OutilsAI News2h

Aviva utilise l'IA pour bloquer 230 millions de livres de fraude à l'assurance

Résumé IASource uniqueImpact UE Take éditorial

Aviva, l'un des plus grands assureurs britanniques, a détecté un montant record de 230 millions de livres sterling de fraudes à l'assurance en 2025, et l'entreprise attribue cette performance à un système de détection basé sur l'intelligence artificielle qu'elle a développé en interne. Ce chiffre dépasse les années précédentes et reflète une réalité alarmante : les fraudeurs utilisent désormais eux-mêmes des outils d'IA générative pour fabriquer des preuves, photos d'accidents de voiture générées de toutes pièces, faux rapports médicaux, factures de réparation fictives, avec un niveau de réalisme suffisant pour tromper un gestionnaire de sinistres humain sous pression. Un individu ou un petit groupe peut aujourd'hui produire les documents justificatifs de dizaines de dossiers à valeur élevée sans quitter son bureau, armé d'un simple abonnement à un service d'IA.

Face à cette industrialisation de la fraude, Aviva a déployé un système de contre-mesure opérant à la même échelle et à la même vitesse que la menace. Son IA analyse des millions de points de données issus de sinistres passés et en cours pour établir ce à quoi ressemble une demande légitime. Lorsqu'un nouveau dossier arrive, le système effectue une vérification croisée en temps réel : les dommages visibles sur les photos correspondent-ils à la physique de l'accident décrit ? Les horodatages des documents sont-ils cohérents ? L'immatriculation du véhicule apparaît-elle dans d'autres dossiers suspects ? Le coût des réparations est-il anormal par rapport à des milliers de cas similaires dans la même région ? Ce niveau d'analyse forensique serait impossible à réaliser manuellement sur les milliers de sinistres traités chaque jour. Aviva insiste sur le fait que son système reste un outil d'aide à la décision : l'IA filtre et signale les anomalies, mais des enquêteurs humains statuent en dernier ressort, ce qui préserve l'équité et la transparence du processus.

La fraude détectée ne provient pas uniquement de réseaux criminels organisés. Une part significative du montant de 230 millions de livres correspond à ce que l'industrie appelle l'inflation des sinistres : des garagistes qui gonflent les devis, des assurés qui surévaluent des biens volés ou exagèrent des blessures mineures. Ce phénomène, plus diffus et plus difficile à prouver, est également dans le viseur de l'IA d'Aviva, qui compare systématiquement chaque devis reçu avec des bases de données de prix du marché pour le même modèle, la même pièce, la même région. Le cas Aviva illustre un basculement structurel dans le secteur assurantiel : l'IA générative a abaissé le coût d'entrée dans la fraude sophistiquée, forçant les assureurs à industrialiser leur propre défense. D'autres grands acteurs du secteur, AXA, Allianz, Zurich, observent de près ce modèle, qui pourrait rapidement devenir la norme dans toute entreprise exposée à des demandes massives de remboursement ou de compensation.

Impact France/UE

Les assureurs européens AXA et Allianz observent attentivement ce modèle de détection IA, susceptible de devenir la norme dans le secteur assurantiel européen face à l'industrialisation de la fraude par l'IA générative.

💬 Le point de vue du dev

C'est l'escalade classique, mais à une vitesse qui fait un peu peur. Les fraudeurs ont pris la GenAI en premier pour fabriquer des preuves à la chaîne, et Aviva a dû sortir un système capable de vérifier à la même échelle, en temps réel. Pour AXA et Allianz qui regardent de loin, c'est pas un modèle inspirant, c'est une contrainte.

Vu une erreur factuelle dans cet article ? Signalez-la. Toutes les corrections valides sont publiées sur /corrections.

