Dans le numéro spécial sur l’innovation de VVP, la principale plateforme pour les conseillers financiers aux Pays-Bas, cet article de notre collègue Dennie van den Biggelaar a été publié ce mois-ci. L’article met clairement en lumière la différence entre les deux formes d’IA, à savoir l’IA générative (comme le fameux Chat-GPT) et l’IA spécifique.

L’IA spécifique, en particulier, fournit déjà aux intermédiaires des outils concrets pour utiliser de manière beaucoup plus efficace le temps précieux des conseillers. S’appuyant sur ses 10 ans d’expérience en science des données et en IA, Dennie décrit également comment démarrer avec l’IA dans votre entreprise avec un risque minimal.

Avec la montée en puissance rapide de l’IA, le secteur de l’assurance est au bord d’une révolution. Cette révolution affecte les assureurs mais a également des implications significatives pour les intermédiaires. L’IA remplacera-t-elle les intermédiaires, et comment ces derniers peuvent-ils rester pertinents dans cet environnement en évolution rapide ?

Les mathématiques sont une science exacte qui est utilisée dans l’assurance depuis ses débuts pour calculer les primes et les risques. Traditionnellement, ce sont les actuaires qui effectuaient ces calculs. Cependant, l’émergence de l’apprentissage automatique (ML) et de l’intelligence artificielle (IA) permet d’analyser des quantités massives de données à l’aide de formules mathématiques sophistiquées (algorithmes) pour découvrir des motifs et des tendances. Cela a déjà conduit à des calculs de primes plus précis (par exemple, l’exemple de la VPI-box). La combinaison de l’IA et des énormes quantités de données dont disposent les assureurs peut également être utilisée pour améliorer considérablement l’efficacité des processus d’acceptation et de règlement des sinistres et offrir des opportunités de service client personnalisé à grande échelle. Par conséquent, les assureurs gagnants de demain réduiront considérablement leurs charges tout en améliorant considérablement le service client.

Cependant, cette avancée met une pression supplémentaire sur le modèle économique de l’intermédiaire. L’intermédiaire devient un canal de distribution relativement coûteux si l’information, le conseil et la gestion peuvent largement être automatisés par le biais d’algorithmes pour une fraction de la commission actuelle.

De plus, les consommateurs peuvent désormais trouver facilement les informations qu’ils recherchent sur internet. Par exemple, ils peuvent simplement demander à chatGPT les 20 points les plus importants à considérer lors de l’assurance d’un camping-car. Des applications de conseil financier basées sur l’IA telles que Parthean ou Mint sont déjà disponibles sur le marché, bien qu’elles ne soient actuellement pas encore adaptées à la connexion aux comptes bancaires néerlandais.

Dans cet environnement en évolution rapide où l’IA a un impact significatif sur le secteur de l’assurance, il est crucial pour les intermédiaires de prendre les bonnes décisions stratégiques. D’une part, ils devraient se concentrer encore plus sur l’utilisation des qualités humaines, et d’autre part, ils devraient apprendre à exploiter le pouvoir de l’IA pour soutenir leur travail.

Le Pouvoir du Conseiller

Les qualités humaines telles que la gentillesse, l’empathie, la compréhension, la confiance et le respect sont difficiles à reproduire grâce à l’IA. Comme mentionné précédemment, ces qualités sont et resteront essentielles pour construire des relations solides avec les clients. « Client » vient du mot français « chalant », signifiant « attention ». L’attention personnelle permet aux conseillers de créer un facteur de fidélité qui va au-delà de la relation purement transactionnelle entre le client et les systèmes d’IA. Cela est particulièrement vrai si les conseillers fournissent un soutien proactif, faisant sentir aux clients qu’ils sont valorisés et bien pris en charge.

Les conseillers peuvent également se spécialiser et acquérir une connaissance approfondie dans des niches ou des domaines de produits spécifiques. En restant à jour avec les derniers développements, les conseillers peuvent fournir des informations précieuses basées sur leur intuition, allant au-delà de ce que l’IA peut actuellement offrir.

