AssurTech Méditerranée : de 14 jours à 4,9 jours de délai sinistre grâce à un agent IA

#1. Contexte AssurTech Méditerranée : le problème des 14 jours

AssurTech Méditerranée (nom fictif — profil composite issu de projets réels Nehos) est un cabinet de courtage indépendant basé à Marseille. Quatre-vingt-cinq salariés, trois agences (Marseille, Aix-en-Provence, Toulon), partenaires distributeurs MMA, AXA et Allianz. Portefeuille multi-branches : assurance auto, habitation, RC professionnelle, garantie décennale pour les artisans du BTP régional.

Le chiffre qui résume le problème : 14 jours. C'est le délai moyen entre la déclaration d'un sinistre par le client et la transmission du dossier qualifié à la compagnie d'assurance partenaire. Pour référence, la moyenne du marché selon le rapport France Assureurs 2025 est de 7 à 8 jours pour les courtiers de taille comparable.

Ce retard chronique avait une cause identifiée depuis 18 mois mais jamais traitée : la saisie manuelle. Chaque dossier entrait dans le cabinet sous trois formes simultanées — un formulaire de déclaration papier ou PDF, un ou plusieurs emails du client avec des explications libres, et des photos de l'incident (dégâts matériels, véhicule accidenté, façade endommagée). Ces trois sources devaient être lues, réconciliées, et re-saisies manuellement dans Salesforce CRM par un gestionnaire.

Volume mesuré sur 6 mois avant le projet : 320 dossiers de sinistres ouverts par mois. Temps moyen de traitement initial (saisie + qualification + routage) : 2h15 par dossier. Avec 3 gestionnaires dédiés, le cabinet absorbait tout juste le flux entrant — sans aucune capacité de traitement les jours de forte sinistralité (tempête, grêle, inondation en région Paca).

Le coût de cette inefficacité était double. Économique d'abord : 3,2 ETP occupés à une tâche de saisie à faible valeur ajoutée, pour un coût chargé estimé145 12 416 €/an. Commercial ensuite : le NPS client (Net Promoter Score) stagnait à 31, plombé par les délais. Dans un secteur où le bouche-à-oreille et les recommandations sont la première source de nouveaux mandats, un NPS à 31 représente un manque à gagner structurel difficile à mesurer mais réel.

La direction d'AssurTech Méditerranée avait une contrainte claire dès le lancement : aucun licenciement, aucune réduction d'effectif. L'objectif était de rediriger les gestionnaires vers des tâches à plus haute valeur (conseil client, fidélisation, développement du portefeuille), pas de les remplacer.

#2. Diagnostic M0 : cartographie des 12 types de sinistres et leur complexité

Avant de coder une seule ligne, l'équipe Nehos a passé trois semaines à cartographier l'existant. Ce diagnostic structuré est systématiquement la première étape de la méthodologie en 7 étapes pour déployer un agent IA — et ici, il a révélé des informations déterminantes pour le périmètre du projet.

Analyse de 1 900 dossiers historiques sur 6 mois. Résultat : 12 types de sinistres distincts, avec des profils de complexité radicalement différents.

Classement par fréquence et automatisabilité :

Groupe A — Automatisables (58% du volume) : sinistre auto bris de glace (sans responsabilité tierce), dégât des eaux habitation simple (fuite identifiée, pas de tiers), vol simple (véhicule ou bien, déclaration police jointe), sinistre RC pro mineur (préjudice inférieur à partir de 873 €, responsabilité non contestée), accident auto tiers identifié et non contesté.

Groupe B — Semi-automatisables (27% du volume) : sinistre auto avec litige de responsabilité partielle, dégât des eaux avec multiple parties (copropriété), garantie décennale avec réserves contradictoires, RC pro avec mise en cause juridique potentielle.

