L’IA peut-elle rendre l’assurance du transport routier plus précise, ou seulement plus rapide ?

L’intelligence artificielle offre aux assureurs de nouveaux moyens d’automatiser l’examen des documents, d’extraire des informations des demandes et d’analyser les dossiers historiques. Pour les entreprises de transport routier, ces capacités pourraient contribuer à réduire les délais administratifs qui compliquent l’obtention d’une couverture d’assurance.

Cette efficacité est importante. Les retards d’assurance peuvent empêcher les transporteurs de mettre leurs camions en service, d’accepter de nouveaux contrats ou de poursuivre leurs activités comme prévu.

Mais des décisions plus rapides ne sont pas nécessairement de meilleures décisions.

Dans l’assurance du transport routier, le problème n’a jamais été l’absence totale de données. Les assureurs peuvent prendre en compte les historiques d’inspection, les dossiers de sécurité, les rapports d’accident, les autorisations d’exploitation et les documents de conformité. La difficulté consiste à déterminer ce que ces dossiers révèlent réellement sur une entreprise et ce qu’ils ne montrent pas.

Pour que l’IA améliore l’assurance du transport routier, elle doit faire plus qu’accélérer l’évaluation des risques. Elle doit aider les assureurs à mieux cerner les risques.

Un dossier de sécurité ne raconte pas toute l’histoire

Avant d’entrer dans le secteur de l’assurance, j’ai travaillé directement avec des entreprises de transport routier sur les questions de sécurité et de conformité, aidant les transporteurs à obtenir leur autorisation d’exploitation, à organiser les dossiers de qualification des conducteurs, à tenir leurs registres et à s’y retrouver dans les exigences réglementaires. Cette expérience m’a confirmé une leçon importante : les dossiers de conformité sont utiles, mais ils ne reflètent pas nécessairement le fonctionnement quotidien d’une flotte.

Prenons deux entreprises de transport routier dont la taille des flottes, les antécédents d’exploitation et les dossiers d’inspection sont similaires. L’une peut suivre un calendrier régulier d’entretien préventif, investir dans la formation des conducteurs et traiter les problèmes de sécurité potentiels avant qu’ils ne donnent lieu à des infractions. L’autre peut adopter une approche plus réactive et ne régler les problèmes que lorsqu’ils surviennent. Sur le papier, ces entreprises pourraient sembler similaires, alors qu’elles gèrent les risques de manière différente.

L’inverse peut également se produire. Un transporteur peut avoir une infraction ou un accident à son dossier sans que cet événement explique pleinement ses pratiques actuelles en matière de sécurité ni les circonstances de l’incident.

Le système de mesure de la sécurité de la Federal Motor Carrier Safety Administration (FMCSA) utilise les données des inspections routières, des accidents et des enquêtes pour aider à repérer les transporteurs susceptibles de nécessiter des mesures d’intervention en matière de sécurité. Bien qu’utiles à la surveillance réglementaire, ces données ne visent pas à fournir une évaluation complète de la situation générale d’un transporteur en matière de sécurité ni de son assurabilité.

La FMCSA a également documenté les limites des données du système de mesure de la sécurité, notamment des questions concernant la suffisance des données et la fiabilité avec laquelle ces informations peuvent étayer différentes utilisations.

L’IA peut analyser rapidement ces dossiers, mais la rapidité, à elle seule, ne résout pas leurs limites.

Les risques liés à l’automatisation d’informations incomplètes

Il existe des possibilités évidentes d’utiliser l’IA pour réduire la charge administrative dans le secteur de l’assurance commerciale. Les systèmes automatisés pourraient aider à repérer les champs manquants dans les demandes, à comparer les informations contenues dans différents documents, à organiser les dossiers de sécurité et à signaler les divergences à examiner.

Ces améliorations pourraient être particulièrement utiles dans le transport routier, où la collecte de documents fait souvent intervenir plusieurs parties et systèmes.

