L'IA dans l'assurance — la transformation que les compagnies algériennes et MENA ne peuvent plus reporter.

Toute conversation avec un DG d'assurance sur l'IA finit par revenir au même chiffre : le ratio combiné. C'est la somme du loss ratio (sinistres payés divisés par primes acquises) et de l'expense ratio (tout le reste divisé par primes acquises). Sous 100% signifie que le métier de souscription lui-même gagne de l'argent. Au-dessus de 100% signifie que la prime est écrite à perte et que la compagnie est soutenue par les revenus de placement — un modèle parfaitement acceptable dans un environnement de taux à 12%, structurellement fragile dans un environnement à 4%.

L'IA déplace le ratio combiné par trois vecteurs à la fois. Premièrement, meilleure sélection des risques en souscription : un modèle entraîné sur les données police + sinistres + télématique sélectionne de meilleurs risques qu'une grille tarifaire et le jugement d'un agent, comprimant le loss ratio de 4 à 6 points durablement. Deuxièmement, gestion sinistre plus rapide et plus propre avec détection de fraude : temps de cycle de 14 jours à 48 heures, frais d'ajustement -20 à -30%, taux de capture de fraude +8 à 12% de la valeur des sinistres payés — amélioration loss ratio supplémentaire de 2 à 4 points. Troisièmement, coût d'acquisition plus bas via automatisation quote-to-bind : expense ratio -2 à -4 points à mesure que le straight-through processing remplace la saisie manuelle sur 60 à 80% des affaires nouvelles.

Empilez les trois vecteurs et un livre non-vie à 102% de ratio combiné en 2025 atterrit à 88% en 2028 — la différence entre écrire de la prime à 2% de perte et écrire avec une marge de souscription de 12%. Sur un livre de 150 millions de dollars de primes, c'est environ 21 millions de dollars de profit de souscription annuel additionnel, soutenu, contre un investissement ingénierie de 1,8 à 5M$ sur 24 mois. Aucun autre déploiement de capital dans un bilan d'assurance ne rapporte à ce taux sur cet horizon.

Souscription automatisée auto, santé et IARD PME. Un modèle ingère la demande, l'historique sinistre du client, des données tierces (crédit, télématique véhicule quand disponible, expérience sinistre par code postal), et produit un score de risque et un devis dans un flow quote-to-bind. Straight-through processing sur 60 à 80% des polices. Les 20 à 40% restants — les cas limites, les gros risques, les renvois réglementaires — vont à un souscripteur humain avec l'analyse du modèle attachée. La productivité du souscripteur augmente de 3 à 5x parce qu'elle traite les cas qui nécessitent vraiment son jugement, pas les routiniers.

Évaluation de sinistre auto par vision computationnelle. Le client charge les photos. Un modèle vision identifie les pièces endommagées, la gravité et le coût de réparation estimé en utilisant le catalogue de pièces standardisé du réseau garage local. Les sinistres cosmétiques et chocs légers (60 à 70% du volume sinistre auto) se règlent sur la photo seule en moins de 90 secondes. Les sinistres lourds gardent une visite expert, mais le volume de visites expert baisse de moitié et le temps de cycle passe de 14 jours à 48 heures sur les sinistres photo-seul.

Détection de fraude sinistre à la déclaration et au paiement. Un modèle de scoring entraîné sur les sinistres historiques et les patterns de fraude connus signale les sinistres suspects à la première déclaration et de nouveau avant paiement. Les patterns de fraude algériens et MENA sont spécifiques — collisions auto mises en scène, factures médicales gonflées en santé, réseaux garage organisés, mismatch d'identité sur sinistres décès — et le modèle doit être entraîné sur des données locales, pas sur des modèles européens ou américains importés. Bien fait, le taux de capture monte de 8 à 12% de la valeur des sinistres payés.

Traitement intelligent documentaire. Demandes de police, comptes-rendus médicaux des hôpitaux et cliniques, devis garage, constats de police, documents KYC — tout est ingéré, OCR'd, parsé en données structurées et pré-rempli dans le système core insurance. Les effectifs administratifs sur la saisie de données baissent de 70 à 85%. Ce n'est pas glamour, c'est le deuxième plus haut ROI d'investissement ingénierie qu'un assureur peut faire après la détection de fraude.

Scoring churn et renouvellement sur le portefeuille en cours. Un modèle identifie les polices les plus susceptibles de tomber au renouvellement — généralement une combinaison de sensibilité-prix, historique sinistre et signaux d'engagement — et les route vers l'équipe distribution pour outreach proactif 30 à 60 jours avant le renouvellement. La rétention au renouvellement monte de 3 à 5%. Sur un livre de 150M$, c'est 4,5 à 7,5M$ de prime préservée par an.