Groupe C — Non automatisables (15% du volume) : catastrophe naturelle (arrêté CatNat requis, procédure réglementée ACPR), litige en cours avec avocat engagé, sinistre corporel (accident avec blessés), fraude suspectée (signalement interne requis).

Cette cartographie a immédiatement défini le périmètre du projet : automatiser le Groupe A (58% du volume), assister le Groupe B (27%), laisser le Groupe C entièrement en traitement humain.

Deuxième enseignement du diagnostic : les formulaires entrants étaient structurellement incohérents. Sur 320 dossiers mensuels, 94 provenaient directement de l'interface web du cabinet (formulaire Salesforce Web-to-Case, données structurées), 146 arrivaient par email libre (texte non structuré, fichiers PDF joints), et 80 combinaient les deux — formulaire incomplet complété par un email. L'enjeu technique principal était donc l'extraction d'informations depuis des sources hétérogènes, avant même la question de la qualification et du routage.

#3. Architecture retenue : Claude 3.7 + OCR Mistral + Make + Salesforce CRM

L'architecture déployée repose sur cinq composants principaux, choisis pour leur fiabilité en production et leur compatibilité avec l'infrastructure existante du cabinet.

Composant 1 — LLM central : Claude 3.7 Sonnet (Anthropic). Choisi pour sa capacité à raisonner sur des documents assurantiels complexes, à appliquer des règles métier multi-conditions, et à produire des sorties JSON structurées sans hallucination sur les champs numériques critiques (montants, dates, numéros de contrat). L'API cloud Anthropic est utilisée avec un DPA conforme RGPD signé avant go-live, données hébergées en Europe. Pour mieux comprendre ce qu'est un agent IA et comment il diffère d'un chatbot, la distinction centrale est que cet agent orchestre des outils (OCR, CRM, classification) — il ne se contente pas de répondre à des questions.

Composant 2 — OCR : Mistral OCR API. Pour l'extraction de texte depuis les photos de sinistres (dégâts photographiés), les formulaires PDF scannés et les documents joints. Mistral OCR a été retenu après benchmark sur 200 documents test : 94% de précision sur les formulaires imprimés, 87% sur les formulaires manuscrits (principalement les anciens formulaires papier de certains assurés seniors). Les meilleurs outils OCR IA pour factures et contrats en 2026 comparent les alternatives disponibles — Mistral s'est imposé sur le français et les documents assurantiels spécifiquement.

Composant 3 — Orchestration : Make (ex-Integromat) + Zapier pour les workflows simples. Make gère les workflows complexes (dossier multi-documents, escalade conditionnelle), Zapier traite les cas simples (email entrant → création ticket Salesforce). L'orchestration via n8n a été évaluée mais écartée au profit de Make pour la lisibilité des scénarios non-techniques — les gestionnaires du cabinet devaient pouvoir comprendre et modifier les règles de routage sans assistance technique.

Composant 4 — CRM : Salesforce Service Cloud. Point central de toutes les données dossier. L'agent écrit dans Salesforce (création de case, enrichissement des champs, mise à jour du statut, assignation au gestionnaire), mais ne prend aucune décision financière — aucun montant d'indemnisation n'est calculé ni validé automatiquement. C'est un choix délibéré, confirmé avec le conseil juridique du cabinet avant le lancement.

Composant 5 — Base vectorielle RAG : Qdrant hébergé. Indexation de 3 000 dossiers historiques anonymisés, des 12 procédures de traitement par type de sinistre, des règles de délégation des trois compagnies partenaires (MMA, AXA, Allianz) et des grilles tarifaires de référence. L'architecture RAG pour connecter l'agent aux données métier internes permet à l'agent de retrouver des précédents similaires pour qualifier correctement les cas ambigus.

#4. Mois 1-2 : collecte des données, entraînement sur 3 000 dossiers historiques

Les deux premiers mois ont été entièrement consacrés à la préparation des données — phase souvent sous-estimée mais déterminante pour la qualité en production.

