Détecter et prioriser les meilleures opportunités d'IA

Seyna dispose d'une multitude d'inputs très riches mais aujourd'hui peu exploités pour optimiser ses services : contrats d'assurance (conditions générales, tableaux de pricing, exclusions), polices, historique des sinistres et des décisions de remboursement, échanges avec les clients, jurisprudence accumulée, connaissance métier des types de fraude et des arbitrages passés. Toute la question était de savoir comment transformer ce capital de données dormant en usages concrets.

Deux tensions stratégiques ont structuré la réflexion dès le départ. La première : faut-il que l'IA soit directement intégrée en profondeur dans les outils métier existants (par exemple, remplacer des règles métier paramétrées à la main par un agent qui lit directement les conditions générales et l'historique du produit pour décider s'il faut rembourser un sinistre), ou plutôt une surcouche ajoutée par-dessus les outils existants (un chat qui aide le gestionnaire dans son travail sans changer l'outil sous-jacent) ? La seconde : l'IA doit-elle rester une fonctionnalité qui améliore les produits internes de Seyna, ou peut-elle devenir un produit à part entière, vendu à toute l'industrie de l'assurance et intégré par d'autres acteurs dans leurs propres outils ?

Collecte d'insights pour des propositions personnalisées

Pour comprendre le marché de l'assurance en profondeur, plus de 20 interviews ont été menées avec des assureurs, courtiers, réassureurs et collaborateurs de Seyna, couvrant tous les pôles concernés : actuariat, juridique, gestion des réclamations, audit, ventes. Ces échanges ont permis d'identifier les défis spécifiques à chaque métier et de repérer où l'IA générative pouvait réellement apporter de la valeur, plutôt que de partir d'une idée préconçue de ce qui devait être automatisé.

Plusieurs enseignements se sont révélés à contre-courant des attentes initiales. Développer un modèle d'IA pour automatiser le pricing, par exemple, s'est avéré illusoire : c'est le cœur de métier de l'actuaire, avec trop de paramètres et de cas particuliers pour qu'un modèle puisse s'y substituer de façon fiable. De même, l'automatisation de la rédaction des documents juridiques à la création d'un produit, un cas d'usage qui semblait évident au départ, s'est révélée d'un intérêt limité une fois creusée : les équipes juridiques travaillaient déjà à partir de documents types avec des modifications ciblées sur les mêmes articles, un système simple à automatiser mais avec un gain de productivité finalement marginal.

Les vrais points de friction se sont plutôt révélés dans les zones de passage entre équipes. Entre juristes et actuaires, la mise à jour du lien entre la grille tarifaire et le contrat demandait des allers-retours répétés. Côté gestion des réclamations, faire correspondre un cas concret (souvent formulé de façon ambiguë par l'assuré) au bon périmètre contractuel s'est révélé être un vrai sujet de complexité, notamment quand le cas nécessite de l'intelligence humaine : par exemple, relier une maladie inconnue à une typologie de couverture qui n'est que sous-entendue dans le contrat.

Priorisation des opportunités d'IA générative pour Seyna

Sur les 7 opportunités identifiées à l'issue de la phase d'interviews, 2 ont été sélectionnées pour leur ROI potentiel et leur facilité d'implémentation :

• Un co-pilote décisionnel pour les équipes commerciales, pour accélérer l'appariement des prospects avec les meilleures solutions d'assurance.
• Un outil d'assistance pour la gestion des réclamations d'assurance loyers impayés, pour automatiser une partie du traitement des sinistres.

Ces deux solutions ont été pensées pour soutenir les équipes sur des tâches complexes, sans jamais chercher à remplacer leur expertise, un principe qui s'est imposé dès les premières interviews et qui a guidé toute la priorisation.

Recommandations techniques et développement de POCs

Au-delà de la priorisation des cas d'usage, Mozza a partagé avec Seyna des recommandations techniques détaillées : choix du modèle de langage en fonction des coûts et de l'environnement technique existant, bonnes pratiques à adopter, pièges courants à éviter.

Pour matérialiser ces recommandations, une plateforme de test composée de 4 agents a été construite en collaboration avec les équipes Seyna : deux agents de support (sur les loyers impayés et sur l'assurance santé), reposant sur un système RAG et des bases de connaissances structurées ; un agent de support commercial pour les produits santé, capable de comparer les garanties entre différentes offres d'assurance ; et un agent d'extraction de données à partir des documents clients, pour faciliter la gestion des réclamations.

Les résultats

• Plus de 20 interviews menées auprès d'assureurs, courtiers, réassureurs et collaborateurs Seyna, couvrant l'ensemble des pôles métier.
• 7 opportunités d'IA générative identifiées, dont 2 priorisées pour leur ROI potentiel et leur facilité d'implémentation.
• 4 agents IA construits en POC (support loyers impayés, support santé, assistance commerciale, extraction de données), pour tester rapidement des solutions concrètes.