CEO Corner

Pourquoi il s'agit d'une décision opérationnelle pour aujourd'hui

Les travaux actuariels utilisent depuis des années l’apprentissage statistique et l’approximation informatique. La nouvelle opportunité consiste à connecter ces méthodes à des systèmes capables de rechercher du matériel technique, d’aider au codage et de coordonner un travail analytique contrôlé. Ces capacités permettent de repenser le travail entourant une valorisation tout en améliorant sélectivement les modèles qui la composent. L’adoption ne nécessite pas d’attendre un système autonome capable d’exercer un jugement actuariel.

Il existe également un calendrier concret de gouvernance. La version finale de la ligne directrice E-23 du BSIF, publiée en septembre 2025, entre en vigueur le 1er mai 2027. Elle étend les attentes du modèle en matière de gestion des risques à l’ensemble des institutions financières fédérales, y compris les assureurs, et aborde explicitement l’IA et l’apprentissage automatique. Depuis cette édition, cette date d'entrée en vigueur est toujours en avance. J'utiliserais la période de préparation pour établir des inventaires de modèles, des preuves de propriété et de validation qui couvrent à la fois les modèles actuariels établis et les nouveaux composants d'IA.

L'Association Actuarielle Internationale a également publié des articles pédagogiques sur la gouvernance, les tests et la documentation de l'IA. Il s’agit de ressources pour la pratique professionnelle et non d’une approbation réglementaire universelle. Ensemble, l’opportunité technologique et le cadre de gouvernance en développement soutiennent un programme délibéré d’adoption. Tout retard entraîne un coût d’opportunité : les équipes reportent l’apprentissage des domaines dans lesquels l’IA fonctionne, des domaines dans lesquels elle échoue et du degré de révision qu’elle nécessite. Cet apprentissage est spécifique aux produits, données et décisions d’un assureur ; il ne peut pas simplement être acheté plus tard avec une licence logicielle.

Donner à chaque composant IA un rôle actuariel précis

Je distinguerais trois rôles avant d'approuver un investissement. L'apprentissage statistique estime les relations : différentiels de mortalité, comportement en matière de rachat, gravité des sinistres ou modèles de dépenses. L'approximation numérique accélère un calcul coûteux, par exemple en estimant une surface de responsabilité à partir d'un ensemble contrôlé d'exécutions complètes du modèle. L'IA générative prend en charge le travail avec le langage et le code : récupérer une clause de produit, proposer un test ou rédiger une explication à partir de résultats approuvés. Ces rôles nécessitent différentes preuves de fiabilité.

L’explication fluide d’un modèle linguistique n’établit pas qu’une estimation de mortalité est calibrée. L’accord étroit d’un proxy avec un moteur de référence n’établit pas que le moteur de référence représente correctement le contrat. La solide performance historique d’un modèle prédictif ne permet pas d’établir qu’une mesure de gestion proposée entraînera le résultat prévu. La première responsabilité de l’actuaire en chef dans un programme d’IA est de rendre explicites ces distinctions.

Mon architecture préférée donne au moteur actuariel la responsabilité de calculs spécifiés, donne à l'IA des tâches d'analyse ou de coordination étroitement définies et donne aux professionnels autorisés la responsabilité des hypothèses et des décisions. Lorsque l’IA modifie elle-même la méthode numérique, ce composant entre dans le processus d’inventaire et de validation du modèle. Il ne disparaît pas à l'intérieur d'une application qualifiée d'assistant.

Améliorer le processus d'hypothèse avant d'augmenter sa complexité

Pour un portefeuille vie, l'analyse de la mortalité commence par la construction de l'exposition, l'âge atteint, la durée, la classe de souscription, les montants des prestations et le moment des décès déclarés. Les modèles de Poisson avec compensations d'exposition, les modèles additifs généralisés et les modèles de survie fournissent des points de départ utiles et interprétables. L’apprentissage automatique peut étudier les interactions qu’un large rapport réel/attendu dissimule, mais une expérience rare nécessite toujours de la crédibilité et une mise en commun disciplinée. Une estimation très granulaire ne constitue pas nécessairement une hypothèse plus fiable.

