Skip to content

GRA · Insurance Nexus

Spatial financeWhere capital meets hazard, exposure and transition

Insurtech et IA

Data, automation and machine learning now reach every step of insurance: distribution, underwriting, pricing, claims and fraud detection. They can lower costs and widen access, and they can also discriminate, exclude, mislead or fail in ways that are hard to see. This page sets out how technology and model risk develop in insurance, how their effects on customers are measured, and which institutions hold the governance decisions.

01Canevas

Comment le travail se déroule.

Systèmes · autour de ce sujetIllustratif

Déficit de protection et afflux de sinistres

Insurtech et IA · Portefeuille côtier · Scénario d'événement EV-30

  • Sinistres déclarés
    8320Alerte
  • Adjusters deployed
    154Actif
  • Arriéré
    17joursSurveillance
Surge plan activatedGRA · Insurance Nexus

Perte économique selon qui la supporte

  • Assuré
  • Public
  • Uninsured
Protection gap and claims surge: the screen’s structure, terms and states for Insurtech and AI.Example names and illustrative values; a design, not a record or a live system.

Fig.Protection gap and claims surge: example names and illustrative values, not a record or a live system.

02La question

Insurtech and AI: how the risk develops.

Gouvernance des modèles d'IA et effets sur les clients. Le dossier ci-dessous expose comment le risque se développe, ce qui est mesuré, d'où viennent les données, comment elles sont modélisées et qui décide.

Mécanisme

Opacité et dérive des modèles

Les modèles complexes sont difficiles à expliquer aux clients, aux superviseurs et aux conseils d'administration. La performance dérive à mesure que les données et les comportements évoluent, et les erreurs peuvent se propager à l'ensemble d'un portefeuille avant que quiconque ne s'en aperçoive.

Mécanisme

Discrimination par variable de substitution

Rich external data, from credit information to telematics and online behaviour, can stand in for protected characteristics. A model that never sees a protected attribute can still produce disparate outcomes.

Mécanisme

Individualised pricing and pooling

Une segmentation plus fine rapproche la prime de la perte attendue individuelle. Elle peut récompenser la réduction des risques, mais elle peut aussi exclure certaines personnes par le prix et éroder la mutualisation sur laquelle repose l'assurance.

Mécanisme

Platform and vendor concentration

Many insurers rely on the same data vendors, models and cloud platforms. A flawed dataset or a vendor outage then affects the market at once, and accountability is split across contracts.

03Exposition, perte et capital

Ce que l'Insurtech et l'IA impliquent pour l'exposition, les pertes et le capital.

Les vues d'exposition, de pertes, de scénarios et de capital que demanderaient un responsable des risques, une autorité de contrôle ou un ministère des finances, avec les cadres dont ils relèvent pour leurs rapports. Les structures suivent la pratique prudentielle et actuarielle. Les valeurs sont illustratives : jamais des prix, des notations ni des conseils.

Exposition et pertes selon les périodes de retour

Comment les pertes liées à l'Insurtech et à l'IA augmentent avec la gravité, brutes et nettes de réassurance, par rapport au capital.

1 sur 101 sur 501 sur 1001 sur 250brutnet de réassurance800
Période de retourProbabilité annuellePerte brutePerte netteNet, capital = 100
1 sur 100.10141010
1 sur 500.02332121
1 sur 1000.01462727
1 sur 2500.004683939
Perte annuelle moyenne3.12.22.2
Indice de pertes illustratif pour un portefeuille d'exemple (capital = 100) : la forme de probabilité de dépassement que lisent les assureurs et les superviseurs. Ni des données sur une institution, ni un prix, ni une notation.
Scénarios climatiques du NGFS · Réseau pour le verdissement du système financierIFRS S2 Informations à fournir en lien avec les changements climatiques · ISSBRecommandations de la TCFD · TCFD du Conseil de stabilité financièrePrincipes pour une gestion efficace des risques financiers liés au climat · Comité de Bâle sur le contrôle bancaire
04Indicateurs

Ce qui est mesuré, et avec quelle qualité.

Chaque indicateur porte son unité, sa périodicité, le type de source qui le sous-tend et l'étiquette de preuve que porterait une valeur. Aucune valeur n'est affichée : un programme les fournit sous sa propre autorité.

