Gestionnaire de sinistres — tâches, une par une

Prendre la déclaration

Une prise en charge structurée face à un contrat est le cas idéal pour l'automatisation : les questions sont connues d'avance, les réponses sont vérifiables contre des enregistrements que l'assureur détient déjà, et une mauvaise réponse se voit immédiatement plutôt que des années plus tard. Le rapport annuel de Lemonade indique qu'à la fin de 2023, dans 98 % des cas son agent de sinistres prend la première déclaration et paie ou refuse sans intervention humaine.

Ce chiffre porte sur un assureur en vente directe souscrivant des risques de particuliers simples, et la phrase suivante du même dépôt dit que les sinistres que l'agent n'est pas autorisé à régler, ou pour lesquels il détecte des motifs d'inquiétude, sont confiés à des experts humains. Cela établit donc que le bout « réception » est automatisé dans cette entreprise, non que le travail de sinistres n'a plus besoin de personne. Cela ne dit rien non plus des assureurs traditionnels tournant sur des systèmes anciens, soit l'essentiel du marché en primes.

Décider si c'est couvert

Là où les faits sont propres et le contrat standard, c'est de l'application de règles et les machines le font de façon constante — plus constante qu'une personne fatiguée en fin de service. Ce qui ne se transfère pas est le cas où les faits sont contestés, parce que décider quelle version des événements croire n'est pas une règle, et la personne qui décide doit répondre de l'avoir crue.

Un jugement sur la structure du travail, non une mesure de la fréquence des faits contestés — et cette part diffère énormément selon la branche. Cela ne dit pas non plus que constant équivaut à correct : une règle appliquée de façon constante à un contrat mal écrit produit une injustice constante.

Mettre un chiffre sur le dommage

L'estimation des dommages à partir de photos et la tarification des pièces sont désormais ordinaires et réellement rapides — le versant coût de cette tâche convient bien à un modèle entraîné sur des millions de réparations. Ce qui reste est la discussion : un réparateur qui dit que le devis est trop bas, un assuré dont l'objet n'a pas de prix de marché, et la décision sur qui absorbe la différence.

Ne dit rien sur l'exactitude pour des biens inhabituels ni sur les marchés où l'approvisionnement en pièces est volatil, ni sur le point de savoir si des estimations plus rapides ont changé ce que touchent les assurés. Ni l'une ni l'autre n'ont été mesurées publiquement.

Le sinistre qui ne rentre pas dans les cases

L'automatisation devient meilleure sur les cas qui ressemblent aux cas précédents, ce qui est la définition de ce qu'elle ne peut pas faire ici. L'exception est aussi là où se trouvent réellement l'argent et la réputation d'un assureur : une poignée de sinistres inhabituels mal traités coûte plus que des milliers de sinistres de routine, et savoir lequel des inhabituels est le coûteux est un jugement sur ce portefeuille.

Un jugement sur l'endroit où se trouve le risque, non une mesure du nombre de sinistres qui sont des exceptions. Cela ne prétend pas non plus que les humains traitent bien les exceptions — un gestionnaire fatigué sous le volume est exactement la façon dont un sinistre coûteux passe inaperçu.

Dire non à quelqu'un

Un système peut produire un refus ; il ne peut pas être la partie qui en répond. Sur la plupart des marchés, un refus vient avec un droit à une explication, une voie de réclamation et un régulateur, et chacun a besoin d'une personne à qui l'on peut demander pourquoi. C'est la tâche qui transforme un service de sinistres d'une fonction de traitement en une fonction qui répond.

Ce qui est protégé, c'est qu'il y ait quelqu'un pour répondre, non l'effectif. Une seule personne peut répondre de nombreux refus automatiques, et sur plusieurs marchés l'explication donnée est elle-même un modèle type. Ce qui fixerait le poids de cette obligation, c'est une action de sanction visant un assureur pour un refus automatique, laquelle n'est pas apparue.

Repérer le sinistre inventé

La détection de motifs sur tout un portefeuille est quelque chose que les personnes ne savent pas du tout faire : c'est donc l'un des cas les plus nets où la machine ajoute une capacité plutôt qu'elle n'en remplace une. Ce qui reste humain est la décision d'agir sur un signalement : accuser un client de fraude est un acte juridique aux conséquences réelles, et la confiance d'un modèle n'est pas une preuve.

Rien ici ne mesure les faux positifs, qui sont tout le coût de cette tâche — un assuré signalé à tort est une personne accusée d'un délit par un modèle statistique. La performance de détection de fraude est aussi rarement publiée par les assureurs : cela repose donc sur la forme du problème plutôt que sur une mesure.