J'exigerais une validation sur des périodes d'expérience ultérieures et des cohortes de produits pertinentes, avec une protection contre les fuites d'informations entre le même assuré. J'examinerais le calibrage par segment, l'effet de l'évolution du mix d'activités et la sensibilité aux données manquantes. L’ajustement des niveaux de mortalité passés et la sélection des améliorations futures de la mortalité sont des tâches distinctes. Un modèle peut s’adapter étroitement à l’expérience récente tout en fournissant peu de preuves d’une hypothèse d’amélioration à long terme.

La modélisation des déchéances mérite la même discipline. Les modèles de survie ou de risque concurrent peuvent représenter la mort, l’abandon et d’autres sorties ; des modèles plus riches peuvent étudier l’interaction entre les taux crédités, les alternatives de marché, les frais de rachat et la distribution. Pourtant, le comportement historique des assurés peut ne pas tenir compte des conditions tarifaires ou garantir des incitations importantes en période de crise. Je conserverais des jugements de scénario explicites pour ces lacunes. Une association prédictive entre une intervention et la rétention nécessite également une analyse causale avant de soutenir une stratégie d'intervention.

La valorisation viagère et en rente doit préserver le contrat

Pour un contrat à terme simple, un calcul prospectif des flux de trésorerie projette les primes, les prestations de décès et les dépenses en utilisant des hypothèses de décrémentation et d'actualisation cohérentes. L'assurance vie entière et l'assurance vie universelle introduisent des dépendances supplémentaires : valeurs des comptes, flexibilité des primes, taux crédités, valeurs de rachat et garanties. Les rentes introduisent des paiements conditionnels à la survie, des garanties possibles et des options pour les assurés. L’IA peut aider à assembler des spécifications et à identifier les incohérences, mais chaque caractéristique contractuelle importante doit survivre à sa traduction en logique exécutable.

Le même changement démographique peut avoir des conséquences financières différentes selon les produits. Une mortalité plus faible prolonge généralement les versements au titre d'une rente viagère conditionnelle, tout en réduisant les sinistres en cas de décès attendus sur un portefeuille d'assurance temporaire. Même dans ce cas, les primes, les dépenses, les déchéances et les garanties affectent le résultat total. Une explication qui dit uniquement « mortalité améliorée » est inadéquate. Je m'attendrais à ce qu'il identifie les cohortes concernées, les flux de trésorerie modifiés et les conséquences pour la base d'évaluation particulière.

IFRS 17 ajoute une autre distinction importante. Les flux de trésorerie d'exécution et la marge sur services contractuels jouent des rôles différents ; une modification d’une simple réserve de primes brutes n’est pas automatiquement une modification du bénéfice déclaré. Le traitement dépend du modèle de mesure, de la source du mouvement et du fait qu'il concerne des services futurs ou actuels et passés. J'utiliserais l'IA pour aider à retracer le traitement comptable jusqu'à la politique approuvée et à présenter des preuves, la classification et la conclusion étant examinées par les équipes actuarielles et financières responsables.

Une valorisation stochastique plus rapide devrait poser davantage de défis

Pour les produits avec options et garanties matérielles, le calcul peut devenir beaucoup plus exigeant. Un exercice de risque peut nécessiter un ensemble externe de scénarios économiques et une évaluation interne de chaque état futur. La régression, les moindres carrés de Monte Carlo et les proxys d'apprentissage automatique peuvent réduire le coût des calculs sélectionnés. La Society of Actuaries a publié des études de cas pratiques sur l’assurance vie et les rentes sur cette utilisation de l’analyse prédictive et de l’apprentissage automatique. Cela établit un domaine crédible à étudier, et non une garantie de performance pour un livre particulier.

Je définirais le domaine d'entrée autorisé du proxy avant de le former. La validation doit inclure les états stressés, les combinaisons de facteurs de risque et les contrats proches des seuils de garantie. Il devrait examiner les biais systématiques, les erreurs extrêmes et les estimations de sensibilité, et pas seulement l’ajustement moyen. Dans un portefeuille purement indicatif avec un passif de 10 milliards d'UM, une erreur d'évaluation systématique de 0,1% représente 10 millions d'UM. Un pourcentage apparemment faible peut avoir son importance avant de considérer l’effet de l’erreur sur les couvertures ou le capital.

