L'apprentissage automatique dans les provisions

Par Jonas Mohamed Osman Abdelghafour.

Commentaire sur le programme d'articles de la Casualty Actuarial Society de 2026 sur l'amélioration des méthodologies et des technologies de provisionnement, et sur l'ensemble de données de provisionnement pour sinistres Schedule P élargi publié par la CAS en 2026. Les détails sont disponibles auprès de la CAS.

La CAS a lancé un programme d'articles en 2026 sur l'amélioration des méthodologies et technologies de provisionnement, notant que l'évolution technologique a rendu la modélisation avancée plus pratique. Elle a également mis à jour son ensemble de données de provisionnement issu du Schedule P pour inclure dix années de survenance supplémentaires sur les principales branches de particuliers et d'entreprises des assureurs IARD américains.

Ces deux éléments ensemble sont plus significatifs que chacun pris isolément. Un appel méthodologique sans données produit de la théorie. Des données sans appel produisent des expériences éparses. Les deux à la fois permettent à une discipline d'avancer réellement.

Mais il convient de poser une question préalable que l'appel sous-entend sans l'énoncer : pourquoi le provisionnement a-t-il accusé un retard d'environ quinze ans sur la tarification dans l'adoption de l'apprentissage automatique ? La réponse n'est pas le conservatisme, et la comprendre permet de savoir quelles nouvelles méthodes fonctionneront et lesquelles ne fonctionneront pas.

---

Quatre raisons structurelles pour lesquelles le provisionnement était différent

1. L'unité d'observation n'est pas l'unité d'intérêt.

En tarification, vous disposez de centaines de milliers de polices, chacune avec un résultat. C'est un problème d'apprentissage supervisé sous sa forme naturelle.

En provisionnement, l'unité traditionnelle est l'année de survenance — et vous en avez peut-être vingt. Un triangle n'est pas un grand ensemble de données. Ce sont vingt observations d'un processus, fortement corrélées et présentées sous forme de matrice. Appliquer une méthode conçue pour de grands échantillons à un cas où n ≈ 20 n'est pas de la prudence conservatrice ; c'est de l'arithmétique.

Le passage au provisionnement individuel par sinistre change fondamentalement la donne, c'est pourquoi il s'agit du développement structurel le plus important du domaine. Une fois que l'unité devient le sinistre, vous disposez à nouveau de centaines de milliers d'observations.

2. La cible n'est pas observée.

Les modèles de tarification prédisent une perte qui finit par se produire et peut être vérifiée. Les modèles de provisionnement prédisent l'ultime — une quantité qui n'est pas observée avant des années, et pour les branches à développement long, parfois une décennie ou plus.

Cela brise la boucle de développement de l'apprentissage automatique à sa base. Vous ne pouvez pas itérer rapidement contre un ensemble de validation lorsque celui-ci n'existera pas avant 2034. Les tests rétrospectifs (backtesting) sur des triangles historiques aident, mais chaque test est contaminé : les provisions historiques ont influencé la gestion des sinistres, le comportement de règlement et l'adéquation des provisions dossier qui ont généré les données que vous testez.

3. La sortie du provisionnement est un poste des états financiers.

Un modèle de tarification erroné produit des tarifs sous-optimaux et, à terme, une expérience corrigée. Un modèle de provisionnement erroné produit un bilan erroné, un retraitement des comptes et potentiellement un constat réglementaire défavorable. L'actuaire agréé signe une opinion à ce sujet.

La tolérance pour l'opacité méthodologique est donc réellement plus faible, et à juste titre. La domination du chain-ladder n'est pas de l'inertie — c'est qu'un chain-ladder peut être expliqué à un auditeur en dix minutes et audité par re-calcul en un après-midi.

4. Les changements dans le processus invalident les données.

Les méthodes de provisionnement supposent que le passé prédit le schéma de développement futur. Chaque changement dans la gestion des sinistres, la philosophie de provisionnement dossier, la stratégie de règlement, l'environnement juridique ou le mix produit brise cette hypothèse. Les actuaires expérimentés passent une grande partie de leur temps à détecter et à ajuster ces ruptures.

Un modèle d'apprentissage automatique formé sur le développement historique apprend l'environnement opérationnel historique, y compris toutes ses pratiques de gestion. Il extrapolera avec confiance un schéma de règlement qu'un changement de stratégie a déjà arrêté. Détecter cela nécessite précisément le jugement que le modèle ne peut pas fournir — et, pire encore, la confiance du modèle masque la nécessité de ce jugement.

