Comment pouvons-nous construire l’avenir des services financiers de manière à obtenir un rendement mesurable du capital investi?

Cette question est au cœur d’une nouvelle série de balados, De la transaction à la confiance, destinée aux dirigeants qui mènent la transformation numérique dans des environnements complexes et réglementés. Dans ce premier épisode, Thomas Rauschen et Darren Rudd, de CGI, explorent une question cruciale à laquelle sont confrontés les assureurs aujourd’hui : l’intelligence artificielle (IA) améliore-t-elle simplement l’efficacité ou redéfinit-elle le modèle opérationnel de l’assurance?

Conçu pour les décideurs du secteur des services financiers, le balado se concentre sur la stratégie pratique, la résilience opérationnelle et les résultats d’entreprise. Ce premier épisode envoie un message clair : il faut aller au-delà des tendances du moment et se concentrer sur la valeur commerciale mesurable.

Passer de l’expérimentation à la valeur d’entreprise

L’IA a largement dépassé le stade des laboratoires d’innovation et des projets pilotes en TI. Elle influence désormais :

  • les discussions stratégiques des dirigeants;
  • les modèles d’engagement client;
  • les opérations de souscription et de gestion des réclamations.

Pourtant, de nombreux assureurs restent coincés entre la réussite des preuves de concept et la transformation à l’échelle de l’entreprise. Tandis que les organisations commencent à adopter l’IA à plus grande échelle, la question demeure : comment en tirer une valeur mesurable?

Repenser l’IA en fonction des résultats d’affaires

Il est facile de se perdre dans la terminologie technique comme le traitement du langage naturel, les grands modèles de langage et l’IA agentive. Mais la technologie seule ne crée pas de valeur. Une application commerciale claire et stratégique est nécessaire.

Darren Rudd, qui dirige les services de conseil en assurance de CGI au Royaume-Uni, définit l’IA dans le domaine de l’assurance à travers quatre archétypes pratiques.

1. Efficacité opérationnelle

La plupart des assureurs commencent ici. Ces initiatives permettent d’augmenter progressivement la productivité et de réaliser des économies. Les organisations utilisent l’IA générative et les grands modèles de langage pour :

  • automatiser la documentation;
  • accélérer les analyses de souscription;
  • améliorer la récupération des connaissances internes;
  • réduire les coûts liés au traitement manuel.

2. Amélioration des produits

Ici, l’IA se rapproche du client. L’IA passe du soutien administratif à la différenciation concurrentielle. Les assureurs intègrent l’intelligence artificielle dans :

  • les interactions relatives aux réclamations;
  • les recommandations en matière de polices;
  • l’évaluation des risques en temps réel.

3. Perspectives axées sur les données

Dans ce modèle, l’IA améliore l’intelligence à tous les niveaux de l’entreprise. Les analyses avancées et l’apprentissage machine renforcent la prise de décision en aidant les assureurs à :

  • améliorer la modélisation des risques;
  • détecter plus tôt les fraudes;
  • générer une intelligence d’affaires prédictive;
  • éclairer la planification stratégique.

4. IA agentive

Il s’agit de l’étape la plus transformatrice. À ce niveau, l’IA ne se contente pas d’assister le travail, elle remodèle la manière dont celui-ci est structuré. L’IA agentive orchestre plusieurs capacités d’intelligence artificielle pour exécuter :

  • des processus de bout en bout;
  • des flux de travaux décisionnels autonomes;
  • une optimisation intelligente des processus.

Combler le fossé stratégique grâce à l’intégration

Les perspectives du rapport La voix de nos clients de CGI 2025 révèlent une déconnexion. Alors que 46 % des cadres supérieurs du secteur de l'assurance sont confiants dans leur stratégie numérique, seulement 43 % déclarent disposer d'une stratégie d'IA complète à l'échelle de l'entreprise.

Cette étude souligne que l’expérimentation est très répandue, mais que l’intégration reste limitée. De nombreux assureurs intègrent l’IA dans leurs flux de travaux existants au lieu de repenser ces derniers. Comme l’explique Darren : « Les gens appliquent l’IA à ce qu’ils font aujourd’hui plutôt que de l’utiliser comme une occasion de repenser le processus. »

L’histoire offre une analogie utile. Lorsque les usines ont adopté l’électricité pour la première fois, les dirigeants ont remplacé les machines à vapeur par des moteurs électriques, mais ont conservé la même configuration. La productivité ne s’est améliorée que lorsque les usines ont été repensées autour de l’électricité.

L’IA nécessite un changement similaire. La valeur réelle apparaît lorsque les organisations repensent leurs modèles opérationnels, et ne se contentent pas d’automatiser les processus existants.

