IA et enquêtes sur les sinistres : termes et outils indispensables pour les professionnels de l’assurance

En tant qu’équipe qui identifie et/ou fait le suivi de toute réclamation « signal d’alarme », notre Unité des enquêtes spéciales (SIU) sert de lien entre plusieurs domaines de service : réclamations, contrôle des pertes, juridique, etc. 

Nous avons constaté qu’une compréhension limitée des capacités de l’IA chez ces différents acteurs de l’industrie peut aussi limiter son impact. Doter tous les professionnels de l’industrie — pas seulement les gestionnaires de réclamations — une connaissance de base du fonctionnement des outils d’IA dans les enquêtes de sinistres aide à s’assurer que tout le monde comprend ce qui est possible. 

Selon une étude de la Coalition Against Insurance Fraud (CAIF), le coût annuel estimé de la fraude à l’assurance aux États-Unis pour 2025 dépasse 308 milliards de dollars par an. La fraude dans le secteur des soins de santé est estimée à 105 milliards de dollars, la responsabilité des biens et des accidents à 50 milliards de dollars, et l’indemnisation des travailleurs entre 32 et 44 milliards de dollars. En fin de compte, ces paiements frauduleux d’assurance contribuent à une hausse rapide des primes qui affectent à la fois les employeurs et les employés. 

Pour aider tout le monde dans l’écosystème de l’assurance à identifier et à réduire ces réclamations frauduleuses, voici un rapide aperçu des termes courants de l’IA et des outils d’enquête sur les sinistres connexes disponibles. 

Votre bref glossaire IA 

Apprentissage automatique
Apprend des données et améliore la performance au fil du temps sans être explicitement programmé.
Exemples d’applications : Filtrage des courriels et détection de fraude 

Apprentissage profond
Résume, traduit, prédit et génère un texte d’apparence humaine pour transmettre des concepts et des idées.
Exemples d’applications : Reconnaissance d’images et véhicules autonomes 

Traitement du langage naturel (PLN)
Comprend, interprète et génère le langage humain en combinant des règles linguistiques avec des modèles d’apprentissage automatique.
Exemples d’applications : chatbots, traduction de langues, résumé de documents 

Vision par ordinateur
Interprète et traite l’information visuelle (images et vidéo).
Exemples d’applications : reconnaissance faciale et de plaques d’immatriculation 

IA générative (GenAI)
Crée du nouveau contenu basé sur des schémas d’apprentissage à partir de données existantes.
Exemples d’applications : Copie, code et images 

IA prédictive
Analyse les données historiques à la recherche de motifs, de tendances et de corrélations afin de faire des prédictions sur les résultats futurs.
Exemples d’applications : Prévision de la gravité des réclamations, de la demande des clients ou de la probabilité de litige 

Comment les outils d’IA aident à lutter contre la fraude aux réclamations : 

• Identifie les signaux d’alarme 

• Analyse des liens 

• Reconnaît les Deep Fakes 

• Critiques, documents et enregistrements audio 

• Recherche sur la présence sur Internet et sur les réseaux sociaux 

• Aide au démarchage médical 

• Génère un score de fraude 

• Fait des recommandations en temps réel 

Nos outils d’enquête sur l’IA 

Parallèlement aux méthodes traditionnelles d’enquête, notre équipe applique des outils assistés par IA de la réception à la clôture des réclamations. Voici quelques exemples de ce que nous utilisons déjà activement ou que nous sommes en train de piloter. 

Évaluation du risque et de la fraude 

Nous utilisons un outil personnalisé de notation des risques et de la fraude pour analyser une réclamation, identifier les signaux d’alerte, puis fournir le résumé de la sortie de l’évaluation aux experts en sinistres ou aux enquêteurs pour obtenir des indications sur la manière de gérer ou d’enquêter sur la réclamation. Pour les experts en sinistres en particulier, nous sommes aussi en mesure de générer des recommandations sur la façon de gérer la réclamation. 

Analytique prédictive 

Nous recevons le résultat de la notation — et maintenant? C’est là que l’analytique prédictive intervient. Elle prévoit les coûts et la complexité des réclamations, signale celles qui risquent le plus d’être en litige, et identifie aussi tout schéma ou relation suspecte entre les demandeurs, les fournisseurs de soins de santé, les avocats ou d’autres parties associées. 

Renseignement en source ouverte (OSINT) 

OSINT est un terme technique désignant les enquêtes sur Internet et les médias sociaux qui complètent nos enquêtes humaines lorsque nous devons examiner de plus près une réclamation. Nous l’utilisons pour filtrer le contenu social lié, préserver le contenu de manière assurant l’admissibilité par le tribunal, et découvrir et lier les comptes au sujet de l’enquête (alias, noms d’utilisateur différents, etc.). 

Criminalistique d’image et vidéo 

Nous utilisons l’IA pour aider à identifier des formulaires trafiqués, des dossiers médicaux, des images, des vidéos, des deepfakes et d’autres contenus qui seraient difficiles à identifier comme faux. 

Analyse des déclarations enregistrées 

Nous utilisons le traitement du langage naturel (NLP) pour détecter des anomalies de ton, d’hésitation, d’accent ou de phrases spécifiques utilisées lors des déclarations enregistrées pouvant indiquer une tromperie. Nous l’utilisons aussi pour analyser des notes, des déclarations, des entrevues, etc., afin de détecter des incohérences ou des phrases d’alerte. 

Maintenant que vous connaissez les outils disponibles : si vous êtes un professionnel de l’assurance qui pourrait avoir besoin d’aide pour des recherches approfondies et des recommandations pour vos réclamations, renseignez-vous sur l’Unité d’enquêtes spéciales Davies et contactez-nous.