La Direction des Assurances au Ministère des Finances algérien, les circulaires assurance de Bank Al-Maghrib, l'Insurance Authority saoudienne et le cadre prudentiel assurance de la Banque Centrale des Émirats ont tous bougé dans la même direction en 2024–2026 : résidence locale des données assuré et sinistre, exigences de transparence sur la tarification algorithmique, cadres de gestion du risque modèle similaires au bancaire, et traçabilité de niveau audit sur les décisions IA qui affectent les clients. Les assureurs qui construisent l'IA sur des régions hyperscaler qu'ils ne contrôlent pas opérationnellement, ou qui utilisent des modèles éditeurs opaques sur lesquels ils ne peuvent pas répondre aux questions du régulateur, accumulent une responsabilité réglementaire qui devient visible à la prochaine inspection.

L'architecture qui survit à la réglementation 2026–2028 a trois propriétés. Premièrement, déploiement souverain : matériel sur site dans le data center de l'assureur, ou un cloud local régulé que l'assureur contrôle opérationnellement. Deuxièmement, décisionnel explicable : chaque décision IA de souscription et sinistre peut être tracée aux entrées, à la version modèle et à la couche règles — pas parce que le modèle lui-même est totalement interprétable, mais parce que le système autour log chaque décision d'une façon qu'un auditeur ou régulateur peut rejouer. Troisièmement, gestion du risque modèle : données d'entraînement documentées, validation documentée, monitoring documenté, avec la même discipline de gouvernance que le secteur bancaire a construite autour des modèles de risque crédit.

Les assureurs qui construisent cette fondation en 2026 sont encore en train de construire quand le régulateur inspecte en 2027. Les assureurs qui attendent que le régulateur force la conversation en 2028 sont en position de refaire deux ans de travail sous pression de deadline. Coût de construire en 2026 : budget ingénierie. Coût de construire en 2028 sous pression réglementaire : budget ingénierie plus remédiation réglementaire plus coût d'opportunité de ne pas avoir eu d'IA en production pendant deux ans pendant que les concurrents en avaient.

Achetez la couche modèles. Modèles de fondation, APIs vision, NLP — sont commodités et s'améliorent rapidement. Vous n'avez pas besoin de fine-tuner un modèle vision pour dommages auto à partir de zéro quand il existe des APIs utilisables à 0,001$ par image. Vous n'avez pas besoin d'entraîner un OCR français/arabe à partir de zéro. Achetez la couche modèles, attendez-vous à payer pour, et rafraîchissez les fournisseurs tous les 12 à 18 mois à mesure que la frontière prix-qualité bouge.

Construisez la couche intégration et décisionnel. C'est là que vit votre avantage compétitif — votre expérience sinistre, vos canaux de distribution, votre environnement réglementaire, votre mix de risques spécifique. La couche décisionnel est le tissu de règles au-dessus des modèles : comment une décision de souscription auto se compose, quand un sinistre est straight-through-paid versus renvoyé, quelles combinaisons de drapeaux fraude déclenchent une investigation. Aucun éditeur ne vous vend le bon tissu de règles pour votre livre. Vous le construisez, et il devient le rempart.

N'achetez jamais la « plateforme IA assurance » fermée bout-en-bout des éditeurs internationaux. Guidewire, Duck Creek, Sapiens — tous bons systèmes police et sinistres, tous mauvais pour la couche décisionnel IA parce qu'ils livrent avec la vue éditeur de la philosophie souscription et sinistre cuite dedans. Vos souscripteurs sont en désaccord avec cette vue sur des classes de risques spécifiques (ils le sont toujours) et la plateforme fermée ne peut pas accommoder le désaccord à vitesse. Utilisez-les comme systèmes de gestion police. Construisez la couche décisionnel IA séparément, intégrée par APIs.

Partenariez stratégiquement sur les produits paramétriques et embarqués. Couvertures paramétriques météo, paramétriques agricoles, assurance retours e-commerce embarquée — vraies opportunités produit mais la souscription et tarification IA pour celles-ci sont une capacité spécialisée à fort coût d'entrée. Partenariez avec un spécialiste (Swiss Re Cor solutions, AXA Climate, Cover Genius pour l'embarqué) plutôt que de construire en interne. L'économie de partenariat est meilleure que l'économie de build pour ces branches spécifiques.

Les 24 prochains mois amènent des assureurs digital-first régionaux et des partenaires d'assurance embarquée sur les marchés algériens et MENA avec capital, marque et structures de coûts que les acteurs en place ne peuvent pas égaler si les processus restent ce qu'ils sont aujourd'hui. Cover Genius et Bolt pour distribution embarquée à l'échelle. Sehteq et Bayzat pour santé digitale au Golfe. Arrangements de réassurance pattern-Lemonade finançant les MGA digital-first à travers MENA. Plays d'assurance digitale adossés aux fonds souverains GCC depuis Riyad et Abu Dhabi s'étendant en Afrique du Nord. Ils cotent l'auto en 90 secondes, règlent les sinistres cosmétiques sur photo, et tarifient les couvertures IARD PME à partir de scores de risque par code postal. Leurs loss ratios sont parfois pires que les acteurs en place en année 1 (ils doivent apprendre le marché), mais leurs expense ratios sont 8 à 12 points en-dessous parce qu'ils n'ont pas de réseau d'agents, pas de souscription papier et pas de bureaux sinistres manuels.