Anonymisation et labellisation du corpus. 3 000 dossiers historiques anonymisés (suppression des noms, adresses, numéros de police) par un script Python, puis labellisés selon le schéma de classification défini en M0 : type de sinistre, groupe d'automatisabilité (A/B/C), informations présentes / manquantes, résolution finale. Ce travail de labellisation a mobilisé deux gestionnaires séniors du cabinet pendant 3 semaines — en parallèle de leur activité normale, sur 1h/jour.

Construction du pipeline OCR. Mistral OCR a été intégré via API dans Make. Workflow testé : email entrant → extraction des pièces jointes → OCR sur chaque pièce → consolidation du texte extrait dans un objet JSON normalisé → transmission à Claude pour classification. Sur 200 documents de test : taux d'extraction correcte 91%, principales erreurs sur les photos de sinistres prises dans de mauvaises conditions lumineuses (4%) et les formulaires très anciens en police condensée (5%).

Configuration du prompt système principal. Le prompt système de l'agent encode les 12 types de sinistres, les règles de classification A/B/C, les champs obligatoires à extraire pour chaque type, les règles de délégation compagnie, et les conditions d'escalade. Sa rédaction a nécessité 11 itérations sur 3 semaines — chaque itération testée sur 50 cas du corpus labellisé.

Intégration Salesforce. Configuration de l'API Salesforce Service Cloud pour permettre la création et l'enrichissement de cases depuis l'agent. Mapping des champs : 47 champs Salesforce mappés sur les sorties JSON de l'agent. Règle stricte : l'agent peut créer et enrichir, jamais supprimer ni modifier le statut final (clôturé, refusé, accepté) — ces actions restent exclusivement humaines.

#5. Mois 3 : déploiement pilote sur sinistres auto simples (40% du volume)

Le déploiement pilote a délibérément ciblé un sous-ensemble du Groupe A : les sinistres auto bris de glace et accidents non contestés, représentant 40% du volume mensuel total. Ce choix tient à trois raisons : procédure la plus standardisée, documents les plus homogènes (constats, devis vitrier, rapport carrossier), et conséquences financières les plus prévisibles en cas d'erreur de classification.

Configuration du pilote. Dossiers entrants : l'agent traite en parallèle du gestionnaire humain (mode shadow). Les deux classifications sont comparées en temps réel. Le gestionnaire reste décisionnaire — l'agent propose, l'humain valide. Cette phase a duré 3 semaines complètes.

Résultats du shadow mode : concordance agent/gestionnaire sur la classification du type de sinistre : 94,3% sur 287 dossiers. Divergences principales : 3 cas de fraude suspectée classifiés en Groupe A par l'agent (que le gestionnaire a détectés sur des signaux non documentés — ancienneté du client, historique des sinistres), 5 cas bris de glace sur véhicules de société classifiés en Groupe B par erreur. Ces divergences ont enrichi le prompt système avec des règles supplémentaires.

Passage en mode autonome (semaine 4 du mois 3). L'agent traite les sinistres auto pilote sans validation humaine préalable. Le gestionnaire reçoit une notification Salesforce avec le dossier pré-rempli et dispose de 4 heures pour invalider la classification avant transmission à la compagnie. Aucun cas invalidé sur les 23 premiers jours.

Métrique clé M3. Délai moyen de traitement initial sur les sinistres auto pilote : 1,8 jours (contre 14 jours en M0). La majorité de ce délai correspond au temps de collecte des documents par l'assuré, pas au traitement — l'agent traite en moins de 8 minutes une fois tous les documents reçus.

#6. Mois 4-5 : extension multi-branches, intégration téléphonie DTMF/Twilio

Fort des résultats du pilote, le mois 4 a vu l'extension du périmètre à l'ensemble du Groupe A (58% du volume) et l'ajout d'un canal entrant supplémentaire : la téléphonie.

