La transformation de l'assurance en écosystème
Vous avez écrit que « l'assurance n'est plus définie par ce qu'elle couvre, mais par la manière dont elle participe à la vie des gens ». Ce passage d'un modèle fondé sur la protection à un écosystème de prise de décision où les assureurs s'impliquent en amont dans la santé, la mobilité et le bien-être personnel représente un transfert significatif d'influence sur la vie quotidienne des individus. Comment définissez-vous la frontière encore floue entre le fait d'accompagner véritablement les clients et celui d'influencer algorithmiquement leurs choix personnels ? À votre avis, quelle institution réglementaire, démocratique ou autre devrait en définitive déterminer où se situe cette frontière ?
Je crois que la distinction clé réside dans le fait de savoir si l'IA élargit les choix des gens ou les restreint discrètement.
Un bon assureur devrait agir comme un système de navigation : il peut montrer les risques, suggérer des itinéraires et signaler les dangers, mais il ne devrait pas choisir secrètement la destination.
Si les assureurs utilisent l'IA pour fournir des informations plus claires, des perspectives de risque personnalisées ou des recommandations préventives tout en préservant l'autonomie du client, cela crée de la valeur. Mais lorsque les algorithmes orientent les gens vers des comportements ou des produits spécifiques sans transparence suffisante ni alternatives significatives, l'accompagnement devient de l'influence.
À mesure que les assureurs s'intègrent dans les écosystèmes de la santé, de la mobilité et des environnements numériques plus larges, cette frontière deviendra de plus en plus importante.
Je ne pense pas qu'une seule institution doive la définir seule. Les régulateurs devraient établir des principes autour de la transparence, de la responsabilité et de la protection des consommateurs. Les assureurs devraient traduire ces principes en gouvernance, et une supervision indépendante devrait vérifier qu'ils sont respectés. Parallèlement, la société devrait continuer à débattre du niveau d'influence algorithmique acceptable.
En fin de compte, la confiance dépend de trois choses : si les gens comprennent pourquoi une recommandation est faite, s'ils disposent d'alternatives réelles et s'ils restent libres de choisir autrement.
Remettre en cause le consensus
L'IA générative suscite à la fois un optimisme extraordinaire et de profondes inquiétudes. D'après vos recherches et votre expérience, quelle est l'hypothèse la plus répandue concernant l'IA générative dans les secteurs de l'assurance et de la finance à laquelle vous vous opposez fondamentalement, et pourquoi pensez-vous que cette idée reçue continue de persister malgré des preuves croissantes du contraire ?
L'hypothèse à laquelle je m'oppose le plus est que l'IA générative doit produire des réponses précises à 100 % avant de pouvoir être approuvée dans les services d'assurance ou financiers.
Bien sûr, la précision est importante. Ces industries prennent des décisions qui affectent l'argent, la protection, la santé et l'avenir des gens. Mais exiger la perfection du modèle lui-même fixe le mauvais référentiel. Les décisions humaines, les systèmes hérités, les manuels et les processus opérationnels existants ne sont pas précis à 100 % non plus.
Un système de navigation n'est pas utile parce qu'il a toujours raison. Il est utile parce qu'il combine des données, des recommandations, le jugement du conducteur, les panneaux de signalisation et la capacité de changer de cap. L'IA générative devrait être évaluée de la même manière : comme un composant au sein d'un système de prise de décision contrôlé, plutôt que comme une source de vérité autonome.
La question pertinente n'est pas simplement : « Le modèle peut-il se tromper ? » C'est : « Le processus redessiné produit-il de meilleurs résultats que le processus dont nous disposons aujourd'hui ? »
Cela nécessite différents contrôles pour différents niveaux de risque. Les tâches à faible impact peuvent être automatisées avec surveillance. Les décisions à fort impact nécessitent une vérification des sources, une revue humaine, des mécanismes d'escalade, des pistes d'audit et une allocation claire des responsabilités. Dans certains cas, l'IA doit générer une réponse. Dans d'autres, son rôle devrait être d'identifier les informations manquantes, de remettre en question une hypothèse ou d'orienter le dossier vers le bon spécialiste.