IndicateurUnitéFréquenceType de sourceÉtiquette
AI systems in use by business functioncount of systems by functioncycle d'enquêteEnquêtes de supervision auprès des assureursDÉCLARÉ
Ratio de résultats disparatesratio of outcome rates between groupspar revue de modèleTests d'équitéESTIMÉ
Dérive de la performance du modèlechange in discrimination or calibration metricmensuelSuivi des modèlesOBSERVÉ
Part des décisions de sinistres automatiséespourcentage de demandes d'indemnisation tranchées sans examen humainannuelInsurer disclosures and surveysDÉCLARÉ
Réclamations concernant les décisions automatiséesréclamations pour mille décisions automatiséesannuelSupervisory complaint dataStatistiques publiées
Dépendances critiques à l'égard de modèles et de données de tiersnombre de fournisseurs critiquesannuelVendor registersDÉCLARÉ
05Sources

D'où proviennent les données probantes.

Jeux de données publics et registres institutionnels nommés, chacun avec sa catégorie de licence. Les sources fournies dans le cadre d'accords ne sont utilisées que selon leurs conditions et ne sont jamais republiées.

SourcesCe qu'elle apporteCatégorie de licence
Enquêtes de la NAIC sur l'intelligence artificielle auprès des assureursUse of AI by function in motor, home and life insurance in the United StatesRapports publics
Rapports de l'EIOPA sur la numérisation et la gouvernance de l'IARecours à l'analyse des mégadonnées et aux principes de gouvernance de l'IA pour les assureurs européensPublic, conditions de réutilisation de l'UE
Gallagher Re Global InsurTech ReportInvestissement, activité des start-ups et thèmes dans la technologie de l'assurancePropriétaire, rapport publié en lecture libre
AI Incident DatabaseReported incidents involving AI systems, including in financial servicesDonnées ouvertes, attribution et conditions
Observatoire des politiques de l'IA de l'OCDE (OECD.AI)Politiques, principes et tendances en matière d'IA par paysGratuit, conditions de l'OCDE
IAIS application papers and FinTech publicationsPratique de supervision en matière d'IA, de mégadonnées et de conduitePublic, IAIS terms
06Décisions

Qui décide, et à quoi servent les données probantes.

Insurance Nexus prépare les données probantes. Les décisions ci-dessous sont prises par les autorités nommées, selon leurs propres règles, et jamais par la plateforme.

Qui décideLa questionDonnées probantes servies par cette page
Conseils d'administration des assureurs et comités du modèles financiers bancaireWhich AI systems to deploy, with what oversight, testing and human reviewInventaire des modèles, validation et tests d'équité, suivi de la dérive et historique des incidents
Autorités de contrôle des assurancesHow to supervise AI use under existing conduct and governance rules and new AI lawSurvey evidence, model governance documentation, complaint and outcome data
Legislators and data protection authoritiesWhich data sources and automated decisions are permitted in insuranceEvidence on predictive value, proxy effects, transparency and redress
Organismes de consommateurs et services de médiationSi les décisions automatisées sont équitables et expliquées aux clientsPlaintes, décisions et disparités de résultats par groupe

Résultats que produit ce thème

  • Guide to AI governance expectations in insurance by jurisdiction
  • Method note on testing pricing and claims models for proxy discrimination
  • Brief on vendor and model concentration risk
  • Liste de contrôle des données probantes pour la diligence raisonnable dans l'examen des modèles d'IA
07Questions essentielles

Questions des professionnels.

  • Comment l'IA et l'apprentissage automatique sont-ils utilisés tout au long de la chaîne de valeur de l'assurance ?
  • How should AI models used in pricing and claims be governed and validated?
  • Comment les assureurs peuvent-ils prévenir la discrimination injuste et les effets de substitution dans les modèles ?
  • How should customers be informed about automated decisions affecting them?
  • Comment la dépendance à un petit nombre de fournisseurs de technologie affecte-t-elle la résilience ?
08Mécanismes

Facteurs et dynamiques.

Les assureurs recourent à l'IA pour le service client, la souscription, la tarification, la détection de la fraude et l'évaluation des sinistres. Les modèles d'apprentissage automatique peuvent déceler dans de vastes jeux de données des régularités que les méthodes traditionnelles manquent, mais ils peuvent être opaques, sensibles à la qualité des données et enclins à reproduire des biais historiques. Des variables d'apparence neutre peuvent servir de substituts à des caractéristiques protégées. L'IA générative soulève d'autres questions de précision et de responsabilité.

