L'ACPR prépare sa doctrine sur l'explicabilité et l'équité algorithmique avant sa montée en puissance comme superviseur de l'IA Act en 2027. Pour les assureurs vie, la question n'est plus de choisir entre performance et transparence, mais d'outiller leurs modèles existants.
L'idée répandue selon laquelle l'explicabilité de l'IA en assurance n'est qu'une échéance lointaine du règlement européen sur l'IA ne résiste pas à l'actualité réglementaire française. L'Autorité de contrôle prudentiel et de résolution a été désignée, dans le cadre du projet de loi DDADUE, comme autorité de surveillance de marché pour les cas d'usage à haut risque de l'IA, liés aux services financiers. Cette désignation prendra effet en décembre 2027, mais l'ACPR ne travaille pas en silence d'ici là.
L'ACPR a engagé des travaux méthodologiques avec la Place autour de quatre domaines : performance et robustesse, explicabilité, équité, cybersécurité et protection de la vie privée. Surtout, publié le 1er juillet 2026, un document de réflexion sur l'équité algorithmique dans le secteur financier a été soumis à consultation publique jusqu'au 30 septembre 2026. La consultation est close, mais son contenu dessine déjà les attentes concrètes qui structureront les prochains contrôles.
Le calendrier européen a lui aussi bougé. Le règlement (UE) 2026/1744, dit « omnibus numérique IA », est entré en vigueur le 27 juillet 2026 : il repousse les obligations applicables aux systèmes d'IA à haut risque de l'annexe III du 2 août 2026 au 2 décembre 2027. Les systèmes de scoring en assurance vie et santé relèvent précisément de cette catégorie : les systèmes permettant d'évaluer les risques et la tarification en assurance vie et en assurance santé sont notamment classés dans cette catégorie par le règlement IA Act.
Ce report ne doit pas être lu comme un répit. Le superviseur français prépare déjà la mise en œuvre du dispositif de supervision qui accompagnera l'échéance de décembre 2027, et les établissements qui participent aux travaux de place aujourd'hui construisent les pratiques que les autres devront ensuite subir.
La doctrine de l'ACPR sur ce point n'est pas nouvelle. Dès 2020, le superviseur posait un cadre à quatre critères : gestion des données, performance, stabilité, explicabilité, rédigé par Laurent Dupont, Olivier Fliche et Su Yang du pôle fintech-innovation de l'ACPR. Ce document fondateur refuse toute définition rigide de l'explicabilité : l'explicabilité, liée aux concepts de transparence ou d'interprétabilité algorithmique, est une notion qu'il convient de replacer chaque fois dans un contexte particulier pour en préciser la justification.
Concrètement, cela signifie que le niveau d'explication attendu varie selon l'audience et l'enjeu : un data scientist qui valide un modèle de tarification, un médiateur en assurance qui examine une réclamation, et un assuré qui conteste une surprime n'ont pas besoin du même type de restitution. L'ACPR formule cette exigence de proportionnalité depuis plusieurs années, et la consultation 2026 sur l'équité algorithmique la précise encore : transparence, équité, responsabilité et explicabilité des décisions automatisées d'un côté, auditabilité des algorithmes, qualité des données et gestion des biais de l'autre.
L'enjeu spécifique à l'assurance vie est connu du superviseur : en matière d'assurance, elle doit notamment éviter que le traitement des données personnelles des assurés n'entraîne des différences de tarification ou de couverture, reposant sur des critères discriminatoires plutôt que sur une évaluation légitime du risque. Comme le souligne Emmanuelle Assouan, « l'équité algorithmique correspond à une exigence de non-discrimination par l'IA, il s'agit d'un principe nouveau et très technique », « segmenter les tarifs en assurance est une pratique normale dans un environnement concurrentiel, même recommandée pour être au plus près des risques. »
Un point technique mérite une attention particulière : la suppression d'une variable sensible du modèle ne suffit pas à garantir l'absence de discrimination. L'ACPR souligne qu'un système avancé peut reconstruire une caractéristique personnelle même lorsqu'elle est exclue du modèle. Autrement dit, un modèle qui n'utilise ni l'âge ni le sexe peut parfaitement les reconstituer par combinaison de proxys (profession, zone géographique, historique de consommation). L'explicabilité devient alors le seul moyen de détecter ce type de biais indirect.