Le risque apparaît lorsque les évaluations automatisées sont considérées comme des conclusions définitives. Par exemple, un système d’IA pourrait signaler un transporteur en raison d’un indicateur de sécurité défavorable. Le système peut repérer correctement l’information, mais ne pas tenir compte d’améliorations opérationnelles ultérieures ou d’éléments supplémentaires qui changent la façon dont l’incident devrait être interprété.

Le programme de détermination de la responsabilité dans les accidents de la FMCSA illustre l’importance du contexte. Ce programme permet aux transporteurs de demander l’examen de certains accidents admissibles. Lorsque la FMCSA détermine qu’un accident était inévitable, elle exclut cet événement du calcul de la catégorie « Indicateur d’accident » de son système de mesure de la sécurité, bien que l’accident demeure inscrit au dossier.

Le programme reconnaît que les circonstances entourant un incident comptent, et pas seulement le fait qu’un accident figure au dossier.

Cette distinction est particulièrement importante lors de l’évaluation des petites flottes. Les grands transporteurs peuvent disposer de personnel spécialisé en sécurité et de systèmes intégrés de déclaration, tandis que les petites entreprises peuvent conserver leurs dossiers dans des feuilles de calcul, des courriels et chez des prestataires de services externes.

Par exemple, l’absence d’un document d’entretien pourrait indiquer que l’entretien n’a pas été effectué. Elle pourrait aussi signifier que le document se trouve quelque part où le système ne peut pas y accéder. Ces situations ne devraient pas automatiquement donner lieu à la même évaluation.

Le cadre de gestion des risques liés à l’IA du National Institute of Standards and Technology propose des lignes directrices volontaires pour évaluer la fiabilité, la transparence et la crédibilité des systèmes d’IA.

Pour les assureurs du transport routier, ces principes constituent un repère utile pour déterminer si les informations sur lesquelles repose une évaluation automatisée sont à jour, suffisamment complètes et adaptées à l’usage prévu.

L’IA doit savoir quand des informations supplémentaires sont nécessaires

L’une des capacités les plus utiles d’un système d’IA pourrait être de repérer les situations où une décision nécessite davantage de contexte.

Plutôt que de traiter chaque demande comme une simple décision d’approbation ou de refus, un système efficace devrait faire la distinction entre les situations où les informations sont suffisantes et celles qui nécessitent des précisions.

Prenons l’exemple d’un transporteur dont le profil d’exploitation a récemment changé. Un système automatisé pourrait détecter ce changement, mais des questions complémentaires pourraient permettre de déterminer si l’entreprise s’est diversifiée dans de nouvelles catégories de marchandises, a ajouté des équipements ou a mis en place de nouvelles procédures de sécurité.

Chacun de ces facteurs peut influer sur l’évaluation de son risque.

C’est également là que l’explicabilité devient importante. Si un système d’IA recommande une décision particulière, les personnes qui en sont responsables devraient comprendre quelles informations ont influencé cette recommandation et si la conclusion est raisonnable.

Les recommandations du NIST sur une IA digne de confiance désignent l’explicabilité, la transparence, la fiabilité et la responsabilité comme des caractéristiques importantes des systèmes dignes de confiance. Elles reconnaissent également le rôle du jugement humain dans l’évaluation des performances de l’IA.

En assurance du transport routier, l’objectif ne devrait pas être d’éliminer les questions lors de la souscription, mais de poser les bonnes questions plus tôt dans le processus.

L’expertise humaine reste essentielle

L’adoption de l’IA est parfois présentée comme un choix entre l’automatisation et la prise de décision humaine. En pratique, la démarche la plus utile consiste à déterminer quelles tâches bénéficient de la technologie et lesquelles nécessitent un jugement professionnel.

L’IA peut aider à organiser les informations, à repérer des tendances et à réduire les tâches administratives répétitives. L’expertise humaine est particulièrement précieuse lorsque les dossiers sont ambigus ou que la situation d’un transporteur ne correspond pas clairement aux catégories standardisées.

