Récits de sinistres en variables actuarielles

Par Jonas Mohamed Osman Abdelghafour.

Commentaire sur les recherches publiées par la Casualty Actuarial Society en juin 2026. L'article original, de Rob Lieberthal et Richard Tran, est disponible auprès de la CAS et mérite d'être lu en entier.

En juin 2026, la Casualty Actuarial Society a publié des recherches sur l'application des grands modèles de langage (LLM) aux données de sinistres non structurées. En résumé : les auteurs ont construit un cadre de démonstration de faisabilité en deux étapes qui convertit les informations narratives de sinistres en 36 variables actuarielles structurées, en séparant l'extraction au niveau du document de la synthèse au niveau du sinistre, et ont validé l'extraction par rapport à une revue d'experts cliniques indépendants utilisant une approche humaine dans la boucle. Un code source ouvert et un ensemble de données synthétiques accompagnent ces travaux.

Cette description est courte et sous-estime l'intérêt du document. Le titre — « Les LLM peuvent lire les dossiers de sinistres » — n'est pas la contribution principale. La contribution réside dans l'architecture, et spécifiquement dans une décision de conception que la plupart des praticiens construisant des outils similaires prennent à tort.

Laissez-moi vous expliquer ce qu'est cette décision et pourquoi elle est importante.

---

Le problème, pour quiconque ne l'a pas vécu

Un dossier de sinistre est principalement composé de texte. Notes des gestionnaires, dossiers médicaux, correspondance, documents juridiques, rapports de police, transcriptions d'appels, photographies avec légendes. Un assureur IARD en détient d'énormes quantités.

Pendant ce temps, un modèle actuariel consomme des variables structurées : type de blessure, partie du corps, catégorie de traitement, statut du litige, indicateurs de comorbidité, statut de retour au travail. L'écart entre les deux est aujourd'hui comblé par l'un de ces trois éléments : un schéma de codage appliqué par les gestionnaires lors du premier avis de sinistre, un ensemble de règles par mots-clés, ou rien du tout.

Ces trois options entraînent une perte d'information. Le codage au premier avis est saisi avant que les faits ne soient connus et est rarement révisé. Les règles par mots-clés sont fragiles : « aucune preuve de fracture » et « preuve de fracture » ne diffèrent que d'un mot mais ont un sens totalement opposé. Et la troisième option, ne rien faire, signifie que les données les plus riches détenues par l'assureur n'entrent jamais dans un modèle.

C'est pourquoi les actuaires en provisionnement soupçonnent depuis longtemps que la variance résiduelle de leurs modèles est en partie lisible — présente dans le dossier, en prose, invisible pour le triangle.

Pourquoi deux étapes, et pourquoi c'est là tout l'intérêt

La manière intuitive de construire cela est en une seule étape : donner tout le dossier de sinistre au modèle, demander les variables, et recevoir un tableau en retour.

Cette approche échoue en production pour des raisons qui ne sont pas évidentes tant qu'on ne les a pas observées.

Dilution du contexte. Un dossier de sinistre volumineux peut compter des centaines de pages. Même avec une fenêtre de contexte étendue, l'attention du modèle se dégrade sur des entrées très longues, et un détail en page 180 qui contredit la page 12 peut simplement être omis.

Sorties intraçables. Si le modèle renvoie « statut du litige : représenté », vous ne pouvez pas dire quel document a étayé cette conclusion. Lorsqu'il se trompe, vous ne pouvez pas savoir pourquoi, et vous ne pouvez pas le corriger systématiquement.

Erreurs corrélées. Une seule mauvaise lecture au début d'une longue instruction se propage. Une blessure mal identifiée se répercute simultanément sur les variables de gravité, de traitement et de durée, produisant un dossier de sinistre cohérent et totalement erroné — ce qui est bien plus dangereux qu'un dossier manifestement cassé.

La séparation en deux étapes répond à ces trois problèmes :

Étape 1 — extraction au niveau du document. Chaque document est traité indépendamment. Que dit ce rapport médical sur le type de blessure ? Que dit cette note du gestionnaire sur le litige ? Chaque extraction est courte, ciblée et traçable jusqu'à un document source.

Étape 2 — synthèse au niveau du sinistre. Les faits extraits sont réconciliés en un dossier de sinistre unique. C'est ici que les conflits sont résolus : le rapport initial parlait de tissus mous, l'imagerie de suivi indiquait une fracture, la note ultérieure mentionnait une intervention chirurgicale. Lequel l'emporte ?

