Comment les assureurs industrialisent la lutte contre la fraude grâce à l’IA

En France, l’Alfa (Agence pour la lutte contre la fraude à l’assurance) estime que la fraude touche 15% des sinistres payés par les assureurs ou 5% des primes perçues, soit environ 2 à 2,5 milliards d’euros par an. Environ 300 millions d’euros seulement seraient détectés et récupérés par les assureurs.

Apports de l’IA

Les progrès réalisés en intelligence artificielle ces dernières années ouvrent des perspectives aux assureurs pour lutter plus efficacement contre la fraude. “Les acteurs financiers doivent passer d’un système à base de règles qui ne sont que la réplication de cas de fraude déjà connus à des systèmes auto-apprenants à base de machine learning et de deep learning, qui permettent de détecter des comportements cachés et non identifiés par l’humain”, indique Philippe Keraël, responsable analytics pour la fraude, le risque et la conformité de Capgemini.

Recourir aux techniques d’apprentissage automatique (machine-learning, deep learning et cognitive computing, voir lexique) en complément du modèle déterministe (règles métiers) “vient améliorer la précision de la détection en identifiant les cas de fraude qui n’ont pas été identifiés grâce aux collaborateurs, aux processus ou aux règles de détection conçues par les assureurs”, ajoute Florence Giuliano, directrice de la stratégie contre la fraude pour la zone EMEA chez l’éditeur SAS.

“Mais cela améliore également la productivité en systématisant les contrôles et permet de diminuer les fausses alertes, limitant la gêne pour le client et les coûts d’investigation”, poursuit-elle. Réduire les faux positifs vise en effet à éviter de bloquer des opérations qui ne sont en réalité pas frauduleuses, mais aussi de réaliser des économies en réduisant les effectifs dédiés à leur analyse. “Actuellement, les assureurs disposent parfois de plus de 2 000 ou 3 000 analystes pour gérer les faux positifs et enquêter sur les alertes”, décrit Philippe Kéraël.

Automatisation

Jusqu’ici, raconte Didier Alleaume, associé du cabinet CGI Consulting en charge des questions réglementaires et de gestion des risques, “la lutte contre la fraude était très artisanale, avec un mélange de solutions d’analyse comportementale et de règles de gestion ; et avec beaucoup d’explorations de données réalisées par des data scientists via des requêtes sur des entrepôts de données, pour dénicher des comportements atypiques en corrélation avec des facteurs de risque”. Un fonctionnement coûteux avec un taux de fausses alertes élevé nécessitant un traitement par des humains. Par ailleurs, déplore Didier Alleaume, “les solutions d’analyse comportementales sont encore trop souvent des boîtes noires avec une faible capacité d’évolution des scénarios : il faut parfois jusqu’à six mois pour en faire évoluer un ».