Je crois que cette idée reçue persiste parce que la précision du modèle est facile à discuter et à mesurer, alors que la performance d'un système homme-IA dans son ensemble est beaucoup plus difficile à évaluer. Cela permet également aux organisations de reporter les questions difficiles sur la refonte des flux de travail, la responsabilité et la gouvernance.
L'objectif ne devrait pas être un modèle parfait. Il devrait être un système plus sûr, plus précis et plus responsable que celui qu'il remplace.
L'IA comme révélateur des faiblesses organisationnelles
Au sein du Nomura Research Institute, vous avez conçu un cadre de développement de l'IA en trois niveaux pour l'industrie de l'assurance Novice, Associé et Expert calqué sur la progression de carrière humaine. Au-delà de la mesure des capacités techniques, ce cadre met en lumière une réalité importante : l'IA générative ne se contente pas d'automatiser des tâches ; elle expose également les faiblesses et les incohérences dans la prise de décision organisationnelle. Lorsqu'un système d'IA « Novice » est déjà capable d'effectuer un travail comparable à celui d'un employé ayant un an d'expérience, quel est, selon vous, le plus grand défi auquel les dirigeants de l'assurance sont aujourd'hui confrontés, et pourquoi ce défi est-il encore si souvent sous-estimé ?
Lorsque j'ai développé ce cadre en 2024, nous comparions plusieurs modèles de base, et la plupart d'entre eux n'atteignaient même pas encore le niveau « Novice » en matière d'expertise en assurance.
Nous avons donc testé jusqu'où ils pouvaient s'améliorer grâce au fine-tuning (affinage) et à la génération augmentée par récupération, ou RAG. L'hypothèse était que si nous pouvions construire un modèle avec une base fiable de connaissances de base en assurance, il pourrait servir de modèle partagé au niveau de l'industrie plutôt que d'obliger chaque assureur à partir de zéro. Un tel modèle pourrait aider à élever le niveau de capacité de base de l'industrie dans son ensemble.
Depuis lors, la situation a considérablement changé. Les modèles à usage général possèdent désormais une grande partie des connaissances professionnelles de base que nous essayions d'y intégrer. Du moins en termes d'examens écrits et de tâches basées sur la connaissance, de nombreux modèles ont dépassé le niveau que nous avions défini comme « Novice ».
Le défi central aujourd'hui n'est donc plus d'enseigner à l'IA les connaissances de base en assurance. C'est de lui enseigner les connaissances propriétaires, les pratiques, les critères de jugement et les hypothèses tacites d'un assureur individuel.
Certains assureurs développent des modèles propriétaires ou spécifiques à un domaine, mais les considérations économiques restent un obstacle majeur. Les dirigeants doivent décider quels domaines d'activité justifient cet investissement, quel niveau d'expertise est réellement requis pour chaque tâche, et si le fine-tuning, le RAG ou un modèle à usage général avec des contrôles appropriés sont suffisants.
Plus important encore, le modèle ne peut pas être conçu de manière isolée. Le modèle opérationnel, la revue humaine, les parcours d'escalade, la responsabilité et la gouvernance doivent être développés en même temps.
En 2024, la question était de savoir jusqu'où nous pouvions développer le modèle. Aujourd'hui, la question la plus importante est de savoir avec quelle précision un assureur doit le développer et comment l'organisation doit évoluer autour de lui.
Souveraineté technologique et dépendance aux modèles d'IA
Vous avez évalué plusieurs modèles d'IA générative pour leur applicabilité au secteur de l'assurance. Aujourd'hui, les assureurs japonais et européens s'appuient fortement sur les infrastructures d'IA américaines telles qu'OpenAI, Anthropic, Google et Microsoft. Dans un contexte de tensions géopolitiques croissantes autour des semi-conducteurs et des grands modèles de langage, comment évaluez-vous les risques créés par le manque de souveraineté algorithmique pour les assureurs européens et japonais ? Considérez-vous ce défi comme moins significatif, comparable, ou même plus grand que les risques traditionnels de cybersécurité ? Et si le Japon et l'Europe devaient construire un partenariat technologique commun autour de l'IA pour l'assurance, quelles seraient les premières priorités concrètes à adresser ?
Je ne pense pas que la souveraineté technologique signifie que le Japon ou l'Europe doivent construire eux-mêmes chaque modèle d'IA. Le vrai problème est d'éviter une dépendance excessive envers un petit nombre de fournisseurs.
