Utiliser l'IA et les données pour identifier les risques émergents avant qu'ils n'affectent les opérations

Les risques émergents se manifestent rarement d'un seul coup. Le plus souvent, ils apparaissent insidieusement, sous la forme de sinistres qui semblent banals mais qui s'aggravent par la suite, de litiges qui surgissent une fois les délais d'intervention clés écoulés, ou d'une volatilité des provisions qui réserve des surprises aux équipes financières et de gestion des risques.

Pour de nombreuses organisations, ces situations sont familières. Un sinistre qui semblait sous contrôle prend soudainement une autre tournure. La prise de conscience du risque de litige intervient trop tard. Les options se réduisent. Lorsque le risque est pleinement visible, la possibilité d'influencer l'issue de la situation est déjà perdue. Dans le contexte actuel, le défi ne réside plus dans l'accès aux données, mais dans la capacité à obtenir une visibilité suffisamment tôt pour agir tant qu'il est encore possible d'exercer une influence.

L'intelligence artificielle et l'analyse avancée deviennent des outils indispensables pour combler ce fossé, en aidant les organisations à passer d'une réaction a posteriori face aux risques émergents à une identification plus précoce et à une gestion plus réfléchie de ceux-ci.

Pourquoi il est plus important que jamais d'identifier les risques à un stade précoce

Le risque opérationnel, qu'il soit lié aux sinistres, à l'évolution des effectifs ou à des perturbations de la chaîne d'approvisionnement, suit souvent une évolution prévisible. Ce qui commence par un problème gérable gagne en complexité au fil du temps, à mesure que les décisions s'accumulent et que les possibilités d'intervention se réduisent.

Dans le domaine des sinistres, le timing est tout aussi crucial que la précision. Un retard dans la prise de vue se traduit souvent par un choix plus restreint de solutions, des tensions accrues avec les parties prenantes et une maîtrise réduite des résultats. Une fois que la procédure judiciaire a avancé, que les parcours de soins ont été définis ou que les attentes ont été fixées, la capacité à influencer de manière significative le coût, la durée ou l'expérience s'en trouve considérablement réduite.

Une détection précoce modifie cette trajectoire. Lorsque les organisations sont en mesure d'identifier les signaux de risque plus près de leur source, elles conservent une marge de manœuvre. Elles peuvent intervenir plus tôt, mobiliser rapidement l'expertise nécessaire et prendre des décisions plus éclairées concernant les provisions, la stratégie et les prochaines étapes. Il en résulte non seulement une meilleure information, mais aussi un meilleur contrôle sur les résultats.

Chez Sedgwick, cette dynamique est particulièrement évidente dans le cas des sinistres à long terme, dont le coût final peut ne pas être connu avant plusieurs années. En l’absence d’informations précoces, les équipes s’appuient souvent sur des moyennes historiques ou des indicateurs retardés pour gérer la situation. Grâce à des signaux précoces, elles peuvent orienter la gestion tant qu’une intervention efficace est encore possible.

Au-delà des seuils : vers une vision continue

Traditionnellement, de nombreuses méthodes d'identification des risques s'appuyaient sur des seuils fixes, des montants en dollars, des actions en justice engagées ou le temps écoulé. Bien qu'utiles, ces indicateurs apparaissent généralement après que le risque s'est déjà concrétisé.

Une approche plus moderne considère le risque comme un spectre plutôt que comme un résultat binaire. Au lieu de se demander si un sinistre a franchi une ligne prédéfinie, les organisations cherchent à déterminer où il se situe par rapport à l'ensemble de la population qu'elles gèrent. Cela permet une hiérarchisation continue des priorités plutôt qu'une escalade tardive.

L'évolution des modèles de gravité et de notation de Sedgwick reflète cette évolution. Plutôt que de ne signaler que les sinistres dépassant un montant arbitraire, la dernière génération de modèles évalue l'intégralité des sinistres, depuis ceux qui devraient être réglés à peu ou pas de frais jusqu'à ceux qui pourraient finalement se retrouver dans les catégories présentant le risque le plus élevé.

Cette vision globale de la population permet de détecter les risques plus tôt, avant que les déclencheurs traditionnels n'interviennent, et alors qu'il est encore possible d'influencer les décisions relatives à la prise en charge.

Marquer des points dès le début de l'entraînement : un exemple simple

Prenons l'exemple d'un sinistre pour dommages corporels qui semble, à première vue, de gravité modérée. Auparavant, ce type de sinistre aurait suivi une procédure de gestion standard jusqu'à ce que les coûts ou les procédures judiciaires entraînent une aggravation de la situation. Dans le cadre d'une approche de notation basée sur des percentiles, les premiers signaux placent ce sinistre à un niveau plus élevé par rapport à des cas similaires, même si les coûts absolus restent faibles.

Ce signal précoce déclenche un processus de traitement différent. La demande est examinée plus rapidement, confiée à des collaborateurs plus expérimentés et gérée en tenant davantage compte des risques liés aux litiges et à la complexité médicale. Bien que les résultats ne soient jamais garantis, l'orientation du traitement est modifiée tant qu'il est encore possible d'agir. Ce changement, précoce et délibéré, réside dans l'intérêt de détecter le risque plus tôt.