Cependant, comment les intermédiaires avec des dizaines de milliers de clients peuvent-ils offrir une attention personnelle à tout le monde ? Recruter plus de conseillers n’est pas évolutif et trop cher. Le défi est de s’assurer que le temps précieux du conseiller est utilisé de manière efficace et investi auprès du bon client au bon moment. Des outils intelligents d’IA peuvent aider à cela, que nous explorerons plus en détail.

Le Pouvoir de l’IA

L’IA est une technologie systémique, tout comme l’électricité et le moteur à combustion. Les technologies système ont toujours un impact significatif sur la société qui ne peut être prédit à l’avance. Pour les intermédiaires, cela signifie qu’ils doivent embrasser cette nouvelle technologie pour rendre leur travail plus efficace et plus efficient. Il existe deux principaux types d’outils d’IA : l’IA générative et l’IA spécifique.

IA Générative

L’IA générative désigne l’utilisation d’algorithmes capables de générer de manière autonome de nouveaux contenus, tels que des textes, des images ou des sons, basés sur des données existantes. L’exemple le plus connu est chatGPT-3, disponible sur https://openai.com/. GPT signifie « Generative Pre-trained Transformer », un type d’architecture de réseau neuronal utilisé pour générer un langage naturel. Les conseillers peuvent déjà utiliser GPT efficacement pour générer de puissantes réponses à des questions fréquemment posées, créer un contenu de site Web pertinent ou obtenir rapidement des résumés de longs textes juridiques. Des sociétés Insurtech comme Wegroup expérimentent l’utilisation de GPT dans le service client. Aux États-Unis, Sixfold.ai a développé un modèle GPT qui peut évaluer automatiquement les risques pour les objets assurés et fournir des conseils de couverture appropriés dans les directives d’acceptation.

L’IA générative présente actuellement quelques inconvénients importants. Des corrections manuelles et un contrôle qualité sont nécessaires, surtout lorsque des données de haute qualité et précises sont requises. De plus, le contenu généré par l’IA générative nécessite une validation, car il fonctionne comme une « boîte noire », ce qui rend difficile de comprendre le raisonnement exact derrière le contenu généré. Enfin, l’IA générative nécessite de grandes quantités de données d’entraînement pour apprendre efficacement et générer de nouvelles informations. Bien que d’énormes quantités de données soient disponibles sur internet, elles ne sont généralement pas disponibles exclusivement pour une utilisation propriétaire par une entreprise. Il existe également des risques juridiques associés à l’IA générative, comme discuté sur https://www.arag.nl/nieuws/chatgpt-juridisch-risico.

IA Spécifique

Outre l’IA générative, il existe l’IA spécifique, également appelée IA étroite. Elle est conçue pour effectuer efficacement une tâche spécifique avec un haut niveau d’expertise et de précision. Cela est particulièrement important dans l’industrie de l’assurance, où l’IA spécifique est de plus en plus utilisée. L’IA étroite est également utilisée dans des applications telles que la reconnaissance d’images et de la parole, les systèmes de recommandation et les véhicules autonomes.

L’IA spécifique nécessite des données d’entraînement spécifiques à la tâche pour laquelle elle est conçue. Par exemple, si vous souhaitez utiliser l’IA pour prédire la probabilité d’acceptation d’un véhicule automobile spécifique, vous avez seulement besoin de données historiques d’applications de véhicules automobiles acceptées et rejetées. La pertinence et la représentativité des données d’entraînement sont cruciales pour les performances de ces modèles d’IA. Voici quelques applications réussies de l’IA spécifique déjà utilisées par les intermédiaires et les sociétés de souscription néerlandaises :

