Les assureurs subissent des pressions croissantes : hausse des réclamations, risques en constante évolution, complexité réglementaire accrue et attentes grandissantes de la clientèle. Le cycle de développement logiciel traditionnel sur plusieurs mois n’est plus adapté à la réalité.
Dans cet épisode, des leaders en assurance et en IA de CGI discutent des façons dont l’IA transforme l’ensemble du cycle de développement logiciel. Collecte des besoins, architecture, développement, tests et exploitation… L’IA accélère la mise en œuvre du changement tout en favorisant la qualité, la résilience et la conformité.
Cet épisode est destiné aux dirigeants et dirigeantes du secteur de l’assurance (direction informatique et technologique, leaders du numérique, responsables de la livraison, de l’architecture, de l’assurance qualité et de la transformation), notamment l’assurance de dommages, l’assurance vie, l’assurance collective, l’assurance commerciale et les produits spécialisés.
- Chapitre 1 : Introduction et contexte sectoriel
-
Introduction
Derek Marinos (animateur) :
Bonjour et bienvenue à une conversation CGI sur l’IA et les technologies émergentes au Canada. Je suis votre animateur, Derek Marinos.
Aujourd’hui, nous explorons comment l’IA transforme le cycle de développement logiciel dans le secteur de l’assurance. Les assureurs subissent une pression importante : les réclamations augmentent, les risques se multiplient, la réglementation devient plus complexe et les attentes des clients continuent de croître. Les cycles de développement traditionnels n’arrivent tout simplement plus à suivre le rythme.
L’IA change la donne en accélérant la livraison, qui passe de quelques mois à quelques semaines, en améliorant la qualité, en renforçant la conformité et en transformant la façon dont les assureurs conçoivent et exploitent leur technologie.
Je suis accompagné aujourd’hui de trois experts de CGI : Tarun Dehariya, responsable du secteur de l’assurance pour le Canada; Chris Juryn, responsable de l’IA et des technologies émergentes pour le Canada; et Guillaume Brincin, expert en IA et en technologies immersives.
- Chapitre 2 : Pourquoi les modèles traditionnels de développement logiciel ne tiennent plus
-
Pourquoi les modèles traditionnels de développement logiciel ne sont plus viables
Tarun Dehariya :
Les assureurs sont sous pression de tous les côtés, et plusieurs facteurs l’expliquent.
D’abord, l’environnement d’affaires évolue beaucoup plus rapidement qu’avant. Une tempête majeure peut survenir et faire grimper soudainement le volume de réclamations, alors que les systèmes d’assurance doivent pouvoir s’adapter immédiatement. La fraude devient plus sophistiquée en raison de l’augmentation des interactions en ligne, et les réglementations changent constamment, pensons à IFRS 17, aux exigences en matière de protection des renseignements personnels et aux nouvelles lignes directrices sur l’IA. Les modèles, les règles et les rapports doivent être mis à jour beaucoup plus fréquemment.
Ensuite, il y a les attentes de la clientèle. Nous voulons des réponses plus rapides et de meilleures expériences numériques. Nous nous attendons à des produits adaptés à nos besoins, comme l’assurance fondée sur l’usage ou la tarification en temps réel. Pourtant, de nombreux assureurs fonctionnent encore avec des systèmes hérités qui n’ont pas été conçus pour évoluer rapidement.
Enfin, la concurrence s’intensifie. Les insurtechs et les grandes entreprises technologiques relèvent la barre en matière d’expérience numérique. En parallèle, les cyberrisques augmentent et la rareté des talents complique encore davantage la situation.
Quand on considère l’ensemble de ces éléments, les cycles de développement longs et linéaires ne conviennent tout simplement plus.
La vitesse, le risque et pourquoi les longs cycles ne fonctionnent plus
Chris Juryn :
On ne peut plus attendre 18 mois, 12 mois ou même 6 mois pour apporter des changements. C’est comme diriger un navire en tournant la roue du gouvernail, alors que le gouvernail ne réagit que plusieurs mois plus tard.
