Les consultants de McKinsey nous réservent parfois quelques surprises. Alors que tout le monde s'emballe pour l'intelligence artificielle, générative pour le parfum du moment, ils nous proposent un panorama de ses possibilités dans l'univers de l'assurance… plutôt maigre mais, de fait, probablement plus réaliste que tout autre.
En guise de hors-d'œuvre, surgit la question classique… dont la réponse détermine évidemment toute la suite : quels sont les cas d'usage les plus propices pour le secteur et, surtout, les plus susceptibles de produire de la valeur ? Il en ressort quatre, dont seuls deux sont réellement spécifiques à l'assurance, une fois écartés ceux qui portent sur l'assistance à la programmation informatique et l'optimisation du service au client, ce dernier en résonance directe avec les constats de Gartner que j'abordais hier.
Plus près du métier, il reste donc une opportunité dans la recherche et l'extraction d'information utile au sein de corpus de données non structurées (documents, formulaires et autres échanges…). Il s'agit par exemple d'analyser les éléments d'une déclaration de sinistre ou de synthétiser la politique de l'entreprise. L'autre concerne au contraire la création d'éléments de communication, pour transmettre l'état de son dossier à un assuré ou dans le cadre d'une négociation avec un agent, entre autres.
La perspective peut sembler extrêmement réduite mais elle s'avère tout à fait pragmatique. Une fois dépassé le stade du rêve de solution magique (tel que le vendent tant de personnes), il faut revenir sur terre et considérer les capacités réelles de la technologie. Et encore, McKinsey rappelle utilement que l'IA générative ne suffit pas à dégager les bénéfices attendus, elle doit être combinée à d'autres approches – science des données, robotisation de processus (RPA)… – afin d'en tirer pleinement parti.
Malgré un contour aussi bien circonscrit, la plupart des entreprises sont pourtant bloquées dans le « purgatoire des pilotes », à savoir l'incapacité à sortir les projets de la phase expérimentale en vue de leur déploiement en production. La première raison de cette situation est toujours la même : les organisations traditionnelles ne sont pas aguerries aux protocoles de test et, en particulier, elles ne savent pas déterminer objectivement les conditions de succès et interrompre ceux qui ne les satisfont pas.
Il est vrai que la discipline nécessaire est d'autant plus difficile à maîtriser quand elle s'exerce sur l'intelligence artificielle, assortie de ses risques et incertitudes distinctifs – en matière de protection des données sensibles, d'imperfection viscérale (jusqu'aux hallucinations), de biais potentiels, avec les enjeux éthiques et réglementaires qu'ils entraînent… – a priori rédhibitoires dans les institutions financières. Ceux-ci requièrent la mise en place préalable de plans de gestion adaptés, aujourd'hui inexistants.
En résumé, les acteurs qui réussiront à capitaliser sur le potentiel de l'intelligence artificielle générative intègreront trois critères essentiels : la compréhension précise des fonctions remplies par la technologie (et le recours à d'autres options pour celles qui ne le sont pas), la définition d'une gouvernance de l'innovation (applicable aussi sur d'autres concepts émergents) et, enfin, un cadre formel et évolutif de contrôle des risques.
Aucun commentaire:
Enregistrer un commentaire
Afin de lutter contre le spam, les commentaires ne sont ouverts qu'aux personnes identifiées et sont soumis à modération (je suis sincèrement désolé pour le désagrément causé…)