Depuis quelques mois certains sites expertisés confrontent les valeurs de l’expertise préalable ou de la valorisation algorithmique avec des estimations produites via des outils IA grand public. La démarche est légitime : comprendre, comparer, questionner. Ces outils donnent parfois un ordre de grandeur proche parfois pas.
La vraie question est de comprendre sur quel périmètre ces estimations sont construites et ce que ce périmètre ne contient pas.
Pourquoi l’IA généraliste ne peut pas valoriser vos actifs industriels
Une valorisation d’assurance ne repose pas sur une estimation générale du type d’actif. Elle repose sur ce site précis, cet équipement dans cette configuration, avec ces caractéristiques techniques et ces conditions d’exploitation. Ce que l’IA généraliste ne connaît pas parce que personne ne le lui a communiqué et parce que cette information n’existe dans aucune base de données publique.
Ce n’est pas une limite de puissance de calcul. C’est une limite structurelle : ces outils travaillent sur un univers de données génériques. Vos actifs ne le sont pas.
La conséquence s’impose sans détour : si vos valeurs déclarées sont construites sur un périmètre incomplet, vous portez un risque de sous-assurance ou de sur-assurance que vous ne découvrirez qu’au moment du sinistre.
Ce que nos experts ont appris à faire dans ces situations, c’est expliquer ce périmètre. Montrer ce que la valorisation intègre que l’IA ne voit pas. Et quelque part, cette pression nouvelle est utile : elle pousse à mieux justifier, à documenter plus précisément, à rendre les hypothèses lisibles pour les assureurs et les courtiers.
Pourquoi l’algorithme ne peut pas valoriser seul ?
Les modèles de valorisation algorithmique sont performants. Ils traitent des volumes de données qu’aucun expert ne pourrait absorber seul, détectent des patterns invisibles à l’échelle d’un parc multi-sites et produisent des estimations comparables sur des centaines de sites industriels simultanément.
Mais ils ne fonctionnent que si ce qu’on leur donne est fiable.
Anasse, qui pilote nos modèles algorithmiques chez SENOEE, est clair sur ce point : « Ce qui n’est pas dans la donnée, l’algorithme ne le perçoit pas. Il ne va connaître que son univers. »
Si cet univers est incomplet ou construit sur un périmètre qui ne correspond pas à la réalité du site le modèle produira quand même une réponse, cohérente avec ce qu’il a appris, mais déconnectée de la valeur de remplacement à neuf réelle. Il n’a pas conscience de ce qu’il ignore. Dans notre métier, cela peut représenter plusieurs dizaines de millions d’euros de valeur assurée.
La règle que nos équipes data et experts partagent tient en quatre mots : « Cheat in, Cheat out. »
La sophistication du modèle ne corrige pas la faiblesse de la donnée en entrée elle l’amplifie.
L’expert terrain : source de données, pas variable d’ajustement
Sur les équipements à forte valeur (lignes de production, installations techniques, équipements spécifiques qui concentrent l’essentiel des capitaux assurés d’un site industriel) la donnée pertinente ne se trouve dans aucune base publique.
Hugo, directeur du pôle expertise préalable, le formule clairement : « C’est l’être humain qui va sourcer, qui va donner des infos à l’algorithme. Sur tout ce qui est équipements à forte valeur, on va se pencher dessus avec beaucoup de précision, de recherches, de documentation et de partage d’expérience. »
Deux équipements de même référence peuvent porter des valeurs de remplacement à neuf très différentes selon leur ancienneté, leurs modifications techniques, leur environnement de production. L’ingénieur expert qui a fait le tour du site le voit. Le modèle IA, non.
Dans beaucoup de débats sur l’IA, l’humain est positionné en aval : celui qui vérifie, qui valide, qui corrige en dernier recours. Dans la valorisation des actifs industriels assurés, c’est structurellement l’inverse. L’expert intervient en amont de la chaîne : il collecte, qualifie et structure la donnée terrain qui alimente les modèles. Sans lui, le référentiel algorithmique n’a rien à apprendre.