Une personne qui connaît bien les activités de transport routier peut comprendre pourquoi un problème de sécurité particulier est important, comment différents environnements d’exploitation influent sur l’exposition au risque ou pourquoi des changements opérationnels récents méritent un examen plus approfondi.

Cette expertise ne devrait pas être considérée comme un obstacle à l’automatisation. Elle peut rendre les évaluations automatisées plus utiles.

La question de la responsabilité est également importante.

En décembre 2023, la National Association of Insurance Commissioners a adopté un bulletin modèle sur l’utilisation de l’intelligence artificielle par les assureurs, qui énonce les attentes réglementaires relatives à la gouvernance, à la gestion des risques et au respect des lois applicables en matière d’assurance.

Les effets réglementaires de ce bulletin dépendent de son adoption et de sa mise en œuvre par chaque État, mais il témoigne de l’attention croissante portée à la manière dont les assureurs supervisent les décisions assistées par l’IA.

Le jugement humain n’est pas infaillible non plus. Les personnes peuvent prendre des décisions incohérentes ou passer à côté d’informations pertinentes. L’enjeu consiste à associer la cohérence et les capacités de traitement de l’IA aux connaissances opérationnelles nécessaires pour interpréter des situations complexes.

Mesurer la précision, pas seulement l’efficacité

Pour savoir si l’IA améliore la souscription, les assureurs doivent évaluer autre chose que les délais de traitement.

Traiter une demande en quelques minutes plutôt qu’en plusieurs jours constituerait une réussite opérationnelle. Cela ne prouverait pas nécessairement que l’évaluation obtenue est plus précise.

Une évaluation plus pertinente consisterait à vérifier si les recommandations automatisées restent fiables pour différents types de transporteurs, à quelle fréquence les évaluations doivent être corrigées et si le système repère correctement les informations manquantes ou incohérentes.

Les petites flottes méritent une attention particulière. Si un modèle fonctionne bien pour les transporteurs disposant de dossiers numériques complets, mais peine à traiter les dossiers moins standardisés d’autres entreprises, son efficacité risque d’être inégale.

Les tests devraient refléter la diversité des entreprises évaluées.

Cette évaluation doit également se poursuivre après le déploiement. L’évolution de la réglementation, des pratiques opérationnelles et des informations disponibles peut influer sur la fiabilité du système au fil du temps.

Les assureurs devraient également être prêts à réexaminer la manière dont leurs systèmes pondèrent les différents types d’informations. Un modèle qui accorde systématiquement trop d’importance à un indicateur de sécurité, par exemple, pourrait négliger d’autres facteurs pertinents pour les activités d’un transporteur.

L’objectif devrait être l’amélioration continue, et non le simple traitement plus rapide des demandes.

Mieux comprendre les risques : le véritable enjeu

L’IA peut rendre l’assurance du transport routier plus efficace, réduire les retards administratifs et aider les assureurs à repérer des informations qui pourraient autrement passer inaperçues.

Mais sa plus grande valeur pourrait être d’aider le secteur à prendre des décisions mieux éclairées.

Une flotte ne se résume pas à son historique d’inspections, et un dossier de sécurité ne se résume pas à une liste d’infractions. Pour comprendre les risques, il faut tenir compte du fonctionnement de l’entreprise, de sa manière de réagir aux problèmes et de la mesure dans laquelle les informations disponibles reflètent sa situation actuelle.

Les systèmes d’IA les plus utiles ne seront pas nécessairement ceux qui fournissent les réponses les plus rapides. Ce seront ceux qui aident les assureurs à déterminer quand les informations disponibles permettent de prendre une décision et quand une évaluation plus approfondie est nécessaire.

Au bout du compte, la question n’est pas de savoir si l’IA peut accélérer les processus d’assurance du transport routier. Il s’agit de savoir si elle peut rendre les décisions du secteur plus précises.

C’est à l’aune de ce critère que sa réussite doit être évaluée.