Agents IA en assurance - Manulife passe à l’échelle

Introduction

Les grands groupes financiers ont longtemps cantonné l’IA à des usages périphériques - analyse, assistance, rédaction. Une nouvelle étape se dessine désormais : des systèmes capables d’agir dans les processus métiers, pas seulement de répondre à des requêtes. C’est précisément le virage que prend Manulife, qui annonce l’intégration d’agents IA en assurance au coeur de ses workflows internes.

L’objectif est clair : automatiser des tâches à fort volume, accélérer la préparation d’informations pour les équipes et soutenir la prise de décision, tout en restant compatible avec les exigences de contrôle propres au secteur.

Manulife accélère l’industrialisation de l’IA

Manulife indique construire ces capacités via une plateforme d’exécution (runtime) pensée pour l’IA agentique. Contrairement à un chatbot qui répond à un prompt unique, un agent est conçu pour enchaîner des actions : naviguer entre outils logiciels, interroger plusieurs jeux de données, puis produire un résultat exploitable dans un processus opérationnel.

Dans sa communication, l’assureur affirme viser plus de 1 milliard de dollars US de valeur d’ici 2027, principalement via des gains de productivité et l’automatisation de workflows. L’entreprise investit dans l’IA depuis plusieurs années, mais le point notable est le déplacement du centre de gravité : de l’expérimentation vers l’intégration dans le quotidien des équipes.

Manulife souligne aussi l’ampleur de son adoption interne de l’IA générative : plus de 35 cas d’usage déjà en production, avec une trajectoire vers environ 70 dans les prochaines années. Autre indicateur de maturité, l’entreprise rapporte qu’environ 75 % de ses effectifs mondiaux utilisent déjà des outils d’IA générative sous une forme ou une autre.

Des agents IA en assurance pour passer de l’assistance à l’action

Pourquoi l’assurance est un terrain naturel

Les assureurs manipulent d’importants volumes de données structurées : contrats, sinistres, évaluations de souscription, rapports financiers. Ces informations circulent entre systèmes et équipes avant qu’une décision ne soit prise. Ce fonctionnement crée un contexte favorable à l’automatisation, notamment pour la revue documentaire, la consolidation d’informations et le reporting interne.

Manulife explique que sa nouvelle plateforme doit permettre aux équipes de déployer des agents capables d’interagir avec les systèmes internes et les données de l’entreprise. L’enjeu n’est pas de produire un texte, mais de réaliser une séquence de tâches dans plusieurs outils, au sein d’un flux de travail.

Un exemple concret de valeur opérationnelle

Un agent peut, par exemple, collecter des données depuis plusieurs systèmes internes, puis préparer des synthèses destinées aux collaborateurs qui instruisent des dossiers ou rédigent des rapports. Le bénéfice attendu est la réduction du temps passé à chercher, recouper et mettre en forme l’information avant décision.

Ce glissement vers l’opérationnel répond à une limite observée ces deux dernières années : de nombreuses organisations ont testé l’IA générative pour écrire, coder ou résumer, mais transformer ces capacités en dispositifs fiables, intégrés et gouvernés à l’échelle de l’entreprise reste le défi principal.

Du pilote à la production - une marche encore haute

Les données disponibles confirment cet écart entre adoption et industrialisation. Selon le Global AI Survey 2024 de McKinsey, environ 65 % des organisations déclarent utiliser l’IA générative dans au moins une fonction, contre environ un tiers l’année précédente. Mais le même constat revient souvent : une part limitée de ces déploiements atteint une production large, beaucoup restant confinés à des pilotes ou à des équipes spécifiques.

Autrement dit, l’IA est partout dans les démonstrations, mais plus rare dans les chaînes de valeur critiques. Les agents, parce qu’ils touchent directement aux workflows, rendent la question de la robustesse plus pressante : erreurs de modèle, mauvaise interprétation d’un contexte, ou action inadaptée peuvent avoir des effets en cascade si l’automatisation n’est pas étroitement encadrée.

Pour approfondir ces tendances d’adoption, le rapport est accessible via McKinsey : https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai

IA et contraintes réglementaires - gouvernance d’abord

Déployer des agents dans des systèmes financiers et assurantiels ajoute une couche de complexité. Le secteur évolue sous forte surveillance réglementaire, avec des exigences de traçabilité, de transparence et de contrôle sur l’usage des données. Les systèmes liés à la souscription, à l’analyse de risque ou à des décisions sensibles doivent pouvoir être audités et expliqués.

Dans ce contexte, la gouvernance n’est pas un module optionnel : elle conditionne le passage en production. Une étude de Deloitte sur l’IA dans les services financiers met en avant la montée des investissements dans les outils de supervision des modèles, les politiques internes IA et les processus de revue des risques, à mesure que l’automatisation s’étend.

Manulife précise que sa plateforme intègre des contrôles de gouvernance et de sécurité pour encadrer la manière dont les agents interagissent avec les systèmes internes. L’idée est de pouvoir suivre la production des résultats, surveiller l’usage des données et s’assurer que les actions restent conformes aux politiques de l’entreprise. Dans l’assurance, où l’automatisation peut soutenir la gestion des sinistres ou le reporting réglementaire, ces garde-fous deviennent centraux.

Référence Deloitte (perspective sectorielle) : https://www2.deloitte.com/us/en/insights/industry/financial-services/artificial-intelligence-financial-services.html

Pourquoi les agents séduisent - et ce qui peut bloquer

L’intérêt des agents est d’absorber une partie du travail administratif répétitif : gestion des sinistres, administration des polices, reporting interne, support aux équipes. Ces activités exigent souvent de collecter des informations depuis plusieurs sources, de les organiser, puis de les présenter sous une forme exploitable.

D’autres acteurs financiers explorent des approches comparables, notamment pour la détection de fraude ou la recherche interne, avec un objectif similaire : assister les employés sur des tâches longues d’analyse et de collecte.

Les promesses économiques existent, mais elles ne se matérialisent que si l’exécution est maîtrisée. Les risques les plus évidents concernent la qualité (erreurs, hallucinations, données incomplètes) et l’amplification de ces erreurs via l’automatisation. C’est pourquoi de nombreuses entreprises privilégient des déploiements progressifs, en commençant par des outils internes avant d’étendre à des usages exposés aux clients.

• Réduction du temps de collecte et de mise en forme des informations
• Standardisation de certains livrables internes (synthèses, dossiers, rapports)
• Accélération de cycles de décision sur des cas à fort volume
• Meilleure continuité opérationnelle via des workflows plus automatisés
• Concentration des équipes sur des tâches à plus forte valeur

Conclusion

Avec l’intégration d’agents IA en assurance dans ses workflows, Manulife illustre le passage de l’IA générative d’un rôle d’assistant à un rôle d’exécutant encadré, capable d’agir dans les systèmes internes. L’entreprise mise sur l’automatisation à grande échelle et la productivité, tout en mettant en avant gouvernance et sécurité - des conditions indispensables en environnement régulé.

La question clé reste la même pour tout le secteur : ces agents pourront-ils délivrer des résultats fiables, auditables et conformes, sans créer de nouveaux risques opérationnels ? Si oui, ils pourraient devenir une brique standard des opérations financières, en prenant en charge une partie du travail routinier qui mobilise aujourd’hui des équipes entières.