Face à ces attentes, la tentation naturelle d'une direction technique est de remplacer les modèles complexes (gradient boosting, réseaux de neurones) par des modèles intrinsèquement interprétables : régression logistique, arbres de décision peu profonds. C'est d'ailleurs la recommandation historique de l'ACPR dans son rapport de 2018 : au regard du risque de sur-paramétrisation, l'autorité recommande de privilégier des algorithmes simples et robustes afin que ces derniers puissent être compris par l'AMSB qui est responsable de les valider.
Mais cette approche a un coût direct sur la performance des modèles de scoring, de détection de fraude ou de tarification fine, précisément les usages où le gain de précision justifie l'investissement en data science. La littérature technique récente montre que la relation entre interprétabilité native et performance n'est pas toujours défavorable aux modèles simples, mais elle reste à vérifier cas par cas : une étude comparant quatre modèles de scoring de crédit, du linéaire transparent aux ensembles complexes, a montré que sur ce jeu de données, le modèle le plus simple et le plus transparent était à la fois le plus précis et le plus fiable. Ce résultat n'est pas généralisable : d'autres travaux sur la détection de fraude obtiennent une bien meilleure performance avec des modèles d'ensemble couplés à des méthodes d'explication post-hoc.
C'est précisément là que se situe l'alternative à la refonte complète : conserver le modèle de production et lui adjoindre une couche d'explicabilité post-hoc. Trois familles de méthodes dominent aujourd'hui les déploiements en finance et en assurance.
SHAP (SHapley Additive exPlanations) s'appuie sur la théorie des jeux pour attribuer à chaque variable sa contribution à une prédiction donnée. SHAP calcule des valeurs de Shapley et les présente comme une méthode d'attribution additive de caractéristiques, qui est effectivement un modèle linéaire ; un avantage notable de SHAP est ses outils de visualisation, qui sont très pratiques et renforcent grandement l'interprétation des résultats du modèle. Son principal atout pour un usage réglementaire tient à sa cohérence mathématique : contrairement à des heuristiques ad hoc, les propriétés des valeurs de Shapley garantissent que la somme des contributions égale la différence entre la prédiction et la valeur moyenne, ce qui facilite l'audit.
Dans un contexte de scoring, cela se traduit par une restitution lisible pour un contrôleur : pour un dossier donné, quelles variables (âge, antécédents déclarés, montant du capital assuré, zone géographique) ont fait monter ou baisser la prime par rapport à la moyenne du portefeuille. C'est exactement le type de preuve qu'un service conformité doit pouvoir produire lors d'un contrôle ACPR ou d'une réclamation client.
LIME fournit des explications pour des prédictions individuelles en ajustant un modèle local simple autour de l'observation à expliquer, en utilisant des points de données similaires ; le modèle local est généralement choisi parmi des classes interprétables comme les modèles linéaires ou les arbres de décision. LIME répond donc à un besoin différent de SHAP : expliquer une décision précise à un assuré ou un médiateur, plutôt que documenter le comportement global du modèle.
Les praticiens doivent toutefois connaître les limites de ces méthodes avant de les présenter comme une garantie absolue. Une étude récente sur des données de crédit structurées rappelle que une explication ne peut pas être considérée comme fiable simplement parce que SHAP ou LIME l'a produite, car sa stabilité varie selon le modèle, la méthode et le type de changement testé. Concrètement, deux exécutions de LIME sur la même observation peuvent produire des explications légèrement différentes du fait de l'échantillonnage aléatoire utilisé pour construire le modèle local. Pour un usage de conformité, cela impose de documenter la méthodologie de stabilisation (nombre de répétitions, moyenne des attributions) plutôt que de présenter une explication unique comme définitive.