Prédiction de la Résiliation : Les modèles d’apprentissage automatique peuvent être entraînés sur la base de données clients et de polices historiques pour prédire la probabilité que les clients résilient leurs polices dans une certaine période (résiliation). Des algorithmes comme la régression logistique, les arbres de décision ou les réseaux neuronaux sont utilisés à cette fin. Les conseillers peuvent utiliser cette information de manière efficace. Les clients avec une probabilité de résiliation élevée nécessitent une attention immédiate et des approches proactives, telles que des conversations de maintenance ou des incitations (stratégie de défense). En revanche, les clients avec une probabilité de résiliation faible sont fidèles, et leur relation peut être renforcée grâce à un suivi constant (stratégie de valorisation). Une action immédiate n’est pas nécessaire. De plus, le modèle fournit des informations sur les raisons pour lesquelles la probabilité de résiliation est élevée ou faible, permettant des actions stratégiques. Prédiction de la Valeur à Vie du Client (CLV) : Le CLV est une mesure cruciale pour les intermédiaires visant à établir une rentabilité systématique et durable dans le service client. Techniquement, le CLV peut être calculé à l’aide d’un modèle d’apprentissage automatique qui analyse les données historiques des clients et des polices. En combinant cela avec des algorithmes avancés tels que l’analyse de régression ou l’analyse de survie, le modèle peut prédire la valeur future en euros pour chaque client, en tenant compte de la durée de vie du client et du potentiel de vente croisée. Avec ces informations, les intermédiaires peuvent prendre les bonnes décisions stratégiques, en investissant spécifiquement dans (l’acquisition de) clients avec un CLV prévu élevé.

Les clients avec à la fois un CLV prévu élevé et une probabilité de résiliation élevée devraient être une priorité pour les conseillers. Cela permet un marketing efficace et des activités axées sur le client, offrant des services personnalisés pour réaliser le CLV prévu. Ci-dessous un exemple de segmentation de clients basée sur des prédictions de résiliation et de CLV, simplifié.

Recommandation de la Meilleure Police à Souscrire : En analysant les profils clients, les données de police et les sources de données externes, les modèles d’apprentissage automatique peuvent prédire quelles polices ou options de couverture supplémentaires sont les plus pertinentes et attrayantes pour chaque client individuel. Des techniques comme le filtrage collaboratif sont utilisées pour découvrir des motifs et des similitudes entre les clients, permettant des recommandations personnalisées. De cette manière, les intermédiaires peuvent informer continuellement tous les clients des couvertures pertinentes. Si un client montre de l’intérêt, les conseillers peuvent fournir des conseils personnalisés (stratégie d’agrandissement), visant ainsi à augmenter la densité des polices. De plus, les clients avec plus de polices ont tendance à être plus fidèles.

Automatisation des Processus Robotiques (RPA) : La RPA est une technique utilisée pour automatiser les tâches répétitives et chronophages. Bien qu’elle puisse être réalisée à l’aide de règles métier intelligentes, elle devient encore plus efficace lorsqu’elle est combinée à des modèles d’apprentissage automatique (ML). Dans le cas d’agences de souscription ou de grands intermédiaires, la RPA peut être utilisée dans le traitement sans intervention humaine (STP) pour l’acceptation. Les acceptants doivent vérifier et évaluer les données soumises par rapport aux directives d’acceptation. La RPA peut automatiquement effectuer ces processus de vérification, éliminant le travail manuel pour les « produits en masse ». La RPA peut également être configurée pour signaler toute divergence aux acceptants, les tenant ainsi informés et rendant leur travail plus intéressant.