Cette préoccupation est devenue beaucoup plus concrète. En juin 2026, le Conseil européen du risque systémique a relevé son évaluation du risque cyber systémique à « sévère ». Il a également averti que la concentration des principaux fournisseurs d'IA en dehors de l'UE crée une dépendance stratégique et un risque géopolitique.
Cela montre que la dépendance à l'IA et la cybersécurité ne peuvent plus être traitées comme des problèmes séparés. Les modèles de pointe peuvent augmenter la vitesse et l'ampleur des cyberattaques, tandis que les institutions financières elles-mêmes deviennent dépendantes du même petit groupe de fournisseurs de modèles et de cloud.
Le risque n'est donc pas seulement qu'un assureur soit attaqué. Un fournisseur peut changer un modèle, restreindre l'accès, augmenter les prix ou retirer un service. Si de nombreux assureurs s'appuient sur le même fournisseur, une seule perturbation pourrait affecter le marché dans son ensemble.
Je considérerais donc la dépendance à l'IA comme comparable au risque de cybersécurité et potentiellement systémique. Le plus grand danger est la concentration.
Pour le Japon et l'Europe, la première priorité devrait être l'interopérabilité pratique : des normes d'évaluation communes, la capacité de basculer entre les modèles et les fournisseurs de cloud, et des environnements de test spécifiques à l'assurance partagés.
L'objectif n'est pas d'arrêter d'utiliser la technologie américaine. C'est d'utiliser la meilleure technologie sans permettre à un seul fournisseur de devenir un point de défaillance unique.
Le vieillissement démographique comme accélérateur de l'IA
Votre analyse du Japon montre que le vieillissement démographique avec près de 30 % de la population âgée de plus de 65 ans a encouragé les assureurs à s'implanter directement dans les services de santé, notamment par le biais de l'acquisition de Nichii Holdings par Nippon Life. Cette pression démographique a également accéléré l'adoption de l'IA grâce aux systèmes de surveillance, aux capteurs et à la planification des soins assistée par algorithme. Le Japon est donc devenu l'un des principaux laboratoires mondiaux pour ces transformations. Quelles leçons positives ou négatives les autres sociétés vieillissantes devraient-elles tirer de l'expérience japonaise, et quelles sauvegardes estimez-vous essentielles pour préserver à la fois la confiance du public et la dimension humaine de ces développements ?
Je pense que le Japon offre une leçon légèrement différente de ce que beaucoup d'assureurs outre-mer attendent.
De nombreux assureurs japonais, tant en assurance vie qu'en assurance dommages, décrivent désormais la diversification des activités comme une priorité stratégique. Les soins aux personnes âgées sont devenus l'un des domaines les plus importants, avec l'acquisition de Nichii Holdings par Nippon Life et l'investissement à long terme de SOMPO dans les services de soins, qui sont des exemples bien connus.
Fait intéressant, lorsque je parle avec des assureurs en Europe et en Asie, c'est l'un des sujets sur lesquels ils me posent le plus de questions.
Ce qui rend le Japon différent, c'est que ces activités de soins ne sont généralement pas considérées simplement comme un moyen de vendre plus d'assurance.
Bien sûr, les assureurs acquièrent des relations clients précieuses et des données du monde réel grâce à ces services. Mais l'objectif principal est de construire une entreprise de soins durable, et non simplement de générer de futures ventes d'assurance. Je crois que cet accent a en fait renforcé la confiance du public.
En regardant vers l'avenir, je pense que cela devient encore plus important.
À mesure que l'IA devient plus performante, de nombreuses fonctions traditionnelles de l'assurance telles que la comparaison de produits, le support à la souscription et même certaines parties de la gestion des sinistres deviendront de plus en plus standardisées. L'assurance elle-même pourrait devenir une sorte de commodité.
L'avantage concurrentiel viendra donc moins du contrat d'assurance lui-même que des services plus larges qui l'entourent : soins de santé, soins aux personnes âgées, soutien aux enfants et aux familles, bien-être et prévention des risques.
En d'autres termes, l'IA pourrait rendre les produits d'assurance plus similaires, mais elle rendra l'écosystème environnant plus important.
La leçon du Japon n'est pas simplement de se diversifier. C'est de construire des services que les clients valorisent véritablement, même s'ils ne mènent jamais directement à une vente d'assurance.