Le moteur de référence reste indispensable. Un cas hors domaine devrait déclencher un calcul complet ou une exception explicite, et les modifications du modèle devraient déclencher une réévaluation du proxy. Les scénarios du monde réel utilisés pour étudier les résultats futurs et les scénarios sans risque utilisés pour une évaluation cohérente avec le marché répondent à des objectifs différents : la conception doit préserver cette distinction. Mon dossier d'investissement demanderait dans quelle mesure les tests de résistance supplémentaires rendus possibles par le calcul enregistré. Répéter plus rapidement un ensemble restreint de scénarios est une réussite moindre que comprendre une exposition non examinée auparavant.

Relier le résultat du passif à l'actif, à la liquidité et au capital

Une estimation du passif devient utile lorsqu'elle modifie une décision. Dans le domaine de la gestion actif-passif, je me demande si une meilleure analyse modifie l’interprétation des écarts de durée, des expositions aux taux directeurs, de la convexité ou des déficits de flux de trésorerie. Une adéquation de durée peut coexister avec le risque de base, le risque de spread, les actifs illiquides et les options des assurés. Un modèle formé dans des conditions ordinaires peut être moins fiable lorsque les incitations au rachat et les coûts de réalisation des actifs interagissent.

Pour le capital, le souci se déplace plus loin dans la queue commune. Un indicateur qui reproduit les valeurs moyennes du passif peut néanmoins fausser le classement des scénarios défavorables, un centile extrême ou la répartition du capital entre les risques. Les hypothèses de corrélation et de dépendance méritent leur propre défi. Je signalerais l'erreur d'approximation séparément de l'erreur d'échantillonnage du scénario et de l'incertitude dans les hypothèses sous-jacentes. La combinaison des trois en un seul score de confiance inexpliqué rend le résultat plus difficile à contrôler.

Le même principe s’applique au-delà de l’assurance vie. En matière de provisionnement IARD, une méthode d’IA devrait gagner sa place par rapport à une échelle de chaîne pertinente, Bornhuetter–Ferguson ou d’autres références, en prêtant attention à l’inflation des sinistres, aux changements de règlement et à la composition du portefeuille. Une plus grande complexité prédictive ne supprime pas la nécessité d’expliquer pourquoi la réserve sélectionnée est appropriée pour l’entreprise.

Une clôture de valorisation qui peut répondre à la question suivante

Prenons un exemple de clôture de rente dans laquelle le passif augmente de manière inattendue. Je voudrais que le flux de travail sépare les nouvelles activités et les mouvements de portefeuille, la liquidation attendue, les changements économiques, les écarts d'expérience, les mises à jour des hypothèses et les corrections du modèle. Des rediffusions contrôlées devraient établir ces contributions. L'attribution séquentielle peut dépendre de l'ordre dans lequel les modifications sont appliquées, le rapport doit donc indiquer sa convention et identifier les effets d'interaction importants.

Un assistant IA pourrait récupérer la base approuvée précédente, localiser les enregistrements d'hypothèses modifiées, proposer les réexécutions requises et rassembler les preuves résultantes. Il ne pourrait rédiger des commentaires qu’une fois que les résultats numériques pertinents seront disponibles. Si le modèle ne parvient pas à rapprocher le mouvement, l'assistant doit exposer le résidu non résolu. Il ne faut pas fournir un récit économique convaincant pour donner l’impression que le tableau est complet.

Le pack de révision contiendrait un tableau des flux de trésorerie, un pont de mouvement, une analyse de l'expérience de la cohorte et des comparaisons de sensibilité. Chaque chiffre important identifierait son exécution source, sa version de modèle et sa base d'hypothèse. Le récit distinguerait une contribution calculée d’une interprétation et d’une action proposée. C’est là que je vois une opportunité importante à court terme : donner à l’actuaire un meilleur point de départ pour l’enquête et suffisamment de temps pour aborder la deuxième question.