Extension multi-branches (mois 4). Les sinistres habitation dégât des eaux simples et RC pro mineurs ont été intégrés. Adaptation nécessaire : les documents de référence diffèrent (rapport de plombier, devis de réparation, attestation de tiers), les règles de délégation AXA et Allianz pour ces branches sont différentes de MMA. Deux semaines de configuration supplémentaire pour les prompts spécifiques à chaque branche.

Incident technique notable : lors de l'extension aux sinistres habitation, l'OCR Mistral présentait des erreurs systématiques sur les rapports de plombiers manuscrits (format libre, écriture cursive). Solution déployée : détection automatique des documents "manuscrit probable" (analyse de la distribution des pixels), avec re-routage vers un gestionnaire humain pour saisie manuelle. Taux de re-routage pour ce motif : 7% des documents habitation.

Intégration téléphonie DTMF/Twilio (mois 4-5). Le cabinet recevait 120 appels mensuels de déclaration de sinistre par téléphone — canal non couvert par le pilote. Architecture déployée : Twilio Studio pour le SVI (Serveur Vocal Interactif) avec menus DTMF, collecte des informations clés vocalement (numéro de contrat, type de sinistre, description libre), transcription via Twilio/Deepgram, puis injection dans le même pipeline agent IA que les canaux texte. Le déploiement d'un callbot vocal IA pour le service client détaille les choix techniques sur la couche STT — l'enjeu principal en assurance est la précision sur les montants et les noms propres.

Résultat sur la téléphonie : 41% des appels collectent suffisamment d'informations pour créer automatiquement un dossier Salesforce pré-rempli. Les 59% restants génèrent un ticket incomplet avec les informations collectées et une note pour le gestionnaire rappelant le client.

#7. Résultats M1-M6 : métriques détaillées par type de sinistre

Les six premiers mois de production ont été mesurés exhaustivement. Voici les résultats par type de sinistre et globaux.

#Métriques globales (tous sinistres confondus)

#Par type de sinistre (délai moyen de traitement initial)

Groupe A — Sinistres automatisés :

• Auto bris de glace : 14j → 0,9j (-94%)
• Auto accident non contesté : 14j → 1,8j (-87%)
• Dégât des eaux simple : 14j → 2,1j (-85%)
• RC pro mineur : 14j → 2,4j (-83%)
• Vol simple : 14j → 1,6j (-89%)

Groupe B — Sinistres assistés (traitement humain raccourci par la pré-qualification) :

• Auto litige partiel : 14j → 7,2j (-49%)
• Dégât des eaux copropriété : 14j → 8,1j (-42%)
• Garantie décennale réserves : 14j → 9,3j (-34%)

Groupe C — Sinistres non automatisés (délai inchangé, périmètre humain) :

• Catastrophe naturelle (CatNat) : 14j → 13,8j (inchangé)
• Litige juridique : 14j → 14,2j (légèrement supérieur — temps de tri supplémentaire)

La réduction globale de 65% sur l'ensemble du portefeuille s'explique par l'effet volume : les 58% de sinistres du Groupe A, maintenant traités en moins de 2 jours, tirent fortement la moyenne vers le bas, compensant les Groupes B et C restés à des délais plus élevés.

Sur le coût par dossier, le passage de à partir de 45 056 € intègre :

• Coût infrastructure IA (API Claude + Mistral OCR + Qdrant + Make + Twilio) : 6€/dossier en moyenne
• Coût humain résiduel (validation gestionnaire, cas escaladés) : à partir de 832 €/dossier
• Contre à partir de 752 € de coût humain complet en M0 (saisie + qualification + routage par un gestionnaire).

#8. Ce qui n'a pas fonctionné : sinistres catastrophe naturelle, litiges juridiques

Tout projet honnêtement documenté inclut ses zones d'échec. AssurTech Méditerranée en a rencontré deux significatives — et une troisième plus technique.

