IA agentique dans les services financiers et les assurances

De nombreuses entreprises de services financiers expérimentent l’IA dans le cadre de programmes pilotes, mais plusieurs défis restent à relever pour son adoption. Parmi les principales préoccupations figurent la sécurité des données, la précision des grands modèles de langage (LLM) et le contrôle rigoureux exercé par les organismes de réglementation sur le rôle de l’IA dans la prise de décision financière. Les cas d’usage actuels sont en grande partie internes, certaines solutions de chatbots destinées à la clientèle répondant aux demandes de service non critiques. 

Récemment, de plus en plus de secteurs, notamment celui des services financiers, s'intéressent aux agents alimentés par l'IA générative, souvent appelés « IA agentique ». L’IA agentique s’appuie sur des LLM pour effectuer des tâches de manière autonome, en utilisant les capacités de compréhension, de génération et d’interaction en langage naturel des modèles. Les LLM de fondation tels que Llama, Anthropic Claude, Mistral, GPT et Gemini sont entraînés sur de grandes quantités de données textuelles (dans la mesure où ils sont à court de données textuelles pour la formation continue) et peuvent effectuer une variété de tâches liées au langage. Lorsqu’ils sont intégrés dans des systèmes d’IA agentique sur une plateforme telle que Snowflake, ces modèles fournissent les bases nécessaires pour comprendre le contexte, générer des réponses, favoriser davantage d’automatisation et une meilleure efficacité et prendre des décisions en temps réel plus équilibrées en fonction des informations reçues. 

Systèmes agentiques

Dans les systèmes agentiques, un agent de coordination agit comme élément central qui gère et dirige les activités d'autres agents (ou sous-systèmes) en vue d'atteindre des objectifs globaux. Cet agent de coordination agit généralement comme un chef d'orchestre, orchestrant les actions, allouant les ressources et prenant des décisions globales. Pour s’acquitter efficacement de ses tâches, l’agent de coordination peut utiliser des outils, des modèles ou d’autres agents qui sont soit orientés domaine, soit orientés tâches de manière complémentaire, de sorte que le système peut à la fois comprendre le contexte et exécuter des actions spécifiques pour obtenir les résultats souhaités.

Orientés domaine 

Les services orientés domaine se spécialisent dans la compréhension et le traitement du langage lié à un secteur, un domaine ou un domaine de connaissances spécifique. À ce titre, ils peuvent générer des réponses ou des décisions plus précises, pertinentes et adaptées au contexte dans ce domaine. 

En IA agentique, les modèles orientés domaine peuvent aider le système à comprendre et à agir plus efficacement sur des tâches spécifiques. Dans le domaine de l'assurance, par exemple, de tels modèles pourraient générer un langage de police plus précis, évaluer les facteurs de risque ou interpréter les données relatives aux sinistres, dans le respect des normes du secteur.

Orientés tâches 

Les services orientés tâches, de leur côté, visent à atteindre des objectifs spécifiques. Ces modèles sont entraînés pour comprendre l’enchaînement des étapes nécessaires à l’exécution d’une tâche spécifique, et ils s’intègrent à des systèmes plus vastes pour exécuter des actions de manière autonome. Les modèles orientés tâches sont conçus non seulement pour comprendre le langage, mais aussi pour interagir avec les outils, récupérer des données et prendre des mesures pour atteindre un objectif bien défini. 

Cortex Analyst : génération de SQL de haute précision

Snowflake Cortex Analyst peut être considéré comme un service agentique orienté tâches car il est optimisé pour un objectif spécifique, à savoir la génération de SQL précis pour récupérer des données à partir d’une table Snowflake. Pour ce faire, Cortex Analyst effectue les tâches suivantes :

• Interprétation des intentions des utilisateurs : le modèle traite les saisies en langage naturel ou les informations contextuelles (par exemple, quel type de données l’utilisateur recherche) et vérifie que les données existent pour répondre à la question ou revenir à l’utilisateur et demander des précisions.

• Génération de requêtes SQL exploitables : sur la base de cette interprétation, il crée un code SQL qui peut être exécuté pour récupérer ou traiter les données pertinentes dans une base de données. Sa précision dans la génération de SQL provient de la compréhension du contexte de ce qui est stocké dans chaque table. 