Rendre visible l'incertitude et la responsabilité

Le niveau professionnel doit augmenter avec la vitesse de production. L'ASOP n° 56 fournit une référence américaine utile pour l'usage prévu, la compréhension, les tests, la validation et la documentation du modèle. Il ne s’agit pas d’un substitut mondial aux normes locales. Le cadre professionnel et réglementaire applicable doit être identifié pour l’entité et l’activité concernée. Dans ces contextes, la question centrale reste de savoir si un autre évaluateur qualifié peut comprendre les jugements et les limites importants.

Pour l'IA générative, je testerais les affirmations numériques non étayées, la récupération de source incorrecte, les qualifications omises et les réponses à des preuves contradictoires. Je testerais également si du matériel non fiable peut amener un agent à modifier ses instructions ou à tenter une action non autorisée. L’accès à un référentiel de modèles ne devrait pas impliquer le pouvoir de publier une évaluation. Les modifications apportées au modèle de langage, aux sources de récupération, aux invites ou aux outils connectés peuvent modifier le comportement et nécessiter une réévaluation proportionnée.

Pour l'IA prédictive, la surveillance doit distinguer une population de données changeante d'une détérioration de l'étalonnage ou de la qualité des décisions. Un changement dans la composition du portefeuille peut modifier les résultats observés sans fausser le modèle ; Une erreur globale stable peut masquer une détérioration des performances dans une cohorte petite mais importante. Lorsque les résultats affectent les clients, l’utilisation licite, l’équité et les conséquences des erreurs nécessitent un examen spécifique. Un évaluateur nommé n’a de sens que si cette personne dispose des preuves, du temps et de l’autorité nécessaires pour contester le résultat.

Ce que je mettrais dans les 90 premiers jours

Je commencerais par une décision récurrente et ses preuves. Un examen de l’évolution de l’évaluation viagère ou une enquête sur l’hypothèse d’une rente est un point de départ plus solide qu’une instruction générale d’« utiliser l’IA ». Établir le temps écoulé actuel, l'effort de préparation actuarielle, l'effort de l'examinateur, les exceptions non résolues et les retouches. Convenez des critères d’acceptation avant de choisir la technologie, y compris la manière dont les erreurs matérielles seront identifiées.

Durant le premier mois, rapprocher les données sélectionnées, documenter le modèle et la base, établir un benchmark historique et attribuer des droits de décision. Durant la seconde, exécuter en parallèle le workflow proposé sur des cas historiques, en incluant délibérément des cohortes difficiles, des scénarios défavorables et des documents contradictoires. Au cours de la troisième, évaluez-le dans un cycle de reporting contrôlé et décidez s'il faut le prolonger, le réviser ou l'arrêter. Quatre-vingt-dix jours constituent une période d'apprentissage proposée et non une promesse qu'un modèle d'évaluation important puisse être approuvé selon ce calendrier.

L'évaluation économique doit inclure l'intégration, le calcul, la validation, la surveillance continue et l'examen humain. Les minutes économisées en rédaction peuvent être compensées par des heures passées à vérifier des erreurs plausibles. Je mesurerais les questions supplémentaires répondues avant une date limite de décision, la qualité des explications des mouvements et la stabilité des résultats après les changements. Je protégerais également le développement actuariel : les jeunes collègues devraient reproduire des calculs et expliquer les échecs, plutôt que d'apprendre uniquement à utiliser une interface.

La décision que je prendrais maintenant

J'autoriserais maintenant un programme d'IA actuarielle limité, avec un propriétaire actuariel nommé, un défi indépendant et des critères d'acceptation mesurables. Je financerais les données et le travail de validation parallèlement à l'application. Je m'attendrais à ce que le premier résultat démontre une meilleure enquête ou un processus de décision plus fiable, avec les limites visibles.

Le prix à plus long terme est une fonction actuarielle capable de consacrer une plus grande partie de ses capacités à examiner des hypothèses, à tester des scénarios difficiles et à conseiller l'entreprise avant la clôture des options. Cette capacité se développe grâce à une utilisation répétée, des corrections et des défis professionnels. Il est temps de commencer maintenant, car la construction prend plus de temps que l’installation de la technologie.