En France, 95 % des assureurs ont déjà intégré l'intelligence artificielle dans leurs opérations. Un chiffre qui donne l'illusion d'une bascule accomplie. Une étude Earnix menée fin 2025 auprès de 488 dirigeants du secteur révèle pourtant une réalité plus inconfortable : seuls 32 % d'entre eux font confiance à l'exactitude de leurs propres données. Le goulot d'étranglement n'est plus l'adoption. C'est ce qui nourrit les modèles.
Une adoption quasi totale, un déploiement encore fragmenté
Le chiffre est spectaculaire sur le papier. 95 % des assureurs français ont intégré l'IA dans au moins une partie de leurs processus opérationnels, selon la quatrième édition de l'étude « Se réinventer constamment », publiée par Earnix et Market Strategy Group fin 2025. Un panel de 488 cadres dirigeants d'assureurs, dont 40 en France, a répondu à cette enquête menée en Europe, au Royaume-Uni, en Amérique du Nord et en Australasie.
40 % des répondants français déclarent une IA pleinement intégrée dans la plupart de leurs fonctions. Les 55 % restants n'en sont qu'à des usages partiels, cantonnés à quelques services isolés. Cette proportion illustre un scénario classique dans les grandes organisations : un pilote convaincant sur un périmètre restreint, jamais généralisé à l'échelle de l'entreprise faute d'avoir traité le sujet qui fâche en amont.
Les freins identifiés en France ne sont pas tout à fait ceux qu'on imagine. Contrairement à la tendance mondiale, où dominent les obstacles techniques (difficulté d'intégration avec les systèmes existants pour 37 % des répondants, manque d'expertise interne pour 32 %), les assureurs français citent en priorité la sécurité et la confidentialité des données (39 %) et l'absence de gouvernance IA adéquate (38 %). Deux sujets qui se recoupent largement : sans gouvernance des données, difficile d'en garantir la sécurité, et inversement.
Cette spécificité française mérite qu'on s'y arrête. Un secteur historiquement prudent sur la donnée personnelle (assurance vie, santé, prévoyance) exporte cette prudence vers l'IA, alors que d'autres marchés se heurtent d'abord à des questions d'architecture technique. Le symptôme diffère, mais le diagnostic de fond reste identique : la donnée n'est pas prête à porter l'ambition affichée.
Ce phénomène n'est pas propre à l'assurance. Gartner anticipait dès 2024 l'abandon d'un tiers des projets d'IA générative avant la fin 2026, faute de valeur business démontrée à l'échelle. Quand 55 % des assureurs français n'appliquent encore l'IA qu'à des fonctions isolées, le vrai risque n'est pas l'échec technique du pilote. C'est l'abandon silencieux au moment de basculer en production sur l'ensemble du portefeuille, une fois les premiers résultats encourageants du POC confrontés à la réalité d'un système d'information fragmenté.
Le vrai problème : des données jugées peu fiables
Combien de directeurs techniques accepteraient de construire un immeuble sur des fondations dont ils ignorent la composition ? C'est pourtant ce que font, sans le vouloir vraiment, une majorité d'assureurs qui déploient de l'IA sur des bases de données jamais auditées.
Le résultat le plus structurant de l'étude Earnix porte justement sur la qualité perçue des données internes. Seuls 32 % des répondants mondiaux estiment que leurs données sont exactes. Ce chiffre chute à 27 % chez les grands assureurs de plus de 20 000 employés, précisément ceux qui ont le plus de volume à traiter et le plus à gagner d'une IA correctement alimentée.
Les autres critères ne sont pas meilleurs. Moins de la moitié des répondants jugent leurs données complètes (47 %), accessibles (45 %) ou disponibles dans un format exploitable (45 %). Chez les grands groupes, ces taux sont encore plus faibles. Concrètement, cela veut dire des doublons de dossiers assurés, des codes sinistres qui ne veulent pas dire la même chose d'un système hérité à l'autre, et des historiques de tarification stockés dans des formats que plus personne ne sait vraiment interroger.