Une troisième approche consiste à entraîner, en parallèle du modèle de production, un modèle substitut intrinsèquement interprétable (arbre de décision, règles logiques) qui approxime son comportement global. Ce substitut ne remplace pas le modèle en production, il sert de clé de lecture pour les équipes de gouvernance et pour l'organe de direction responsable de sa validation, exactement la logique que l'ACPR appelait de ses vœux dès 2018 concernant la compréhension par l'AMSB.
En pratique, les trois méthodes se combinent plutôt qu'elles ne s'excluent : SHAP pour la vision globale et la documentation technique, LIME ou un substitut local pour le traitement individuel d'une réclamation, un substitut global pour la présentation en comité des risques. C'est cette architecture en couches, documentée et traçable, qui correspond le mieux à l'esprit du cadre que l'ACPR façonne depuis 2018 et qu'elle précise aujourd'hui avec l'équité algorithmique.
Un piège fréquent consiste à traiter l'explicabilité comme un chantier technique isolé, confié aux data scientists, déconnecté du dispositif de conformité RGPD, Solvabilité II et désormais DORA. L'ACPR met en garde contre cette approche : une cartographie IA ne se juxtapose pas au dispositif de conformité existant, elle s'y intègre. Les trois piliers réglementaires doivent être pensés ensemble, comme le rappelle le document de consultation 2026 qui aborde comment intégrer ces exigences dans le cadre existant (RGPD, Solvabilité II, DORA).
Pour une direction data d'un assureur vie, cela se traduit par quelques priorités opérationnelles immédiates :
Cette discipline a un avantage concret au-delà de la conformité stricte : elle facilite la détection précoce de dérives de modèle, un sujet que l'ACPR relie explicitement à la stabilité algorithmique : la stabilité décrit la robustesse et la résilience du comportement d'un algorithme de machine learning au cours de son cycle de vie ; il convient notamment de garantir le caractère généralisable de l'algorithme lors de sa mise en œuvre et de détecter en permanence les risques de dérive des modèles déployés en production. Un dispositif d'explicabilité bien construit sert ainsi doublement de preuve réglementaire et d'outil de pilotage interne.
Les professionnels du secteur mesurent déjà l'enjeu. Un responsable innovation d'un grand groupe mutualiste résumait récemment la tension : « c'est une étape nécessaire pour sécuriser nos investissements dans l'IA », « mais il faudra veiller à ne pas étouffer l'innovation par un cadre trop rigide. » Cette tension n'est pas résolue par un choix binaire entre performance et conformité, mais par l'instrumentation méthodique des modèles existants.
Le calendrier donne une marge de manœuvre réelle mais limitée. Fin 2026 doit intervenir la publication des orientations définitives de l'ACPR, avec une intégration progressive des recommandations dans les pratiques des assureurs à partir de 2027. Les organismes qui auront, d'ici là, structuré leur reporting d'explicabilité et testé la robustesse de leurs attributions SHAP ou LIME sur des cas réels de tarification vie aborderont les premiers contrôles ACPR avec un dispositif déjà opérationnel, plutôt qu'un chantier à construire dans l'urgence.
Pour les équipes data qui souhaitent structurer cette démarche sans ralentir leurs projets de modélisation, l'enjeu est moins d'attendre la publication définitive des orientations que de commencer, dès maintenant, par un audit des modèles de tarification et de scoring déjà en production. C'est un travail que nos missions de conseil en gouvernance data accompagnent concrètement, modèle par modèle, en partant des cas d'usage réels plutôt que d'un cadre théorique. Les équipes qui ont besoin de monter en compétence directement sur ces méthodes peuvent aussi s'appuyer sur nos formations dédiées à l'explicabilité des modèles, conçues pour les data scientists comme pour les fonctions de contrôle interne.
Nous utilisons des cookies de mesure d'audience et de suivi publicitaire pour comprendre la fréquentation du site et l'efficacité de nos annonces. Rien n'est déposé sans votre accord. En savoir plus