optimiser la détection des fraudes. Les calculs sont plus rapides que ceux réalisés par des personnes et gagnent considérablement non seulement en temps mais également en performance. Par le biais d’algorithmes, les solutions existantes sont améliorées, la détection des comportements anormaux est affinée. En outre, le machine learning permet d’identifier des comportements à risque.
Une lutte rigoureuse contre la fraude à l’assurance permet d’en réduire le coût et ainsi de protéger l’ensemble des assurés. La fraude à l’assurance est estimée à 5% des primes collectées par les assureurs en dommages, soit 2,5 milliards d’euros pour le marché français pour 2015. Le montant de ces fraudes se répercute sur les cotisations que doivent acquitter tous les assurés. C’est donc la collectivité des assurés qui supporte le coût des fraudes. Une problématique sur laquelle s’est positionné l’assurtech Shift Technology. Depuis sa création en 2014, elle a levé près de 90 millions d’euros et déclare travailler avec 70 assureurs en France et à l’international, dont notamment, pour la France, le groupe mutualiste Harmonie Mutuelle.
Shift Technologie propose des solutions de détection des fraudes lors des déclarations de sinistres. Fondées sur l’intelligence artificielle, ces solutions SaaS (Software as a service) alertent sur les réclamations potentiellement frauduleuses grâce à une analyse des déclarations de sinistres, en temps réel ou par lots, et facilitent leur traitement par les gestionnaires. Cette industrialisation de la lutte contre la fraude permet des gains de temps et d’efficacité.
Services de paiement
Dans le domaine des paiements, l’IA rend possible l’analyse des données en temps réel afin de détecter des transactions frauduleuses. Les logiciels d’IA permettent aussi de développer des solutions de sécurisation des paiements par biométrie vocale. Les algorithmes sous-jacents permettent de définir une identité vocale en fonction de plusieurs critères comme l’intonation, le débit ou la tonalité.
Quelques exemples :
- Société Générale s’est équipée d’un logiciel anti-fraude afin de détecter les détournements en temps réel.
- Natixis Payments a également développé un outil similaire, en s’appuyant sur la start-up PayPlug.
- Enfin, La Banque Postale a lancé un dispositif de paiement par biométrie vocale, baptisé LBP Pay, développé en partenariat avec la start-up Talk to Pay.
Lutte contre le blanchiment
La lutte contre le blanchiment et le financement du terrorisme est l’un des domaines d’usages récurrents de l’intelligence artificielle. Les techniques d’IA sont notamment employées pour la reconnaissance, l’analyse et la validation des documents fournis. Les algorithmes développés dans ce domaine sont généralement très avancés et déjà intégrés dans nombre de processus de contrôle.
Exemple : Sinequa est une start-up qui a développé un outil fondé sur la recherche cognitive. Cette technologie d’intelligence artificielle traite des « mégas données » pour en extraire, pratiquement en temps réel, des informations pertinentes et contextualisées. Le traitement intelligent des données de la recherche cognitive se combine par ailleurs au machine learning. L’apprentissage cognitif permet, lui, de s’adapter à la sophistication des techniques du renseignement, que sont la lutte contre le terrorisme, le blanchiment d’argent ou la fraude.
Gestion du cyber-risque
Les banques et les assureurs recourent de plus en plus à des outils fondés sur l’IA pour se prémunir contre les cyberattaques. L’IA peut être utilisée pour détecter, de façon préventive, les vulnérabilités et les corriger, pour repérer les attaques avant que celles-ci ne se propagent au sein des réseaux informatiques internes et pour gérer et analyser les incidents.
Exemple : Étant donné le caractère sensible des outils de protection des données et des systèmes informatiques, les acteurs ne communiquent pas sur les mesures prises pour se protéger des cyberattaques.
Conformité à la réglementation
L’IA renferme un fort potentiel de développement dans les domaines du contrôle interne et de la conformité. Certaines activités de contrôle interne (par exemple la modélisation des risques pour le calcul des exigences de capital) peuvent être effectuées plus efficacement et à plus grande échelle par des algorithmes. Par ailleurs, les systèmes cognitifs sont capables d’appliquer des méthodes de type Know Your Customer (KYC) pour vérifier l’identité et les caractéristiques d’un client, et s’assurer de la conformité à la réglementation.
Exemple : Crédit Mutuel entend étendre son partenariat avec Watson au domaine de la conformité courant 2019. L’aide au contrôle de la conformité constitue l’un des terrains de prédilection de Watson.
***
Vue d’ensemble des principaux freins au développement des solutions
Le développement d’outils d’intelligence artificielle devrait très nettement s’accélérer dans les prochaines années, en lien avec une prise de conscience croissante des potentialités que renferme l’IA et le développement de nouvelles solutions technologiques comme la gestion de portefeuille en ligne via un robo-advisor, le trading algorithmique, la détection de fraude, la souscription de crédits et d’assurances, le service client avec les chatbots, la cyber-sécurité, le reporting, la veille médiatique ou encore l’analyse des tendances qui sont portées par les grands noms de l’économie numérique et plus encore par de jeunes start-up.
Les applications déployées par les banques et les assureurs peuvent être développées en interne ou être conçues par des prestataires externes. Si certains, à l’image de Crédit Mutuel ou encore Orange Bank, ont opté pour les solutions développées par un grand acteur du numérique, en l’occurrence IBM, la majorité des logiciels d’IA testés ou utilisés par les groupes bancaires et les assureurs ont été conçus par des fintech / assurtech.
Pour autant, le recours à l’IA reste faible à l’heure actuelle. Les dernières études disponibles montrent que seule une petite minorité d’entreprises, et généralement de grande taille, ont d’ores et déjà mis en production des solutions d’IA. Elles sont encore moins nombreuses à avoir engagé un déploiement à grande échelle d’outils de robotiques intelligents.
Parmi les principaux freins au développement de l’IA figurent le déficit de connaissances, le défaut de formation des équipes ou encore la résistance au changement en interne.