Cet écart d'expense ratio est structurel. Un assureur en place ne peut pas le combler en recrutant plus de monde ou en faisant tourner plus de programmes d'efficacité au sens traditionnel. La seule façon de le combler est de reconstruire le modèle opératoire souscription et sinistre autour de l'IA — automatisation quote-to-bind, vision sinistre, traitement intelligent documentaire, détection fraude — moment auquel la combinaison de marque, réseau distribution et bilan de l'acteur en place bat l'avantage pure-coût de l'insurtech. Sans la reconstruction IA, l'insurtech gagne sur le coût. Avec la reconstruction IA, l'acteur en place gagne sur marque-plus-coût.

Les assureurs qui complètent la transformation IA d'ici 2028 gardent leur indépendance et tradent aux multiples des acteurs en place dans la consolidation régionale qui suit. Les assureurs qui n'ont pas complété la transformation d'ici 2028 deviennent des cibles de consolidation à des décotes d'acquisition de 30 à 50% par rapport à ce qu'ils trades AI-ready — parce que l'acheteur doit dépenser l'argent d'ingénierie IA lui-même et price ce coût dans le deal.

Mois 0–6 : fondation data. Data lake unifié combinant gestion police, sinistres, paiements, distribution et sources tierces (véhicule, crédit, expérience sinistre par code postal). Ce n'est pas glamour, c'est le plus long pôle, et le sauter est la raison la plus commune d'échec des programmes IA assurance. Pas d'IA de niveau production sans la couche data dessous. Investissement : 600K–1,5M$.

Mois 4–10 : détection fraude et traitement intelligent documentaire. Ceux-ci livrent en premier parce qu'ils ont le ROI le plus rapide et le risque réglementaire le plus bas (ils augmentent le décisionnel humain existant plutôt que le remplacer). Un taux de capture fraude de 8 à 12% de la valeur des sinistres payés paie le reste du programme. Le traitement documentaire réduit les effectifs administratifs sur la saisie de 70 à 85%. Investissement : 700K–1,9M$.

Mois 8–16 : souscription automatisée auto, santé et IARD PME. Quote-to-bind en 90 secondes sur 60 à 80% des polices. Les souscripteurs humains traitent les cas limites et les gros risques. La distribution obtient un délai de devis plus rapide ce qui améliore le close rate de 15 à 25%. Investissement : 500K–1,2M$.

Mois 12–20 : évaluation sinistre auto par vision computationnelle. Photo-à-devis sur sinistres cosmétiques et chocs légers. Temps de cycle sur ces sinistres passe de 14 jours à 48 heures. Volume de visites expert baisse de moitié. La satisfaction client sur sinistres (qui est le single plus important driver du renouvellement) monte fortement. Investissement : 400K–1,2M$.

Mois 18–24 : scoring churn et renouvellement, distribution embarquée. Identifier les polices en chute 30–60 jours avant renouvellement. Produits embarqués via partenaires e-commerce et prêteurs. Au mois 24, le modèle opératoire est fondamentalement différent d'où il a commencé — et le ratio combiné le reflète.

Trois mouvements concrets avant la fin du prochain trimestre. Premièrement, commander un diagnostic honnête sur l'écart de ratio combiné et où l'IA le déplace — décomposition loss ratio par branche, décomposition expense ratio par fonction, estimation fuite fraude versus benchmark industrie. Une mission de deux semaines, 30K–60K$, qui produit un board paper défendable « l'IA déplace X points de ratio combiné sur 24 mois sur ce livre ».

Deuxièmement, sanctuariser un budget ingénierie 24 mois pour la couche data et les deux premiers cas d'usage IA (détection fraude + IDP). 1,5–3M$ selon la taille du livre. Ce budget ne va pas à un éditeur pour une plateforme bout-en-bout — il va à construire la couche data et la couche décisionnel en interne ou via un partenaire ingénierie spécialisé, avec des modèles de fondation achetés à des fournisseurs API.

Troisièmement, recruter un Head of Insurance AI Engineering — pas un data scientist, pas un consultant, un leader d'ingénierie qui a livré de l'IA en production dans une industrie régulée et peut piloter le build jusqu'en 2028. C'est le recrutement le plus à fort levier qu'un DG d'assurance fait entre maintenant et 2028. Les compagnies qui réussissent ce recrutement gardent leur indépendance. Les compagnies qui le délèguent à la fonction IT existante ou à un cabinet de conseil généraliste passent deux ans et finissent à la même position qu'elles ont commencé.