La confiance comme actif économique
Dans les services financiers, la confiance reste l'actif le plus précieux et irremplaçable de l'industrie. Pourtant, l'IA générative introduit un défi profond : elle peut produire des réponses convaincantes mais inexactes, ce qui pourrait entraîner des erreurs coûteuses dans la souscription d'assurance ou la prise de décision financière. Vous avez passé de nombreuses années à étudier la transformation de la finance et de l'assurance par l'IA. À votre avis, le plus grand obstacle à l'adoption est-il principalement réglementaire — que ce soit par le biais de l'European AI Act ou des directives japonaises — ou est-ce la capacité des institutions à reconstruire la confiance avec leurs clients alors que leurs propres systèmes d'IA deviennent de plus en plus opaques ? Et si la confiance ne peut plus reposer uniquement sur la transparence, sur quels fondements devrait-elle reposer à l'avenir ?
Je ne cadrerais pas l'obstacle principal comme étant la réglementation.
La réglementation est importante, mais pour les institutions financières, elle n'est que le plancher. La question plus profonde est de savoir si les clients peuvent encore faire confiance aux institutions lorsque l'IA est impliquée dans des décisions de plus en plus difficiles à expliquer.
La confiance ne peut pas reposer sur une transparence parfaite. Les clients n'ont jamais compris chaque modèle actuariel, chaque règle de souscription, chaque modèle de crédit ou chaque algorithme d'investissement. Ils font confiance aux institutions financières parce qu'ils s'attendent à ce qu'elles restent compétentes, contrôlées et responsables.
L'IA générative rend cela plus difficile car elle peut produire des réponses convaincantes mais inexactes. Le risque n'est pas seulement l'erreur. Le risque le plus grand est la dilution des responsabilités.
Je pense donc que le fondement futur de la confiance devrait être le contrôle responsable.
Cela signifie trois choses.
Premièrement, les institutions devraient divulguer clairement quand l'IA est utilisée et fournir un processus par lequel les clients peuvent demander la base d'une décision assistée par l'IA.
Deuxièmement, les systèmes d'IA devraient être continuellement testés et surveillés, en particulier pour les erreurs, les biais et les comportements inattendus après le déploiement.
Troisièmement, l'IA devrait être utilisée dans un modèle hybride. Lorsque les décisions doivent être déterministes, auditables ou strictement conformes, les systèmes basés sur des règles sont susceptibles de rester importants. En revanche, l'IA générative est mieux adaptée à des tâches telles que la synthèse, le triage, la détection de modèles, la recommandation et l'aide à la décision.
Les clients n'ont pas besoin de comprendre chaque paramètre d'un modèle. Ils ont besoin de savoir quand l'IA est utilisée, comment ils peuvent contester une décision et si l'institution reste responsable du résultat.
Le point clé est donc le suivant : la confiance dans l'IA ne viendra pas d'une transparence parfaite. Elle viendra d'un contrôle responsable, d'une explicabilité pratique et de limites claires autour de l'endroit où l'IA devrait et ne devrait pas être utilisée.
Le malentendu mutuel entre le Japon et l'Europe
Tout au long de votre carrière, vous avez observé les secteurs de l'assurance et de la finance depuis les perspectives japonaise et européenne — notamment grâce à vos quatorze années au Nomura Research Institute et à vos travaux actuels à Francfort. Au-delà des différences de réglementation et de technologie, que pensez-vous que chaque région comprend fondamentalement mal dans l'approche de l'autre en matière d'innovation, de gestion des risques et de création de valeur à long terme ? Si le Japon et l'Europe étaient plus disposés à apprendre l'un de l'autre au lieu de se faire concurrence, quelle est la leçon la plus importante que chacun devrait adopter ?
Je pense que le plus grand malentendu est que le Japon voit souvent l'Europe comme trop lente et trop réglementaire, tandis que l'Europe voit souvent le Japon comme trop prudent et axé sur le consensus.
Les deux points de vue contiennent une part de vérité, mais ils manquent la logique plus profonde.
L'Europe ne se contente pas de réglementer l'innovation. Elle essaie de rendre l'innovation socialement légitime. Dans des domaines comme l'IA, les données, la durabilité et la résilience opérationnelle, l'Europe se demande : dans quelles conditions la société peut-elle faire confiance à cette innovation à grande échelle ?