La séparation est importante car les deux étapes échouent différemment et nécessitent donc des contrôles différents. Les erreurs de la première étape sont des erreurs de lecture — testables par rapport aux documents sources, correctibles par une meilleure instruction (prompting) ou de meilleurs schémas d'extraction. Les erreurs de la deuxième étape sont des erreurs de raisonnement — testables par rapport au jugement d'expert, correctibles par de meilleures règles de réconciliation.

Fusionnez-les en une seule étape et vous obtenez un taux d'erreur opaque unique qui ne vous dit rien sur l'endroit où intervenir. C'est le même principe que la validation de trajectoire dans les systèmes agentiques : validez la séquence, pas seulement le point final.

La conception de la validation mérite plus d'attention qu'elle n'en recevra

La recherche a validé l'extraction par rapport à une revue d'experts cliniques indépendants, avec l'humain dans la boucle.

Cette phrase dit beaucoup de choses, et c'est la partie que la plupart des entreprises omettront lorsqu'elles construiront leur propre version.

Voici pourquoi c'est difficile. Pour valider un système d'extraction, vous avez besoin d'une vérité terrain (ground truth) — un ensemble de sinistres pour lesquels vous connaissez la réponse correcte. Pour des données structurées, la vérité terrain est peu coûteuse. Pour l'extraction narrative, la vérité terrain est un autre expert lisant les mêmes documents, ce qui est lent, coûteux et variable en soi. Deux cliniciens lisant le même dossier ne seront pas toujours d'accord sur la classification des blessures.

Cela a une conséquence que les praticiens sous-estiment systématiquement : votre plafond de validation est la fiabilité inter-juges (inter-rater reliability) de vos experts humains. Si deux cliniciens sont d'accord dans 85 % des cas sur une variable, un système d'extraction qui s'accorde avec l'un d'eux dans 85 % des cas fonctionne au niveau humain. Rapporter cela comme « 85 % de précision » sans la référence humaine fait paraître un excellent résultat comme médiocre — et, plus dangereusement, fait paraître un résultat réellement médiocre sur une variable facile comme acceptable.

Si vous devez retenir un point opérationnel des travaux du CAS, c'est celui-ci : mesurez la fiabilité inter-juges sur votre échantillon de validation avant de mesurer la performance du modèle. Sans cela, votre chiffre de précision n'a pas de dénominateur.

Là où cela change réellement le travail actuariel

Trois applications, par ordre croissant de valeur et de difficulté.

Segmentation du provisionnement. L'utilisation immédiate. Les variables structurées extraites du narratif permettent de regrouper les provisions dossier de manière plus homogène — en séparant les sinistres qui semblent identiques dans le triangle mais diffèrent par le statut du litige, les comorbidités ou la trajectoire de traitement. Une meilleure homogénéité signifie une variance de processus plus faible, ce qui signifie des fourchettes de provisions plus resserrées sans aucun changement de méthodologie.

Identification précoce des facteurs de développement. Les sinistres à développement long se développent pour des raisons visibles dans le dossier bien avant qu'elles n'apparaissent dans les données payées ou encourues. L'implication d'un avocat, l'escalade du traitement, une comorbidité qui laisse présager une invalidité prolongée. Extraire ces éléments systématiquement à une durée précoce convertit un indicateur retardé en un indicateur avancé.

Ingénierie des variables pour la tarification. L'application la plus difficile et la plus sensible. Les variables extraites du narratif des sinistres peuvent éclairer la tarification — mais dès qu'elles le font, elles entrent dans une décision réglementée et s'exposent à tout l'appareil de contrôle de la discrimination injuste. Une variable extraite qui est corrélée avec une caractéristique protégée pose un problème de facteur de tarification, quelle que soit la manière dont elle a été dérivée. Cette application nécessite une évaluation de l'équité avant même d'avoir besoin d'un graphique de gain (lift chart).

Quatre points à maîtriser avant de déployer une solution de ce type

Figez la version du modèle et revalidez à chaque changement. Le comportement d'extraction est une propriété d'une version spécifique du modèle. Une mise à jour du fournisseur peut modifier les limites de classification sans aucun changement dans votre code. Si votre validation n'est pas liée à une version figée, vos preuves expirent silencieusement.