• Achèvement de la tâche : le but final de ce processus est de générer un code SQL très précis qui répond à une requête spécifique ou à un besoin d’extraction de données, ce qui est une tâche claire et définie.

Systèmes agentiques dans les assurances

Pour obtenir des informations exploitables, les entreprises, en particulier dans des secteurs complexes comme les assurances, doivent aller au-delà de l’accès à des bases de données et puiser également dans les contrats, les documents et d’autres données non structurées qui peuvent être recherchés à l’aide d’un autre type de service orienté tâche : un magasin vectoriel. 

En représentant les documents sous forme de vecteurs numériques, les agents d’IA peuvent rechercher et lire automatiquement des documents de sinistres, extraire des détails pertinents (type d’incident, évaluation des dommages, couverture de police, etc.) et générer des requêtes SQL pour récupérer des données supplémentaires à partir d’une base de données sur les sinistres ou d’un système de polices.

Un LLM pourrait alors être utilisé pour formuler des recommandations, mettre à jour le statut du sinistre ou déclencher d'autres actions, le tout grâce à la coordination de l'agent entre la compréhension des documents (données non structurées) et l'interaction avec la base de données (structurée).

Rôle d’Accenture et de Snowflake dans la facilitation de l’IA agentique

Accenture et Snowflake sont à l’avant-garde de l’IA agentique pour les entreprises, répondant à la fois à des besoins technologiques et stratégiques. Notre approche se concentre sur :

• Une plateforme data et IA unifiée avec des outils et des fonctionnalités de pointe qui permettent aux développeurs, aux data scientists et aux équipes data de créer et de déployer rapidement des modèles et des applications d’IA avec une sécurité et une gouvernance de niveau professionnel, grâce à l’infrastructure gérée de Snowflake.

• La gouvernance unifiée de bout en bout, de l’ingestion à l’application, permet aux équipes de fournir une nouvelle vague d’agents de données, qui utilisent une récupération prête à l’emploi de haute précision pour les données structurées et non structurées.

• Guider les clients dans la sélection de cas d'usage à forte valeur ajoutée, tirer parti de l'expertise d'Accenture pour conseiller les cadres supérieurs et générer de la valeur pour les clients grâce à la plateforme data IA unifiée de Snowflake, qui simplifie le processus.

Une plateforme AI Data Cloud tout-en-un

Snowflake et Accenture offrent une solution complète pour l’IA d’entreprise, conçue pour alimenter efficacement les cas d’usage de l’IA agentique :

• Toutes vos données réunies : Snowflake fournit une plateforme évolutive et unifiée pour gérer tous vos besoins en matière de données, qu’il s’agisse de tables Snowflake ou de fichiers PDF dans un service de stockage d’objets, en un seul endroit, ce qui réduit les silos, améliore la qualité des données et favorise une intégration transparente. 

• Une gouvernance fiable : notre plateforme gouvernée assure la sécurité et la conformité des données, de l’ingestion des données aux applications d’IA, de sorte qu’aucune de vos données ne soit utilisée pour entraîner des modèles externes (sauf pour le fine-tuning). Cela fait de Snowflake un choix exceptionnel pour piloter et mettre en œuvre de nouveaux cas d’usage d’IA agentique.

• Des outils d’IA conçus pour les entreprises

  • Snowflake Cortex Search et Snowflake Cortex Analyst : interagissez avec les données d’entreprise via des interfaces conversationnelles et fournissez un accès sécurisé aux LLM de fondation.

  • Document AI : automatise le traitement de divers types de documents, des formulaires standard aux notes manuscrites.

  • Snowflake ML : permet aux data scientists de créer, d'entraîner et de déployer des modèles de machine learning ou de personnaliser l'intégration de modèles directement dans Snowflake à l'aide de langages de programmation familiers tels que Python, tout en exploitant les puissantes capacités de traitement des données de Snowflake pour des flux de travail évolutifs et efficaces.

• Une expertise sectorielle : Accenture comprend les besoins de ses clients et comment résoudre leurs problèmes grâce à l’IA agentique.

En combinant ces fonctionnalités, Snowflake et Accenture permettent aux entreprises de personnaliser leurs solutions d’IA tout en conservant flexibilité et contrôle. 