À lire aussi

1Meta Engineering ML

Meta utilise l'IA pour cartographier les connaissances tacites dans ses pipelines de données

Meta a développé un système original pour rendre ses agents IA capables de travailler efficacement sur une base de code massive : un pipeline de données couvrant quatre dépôts, trois langages de programmation et plus de 4 100 fichiers. Face à l'inefficacité des assistants IA classiques sur ce terrain, incapables de produire des modifications utiles rapidement, les ingénieurs ont conçu un moteur de pré-calcul composé de plus de 50 agents IA spécialisés. Ces agents ont systématiquement parcouru l'ensemble du code pour produire 59 fichiers de contexte condensés, encodant ce que les développeurs appellent le « tribal knowledge » : les règles implicites et les conventions qui n'existent que dans la tête des ingénieurs. Résultat : la couverture structurée du code est passée de 5 % à 100 % des modules, soit les 4 100 fichiers des trois dépôts. Plus de 50 patterns « non-évidents » ont été documentés pour la première fois, et les tests préliminaires montrent une réduction de 40 % des appels d'outils par les agents IA pour chaque tâche. L'enjeu n'est pas anodin. Sans cette cartographie, les agents IA se comportaient comme des développeurs juniors largués sur un projet inconnu : ils compilaient du code fonctionnel en apparence, mais subtilement incorrect. Par exemple, deux modes de configuration utilisent des noms de champs différents pour la même opération, les inverser produit une erreur silencieuse. Ou encore, des dizaines de valeurs d'énumération marquées « deprecated » ne peuvent jamais être supprimées, car la compatibilité de sérialisation en dépend. Aucune de ces règles n'était écrite nulle part. En les formalisant, Meta permet désormais à des modèles IA variés de naviguer le codebase de manière fiable, le système de connaissance étant indépendant du modèle utilisé. L'infrastructure se maintient aussi elle-même : toutes les quelques semaines, des jobs automatisés valident les chemins de fichiers, détectent les lacunes de couverture et corrigent les références obsolètes. Ce projet s'inscrit dans une tendance plus large où les grandes entreprises tech cherchent à industrialiser l'usage des agents IA sur des codebases de production réels, bien au-delà des démos. Meta avait déjà déployé des systèmes IA pour des tâches opérationnelles, surveillance de dashboards, reconnaissance de patterns incidents, suggestions de corrections, mais l'extension aux tâches de développement butait sur ce problème fondamental d'absence de contexte. La solution choisie, baptisée « compass, not encyclopedia », repose sur des fichiers ultra-compacts de 25 à 35 lignes environ 1 000 tokens chacun, organisés en quatre sections : commandes clés, fichiers essentiels, patterns non-évidents, et références croisées. Les 59 fichiers réunis pèsent moins d'un contexte de modèle standard. C'est cette sobriété délibérée, chaque ligne justifie sa présence, qui permet au système de rester maintenable et scalable à mesure que le codebase évolue.