La technologie évolue à une vitesse fulgurante. De nouveaux modèles apparaissent constamment, les risques changent et la concurrence avance rapidement. Même si les longs cycles de déploiement peuvent sembler plus sécuritaires, ils finissent en réalité par accroître les risques. Plus les organisations attendent avant de déployer, de tester et d’apprendre, plus elles introduisent d’incertitude et d’exposition.
Penser le développement logiciel de bout en bout
Guillaume Brincin :
Le cycle de développement logiciel est une chaîne interdépendante, et non un ensemble d’activités indépendantes.
Si vous améliorez la productivité du développement de 20 % grâce à l’IA, les développeurs produiront du code plus rapidement, mais si l’assurance qualité demeure manuelle, les tests deviennent alors le goulot d’étranglement. Même si les tests s’accélèrent, la documentation peut rapidement devenir la prochaine contrainte.
Chaque phase produit des extrants qui deviennent les intrants de la suivante. C’est pourquoi une adoption partielle de l’IA comporte des risques. La véritable occasion consiste à transformer l’ensemble du processus afin que les gains se cumulent à chaque étape du cycle.
- Chapitre 3 : Incidence de l’IA et résultats concrets
-
Rendement réel de l’IA dans le cycle de développement logiciel
Tarun Dehariya :
Ce qui est particulièrement intéressant, c’est l’impact que nous observons dans toute la chaîne de valeur de l’assurance. L’IA élimine une grande partie du travail manuel et répétitif dans le cycle de développement logiciel : mise à jour des règles, validation de la logique de souscription, révision de longs documents et maintien des cas de test.
Lorsque l’IA est intégrée à ces étapes, des tâches qui prenaient autrefois des jours ou des semaines peuvent être réalisées beaucoup plus rapidement, ce qui permet aux équipes de se concentrer sur les décisions qui exigent un jugement humain.
Certaines grandes sociétés d’assurance ont déployé des outils comme GitHub Copilot auprès de leurs développeurs, où l’IA agit comme un pair programmeur, en aidant à écrire du code et à suggérer des correctifs. D’autres utilisent des plateformes de tests alimentées par l’IA qui créent et mettent à jour automatiquement des scripts de test et des étapes de régression lorsque l’interface utilisateur change.
Chez CGI, nous avons constaté cet impact de première main. Pour une grande compagnie d’assurance vie, nous avons modernisé les tests et l’assurance qualité à l’aide de notre outil propriétaire NAVI. Le temps de préparation des tests a diminué d’environ 45 %, soit près de 58 à 60 jours économisés sur 11 projets menés en parallèle, et la couverture des tests est passée à environ 70 % à 85 %. Les équipes d’assurance qualité sont passées d’activités répétitives à l’automatisation et à l’amélioration.
Dans un autre cas, nous avons conçu un portail numérique pour les réclamations qui a été mis en ligne en six semaines plutôt qu’en cinq mois. Ce type de rapidité est essentiel lors d’événements météorologiques extrêmes, de changements réglementaires ou lorsque les clients s’attendent à un service plus rapide.
Il ne s’agit pas seulement de vitesse. L’IA aide aussi à repérer les lacunes plus tôt et à appliquer les règles de façon plus cohérente, ce qui améliore la qualité, tandis que les humains demeurent responsables de l’examen, de la validation et des décisions finales.
Comment l’IA transforme la documentation, l’assurance qualité et l’architecture
Guillaume Brincin :
Chaque phase du cycle de développement logiciel tire parti de l’IA différemment.
Pour la documentation, l’IA maintient une documentation vivante qui s’actualise à mesure que le code évolue, de sorte que les développeurs disposent toujours d’informations à jour. Cela facilite la maintenance, approfondit la compréhension des systèmes et accélère l’intégration des nouvelles personnes.
Pour l’assurance qualité, l’IA génère des tests unitaires complets, normalise les cas de test et automatise l’exécution à l’échelle de la base de code. Des tâches qui prenaient autrefois des semaines peuvent maintenant se faire en continu, ce qui aide les équipes à détecter les bogues plus tôt et à maintenir une qualité constante.