Nicolas Thevenet, directeur assurances EMEA chez Earnix, résume la situation sans détour : ajouter de l'IA à des processus isolés qui s'appuient sur des données peu fiables produit des projets coûteux, non évolutifs et à l'impact commercial limité. L'assurance carbure aux données interdépendantes : souscription, sinistres, tarification, réassurance. Un maillon fragile compromet toute la chaîne, et le maillon fragile, ici, c'est souvent le plus ancien système du système d'information.
L'anxiété grandissante des équipes métier face à l'entraînement des modèles
Cette défiance sur la qualité des données ne reste pas théorique. Elle se traduit par une inquiétude bien concrète chez les collaborateurs. En France, 75 % des cadres du secteur se disent plutôt inquiets et 10 % extrêmement inquiets à l'idée que leurs modèles d'IA soient entraînés sur des données inexactes ou incomplètes.
Cette préoccupation traverse tous les métiers. 85 % des répondants en souscription, 86 % en analytique et 84 % en actuariat et tarification se déclarent très ou assez préoccupés. Ce ne sont pas des équipes technophobes. Ce sont des experts qui savent exactement ce qu'un mauvais input produit en sortie : une prime mal calibrée, un risque mal évalué, un client mal orienté.
Face à ce constat, le secteur ne recule pas : il investit ailleurs. Les assureurs prévoient d'augmenter leurs dépenses en données tierces de 6,1 % par an en moyenne sur les trois prochaines années. En France, les sources privilégiées sont les objets connectés (73 %, le taux le plus élevé de tous les marchés étudiés par Earnix), la télématique (45 %) et les données issues des réseaux sociaux (35 %). Une stratégie qui a du sens tant que les données internes ne sont pas assainies en parallèle : empiler de la donnée externe fraîche sur un socle interne bancal ne fait que déplacer le problème.
Les cas d'usage que les assureurs français priorisent malgré tout
Malgré ces réserves, l'appétit pour l'IA générative reste intact. Les cas d'usage prioritaires identifiés par les répondants français : l'augmentation des collaborateurs pour gagner en productivité et en satisfaction au travail (43 %), la génération de recommandations personnalisées de polices (38 %) et la production de simulations pour identifier les risques potentiels (33 %).
Le traitement des sinistres avance vite, plus vite que le reste. 58 % des assureurs français l'utilisent déjà avec de l'IA générative, et 35 % supplémentaires prévoient de le faire dans les deux prochaines années. À ce rythme, un sinistre géré sans aucune assistance IA deviendra l'exception d'ici 2028, pas la règle.
Ce paradoxe s'explique assez simplement. Le traitement des sinistres est un des rares processus où la donnée d'entrée (un formulaire, une photo, un devis de réparation) reste relativement structurée et récente. C'est justement là que la confiance dans les données est la moins abîmée, et c'est là que l'IA avance le plus vite. La corrélation n'a rien d'un hasard.
La recommandation personnalisée de polices suit une logique inverse, et c'est bien pour ça qu'elle plafonne à 38 % d'intérêt déclaré plutôt que d'exploser. Personnaliser une offre suppose de croiser l'historique du client, son profil de risque et ses interactions passées, trois sources qui vivent rarement dans le même système chez un assureur de taille intermédiaire. Le souscripteur qui reçoit une recommandation générée automatiquement doit encore vérifier, à la main, qu'elle ne repose pas sur un profil client incomplet. Le gain de temps promis se transforme alors en contrôle supplémentaire, ce qui explique une partie de la prudence observée sur ce cas d'usage précis.
Côté courtage, un plafond structurel autour de 50 à 65 % d'automatisation
Chez les cabinets de courtage, la cartographie est plus fine encore. Une analyse menée par AzenFlow sur des cabinets français de 5 à 50 collaborateurs chiffre à 50-65 % la part du temps total d'un cabinet consacrée à des tâches réellement automatisables : pré-saisie des sinistres (75-85 % automatisable), renouvellement de polices (80 %), tri et classification des emails entrants (jusqu'à 90 %). Un cabinet de huit collaborateurs correctement outillé libère ainsi 30 à 50 % de son temps administratif.
Le devoir de conseil, lui, reste hors périmètre. L'article L520-1-2 du Code des assurances impose au courtier de conseiller en fonction des besoins réels de son client, une obligation personnelle et non délégable. L'IA prépare l'analyse comparative, le courtier décide et signe. Cette répartition n'est pas une contrainte de circonstance : c'est la ligne rouge fixée par le régulateur, et elle rejoint ce que nous détaillions dans notre article sur l'automatisation du courtage sans perdre le conseil.