Ce qui fonctionne réellement

Compte tenu de ces contraintes, les méthodes qui ont gagné leur place partagent une propriété commune : elles ajoutent de la granularité ou de la structure sans abandonner le cadre actuariel.

Provisionnement individuel par sinistre. Modélisation du développement au niveau du sinistre en utilisant ses caractéristiques — type de blessure, statut du litige, juridiction, âge du demandeur, parcours de traitement. Cela résout directement le problème du petit n et permet de modéliser des portefeuilles hétérogènes sans perte par agrégation. C'est l'avancée la plus substantielle du domaine et elle s'associe naturellement à l'extraction de caractéristiques par LLM à partir de documents narratifs, sur laquelle le CAS a également financé des travaux.

Modèles mixtes et hiérarchiques. Mutualisation partielle (partial pooling) entre segments — en empruntant de la force aux segments connexes tout en laissant subsister les différences réelles. C'est la solution statistiquement rigoureuse au problème éternel du provisionnement des segments trop petits pour être modélisés seuls et trop différents pour être combinés. La récente monographie du CAS sur les modèles mixtes pratiques pour les actuaires reflète une reconnaissance opportune que cet outil appartient à la panoplie standard.

Provisionnement stochastique avec fourchettes crédibles. Rien de nouveau, mais chroniquement sous-utilisé. Les conseils d'administration et les régulateurs demandent de plus en plus des fourchettes de provisions plutôt que des estimations ponctuelles, et une fourchette défendable nécessite un modèle d'incertitude explicite plutôt qu'une marge discrétionnaire.

Apprentissage automatique pour les diagnostics plutôt que pour l'estimation. L'application que je placerais en premier pour la plupart des entreprises : utiliser l'IA pour détecter les changements dans le processus de sinistres, identifier les schémas de développement anormaux et signaler les segments où les hypothèses des méthodes traditionnelles s'effondrent. Le modèle ne produit pas la provision — il dit à l'actuaire où regarder. Cela va dans le sens des quatre contraintes plutôt que de s'y opposer, et c'est là que j'ai systématiquement vu le meilleur retour sur investissement en pratique.

Ce que permettent les données Schedule P élargies

L'ajout de dix années de survenance à l'ensemble de données Schedule P de la CAS est important pour des raisons spécifiques.

Des fenêtres de développement plus longues pour les branches longues. Tester une méthode de provisionnement sur la responsabilité civile professionnelle nécessite d'observer le développement jusqu'à un point proche de l'ultime. Dix années supplémentaires convertissent plusieurs branches de « insuffisantes pour être évaluées » à « évaluables ».

Tests à travers les cycles. Les méthodes de provisionnement se comportent différemment dans les marchés qui se durcissent ou se ramollissent, et dans des contextes de faible ou forte inflation. Un ensemble de données couvrant davantage de cycles permet de tester la robustesse des méthodes à travers différents régimes plutôt qu'au sein d'un seul — ce qui est précisément le mode de défaillance qui met à mal les modèles de provisionnement en pratique.

Analyse comparative (benchmarking) réelle. Un ensemble de données public commun permet de comparer des méthodes concurrentes sur des données identiques, ce qui est le mécanisme par lequel les domaines méthodologiques progressent réellement. Sans cela, chaque article rapporte d'excellents résultats sur des données propriétaires auxquelles personne d'autre n'a accès.

Un avertissement toutefois : le Schedule P contient des données sectorielles agrégées. C'est excellent pour tester le comportement des méthodes et comparer les approches. Cela ne peut pas être utilisé pour développer des méthodes de provisionnement individuel, qui nécessitent des données au niveau du sinistre. La frontière méthodologique la plus importante est celle que cet ensemble de données ne peut pas soutenir directement.

Cinq recommandations pour les équipes de provisionnement

Commencez par les diagnostics, pas par l'estimation. La valeur défendable la plus rapide de l'IA en provisionnement est la détection des changements de processus. Construisez cela d'abord, prouvez-le, puis envisagez une extension.

Traitez le provisionnement individuel comme un programme de données d'abord. La méthode n'est pas la contrainte — c'est la qualité, la cohérence et l'historique des données au niveau du sinistre qui le sont. La plupart des entreprises ont besoin de dix-huit mois de travail sur les données avant que la question de la modélisation ne devienne d'actualité.