L’architecture demeure aujourd’hui sous-exploitée. De nombreuses organisations n’ont pas encore intégré l’IA à la conception et à la planification architecturales, ce qui en fait un maillon faible et un possible goulot d’étranglement. Lorsque chaque phase stabilise ses flux de travail IA, un effet multiplicateur se crée, et de meilleurs intrants génèrent des gains cumulés tout au long du cycle.
- Chapitre 4 : Passage à l’échelle, gouvernance et adoption
-
Mise à l’échelle et gouvernance
Chris Juryn :
Lorsque les cadres voient ces résultats, la prochaine question est de savoir comment passer à l’échelle. Les projets pilotes sont faciles à réaliser, mais le déploiement à l’échelle de plusieurs équipes, lignes de produits et unités d’affaires est beaucoup plus complexe.
Le véritable rendement du capital investi découle de la compression de l’ensemble du cycle de développement logiciel, et non d’une seule partie de celui-ci. Une livraison plus rapide augmente la vélocité des décisions, et les équipes peuvent tester, apprendre et s’ajuster plus rapidement. Mais le passage à l’échelle expose aussi des lacunes en matière de gouvernance. L’application de modèles de gouvernance dépassés à grande échelle peut accroître les risques.
Les organisations doivent mettre en place des balises claires, notamment la validation par intervention humaine, des processus d’approbation et une compréhension précise de l’utilisation et de la résidence des données. Il est aussi essentiel d’investir dans les personnes, non seulement dans les équipes de livraison, mais aussi dans les fonctions de gestion des risques, du droit et de la conformité, car la façon de travailler change en profondeur.
Par où les assureurs devraient commencer : les 90 premiers jours
Chris Juryn :
Les 90 premiers jours ne devraient pas servir à prouver que l’IA fonctionne. Ce qui compte, c’est de prouver qu’elle crée de la valeur.
Les assureurs devraient définir les mesures de réussite dès le départ, par exemple une réduction du temps de test, une diminution du nombre de défauts en production ou le temps libéré pour des tests exploratoires. Les équipes devraient cerner les goulots d’étranglement dans l’ensemble du cycle de développement logiciel et les éliminer de façon à créer des processus répétables et évolutifs.
Des balises doivent être mises en place dès le premier jour, notamment en matière d’utilisation des données, de protection des renseignements personnels, de conformité et de risque de modèle, afin que les premiers succès ne créent pas de problèmes en aval. Après 90 jours, les organisations devraient disposer d’une approche répétable pouvant être déployée dans plusieurs équipes et lignes d’affaires.
État d’esprit et adoption
Tarun Dehariya :
Le plus grand changement ne concerne pas la technologie, mais l’état d’esprit. Les équipes doivent passer d’une vision de l’IA comme menace à une vision de l’IA comme outil d’aide.
Lorsqu’une équipe de tests voit l’IA générer la majorité de ses cas de test de régression, ou lorsqu’une équipe de réclamations voit l’IA extraire les renseignements clés de longs documents, la peur diminue rapidement. Commencer petit, démontrer la valeur et bâtir la confiance permet aux organisations de passer à l’échelle de façon responsable.
Chris Juryn :
Il est aussi important de mettre en lumière les premiers succès. Faire entendre les témoignages de personnes qui tirent déjà de la valeur de l’IA et partager leurs expériences aide à normaliser l’adoption et à renforcer les comportements que l’on souhaite généraliser.
Éviter les silos
Guillaume Brincin :
Commencer petit est la bonne approche, mais il faut le faire de manière stratégique. Les projets pilotes doivent mettre en place des flux de travail stabilisés, des modèles, des normes et des contrôles qualité qui pourront être reproduits.
Il faut concevoir les projets pilotes de manière à assurer l’interopérabilité dès le départ. Il faut réfléchir à ce que la phase suivante exigera de celle qui précède. Il faut démontrer un flux de travail normalisé de bout en bout, puis le reproduire dans d’autres phases afin qu’elles s’enchaînent sans heurts. C’est ainsi que les essais deviennent une transformation évolutive.