Le Japon, d'autre part, n'est pas simplement résistant au changement. Il aborde souvent l'innovation à travers des relations à long terme, des opérations de service et un raffinement graduel. Le processus peut sembler lent, mais l'accent est souvent mis sur la façon dont un service peut être réellement livré, maintenu et approuvé au fil du temps.
Je dirais donc les choses ainsi : l'Europe est forte pour concevoir la confiance. Le Japon est fort pour ancrer la confiance dans les opérations.
Le Japon devrait apprendre de l'Europe comment rendre la gouvernance plus explicite grâce à des règles plus claires, à la responsabilité, à la gouvernance des données et à la supervision des modèles.
L'Europe devrait apprendre du Japon non pas nécessairement la vitesse de mise en œuvre de l'IA, mais la discipline d'intégrer de nouveaux services dans les relations clients à long terme et les opérations quotidiennes.
Un bon cadre est important, mais la valeur à long terme n'est créée que lorsque l'innovation fait partie de l'expérience client et du modèle opérationnel.
L'avenir a besoin des deux : une gouvernance de style européen et une discipline de mise en œuvre de style japonais.
Regarder vers l'avenir : Quelles transformations structurelles nous attendent ?
Plusieurs tendances à long terme — dont l'IA générative, le vieillissement démographique et la fragmentation géopolitique — semblent remodeler les fondements mêmes de l'industrie de l'assurance. En regardant vers la prochaine décennie, quelle transformation structurelle considérez-vous comme la plus probable ? Plus largement, quelles hypothèses actuellement largement acceptées au sein de l'industrie de l'assurance pensez-vous être les plus sous-estimées — ou méritent d'être fondamentalement reconsidérées ?
La transformation structurelle la plus probable est que les assureurs passeront du statut de porteurs de risques à celui de partenaires à long terme pour les risques et les services à la vie.
Les compagnies d'assurance détiennent déjà certaines des données clients les plus importantes : santé, famille, actifs, revenus, retraite, mobilité, accidents et continuité des affaires. À mesure que les assureurs s'étendent aux soins de santé, aux soins aux personnes âgées, au bien-être, au soutien familial et aux services de prévention, ces données deviendront plus larges, plus continues et plus précieuses.
Cela crée un rôle que peu d'autres industries peuvent jouer. Les assureurs peuvent accompagner les clients non seulement à un point unique de perte, mais sur toute la chronologie du risque : avant, pendant et après un événement.
La question future ne sera donc pas simplement : « Qui fournit le meilleur produit d'assurance ? » Ce sera : « Qui peut aider les clients à vivre de manière plus sûre, plus saine et plus confiante au fil du temps ? »
L'hypothèse que je pense être la plus sous-estimée est la valeur de l'implication humaine.
Beaucoup de gens supposent qu'à mesure que l'IA devient plus rapide et plus performante, l'interaction humaine deviendra naturellement moins importante. Je pense que le contraire pourrait se produire. À mesure que les produits, les conseils et les processus de réclamation deviennent plus automatisés, les moments où les humains sont impliqués deviendront plus précieux.
Les gens veulent toujours être compris par d'autres personnes, en particulier dans les moments de maladie, de vieillissement, de perte, d'incertitude ou de transition familiale. C'est pourquoi les services à forte valeur humaine ne disparaissent pas, même lorsqu'il existe des alternatives numériques moins chères.
La véritable opportunité pour les assureurs n'est pas de remplacer les humains par l'IA. C'est d'utiliser l'IA pour éliminer le travail routinier et permettre à l'expertise humaine, à l'empathie et au jugement d'être utilisés là où ils comptent le plus.
En ce sens, les assureurs ont une opportunité unique. Ils peuvent combiner données, capital, prévention, services et confiance humaine pour concevoir des systèmes qui aident les gens à vivre mieux, et non seulement à gérer les pertes financières.
Je dirais donc que la prochaine décennie ne redéfinira pas seulement les produits d'assurance. Elle redéfinira le rôle humain au sein de l'assurance.
Les gagnants seront les entreprises qui utiliseront l'IA pour rendre l'assurance plus humaine, et non moins.
