Les assureurs n'ont jamais autant expérimenté l'IA, et rarement aussi peu industrialisé. Le blocage n'est pas technologique : il tient à la valeur non mesurée, à la responsabilité diluée, à un budget mal réparti, à l'intégration dans le SI et à une gouvernance qui arrive trop tard. Les rares assureurs qui passent à l'échelle traitent ces cinq sujets dès le premier jour.
Où en est vraiment le secteur ?
Les enquêtes convergent : l'adoption est large, l'industrialisation reste rare.
| Constat | Chiffre | Source |
|---|---|---|
| Assureurs européens utilisant activement l'IA générative | 65 % | EIOPA, 347 organismes, 25 pays, février 2026 |
| Cas d'usage d'IA générative en POC ou en expérimentation | 64 % (32 % en production) | EIOPA |
| Organismes dotés d'une politique IA dédiée | 49 %, contre un quart en 2023 | EIOPA |
| Assureurs dommages qui passent l'IA à l'échelle | 10 % | Capgemini, 344 dirigeants, mai 2026 |
| Assureurs dommages en phase d'exploration ou de POC | 60 % | Capgemini |
| Dirigeants français ayant intégré l'IA générative dans au moins une fonction | 76 % | Eurogroup Consulting, environ 100 dirigeants, février 2026 |
Au-delà de l'assurance, le constat se confirme : selon McKinsey, 37 % des organisations attribuent à l'IA un impact sur leur résultat opérationnel, une part stable d'une année sur l'autre, et seules 6 % lui attribuent au moins 5 % de leur résultat opérationnel. Le chiffre de « 95 % de projets sans retour » qui circule depuis 2025 repose, lui, sur une méthodologie contestée : nous ne le retenons pas.
Pour la profession, l'enjeu est assumé. France Assureurs classe l'IA comme la première opportunité identifiée par le secteur dans sa cartographie prospective 2026, avec le score le plus élevé jamais observé.
Pourquoi les cas d'usage restent-ils bloqués au stade du POC ?
1. La valeur n'est pas mesurée
42 % des assureurs dommages ne suivent aucun indicateur IA, et 55 % constatent l'absence de retour sur investissement clair (Capgemini). Un cas d'usage sans indicateur de valeur défini avant le lancement ne peut pas défendre son budget d'industrialisation. Il reste un POC réussi, puis un POC oublié.
2. Personne n'en est propriétaire
La même proportion d'assureurs indique ne pas savoir clairement qui porte les initiatives IA. Or un produit en production a besoin d'un propriétaire métier qui arbitre, finance le run et répond du résultat. Les assureurs les plus avancés sont environ deux fois plus nombreux à inscrire les responsabilités IA dans les fiches de poste.
3. Le budget s'arrête à l'outil
72 % des investissements IA vont à la technologie et à l'infrastructure, 28 % à l'accompagnement du changement. Conséquence directe : près d'un collaborateur équipé sur deux déclare que sa journée n'a pas changé après 18 mois d'usage, et 14 % seulement voient très clairement la place de l'IA dans leur travail. Un outil que personne n'utilise coûte deux fois : ce qu'il a coûté, et ce qu'il n'a pas rapporté.
4. Le POC contourne le SI, le produit doit s'y intégrer
Un POC tourne sur un extrait de données, à côté du système de gestion. Un produit doit lire des données de production, s'intégrer aux outils des gestionnaires, respecter les habilitations et tenir la charge. C'est là que surgissent la fragmentation des référentiels et la qualité des données, que Gartner cite parmi les causes d'abandon des projets d'IA générative après la preuve de concept.
5. La gouvernance arrive trop tard
Confidentialité des données, conformité réglementaire et compétences sont les trois freins que l'EIOPA relève chez les assureurs. Quand la conformité découvre le projet au moment de la mise en production, le calendrier dérape. Avec les agents d'IA, le risque augmente : Gartner prévoit que plus de 40 % des projets d'IA agentique seront abandonnés d'ici fin 2027, faute de valeur claire et de contrôles des risques adaptés.
Que font les assureurs qui passent à l'échelle ?
Capgemini montre que ces 10 % d'assureurs affichent jusqu'à 21 % de croissance supplémentaire du chiffre d'affaires. Leur méthode n'a rien d'exotique. Elle transforme chaque cause de blocage en critère de décision.
| Condition | Question à poser avant de lancer, puis avant d'industrialiser |
|---|---|
| Valeur | Quel indicateur métier doit bouger, de combien, et comment le mesurerons-nous en production ? |
| Propriétaire | Quel responsable métier arbitre, finance le run et répond du résultat ? |
| Intégration | Quelles données de production, quels systèmes et quels postes de travail le produit doit-il atteindre ? |
| Adoption | Quel budget, quel calendrier et quels relais pour que les équipes changent réellement leur façon de travailler ? |
| Gouvernance | Le système est-il inventorié, qualifié au regard de l'AI Act et documenté depuis sa conception ? |
Un cas d'usage qui ne répond pas à ces cinq questions ne doit pas passer en production. Un cas d'usage qui y répond dès le cadrage a de bonnes chances d'y arriver.
Qu'avons-nous appris sur le terrain ?
Dans un groupe de protection sociale, nous avons piloté pendant plus de cinq ans un portefeuille d'environ 25 produits data, IA et digitaux, dont des assistants d'IA générative de type RAG. Deux produits illustrent ce qui fait la différence entre un POC et un produit.
Fraude à la prévoyance. Un produit de machine learning mis en production a permis de détecter deux fois plus de nouveaux cas, d'automatiser 15 % des tâches de contrôle et de générer plus de 2 millions d'euros d'économies par an. La valeur était définie dès le départ et suivie en production.
Parcours des arrêts de travail. Le parcours digital de déclaration et de suivi atteint 90 % d'adoption et 85 % de satisfaction, avec 33 % de performance opérationnelle en plus et 90 % des contrôles automatisés. L'effort a porté autant sur le déploiement que sur l'outil : industrialisation contrôlée, formation et acculturation des métiers, cellules d'assistance, sondes de satisfaction et suivi du run.
Dans les deux cas, la technologie n'était pas le facteur limitant. L'adoption, la mesure et la responsabilité l'étaient.
Questions fréquentes
Combien de temps pour passer d'un POC à un produit en production ?
Tout dépend de l'intégration au SI et de la qualité des données. Le premier facteur de délai est rarement le modèle : ce sont l'accès aux données de production et l'intégration aux outils des équipes.
Faut-il arrêter les POC ?
Non, mais il faut les cadrer comme les premiers pas d'un produit : indicateur de valeur, propriétaire métier et conditions d'industrialisation définis avant de commencer.
L'IA agentique change-t-elle l'équation ?
Elle la durcit. Un agent agit dans le SI : la question de la responsabilité, de la surveillance et de la traçabilité se pose dès le premier cas d'usage.
Sources
- EIOPA, enquête sur l'IA générative dans l'assurance européenne (communiqué du 2 février 2026) (nouvel onglet) et rapport EIOPA-BoS-25-679 (nouvel onglet)
- Capgemini, World P&C Insurance Report 2026 (communiqué du 6 mai 2026) (nouvel onglet)
- Eurogroup Consulting et Cercle LAB, Baromètre des décideurs de l'assurance 2026 (nouvel onglet)
- France Assureurs, Cartographie prospective 2026 (nouvel onglet)
- McKinsey, The state of AI in 2026 (25 août 2026) (nouvel onglet)
- Gartner, prévision sur les projets d'IA agentique (25 juin 2025) (nouvel onglet) et sur les projets d'IA générative après POC (29 juillet 2024) (nouvel onglet)