#Échec 1 : Sinistres catastrophe naturelle (CatNat)

Les sinistres CatNat représentent 8% du volume annuel mais se concentrent sur des périodes courtes et intenses (orages de grêle, inondations en vallée du Rhône). La réglementation ACPR impose un cadre procédural strict : déclaration dans les 10 jours suivant la publication de l'arrêté CatNat au Journal Officiel, expertise obligatoire, franchise légale non modulable.

Tentative d'automatisation sur les CatNat simples (habitation, dommages inférieurs3 2 944 €) : taux de classification correcte de l'agent de 61% seulement, contre 94% sur les sinistres standard. Causes identifiées : la multiplicité des arrêtés CatNat (chaque commune peut avoir son propre périmètre et ses dates), la nécessité de croiser la commune de l'assuré avec la liste officielle des communes reconnues, et des formulations dans les déclarations client très variables sur les événements météorologiques.

Décision prise : exclusion définitive des CatNat du périmètre d'automatisation. L'agent filtre et route ces dossiers vers une équipe dédiée avec le statut « CatNat — traitement prioritaire » dans Salesforce, mais ne les traite pas. La valeur ajoutée reste réelle (identification rapide, évitement du traitement standard inadapté), mais l'automatisation complète n'est pas au niveau requis.

#Échec 2 : Litiges juridiques en cours

Lorsqu'un assuré mentionne dans sa déclaration l'existence d'un avocat, d'une mise en demeure ou d'une procédure judiciaire, l'agent est configuré pour escalader immédiatement sans traitement. Ce comportement est intentionnel — toute classification ou commentaire de l'IA sur un dossier juridiquement contesté pourrait constituer une prise de position engageant la responsabilité du cabinet.

Problème rencontré : détection des signaux juridiques. Sur 14 dossiers de litiges en M3-M4, l'agent en avait correctement identifié 10 et manqué 4 — dont 2 où la mention d'avocat était en P.S. de l'email, hors du corps principal du message. Conséquence : 2 dossiers litigieux ont été partiellement traités avant escalade.

Correction déployée : analyse systématique de l'intégralité du texte (corps + pièces jointes + P.S.) avec détection d'une liste de 47 termes juridiques ("avocat", "mise en demeure", "tribunal", "huissier", "assignation", "médiation judiciaire"...). Depuis la correction, 0 litige manqué sur 180 dossiers testés.

#Problème technique : qualité OCR sur photos de sinistres basse résolution

Environ 12% des photos de sinistres reçues par email présentaient une résolution insuffisante pour l'OCR (photos prises de nuit, trop loin, floues). Le pipeline initial tentait quand même l'extraction, produisant des données erronées. Correction : détection de la qualité d'image en amont (analyse de résolution et netteté), avec message automatique à l'assuré demandant une photo de meilleure qualité si le seuil minimal n'est pas atteint. Taux de renvoi suite à cette demande : 78% en moins de 24h.

La sécurité des agents IA : checklist OWASP LLM Top 10 a été appliquée point par point sur ce projet, notamment sur les vecteurs d'injection de prompt via les champs libres des formulaires de déclaration — un risque réel dans un contexte assurantiel où les assurés peuvent avoir intérêt à influencer la classification.

#9. ROI 12 mois : coûts (82 12 800 €) vs gains, payback 6,8 mois

La méthode de calcul et justification du ROI d'un projet agent IA appliquée ici est volontairement conservative : seuls les gains directement mesurables sont retenus, sans projections sur les gains indirects difficiles à quantifier.

