# La Casualty Actuarial Society a publié une étude de preuve de concept financée par la CAS elle-même, dans laquelle un pipeline en deux étapes fondé sur un LLM a extrait 36 variables actuarielles structurées à partir de documents de sinistres non structurés

Page: https://flyvolo.ai/fr/changes/ev-20260622-actuary-5
Date: 2026-06-22 · Étape: Capacité technique
Ce relevé peut-il faire évoluer un jugement sur une tâche ? non
Métier: https://flyvolo.ai/fr/careers/actuary

## Périmètre

La propre revue de recherche à comité de lecture de la Casualty Actuarial Society (CAS Forum, Vol. 2026), publiée le 22 juin 2026, avec un financement et un soutien du CAS Artificial Intelligence Working Group, nommé dans l'article lui-même. Trois des cinq auteurs appartiennent à des universités (Thomas Jefferson University, William and Mary University) ; les deux autres dirigent de petits cabinets de conseil (Lieberthal and Associates LLC, MDSight LLC), et une recherche n'a trouvé aucun produit commercial d'analyse de sinistres par LLM vendu par l'un ou l'autre, de sorte que ceci se lit comme la propre recherche de l'organisme professionnel, et non comme un document de vente d'un fournisseur. L'article lui-même qualifie son système de preuve de concept : un pipeline de LLM en deux étapes qui lit des documents de sinistres non structurés (dossiers médicaux, notes des experts en sinistres, transcriptions d'appels) et extrait 36 variables actuarielles structurées pour la constitution des provisions, la tarification et la gestion des sinistres. Tous les résultats que l'article rapporte (l'extraction des 36 variables, les 14 variables centrales vérifiées par deux examinateurs cliniques indépendants avec un score d'au moins 4 sur 5 de précision et un accord interévaluateurs modéré, et un backtest avec la méthode chain-ladder qui a réduit l'erreur de provisionnement de 6,5 % à 4,0 %) ont été produits à partir de données de sinistres synthétiques générées avec l'outil Synthea FHIR et de notes et appels rédigés par le LLM, et non à partir de sinistres réels d'un assureur. Le texte de l'article dit lui-même que valider le pipeline sur le portefeuille de sinistres réel d'une organisation est une étape future avant une utilisation en production, pas quelque chose qui a déjà été fait. Cela établit que l'organisme de la profession actuarielle elle-même dispose d'un prototype fonctionnel pour la moitié de cette tâche qui consiste à rassembler et à nettoyer les données, testé uniquement sur des données synthétiques ; cela n'établit pas qu'un assureur l'utilise, combien d'une véritable étude d'expérience il pourrait remplacer, ni rien sur le nombre d'actuaires qui font ce travail.

## Source

- Casualty Actuarial Society — CAS Forum (Lieberthal, Tran, Phan, Singh and Sottung), "Leveraging Large Language Models for Unstructured Claims Data Analysis" — https://forum.casact.org/article/163733-leveraging-large-language-models-for-unstructured-claims-data-analysis (source primaire)

## Ce que cela veut dire

L'organisme professionnel des actuaires lui-même a publié un prototype fonctionnel qui utilise un LLM pour lire des documents de sinistres non structurés et en extraire 36 des variables structurées qui exigeaient auparavant une révision manuelle.

## Ce qu’il ne montre pas encore

Il s'agit d'une preuve de concept testée uniquement sur des données synthétiques, pas sur des sinistres réels d'un assureur. Cela ne montre pas qu'un assureur l'utilise, ni combien d'une véritable étude d'expérience il pourrait remplacer, ni rien sur le nombre d'actuaires qui font ce travail.

## Comment le vérifier vous-même

Demandez si votre propre assureur a essayé un système d'extraction automatique à partir des récits de sinistres et, si oui, s'il a été validé sur vos sinistres réels ou seulement sur des données de test synthétiques.


Plus : https://flyvolo.ai/llms.txt