De la prévision à la prise de décision proactive

La véritable valeur de l'IA et de l'analyse ne réside pas uniquement dans la prédiction, mais dans ce que les entreprises font de ces informations. Une analyse précoce n'a d'intérêt que si elle donne lieu à des actions concrètes.

Pour les clients, cela se traduit par moins de mauvaises surprises de dernière minute, une mobilisation plus rapide des compétences et une plus grande confiance dans les provisions et les prévisions. Lorsque les risques sont identifiés plus tôt, les équipes peuvent intervenir tant qu'il existe encore des options, plutôt que de devoir gérer une aggravation de la situation après coup.

Chez Sedgwick, l'évaluation de la gravité est directement intégrée aux processus opérationnels. Les informations pertinentes sont fournies aux moments clés de la prise de décision, et non sous forme d'analyses isolées. Les sinistres à haut risque sont transmis plus rapidement à des experts chevronnés, à des spécialistes du contentieux ou à des ressources cliniques, tandis que ceux à faible risque suivent des procédures plus simplifiées. Cette intégration transforme le traitement quotidien des sinistres, et pas seulement la production de rapports.

Les organisations qui tirent pleinement parti de l'IA la considèrent comme un outil d'aide à la décision, et non comme une fin en soi. Pour avoir un impact réel sur les résultats, les informations doivent être fournies dans leur contexte, au moment même où les décisions sont prises.

L'importance d'une base de données solide

L'efficacité des modèles avancés dépend entièrement de la qualité des données sur lesquelles ils s'appuient. De nombreuses organisations rencontrent des difficultés non pas parce qu'elles manquent d'ambition analytique, mais parce que leurs données restent fragmentées, inaccessibles ou mal gérées.

Une stratégie moderne en matière de données met l'accent sur l'accessibilité, la normalisation et la confiance. Les données structurées et non structurées doivent être disponibles dans des environnements permettant une analyse à grande échelle, tout en garantissant des contrôles rigoureux en matière de sécurité, de confidentialité et de conformité.

Le parcours de Sedgwick dans le domaine de la science des données illustre parfaitement cette leçon. Au cours des dernières années, l'entreprise a investi dans la modernisation de son infrastructure de données, en transférant les données des systèmes hérités vers des plateformes cloud sécurisées, conçues pour l'analyse et l'intelligence artificielle. L'intégration, la transformation, les contrôles d'accès basés sur les rôles, l'anonymisation et la traçabilité sont intégrés au pipeline, créant ainsi une base solide qui favorise à la fois l'exploitation des données et la confiance.

Sans ces bases, même les modèles les plus sophistiqués peinent à être transposés à plus grande échelle ou à fournir des résultats défendables.

Une IA responsable comme principe fondamental

À mesure que l'IA s'intègre de plus en plus dans la prise de décision opérationnelle, il est essentiel de l'utiliser de manière responsable. La gouvernance n'est pas seulement une norme interne. C'est une garantie pour le client.

Des pratiques responsables en matière d'IA favorisent la traçabilité, l'explicabilité et la justifiabilité, réduisant ainsi les risques réglementaires, juridiques et de réputation en aval. Des normes claires concernant l'utilisation des données, la supervision des modèles et l'intervention humaine contribuent à garantir que l'analyse de données soutienne les décisions plutôt que de les obscurcir.

Chez Sedgwick, cela se traduit par une gouvernance formelle de l'IA, l'utilisation d'outils approuvés, des formations obligatoires et une approche cohérente privilégiant l'intervention humaine. Les variables sensibles ne sont utilisées que lorsqu'elles améliorent sensiblement les résultats et qu'elles sont adaptées au cas d'utilisation. Pour les clients, cela se traduit par des informations fiables, explicables et auxquelles ils peuvent adhérer pleinement.

Perspectives d'avenir : des modèles à l'intelligence adaptative

L'avenir de l'identification des risques ira au-delà des modèles prédictifs traditionnels. L'IA générative et l'analyse avancée ouvrent la voie à une exploration plus approfondie des flux de travail, des récits et des signaux interconnectés qui étaient auparavant difficiles à analyser à grande échelle.

Sedgwick étudie déjà comment l'IA générative peut compléter les modèles existants en synthétisant l'historique des sinistres, en identifiant les tendances émergentes au sein de vastes populations et en permettant aux équipes de poser des questions plus pointues sur leurs données en temps réel. Ces capacités laissent entrevoir une forme d'intelligence plus adaptative, qui évolue au rythme des besoins opérationnels plutôt que de rester figée.

Ce qui restera inchangé, c'est l'objectif. Les organisations continueront à rechercher une anticipation plus rapide, une plus grande assurance et la capacité d'agir avant que le risque ne se transforme en perturbation.

Souvent, le point de départ consiste simplement à identifier les signes précurseurs qui pourraient passer inaperçus aujourd’hui. À partir de là, la discussion s’oriente naturellement vers ce qu’une détection plus précoce pourrait changer.

Dans un contexte marqué par l'incertitude, la capacité à anticiper ce qui se profile à l'horizon, et non pas seulement ce qui s'est déjà produit, pourrait bien constituer l'un des atouts les plus précieux qu'une organisation puisse se forger.