Fiabilité, résilience et expérience client
Chris Juryn :
Les systèmes traditionnels tombent en panne de façon prévisible, alors que les systèmes d’IA peuvent tomber en panne de manière probabiliste. Les résultats peuvent varier, ce qui crée de nouveaux défis pour les équipes de soutien, notamment la dérive des modèles, des problèmes de qualité des données et l’évolution du comportement des systèmes.
Si les organisations accélèrent la livraison, mais ralentissent la remise en service et le soutien, l’expérience client en souffre. Les clients veulent des changements rapides et une expérience de qualité, qui fonctionne à chaque fois. Cela signifie qu’il faut trouver un équilibre entre rapidité, résilience, explicabilité et capacité opérationnelle.
- Chapitre 5 : L’avenir du cycle de développement logiciel propulsé par l’IA
-
Ce qui s’en vient : agents IA et orchestration
Guillaume Brincin :
Nous passons des transferts entre équipes à une intelligence continue. Les agents IA orchestreront les flux de travail de façon autonome, coordonnant les spécifications, la validation des parties prenantes et la transformation des besoins en histoires de développement, tandis que les humains interviendront aux points d’approbation critiques.
Les protocoles de contexte de modèle permettent aux outils d’échanger non seulement des données, mais aussi du contexte et des capacités. Cela crée un écosystème fluide dans lequel l’information circule naturellement et où les humains se concentrent sur les décisions à forte valeur ajoutée pendant que l’IA s’occupe de l’exécution.
Quand la rapidité devient la norme
Tarun Dehariya :
Lorsque l’accélération de la livraison devient la norme plutôt qu’un facteur de différenciation, l’avantage se déplace vers la manière dont les assureurs utilisent cette vitesse.
Si deux assureurs peuvent déployer des changements chaque semaine, le gagnant sera celui qui pourra offrir une nouvelle couverture, comme une couverture contre les inondations après un événement majeur, ou améliorer les parcours de réclamation en fonction de la rétroaction réelle de la clientèle. La stratégie passe alors de livrer rapidement à générer continuellement de meilleurs résultats, de façon sécuritaire.
Perspectives pour 2027
Chris Juryn :
Lorsque nous regardons vers 2027, le principal avantage reviendra aux assureurs qui utiliseront l’IA pour adapter et mettre à jour en continu leurs logiciels et leurs opérations. Il ne s’agira pas de l’un ou de l’autre. Si les organisations se concentrent uniquement sur la rapidité de livraison sans améliorer la résilience opérationnelle, cela n’aura pas d’effet significatif pour les clients ou pour l’entreprise. Les gagnants seront ceux qui sauront construire plus vite, se remettre plus vite et réagir plus vite, en utilisant l’IA pour trouver l’équilibre entre vitesse et résilience.
Tarun Dehariya :
L’impact le plus important de l’IA se manifestera dans l’expérience des conseillers et des clients. Les assureurs se demandent déjà comment ils peuvent améliorer les deux. Nous verrons de plus en plus d’IA agentique s’occuper discrètement des tâches en arrière-plan, lire des documents, extraire des données de différents systèmes et préparer les dossiers pour la souscription ou les réclamations. Au lieu que les conseillers passent des jours à rassembler des documents, l’IA fera la majeure partie du travail préparatoire, ce qui permettra aux conseillers de se concentrer sur l’explication des options et la prestation de conseils concrets. Pour les clients, cela se traduira par des réponses plus rapides, moins d’allers-retours et des parcours plus fluides, avec les balises et la supervision humaine appropriées.
Guillaume Brincin :
Un autre avantage majeur se manifestera dans la conception architecturale et la prise de décisions techniques. Cette phase est actuellement sous-exploitée, mais elle deviendra un véritable domaine de rupture. Les agents IA généreront de plus en plus des architectures de systèmes, évalueront les compromis et simuleront les impacts de mise en œuvre, ce qui créera des améliorations en cascade dans la qualité de chaque étape en aval du cycle de développement logiciel.
Derek Marinos (animateur) :
L’IA ne fait pas qu’accélérer les choses, elle transforme la façon dont les logiciels sont conçus tout au long du cycle. Merci à Tarun, Chris et Guillaume pour cette discussion, et merci de votre écoute.