Ce que « justifiable » signifie face à votre souscripteur
Anasse pose un constat qui compte pour les interlocuteurs assureurs et courtiers : « On est sur des milieux où c’est très dur de dire je donne une valeur et c’est sûr c’est celle-là. Il faut pouvoir l’assumer, la justifier et l’auditer. »
C’est précisément ce que la donnée terrain rend possible et ce qu’aucun algorithme seul ne peut garantir.
Chez SENOEE, une règle est non négociable : on ne sort jamais un algorithme non explicable. Chaque décision algorithmique doit pouvoir être ouverte, auditée, retracée étape par étape. Lorsqu’un site décroche significativement par rapport à des actifs comparables, en valeur de remplacement à neuf, en ratio bâtiment/équipements, en cohérence avec le process déclaré, le modèle doit être capable d’expliquer pourquoi.
« Quand tu as des sites qui décrochent de 30% par rapport au reste du portefeuille, on arrive à le justifier, on arrive à rentrer dedans », précise Anasse. C’est ce niveau de traçabilité qui permet au Risk Manager de tenir une position solide face à son souscripteur et au courtier de construire un dossier de renouvellement attractif pour les assureurs.
Cette exigence d’interprétabilité s’inscrit dans un cadre réglementaire qui se renforce. Depuis l’entrée en vigueur de l’AI Act européen en 2024, les systèmes algorithmiques utilisés dans des domaines à enjeux élevés sont soumis à des obligations croissantes de traçabilité et d’auditabilité. SENOEE a construit ses modèles dans cette logique avant que la réglementation ne l’impose.
Expertise préalable et valorisation algorithmique : une chaîne de valeur, pas une hiérarchie
La valorisation algorithmique ne fonctionne pas en parallèle de l’expertise préalable. Elle en est le prolongement direct.
La donnée collectée sur le terrain (structurée, normalisée selon un référentiel commun) devient la matière première des modèles.
Hugo traduit cela avec la règle Pareto qui structure le travail de ses équipes :
« Dans l’Industrie 20% des équipements représente 80% de la valeur d’un site. Ce sont eux qu’on va traiter avec le plus grand soin, les sourcer, les justifier, construire la valeur. Pour le reste, l’algorithme nous aide à massifier le travail. »
L’algorithme prend en charge ce qui est répétitif et comparable. L’expert concentre son attention sur ce qui est stratégique, atypique, à fort impact sur les capitaux assurés. Le modèle s’améliore à chaque cycle : chaque nouvelle donnée terrain affinée par les experts renforce la précision des valorisations suivantes. C’est ce qu’Anasse appelle un référentiel vivant : pas un livrable ponctuel, mais un système qui gagne en précision à mesure que l’expertise terrain l’alimente.
Le contrôle est double. « On ne va pas livrer un résultat à un client si on voit qu’il y a une anomalie en sortie. On remonte le fil jusqu’à la donnée d’entrée pour trouver le coupable. » Données vérifiées en entrée, résultats audités en sortie : c’est ce double regard qui rend les valorisations objectives en renouvellement.
Ce que le métier d’expert préalable devient à l’ère de l’IA pilotée
La question n’était pas « l’expert va-t-il disparaître ? » Elle était « qu’est-ce que son rôle devient ? »
Hugo y répond sans ambiguïté : « L’expert, je le vois toujours comme tel, à faire de la collecte de données riches. C’est un ingénieur terrain qui vient challenger l’IA et alimenter nos algorithmes. »
Anasse converge vers la même conviction : « L’idée n’est pas de remplacer l’expert. Il faut toujours quelqu’un pour juger, quelqu’un qui vient alimenter le système. L’objectif, c’est de l’aider à aller plus loin dans la réflexion, à challenger plus de choses. »
Plus les modèles gagnent en précision, plus ils ont besoin d’une donnée de qualité pour continuer à progresser. La montée en puissance de l’algorithme ne réduit pas le besoin d’expertise préalable, elle en élève l’exigence.
Ce que les équipes SENOEE observent au quotidien ne relève pas d’une conviction théorique sur l’IA. C’est le résultat d’un modèle testé, ajusté et affiné sur des milliers de sites industriels dans une centaine de pays. La précision naît du dialogue entre l’expertise terrain et l’intelligence algorithmique pas de l’un ou de l’autre seul.
Dans votre organisation, qui est aujourd’hui garant de la qualité de la donnée qui alimente vos valorisations ?