OutilsActu

1 source

2Le Big Data

Apple Intelligence : le guide complet pour utiliser l’IA sur son iPhone ou Mac

Au printemps 2026, Apple Intelligence s'est imposée comme une composante centrale des iPhone et Mac, bien loin du gadget expérimental de ses débuts en 2024. Selon les chiffres de mars 2026, plus de 80 % des utilisateurs d'appareils compatibles recourent quotidiennement aux outils de résumé ou de retouche intégrés au système. Cette adoption massive concerne notamment les possesseurs d'iPhone 17 et de MacBook Pro M5, qui bénéficient du fruit de trois ans de recherche sur les modèles de langage à petite échelle (SLM). Siri 2.0, rebaptisé agent d'action, peut désormais exécuter des commandes complexes directement dans les applications : analyser une photo reçue sur WhatsApp, en extraire les informations d'un événement et les inscrire automatiquement dans Calendrier et Plans, sans intervention manuelle. Les Writing Tools, disponibles sur Mac et iPhone, permettent de reformuler, restructurer et affiner des textes à partir de brouillons, transformant un message maladroit en communication professionnelle en quelques secondes. Le Priority Hub d'iOS 19 réorganise les notifications selon leur urgence réelle, remontant par exemple une alerte d'annulation de vol même en mode « Ne pas déranger ». L'impact de ces évolutions dépasse le simple confort d'usage : elles redéfinissent le rapport des utilisateurs à leurs appareils. La promesse d'une IA qui respecte la vie privée, les traitements étant effectués localement sur l'appareil via les puces Apple Silicon, lève un frein majeur à l'adoption que les solutions concurrentes basées sur le cloud n'avaient pas su dissiper. Pour les professionnels, les créatifs et les particuliers, le gain de temps est concret : rédaction assistée, retouche photo instantanée avec l'outil Clean Up, génération d'illustrations depuis des esquisses sur iPad grâce à Image Wand, ou encore création d'emojis personnalisés (Genmoji) en deux secondes depuis iMessage. Le Semantic Intelligence Framework, qui permet à Siri d'adapter son ton et son débit au contexte, rend l'interaction suffisamment fluide pour que l'assistant s'intègre au rythme de vie sans friction perceptible. Cette montée en puissance s'inscrit dans une stratégie de long terme qu'Apple a construite en réponse à la pression exercée par OpenAI, Google et Microsoft sur le marché de l'IA grand public. Là où ces acteurs misaient sur des modèles massifs hébergés dans le cloud, Apple a choisi une voie différente : des modèles compacts optimisés pour tourner directement sur ses puces, couplés à une architecture système qui donne à l'IA un accès profond aux données personnelles sans les exporter. Le résultat, après deux ans de rodage parfois chaotique, est un écosystème cohérent où l'IA n'est plus une application à lancer, mais une couche invisible qui amplifie chaque geste. Les prochaines versions d'iOS et de macOS devraient étendre ces capacités aux applications tierces via des API publiques, ce qui pourrait transformer Apple Intelligence en plateforme ouverte autant qu'en avantage concurrentiel propriétaire.

UEL'approche de traitement local via les puces Apple Silicon est particulièrement favorable en Europe, où le RGPD freine l'adoption des IA cloud, offrant aux utilisateurs français et européens une alternative sans transfert de données personnelles vers des serveurs tiers.

OutilsOutil

1 source

3VentureBeat AI

Salesforce lance Agentforce Operations pour corriger les workflows qui bloquent l'IA en entreprise

Salesforce a lancé Agentforce Operations, une nouvelle plateforme de gestion des workflows d'entreprise conçue pour rendre les processus back-office compatibles avec les agents IA. Présentée lors d'un entretien accordé à VentureBeat par Sanjna Parulekar, vice-présidente senior des Produits chez Salesforce, cette solution permet aux entreprises de télécharger leurs processus existants ou d'utiliser des modèles prédéfinis appelés Blueprints. Le système décompose ensuite ces workflows en tâches précises et structurées, assignées à des agents spécialisés. L'objectif est de créer une couche intermédiaire de contrôle d'exécution qui impose une structure déterministe aux processus que les agents sont censés suivre, là où la plupart des outils d'automatisation traditionnels s'appuient sur des décisions probabilistes. Le problème que Salesforce cherche à résoudre est fondamental pour toute organisation qui déploie des agents IA à grande échelle : les workflows d'entreprise ont été conçus autour du jugement humain, pas de l'exécution machine. Des années de contournements, d'étapes implicites et de décisions tacites ont produit des processus qui se brisent dès qu'un agent tente de les suivre à la lettre. Parulekar a résumé le constat de son équipe : "La défaillance d'un processus se trouve souvent dans votre document de spécifications produit." Sans couche de contrôle, les entreprises risquent de déployer des agents qui aggravent les coûts au lieu de les réduire. Agentforce Operations introduit aussi de l'observabilité via un modèle de traçage des sessions, et permet d'intégrer des points de validation humaine pour rendre le processus plus transparent et auditable. La plateforme arrive dans un contexte où les entreprises commencent à mesurer que la capacité de raisonnement des modèles IA n'est pas le goulot d'étranglement principal, c'est la cohérence des processus qui les sous-tendent. Mais cette approche soulève un risque structurel : codifier un workflow défaillant l'ancre à l'échelle. Une fois les processus distribués entre agents, la question du gouvernance se pose avec acuité, qui possède le processus, qui le valide, qui le fait évoluer quand les conditions changent ? Brandon Metcalf, fondateur et CEO d'Asymbl, une entreprise d'orchestration de la main-d'œuvre, souligne que la clé reste un objectif partagé entre humains et agents : "Il faut que quelqu'un soit responsable du résultat à livrer, que ce soit une personne ou un agent." Le vrai défi de l'IA en entreprise n'est donc plus technique, il est organisationnel et politique.