Les régulateurs de plusieurs juridictions ont publié des principes ou des règles sur l'IA dans l'assurance et la finance, en insistant sur la gouvernance, l'explicabilité, l'équité et le supervision humaine. La dépendance à l'égard d'un petit nombre de fournisseurs de cloud et de modèles crée un risque de concentration dans l'ensemble du secteur. Les entreprises d'insurtech ont aussi transformé la distribution, par l'assurance intégrée vendue avec d'autres produits et par des couvertures fondées sur l'usage s'appuyant sur la télématique et les objets connectés, ce qui soulève des questions de propriété des données, de consentement et de frontière entre prévention des risques et surveillance.

09Méthodes et limites

Comment elle est étudiée.

  1. 01

    Cadres de gouvernance des modèles

    Approaches to validation, monitoring and accountability, drawing on artificial intelligence and machine learning.

  2. 02

    Tests d'équité

    Statistical methods from probability and statistics assess whether models produce disparate outcomes.

  3. 03

    Customer outcome research

    Studies of how automated decisions affect access, price and claims experience.

  4. 04

    Limites

    Fairness has several competing definitions, model behaviour can drift over time, and proprietary models limit external scrutiny.

10Méthodes

Comment c'est étudié, et ce que les méthodes ne peuvent pas dire.

  1. Intelligence artificielle et apprentissage automatiqueEnrichissement de l'exposition à partir de l'imagerie · Tri des sinistres et de la fraude · Tests d'équité des modèles de tarificationAppliqué ici
  2. Probabilités et statistiquesModélisation de la fréquence et de la sévérité · Mise à jour bayésienne des hypothèsesAppliqué ici
  3. Mathématiques actuariellesProvisionnement des sinistres à l'aide de triangles de développement · Tarification d'expérience et crédibilitéAppliqué ici
11Questions

Questions et réponses.

Is AI in insurance regulated?
Le droit existant en matière d'assurance, de conduite, de non-discrimination et de protection des données s'applique déjà. Certaines juridictions ajoutent des règles spécifiques, comme le règlement européen sur l'IA pour certains usages de tarification en assurance vie et santé, et des bulletins de supervision sur la gouvernance de l'IA aux États-Unis.
How is proxy discrimination tested?
En comparant les résultats entre groupes, en vérifiant si des variables portent des informations protégées et en contrôlant si des alternatives à effet moins disparate prédisent aussi bien. Chaque test exige des données et du jugement, et les résultats sont étiquetés.
Insurance Nexus certifie-t-il des modèles d'IA ?
Non. La validation des modèles est effectuée par les assureurs et par des examinateurs indépendants, et les autorités de surveillance évaluent la gouvernance. Insurance Nexus explique les méthodes et les attentes publiées.
What is a proxy variable?
Variable qui n'est pas elle-même une caractéristique protégée mais qui est étroitement corrélée à l'une d'elles, de sorte que son utilisation peut produire une discrimination indirecte.
Does GRA review insurers’ models?
Non. Elle étudie les pratiques de gouvernance au niveau sectoriel.
La GRA donne-t-elle des conseils sur ce sujet ?
Non. La GRA ne souscrit, ne vend, ne sollicite, ne négocie, ne place ni ne courtie aucune assurance, et elle ne note pas les transactions, ne donne pas de conseils à leur sujet et n'en organise pas. Les travaux de préparation ne valent pas approbation. Son analyse est une compréhension partagée, à l'échelle du secteur.
RapportsContribuer

Apportez des éléments de preuve depuis cette page.

Reports est la publication trimestrielle du Consortium. Ce que vous savez de ce sujet peut devenir une donnée probante, un cas ou une correction dans la prochaine édition, avec mention de votre nom et publié sous licence CC BY 4.0 lorsqu'il s'agit de votre propre travail.

Global Risks AllianceInsurance NexusFinance and Insurance ReadinessGlobal Sector Risk and Resilience
Insurance Nexus

Soumettez une question d'exposition ou de capital à l'Alliance.

L'information et les demandes sont ouvertes dès aujourd'hui. Une demande reçoit une référence et indique l'étape suivante ; candidatures, paiements, allocations de calcul et inscriptions n'ouvrent que lorsque l'équipe, les conditions et la capacité d'examen existent.