La cartographie des risques est l’une des pierres angulaires du métier d’assureur. Elle conditionne la compréhension de l’exposition, la tarification, la prévention et, plus largement, l’équilibre technique des portefeuilles. Or les modèles traditionnels montrent aujourd’hui leurs limites : fragmentation des données, manque de précision géographique, phénomènes climatiques plus extrêmes et plus fréquents, volumes d’information croissants. Dans ce contexte, l’Intelligence Artificielle (IA) s’impose comme un levier majeur pour réinventer la manière dont les risques sont analysés et anticipés.
Les apports de l’IA reposent sur quatre axes complémentaires.
01
L’un des défis historiques du marché français est la mauvaise localisation d’environ 10 % des adresses, notamment celles situées dans des hameaux ou lieux-dits. Ces imprécisions créent des zones d’ombre importantes pour l’analyse du risque et limitent le croisement avec des données hydrographiques ou géologiques en assurance habitation, par exemple.
L’IA facilite désormais la génération de zoniers dynamiques à la maille (X,Y), capables de cartographier le risque jusqu’à l’adresse exacte. Cette précision nouvelle permet de superposer la localisation fine des biens assurés avec les différents périls :
En associant ces données à des flux continus d’informations (climat, matériaux des bâtiments, urbanisme…), l’assureur accède à une vision dynamique et actualisée de son exposition. Cette granularité plus fine facilite également la prise de décision en tarification, sélection des risques ou adaptation des garanties.
02
Les assureurs disposent d’une mine d’informations dans leurs rapports d’expertise, documents techniques ou constats d’événements. Jusqu’ici, l’exploitation de ces contenus textuels restait lourde et parcellaire.
Les techniques de Natural Language Processing (NLP) permettent désormais d’extraire automatiquement des informations clés : nature des dommages, matériaux impactés, conditions d’apparition du sinistre, facteurs aggravants, etc. intégrées dans les modèles, ces données enrichissent les analyses et améliorent considérablement la finesse des prédictions.
Cette nouvelle capacité transforme des volumes de textes auparavant sous-utilisés en véritables actifs d’aide à la décision.
03
L’essor de la vision par ordinateur marque une nouvelle étape pour la cartographie. Les réseaux de neurones convolutionnels permettent d’identifier automatiquement ce que contient une image ou une vidéo : contours, volumes, matériaux, agencement des bâtiments.
Pour mémoire, les réseaux de neurones convolutionnels superposent des opérations de convolution, connues depuis bien longtemps en traitement du signal pour filtrer du son ou de l'image à des réseaux de neurones pour identifier le contenu des images.
Pour une habitation comprenant plusieurs structures, l’IA peut analyser leur proximité et simuler, par exemple, un risque de propagation d’incendie entre deux bâtiments.
L’IA générative apporte une brique supplémentaire en créant des schémas légendés à partir d’images aériennes ou satellitaires. Ces visuels, intégrés aux dossiers de souscription, facilitent la compréhension du risque et la traçabilité des décisions.
04
Avec le changement climatique, les assureurs doivent faire face à des événements plus violents et plus fréquents. Les séries historiques ne suffisent plus à prédire l’avenir.
L’IA permet de générer des scénarios climatiques prospectifs, à l’image des travaux du GIEC mais adaptés localement aux portefeuilles des assureurs.
WTW a notamment collaboré avec Google dans le cadre d’un programme Moonshot visant à prédire les risques d’incendie après les méga-feux californiens. Les modèles combinaient localisation précise, environnement immédiat (végétation, distance aux structures voisines), matériaux de construction. pour simuler l’impact potentiel d’un feu extrême.
L’étape suivante, encore émergente, consiste à estimer le sinistre maximum probable (SMP) pour une habitation, comme cela existe depuis longtemps pour les sites industriels (usines, raffineries de pétrole...).