Un cadre stratégique pour l’adoption de l’IA

La mise en œuvre de l’IA agentique nécessite une approche structurée. Voici ce que nous recommandons aux entreprises pour aborder leur parcours d’adoption :

• Commencez par des cas d’usage qui génèrent une forte valeur commerciale : concentrez votre attention sur les cas d’usage pour lesquels une précision approximative est acceptable. Priorisez les domaines dans lesquels une prise de décision plus rapide ou une accélération du processus apportent plus de valeur qu'une précision minutieuse. Trouvez un équilibre entre la gestion des risques et la création de valeur par la commercialisation rapide.

• Ciblez d’abord les domaines à faible réglementation : dans les secteurs hautement réglementés comme les services financiers, le déploiement de l’IA dans les domaines où la conformité pèse lourd peut être plus lent en raison des normes strictes de diligence et des processus d’approbation. Commencez par des domaines moins réglementés pour obtenir des résultats plus rapides tout en traitant progressivement les cas d'usage réglementés à mesure que la fiabilité de l'IA s'améliore.

• Gardez un humain dans la boucle (pour le moment) : pour atténuer les risques liés à l’explicabilité, au service client et à la précision, maintenez une surveillance humaine dans les processus basés sur l’IA. À mesure que la technologie évolue et que la fiabilité augmente, vous pouvez réduire progressivement les interventions humaines. Cependant, pour les cas d'usage réglementés ou à enjeux élevés, l'examen humain devrait rester un élément clé jusqu'à ce que la fiabilité de l'IA soit pleinement établie.

Cas d’usage : agent d’IA de sinistres par Accenture

Accenture a tiré parti de la plateforme de Snowflake pour créer un agent d’IA de sinistres révolutionnaire, combinant les outils de Snowflake pour automatiser des parties clés du processus de traitement des sinistres avec l’expertise d’Accenture en matière d’IA agentique. Cet agent d’IA peut consulter des documents, résumer des informations, prendre des décisions en matière de sinistres et générer des lettres de sinistres personnalisées aux clients, expliquant le raisonnement derrière une approbation ou un refus.

Selon Mike Lao, un responsable de l'équipe de gestion des données et de l'IA chez Accenture, « l'agent d’IA de sinistres repose sur l’AI Data Cloud de Snowflake, qui comprend des fonctionnalités telles que Document AI, qui peut traiter divers documents, tels que les permis de conduire, les reçus et les formulaires. Nous utilisons également Cortex Analyst de Snowflake, qui aide l'agent d’IA de sinistres à analyser les données et les documents de police pour prendre des décisions éclairées ».

Accenture se concentre sur les sinistres grâce à des informations sur le secteur des services financiers, où l'approbation des sinistres ne nécessite pas toujours une précision à 100 %. Fait intéressant, les clients sont souvent prêts à accepter des paiements partiels en échange d'un traitement plus rapide. Comme l’a constaté Accenture, le paiement des sinistres peut être flexible : les décisions peuvent faire l’objet d’appels en interne, évitant ainsi toute intervention réglementaire. Cela contraste avec les exigences plus strictes en matière d'exactitude dans des domaines tels que les conseils financiers, qui exigent une responsabilité fiduciaire. En comparaison, les sinistres sont moins réglementés, ce qui laisse aux compagnies d'assurance une plus grande marge de manœuvre pour ajuster les paiements à leurs marges. La capacité à accélérer les paiements peut améliorer considérablement les bénéfices de l’assureur et la satisfaction des clients.

Pour garantir la fiabilité et la satisfaction des clients, Accenture a inclus l’ingéniosité humaine dans l'agent d’IA de sinistres. Mike Lao a souligné : « Garder un humain dans la boucle est important. Nous utilisons l'IA pour réinventer les processus de travail afin d'étendre l'adoption de l'IA dans les entreprises et de répondre aux attentes des clients. »

L’équipe Accenture à Manille, aux Philippines, apporte son expertise approfondie dans le paiement des sinistres en soutenant les compagnies d’assurance mondiales. Ce projet marque le premier pas vers une adoption plus large des agents d’IA dans divers secteurs des services financiers. Comme l’a souligné Kaushik GD, Head of Financial Services APJ chez Snowflake, « à l’avenir, nous nous attendons à voir des agents d’IA aider à la planification financière et aux conseils en investissement personnel. Cependant, cela prendra du temps, à mesure que les solutions techniques et l'acceptation réglementaire évolueront ».