Maintenez la méthode traditionnelle en parallèle, indéfiniment. Pas comme une disposition transitoire. Comme un contrôle permanent. Une divergence matérielle entre un modèle granulaire et un chain-ladder est une information, et vous la perdez dès que vous abandonnez la référence.

Documentez les ruptures d'hypothèses de manière explicite et durable. Chaque changement dans la gestion des sinistres, la philosophie de provisionnement dossier ou la stratégie de règlement doit être enregistré avec sa date et son effet attendu, dans un registre tenu par l'équipe de provisionnement. C'est cette connaissance institutionnelle qui fait fonctionner n'importe quelle méthode, et elle s'en va avec le départ du personnel expérimenté.

Faites de la fourchette, et non du point, le résultat principal. Un chiffre unique invite à une fausse précision et n'offre aucune base pour discuter de l'incertitude qui compte réellement pour le conseil d'administration. C'est un changement de communication plus qu'un changement méthodologique, et il est attendu depuis longtemps.

Le fil conducteur

Le fil conducteur de tout ceci est que la résistance du provisionnement aux nouvelles méthodes n'a jamais été du conservatisme. C'était une réponse correcte aux quatre caractéristiques structurelles réelles du problème.

Les méthodes qui réussissent aujourd'hui sont celles qui s'attaquent directement à ces caractéristiques — la granularité pour résoudre le petit n, la structure hiérarchique pour résoudre la segmentation, les diagnostics pour résoudre les ruptures d'hypothèses — plutôt que celles qui importent une technique de la tarification en espérant que les contraintes ne s'appliquent pas.

C'est un test utile pour toute nouvelle méthode de provisionnement : laquelle des quatre contraintes résout-elle réellement ?

---

Points clés à retenir

• Le provisionnement a tardé à adopter l'apprentissage automatique pour quatre raisons structurelles : petite taille d'échantillon effectif, cibles non observées, conséquences sur les états financiers et changements de processus invalidant les données historiques.
• Le provisionnement individuel par sinistre est l'avancée la plus substantielle car il résout directement le problème du petit n et s'associe naturellement à l'extraction de caractéristiques par LLM.
• Les modèles mixtes et hiérarchiques offrent une solution rigoureuse pour les segments trop petits pour être modélisés seuls et trop différents pour être combinés.
• L'application précoce de l'IA la plus rentable en provisionnement est le diagnostic — détection des changements de processus et des ruptures d'hypothèses — plutôt que l'estimation.
• L'ensemble de données Schedule P élargi de la CAS permet des fenêtres de développement plus longues, des tests de robustesse à travers les cycles et un véritable benchmarking, mais ne peut pas soutenir le développement du provisionnement individuel.

---

Questions fréquemment posées

Pourquoi l'apprentissage automatique est-il moins établi en provisionnement qu'en tarification ? Parce que l'unité d'observation traditionnelle du provisionnement donne une taille d'échantillon effectif très faible, la quantité cible n'est pas observée avant des années, le résultat est un poste des états financiers signé par un actuaire, et les changements dans la gestion des sinistres invalident les schémas historiques dont les modèles apprennent. Ce sont des contraintes structurelles, et non du conservatisme professionnel.

Qu'est-ce que le provisionnement individuel par sinistre ? C'est la modélisation du développement des sinistres au niveau du sinistre individuel, en utilisant des caractéristiques telles que le type de blessure, le statut du litige et la juridiction, plutôt que l'agrégation dans des triangles par année de survenance. Cela augmente considérablement la taille de l'échantillon effectif et permet de modéliser des portefeuilles hétérogènes sans perte par agrégation.

Les entreprises doivent-elles remplacer le chain-ladder par des méthodes d'apprentissage automatique ? Généralement non — il faut les faire fonctionner en parallèle. La méthode traditionnelle reste un contrôle permanent précieux, et la divergence entre un modèle granulaire et un chain-ladder est riche en informations diagnostiques. La plupart des entreprises tirent plus de valeur immédiate de l'utilisation de l'IA pour détecter les ruptures d'hypothèses que pour produire l'estimation elle-même.

---

Jonas Mohamed Osman Abdelghafour est le fondateur de Quantica Risk Model, qui construit des modèles de provisionnement, de capital et de tarification pour les assureurs et fournit une validation de modèle indépendante. Cet article est un commentaire sur les programmes de recherche de la CAS publiquement disponibles.