Conservez le schéma d'extraction dans l'inventaire du modèle. Le schéma — les 36 variables, leurs définitions et leurs valeurs autorisées — est autant un artefact de modélisation que l'algorithme lui-même. Une dérive définitionnelle d'une variable comme le « statut du litige » invalidera les comparaisons historiques exactement comme le ferait un changement d'hypothèse de provisionnement.

Conservez la citation de la source. Chaque valeur extraite doit porter un pointeur vers le document et le passage qui l'a étayée. C'est ce qui rend le système auditable plutôt que simplement précis, et cela ne coûte presque rien à mettre en œuvre lors de la construction, alors qu'il est très coûteux de l'ajouter a posteriori.

Testez sur des entrées contradictoires. Les dossiers de sinistres contiennent du texte écrit par des parties ayant des intérêts financiers dans l'issue. Lettres de mise en demeure, récits de prestataires, soumissions de demandeurs représentés. Un système d'extraction lisant un texte rédigé pour être persuasif opère dans un environnement contradictoire, et l'injection d'instructions (prompt injection) via les documents soumis est un risque réel, spécifiquement dans le domaine des sinistres.

Le signal global

Le CAS a présenté ce travail comme faisant partie de la préparation des actuaires à diriger dans un paysage de risques activé par l'IA, où le jugement professionnel et la gouvernance sont centraux et non accessoires. Ce cadre est le bon, et il est important de noter ce que la recherche n'a pas fait : elle n'a pas automatisé une décision. Elle a converti du texte en variables qu'un actuaire utilise ensuite.

C'est le bon endroit pour commencer. La couche d'extraction est celle où l'IA apporte le plus de valeur au travail actuariel et crée le moins d'exposition en matière de gouvernance — parce que le résultat est une donnée d'entrée, et que tout contrôle existant sur la manière dont les actuaires utilisent les données d'entrée s'applique toujours.

Les entreprises qui tireront profit de cela en 2026 seront celles qui construiront correctement la couche d'extraction et laisseront la couche de décision tranquille.

---

Points clés à retenir

• La recherche financée par le CAS convertit les documents narratifs de sinistres en 36 variables actuarielles structurées via un cadre LLM en deux étapes, avec un code source ouvert et un ensemble de données synthétiques.
• La séparation de l'extraction au niveau du document et de la synthèse au niveau du sinistre est la décision de conception clé : les deux étapes échouent différemment et nécessitent des contrôles distincts.
• Le plafond de validation est fixé par la fiabilité inter-juges entre experts humains — mesurez la référence humaine avant de rapporter la précision du modèle.
• Les applications à plus haute valeur sont la segmentation du provisionnement et l'identification précoce des facteurs de développement ; l'utilisation pour la tarification déclenche un contrôle de discrimination injuste.
• Figez la version du modèle, inventoriez le schéma d'extraction, conservez les citations sources et testez contre les documents contradictoires fournis par les demandeurs.

---

Questions fréquemment posées

Les grands modèles de langage peuvent-ils être utilisés pour le provisionnement ? Pas pour fixer directement les provisions, mais de plus en plus pour extraire des variables structurées des documents de sinistres non structurés qui alimentent ensuite les méthodes de provisionnement conventionnelles. La recherche du CAS démontre un cadre de faisabilité pour cela, convertissant les informations narratives en variables actuarielles utilisables en provisionnement, tarification et gestion des sinistres.

Comment valider un système d'extraction LLM pour un usage actuariel ? Par une revue d'experts indépendants d'un échantillon, avec une comparaison humaine dans la boucle par rapport aux extractions du modèle. Crucialement, la fiabilité inter-juges des réviseurs humains doit être mesurée en premier, car elle fixe le plafond pratique de l'accord réalisable et fournit la référence par rapport à laquelle la performance du modèle doit être rapportée.

L'utilisation de données de sinistres extraites est-elle sûre pour la tarification ? Cela nécessite une attention particulière. Dès qu'une variable extraite influence une décision tarifaire, elle devient un facteur de tarification soumis à une revue de discrimination injuste, quelle que soit la manière dont elle a été dérivée. Une évaluation de l'équité et une revue réglementaire devraient précéder tout usage tarifaire, tandis que les applications de segmentation du provisionnement comportent une exposition réglementaire nettement plus faible.

---

Jonas Mohamed Osman Abdelghafour est le fondateur de Quantica Risk Model, qui construit et valide de manière indépendante des modèles actuariels et d'IA pour les assureurs. Cet article est un commentaire sur les recherches de la CAS publiquement disponibles ; le document original doit être consulté directement.