Trois raisons qui expliquent pourquoi l’adoption de l’IA à l’échelle de l’entreprise est lente

Même avec des investissements importants, la transformation à l’échelle de l’entreprise est souvent au point mort. Darren énumère trois raisons courantes.

1. Fatigue liée au cycle d’engouement:

Les dirigeants du secteur de l’assurance ont connu plusieurs vagues de technologies « transformationnelles ». Le scepticisme grandit lorsque :

  • le rendement du capital investi manque de clarté;
  • les cas d’utilisation ne correspondent pas aux objectifs d’affaires;
  • la stratégie n’est pas en phase avec les résultats.

Sans lien clair entre les initiatives en matière d’IA et leur effet financier, l’élan s’essouffle.

 2. Le facteur humain:

L’IA ne change pas seulement les systèmes. Elle transforme aussi la façon dont les gens travaillent. Elle a une incidence sur :

  • le pouvoir décisionnel;
  • les flux de connaissances;
  • les structures de responsabilité;
  • les rôles de la main-d’œuvre.

Contrairement à la modernisation des infrastructures, la transformation par l’IA nécessite un leadership fort en matière de changement. La littératie, la transparence et la confiance en matière de données deviennent des facteurs essentiels.

 3. Contraintes liées aux systèmes existants

L’IA dépend de plusieurs éléments :

  • Données de haute qualité
  • Couches d’intégration modernes
  • Infrastructure évolutive

Les architectures fragmentées et la dette technique limitent l’évolutivité. L’IA met souvent en évidence les faiblesses des environnements existants plutôt que de les masquer.

Prévoir l’avenir de l’assurance jusqu’à 2030 et au-delà

Le secteur de l’assurance sera-t-il fondamentalement différent en 2030? Le scénario le plus probable est celui d’une évolution progressive plutôt que d’un bouleversement soudain. Cependant, le changement ne se fera pas de manière uniforme.

Une transformation plus rapide est attendue dans les domaines suivants :

  • Automatisation des réclamations
  • Modèles de distribution
  • Développement de logiciels
  • Traitement des données non structurées

Un changement plus progressif est probable dans les domaines suivants :

  • Réassurance commerciale
  • Souscription complexe
  • Segments de conseil axés sur la confiance

Dans ces domaines, les modèles hybrides associant l’IA et l’intervention humaine resteront essentiels. L’IA va remodeler la chaîne de valeur, mais à des rythmes différents selon la réglementation, la confiance et la tolérance au risque.

Passer d’un modèle opérationnel complémentaire à un modèle opérationnel central

Le changement déterminant pour les assureurs est d’ordre structurel. Il reflétera le passage de projets pilotes isolés, d’expériences menées dans des laboratoires d’innovation et de solutions ponctuelles à une IA intégrée dans le modèle opérationnel, une orchestration à l’échelle de l’entreprise et un rendement du capital investi mesurable aligné sur les objectifs stratégiques.

Les organisations qui considèrent l’IA comme un outil complémentaire enregistreront des gains progressifs. Celles qui intègrent l’IA dans leurs flux de travaux, leur gouvernance et leurs stratégies de gestion des talents bénéficieront d’un avantage concurrentiel durable.

Éléments clés à retenir pour les hauts dirigeants du secteur de l’assurance – Intégration de l’IA dans la stratégie d’entreprise

1. La frénésie n’est pas synonyme de valeur:

Si les niveaux d’investissement sont élevés, la transformation des entreprises ne l’est pas. La valeur apparaît lorsque les initiatives en matière d’IA s’alignent sur des résultats mesurables tels que la rentabilité, la réduction des risques, la stimulation de la croissance et l’amélioration de l’expérience client.

2. La culture limite souvent plus l’évolutivité que le code:

La transformation de l’IA étant centrée sur l’humain, voici les contraintes les plus importantes :

  • Littératie en matière de données
  • Comportement organisationnel
  • Alignement du leadership
  • Capacité de gestion du changement

3. Les perturbations seront inégales

Les fonctions qui reposent fortement sur des données non structurées se transformeront rapidement. Les segments hautement personnalisés et basés sur la confiance évolueront grâce à une combinaison d’IA et de prise de décision humaine. L’IA ne provoquera peut-être pas une réinvention immédiate du secteur de l’assurance. Cependant, la refonte continue des processus, des couches d’intelligence et des cadres décisionnels s’intensifiera au fil du temps.

Comme l’explique Thomas, « les véritables contraintes ne sont pas les algorithmes ou la technologie, mais les aspects fondamentaux de l’IA et les comportements que nous devons inculquer à l’ensemble des organisations ».

Rejoignez-nous pour notre prochain épisode, où nous examinerons plus en détail comment les organisations de services financiers peuvent passer des systèmes traditionnels à un avenir défini par l’innovation et l’intelligence.