Qui valide, en dernier ressort, le conseil donné à un client qui vient de perdre sa toiture dans une tempête ? La réponse doit rester humaine, quelle que soit la sophistication du modèle qui a préparé le dossier. Les cabinets qui l'oublient s'exposent à une sanction disciplinaire, pas seulement à un mauvais retour client.
Sur le plan budgétaire, les ordres de grandeur restent accessibles à un cabinet de taille moyenne. Un déploiement structuré sur six workflows coûte généralement entre 50 000 et 65 000 euros en investissement initial, pour un fonctionnement annuel de 15 000 à 20 000 euros. Le retour sur investissement médian se situe entre deux et quatre fois la mise sur dix-huit à vingt-quatre mois, avec un point d'équilibre atteint entre neuf et quatorze mois selon le rythme d'adoption des équipes.
La donnée sinistre pose un problème spécifique sur ce segment : elle touche fréquemment à des informations de santé, une catégorie sensible au sens de l'article 9 du RGPD. Cela impose une analyse d'impact documentée, un hébergement strict en Europe et, pour les dossiers les plus sensibles, la possibilité de traiter certains flux sans jamais les faire transiter par un modèle tiers non maîtrisé. Ignorer cette contrainte revient à ajouter un risque réglementaire à un risque de qualité de données déjà identifié.
Sécuriser le socle de données avant de viser l'échelle
Le constat qui ressort de ces deux études converge vers une même conclusion. Le problème n'est plus de convaincre les équipes d'utiliser l'IA. C'est de leur donner des données sur lesquelles elles peuvent s'appuyer sans arrière-pensée. Trois chantiers reviennent systématiquement chez les compagnies et les cabinets qui ont réussi ce virage.
Tracer chaque donnée utilisée
Un déploiement d'IA en assurance doit pouvoir répondre à une question simple : d'où vient cette donnée, et qui l'a validée ? Claude Cowork se connecte aux systèmes déjà en place (CRM, outils de gestion sinistres, data room) sans dupliquer ni réentraîner de modèle sur les données clients, avec un journal d'audit qui documente chaque action. Pour un secteur soumis à DORA et à l'AI Act, cette traçabilité n'est pas un confort. Elle conditionne la conformité, et elle rassure justement les 39 % de dirigeants français qui citent la sécurité des données comme premier frein.
Poser une gouvernance claire des accès
38 % des assureurs français citent l'absence de gouvernance IA adéquate comme frein principal. Définir qui accède à quelle donnée, avec quel niveau de contrôle, réduit mécaniquement le risque perçu qui freine aujourd'hui le passage à l'échelle. Ce chantier précède tout déploiement massif, il ne le suit pas. Une gouvernance posée après coup coûte systématiquement plus cher qu'une gouvernance pensée dès le cadrage.
Démarrer par un périmètre restreint et mesurable
Un modèle qui prépare une recommandation de police ou une pré-saisie de sinistre reste sous supervision humaine, comme l'exige d'ailleurs l'AI Act pour les usages à risque limité. Chez ClaudIn, nos clients des secteurs de l'assurance et du courtage démarrent presque toujours par un seul workflow bien délimité, mesuré pendant six à huit semaines, avant d'étendre. C'est la même logique qui a fait ses preuves chez Allianz sur ses 156 000 collaborateurs : un périmètre resserré, des résultats mesurés, puis une extension progressive plutôt qu'un big bang qui expose l'ensemble de l'organisation aux failles du socle de données.
95 % d'adoption et 32 % de confiance dans les données : cet écart résume l'état du secteur en 2026. Le combler ne demande pas un projet pharaonique, mais une méthode disciplinée qui commence par les données avant de multiplier les cas d'usage. Les assureurs qui prendront cette voie auront une longueur d'avance quand leurs concurrents devront revenir sur des projets pilotes jamais généralisés. Vous voulez évaluer où en est votre socle de données avant de lancer un projet IA ? Réservez 30 minutes pour un audit de vos cas d'usage prioritaires.