Tarification par IA : pourquoi l'assurance est en haut risque

Dès que vous fixez une prime, sélectionnez un risque ou trie une souscription avec un algorithme, votre assurance bascule dans la catégorie « haut risque » de l'EU AI Act, celle qui déclenche les obligations les plus strictes. Concrètement, une seule variable mal choisie peut transformer un modèle performant en discrimination que vous devrez réparer devant un assuré. La bonne nouvelle, c'est que cette exposition se maîtrise. Dans cet article, je vous montre pourquoi la tarification IA tombe en haut risque, puis la méthode en quatre étapes pour la rendre conforme et chaque prime défendable.

Le problème : un bon modèle peut rester indéfendable

Le scénario que je vois revenir : un assureur déploie un modèle de tarification très performant, qui réduit la sinistralité et accélère la souscription. Tout le monde est satisfait, jusqu'au jour où un assuré conteste sa prime, ou un contrôleur demande pourquoi deux profils comparables paient des montants très différents. Personne ne sait répondre, parce que le modèle décide bien, mais qu'il n'explique rien.

Le règlement européen sur l'IA ne juge pas la performance de votre modèle. Il juge votre capacité à prouver qu'il est piloté, supervisé et non discriminatoire. Un modèle qui sépare correctement les bons et les mauvais risques, mais qui s'appuie sur des variables interdites ou opaques, est juridiquement fragile, quelle que soit sa précision statistique.

Pourquoi la tarification d'assurance est classée « haut risque »

L'EU AI Act range chaque système d'IA dans un niveau de risque, et plus le risque pour les personnes est élevé, plus les obligations le sont. L'évaluation et la tarification des risques en assurance vie et santé figurent explicitement parmi les usages à haut risque, parce qu'une décision algorithmique conditionne l'accès d'une personne à une couverture et son prix. Si vous voulez situer précisément vos autres usages, la méthode est détaillée dans notre article sur l'IA à haut risque et les entreprises concernées.

Trois mécanismes propres à l'assurance expliquent ce classement :

• La décision porte sur une personne. Accepter, refuser, surprimer ou exclure un assuré est une décision individuelle aux conséquences directes sur sa vie.
• Le risque de discrimination est structurel. Un modèle nourri de données historiques reproduit les biais du passé, et peut pénaliser un assuré pour son âge, son état de santé ou son lieu de résidence sans que ce soit explicite.
• La donnée est souvent sensible.Santé, antécédents, habitudes de vie : la tarification croise le haut risque de l'AI Act et les données sensibles du RGPD, deux cadres à tenir en même temps.

La méthode en quatre étapes pour une tarification IA conforme

Rendre un modèle de tarification conforme ne consiste pas à le brider, mais à l'encadrer. Voici la chaîne que je déroule avec mes clients du secteur, dans l'ordre.

Étape 1 : inventorier vos modèles de décision

On ne sécurise pas ce que l'on ne voit pas. Listez chaque système qui pèse sur le prix ou l'acceptation : moteur de tarification, score de sélection, détection de profils à risque, outil d'orientation des dossiers. Pour chacun, notez ce qu'il décide, sur quelles données il s'appuie, et qui peut surcharger sa sortie. Cet inventaire est la première brique de toute mise en conformité, et la base du registre que le règlement attend de vous.

Étape 2 : auditer les variables pour écarter la discrimination

C'est l'étape la plus sensible. Une variable peut sembler neutre tout en servant de relais à un critère interdit : un code postal qui reflète l'origine sociale, un historique de navigation qui trahit l'état de santé. On parle de variables « proxy ». Passez chaque facteur au crible de deux questions : est-il réellement prédictif du risque assuré, et ne reconstitue-t-il pas indirectement un critère protégé ?

Cette logique de variable explicable et opposable est exactement celle que l'on retrouve en crédit, où la moindre décision doit pouvoir se justifier. La méthode appliquée au scoring créditse transpose presque directement à la souscription d'assurance.

Étape 3 : garder l'humain dans la boucle

Le haut risque impose une supervision humaine réelle, pas un simple bouton de validation. Définissez les cas où une personne reprend la main : refus, surprime importante, exclusion, profil atypique que le modèle classe avec une faible confiance. Cette intervention doit être tracée, motivée et capable de renverser la décision automatique. Un assuré qui conteste doit trouver, en face de lui, une décision qu'un humain peut expliquer et assumer.

Étape 4 : tracer et contrôler dans la durée

Un modèle de tarification vit, se réentraîne et dérive. Mettez en place un journal des décisions, des tests réguliers de non-discrimination sur les sorties, et un réexamen périodique des variables. C'est ce dispositif de contrôle continu qui vous permet, à tout moment, de démontrer que votre tarification reste maîtrisée. Cette discipline rejoint celle de l' audit de sécurité d'une application IA, où la traçabilité fait la différence entre un incident maîtrisé et une crise.

Un modèle de tarification n'est pas conforme parce qu'il est juste. Il est conforme parce que vous pouvez prouver, dossier par dossier, qu'il est juste.

Le résultat : une tarification performante et opposable

Au bout de cette chaîne, vous gardez la performance de votre modèle, mais vous gagnez ce qui vous manquait : la capacité de répondre. Chaque prime se justifie, chaque refus s'explique, chaque variable se défend. Vous réduisez à la fois le risque réglementaire, le risque de réputation et le risque contentieux, sans renoncer à l'efficacité qui vous avait fait adopter l'IA.

Questions fréquentes

Toute tarification d'assurance par IA est-elle à haut risque ?

L'évaluation et la tarification des risques en assurance vie et santé sont visées comme usages à haut risque. Pour d'autres branches, l'analyse se fait au cas par cas, mais dès que l'IA décide du prix ou de l'accès d'une personne à une couverture, vous devez présumer le haut risque et le vérifier.

Puis-je continuer à utiliser des données de santé ?

Oui, mais sous conditions strictes. Les données de santé sont sensibles au sens du RGPD : il vous faut une base légale claire, une finalité documentée et une minimisation réelle. L'AI Act ajoute l'exigence de non-discrimination et de supervision. Les deux cadres s'appliquent ensemble.

Comment prouver que mon modèle ne discrimine pas ?

Par la documentation et les tests. Vous tracez les variables utilisées et leur justification, vous testez régulièrement les écarts de traitement sur les sorties du modèle, et vous conservez les preuves de ces contrôles. C'est ce dossier, et non la seule performance, qui vous protège.

Mon assureur réassureur fournit le modèle, suis-je responsable ?

Vous restez responsable de l'usage que vous en faites. Même si le modèle vient d'un tiers, c'est vous qui tarifez vos assurés. Exigez la documentation du fournisseur, vérifiez les variables et conservez votre propre supervision humaine.

Par où commencer si je n'ai rien formalisé ?

Par l'inventaire et l'audit des variables, les étapes 1 et 2. En quelques semaines, vous savez quels modèles vous exposent et quelles variables corriger. C'est précisément l'objet d'un audit Sécurité et Conformité IA.

C'est exactement ce que je fais avec les acteurs de l' assurance: situer vos modèles de tarification, repérer les variables à risque et bâtir la supervision qui rend vos primes défendables. Pour le détail de la démarche, voyez l'audit Sécurité & Conformité IA.

Cet article a une visée pédagogique et ne constitue pas un conseil juridique. Chaque situation mérite une analyse au cas par cas.