#Coûts complets du projet

Investissement initial :

• Développement et déploiement phases 1+2 (Nehos) :67 7 808 €
• Formation équipe et accompagnement au changement : à partir de 32 000 €
• Licences logicielles supplémentaires (Make Business, Twilio Studio) : à partir de 992 €
• Ajustements Salesforce (nouveaux champs, workflows) : à partir de 873 €
• Total investissement projet :82 12 800 €

Coût récurrent annuel :

• Infrastructure IA (API Claude, Mistral OCR, Qdrant, Make, Twilio) : à partir de 905 €/an
• Maintenance et évolutions mineures Nehos : 15 872 €/an
• Total récurrent an 1 :19 11 904 €

Coût total an 1 : 95 000 + 34 000 =128 15 872 €

#Gains mesurés sur 12 mois

Gain 1 — ETP libérés (gains directs)

3,2 ETP de gestionnaires redirigés de la saisie manuelle vers la gestion de comptes stratégiques et le développement commercial. Coût chargé moyen d'un gestionnaire sinistres :34 8 448 €/an.

Gain valorisé : 3,2 × 48 500 =146 12 800 €

Note de prudence : ces 3,2 ETP ne se traduisent pas en réduction d'effectif (engagement initial respecté), mais en capacité commerciale additionnelle. Le cabinet a ouvert 43 nouveaux mandats sur l'année — soit une augmentation de 12% du portefeuille actif. Attribution conservatrice à l'agent IA : 50% de cette croissance facilitée par la disponibilité accrue des gestionnaires.

Gain 2 — Amélioration NPS et rétention client

NPS de 31 à 52 (+21 points). Analyse de la rétention sur le portefeuille : taux de résiliation en baisse de 2,3 points (de 8,7% à 6,4% annualisé). Sur un portefeuille de 4 200 contrats actifs avec une prime moyenne annuelle de à partir de 880 €, cela représente :

• Contrats sauvegardés : 4 200 × 2,3% ≈ 97 contrats
• Valeur annuelle : 97 ×à partir de 880 € = 9 9 088 € de CA maintenu

Gain 3 — Réduction du coût par dossierà partir de 752 € →à partir de 1 216 € sur l'ensemble du volume traité. 3 840 dossiers annuels ×à partir de 448 € d'économie = 98 14 080 € d'économie sur les coûts directs de traitement.

Ces gains se recoupent partiellement avec le Gain 1 (les ETP libérés sont précisément la source de l'économie par dossier) — pour éviter le double compte, seul le delta de productivité non comptabilisé dans les ETP est retenu ici : 34 12 800 € (correspondant aux coûts d'infrastructure évités et aux heures supplémentaires éliminées).

#Calcul ROI

Total gains bruts an 1 : 155 200 + 86 330 + 43 200 =275 2 688 €

En retenant une approche conservative (attribution à 70% des gains à l'agent IA, le reste à d'autres facteurs) : 284 730 × 70% =193 13 184 €

ROI net an 1 : 199 311 - 129 000 =7 15 488 €

Payback : 95 000 / (199 311 / 12) = 5,7 mois sur les gains bruts, soit 6,8 mois en neutralisant les coûts récurrents et en appliquant le facteur d'attribution de 70%.

À partir de l'an 2, le coût récurrent (19 11 904 €) représente moins de 17% des gains annuels. Le ROI récurrent attendu dépasse161 3 968 €/an l'année 2, sous réserve de maintien du taux d'automatisation et du niveau NPS.

Pour nos services agent IA sur mesure pour le secteur assurantiel, les architectures et ordres de grandeur décrits ici sont représentatifs des projets de courtage et d'assurance directe que nous conduisons. Chaque cabinet a ses branches, ses compagnies partenaires, ses procédures — l'architecture est reproductible, la configuration métier est systématiquement sur mesure.

Ce type de résultat n'est pas réservé aux grandes compagnies d'assurance. Les courtiers de 50 à 200 personnes sont précisément le profil pour lequel le ROI est le plus rapide : volume suffisant pour rentabiliser l'infrastructure, processus suffisamment standardisés pour être automatisables, et organisation suffisamment agile pour déployer en moins de 6 mois. La IA dans la souscription et la détection de fraude en assurance ouvre d'autres perspectives complémentaires pour les cabinets ayant franchi le cap de l'automatisation du traitement des sinistres.