UELes organisations françaises et européennes qui déploient des agents IA en entreprise disposent d'un nouveau référentiel d'orchestration et d'observabilité pour sécuriser leurs workflows back-office.

OutilsOutil

1 source

4VentureBeat AI

Les entreprises IA à base d'agents : concevoir pour des performances mesurables

Les agents d'intelligence artificielle semi-autonomes capables de gérer des tâches métier complexes en temps réel ne sont plus une promesse lointaine, c'est désormais une réalité opérationnelle pour certaines grandes entreprises. EdgeVerve, filiale d'Infosys spécialisée dans l'automatisation intelligente, a récemment publié un cadre de conception pour déployer ces agents à l'échelle industrielle. L'entreprise cite ses propres déploiements en production : dans un environnement financier réel piloté par un directeur financier, sept agents interconnectés ont généré en un an une amélioration de plus de 3 % des flux de trésorerie mensuels, un gain de productivité de 50 % sur les workflows concernés, un onboarding 90 % plus rapide, et un impact total de 32 millions de dollars sur la trésorerie. En maintenance immobilière, des résultats similaires ont été obtenus grâce à des agents spécialisés dans la coordination des interventions. Ces chiffres illustrent ce qui distingue un pilote réussi d'un projet abandonné : l'ancrage dans des objectifs métier mesurables dès le départ. La méthode préconisée consiste à partir des KPI organisationnels, délai de recouvrement (DSO), taux de conformité, temps moyen de résolution (MTTR), satisfaction client (NPS), pour définir les objectifs des agents, puis seulement choisir les workflows à automatiser. Les "zones grises opérationnelles", ces espaces entre les applications où subsistent encore des validations manuelles, des réconciliations et des transferts humains, représentent le prochain gisement de valeur. C'est là que les agents peuvent éliminer les frictions systémiques sans remplacer intégralement des processus formalisés. Le cadre repose sur quatre piliers : autonomie calibrée selon le niveau de risque (de la simple suggestion à l'exécution avec rollback automatique), gouvernance intégrée dès la conception avec des garde-fous stricts sur les données personnelles et réglementaires, observabilité continue via des évaluations et métriques en temps réel, et flexibilité d'intégration allant bien au-delà des seules API classiques, en incluant les flux événementiels, les connecteurs RAG pour bases documentaires, et des fallbacks RPA là où les API n'existent pas. Le risque central identifié est celui des agents "hallucinant" des actions non vérifiables par l'entreprise, d'où l'insistance sur l'idempotence, les mécanismes de retry et les schémas d'outils standardisés. Dans un contexte où de nombreuses entreprises peinent encore à sortir leurs agents du stade expérimental, ce retour d'expérience chiffré positionne EdgeVerve comme un acteur cherchant à normaliser les déploiements agentiques en environnement critique.

OutilsOutil

1 source

Recevez l'essentiel de l'IA chaque jour

Une sélection éditoriale quotidienne, sans bruit. Directement dans votre boîte mail.

Recevez l'essentiel de l'IA chaque jour