Traitement Automatisé des Réclamations : Les algorithmes de NLP peuvent analyser les formulaires de réclamation pour extraire les informations pertinentes, telles que la nature de la réclamation, les parties impliquées et les détails de l’incident. Les réclamations peuvent également être vérifiées par rapport aux conditions de police. Cela permet aux gestionnaires de réclamations de traiter les réclamations plus rapidement et plus précisément, ce qui conduit à une amélioration de la satisfaction client. Analyse des Sentiments : En utilisant des algorithmes de NLP, les intermédiaires peuvent obtenir des informations continues sur les sentiments des clients concernant les services ou les produits. Cela aide à identifier les tendances en temps réel dans les commentaires des clients et les raisons potentielles d’une baisse de la satisfaction client. La plateforme Microsoft offre déjà une analyse des sentiments pour le texte écrit (par exemple, les e-mails via Outlook) et le texte parlé (par exemple, les appels via Teams). Chatbots : En utilisant des techniques telles que la reconnaissance d’intention ou l’extraction d’entités, les chatbots peuvent comprendre les intentions des clients et fournir des réponses pertinentes. Cela réduit la charge de travail et améliore le service client. Tout le monde connaît les chatbots mal conçus ; le succès dépend de la configuration. Le chatbot bien formé d’Inshared, par exemple, est capable de répondre automatiquement à plus de 95% des questions.

Élaboration d’une Feuille de Route pour l’IA

La bonne nouvelle est que l’IA offre déjà diverses possibilités aux intermédiaires d’améliorer le service client. Cependant, chaque bureau a sa propre direction et son propre groupe de clients, donc il n’y a pas de solution universelle. Il est donc sage d’élaborer une feuille de route pour l’IA, exploitant efficacement l’IA pour atteindre les objectifs de l’entreprise (KPI).

Commencez par une exploration conjointe avec l’équipe de direction (MT) des cas d’utilisation potentiels alignés sur les objectifs et la stratégie du bureau. Ensuite, priorisez ces cas d’utilisation ensemble dans un quadrant de valeur commerciale par rapport à l’effort. Les cas d’utilisation avec une valeur commerciale attendue élevée qui peuvent être réalisés relativement facilement avec l’aide de l’IA selon les experts de l’assurance IA sont considérés comme des « victoires rapides » et devraient être prioritaires. Les cas d’utilisation plus difficiles, ou « projets majeurs », viennent ensuite.

Pour les intermédiaires et les sociétés de souscription, les cas d’utilisation suivants peuvent déjà être mis en œuvre avec succès en utilisant la technologie IA :

Augmentation de la densité des polices Prévention des résiliations de police Mise en œuvre de la gestion active des clients à grande échelle Amélioration de l’efficacité des conseillers Rationalisation des processus d’acceptation ou de réclamation Amélioration des ratios combinés Identification des opportunités et des risques dans le portefeuille client Surveillance des portefeuilles auto Amélioration du service client (numérique) Sélectionnez un ou deux cas d’utilisation, et mettez en place un pilote dans un environnement opérationnel avec une portée limitée. Il est essentiel de calculer le business case du pilote, en évaluant si l’investissement dans l’IA l’emporte sur la valeur commerciale attendue en ligne avec les objectifs organisationnels. Les objectifs doivent être formulés de manière SMART.

Il est crucial d’impliquer les employés et de se concentrer sur la gestion du changement. Évaluez régulièrement la mise en œuvre et adaptez-la aux besoins changeants et aux avancées technologiques. Considérez également les considérations éthiques, la sécurité des données et la conformité aux lois et réglementations lors de la mise en œuvre de solutions IA.

La balle est dans le camp des intermédiaires pour explorer rapidement les possibilités de l’IA. Il n’est pas nécessaire de réinventer la roue, car des solutions d’IA sont déjà disponibles et peuvent être déployées immédiatement. Consultez les fournisseurs de logiciels ou demandez conseil à des experts en IA. En tirant parti des outils d’IA, les intermédiaires peuvent renforcer encore davantage leurs conseillers, renforcer leur position concurrentielle, améliorer le service client et ouvrir la voie à une entreprise d’assurance visionnaire et réussie.

Dennie van den Biggelaar (cofondateur de OneSurance) possède plus de 10 ans d’expérience en tant que stratège en IA et a aidé des organisations telles que Johnson & Johnson, CZ, BasicFit, Corendon, Sligro et Samsung dans la mise en œuvre d’applications de big data & IA