L’intelligence artificielle promet aux entreprises plus qu’une simple automatisation : elle doit rendre les décisions commerciales plus prévisibles. Les plateformes d’analyse prédictive permettent désormais aux départements spécialisés de faire des prévisions concrètes à partir de données, sans connaissances approfondies en programmation. Mais où en est cette évolution et quel est le rôle de l’Europe sur ce marché ?
Fondée en 2018 à Tel Aviv, Pecan.ai développe une plateforme d’analyse prédictive à bas code destinée à aider les équipes commerciales et de données à faire des prévisions plus rapidement réalisables à partir de données existantes. La technologie est utilisée, entre autres, pour prédire l’attrition des clients, la vente incitative, les conversions et les sinistres, ainsi que pour optimiser les efforts de marketing et mieux planifier les tendances de la demande.
Dans un entretien accordé à thebrokernews , Dan Goldenblatt (directeur général, EMEA & APAC chez Pecan.ai) explique comment les entreprises utilisent aujourd’hui l’IA prédictive dans la pratique, quels sont les défis de la mise en œuvre et pourquoi les entreprises européennes en particulier ont un grand potentiel pour intégrer davantage les décisions basées sur les données dans leurs processus d’affaires.
Dan, Pecan.ai se développe rapidement en Europe. Quelles différences voyez-vous entre les entreprises européennes et américaines lorsqu’il s’agit d’utiliser l’analyse prédictive ?
Il existe un grand intérêt des deux côtés de l’Atlantique. Les principales différences peuvent être regroupées en trois domaines : La réglementation, la stratégie en matière de données et la philosophie du risque.
Réglementation
En Europe, le caractère explicatif des modèles prédictifs est crucial. C’est particulièrement important lorsqu’il s’agit d’utiliser l’IA pour la gestion des sinistres, mais aussi pour prédire quel client va partir ou quel client est le plus susceptible de faire l’objet d’une vente incitative. À cet égard, l’IA de Pecan offre un très haut niveau d’explicabilité et de transparence, avec l’avantage supplémentaire de permettre à des équipes non spécialisées en science des données de créer des modèles.
Le marché américain est plus complexe en raison des différences de réglementation au niveau de l’État, d’un État à l’autre. Cependant, d’après nos observations, le marché américain se concentre davantage sur l’équité et la non-discrimination que sur la piste d’audit technique requise en Europe.
Stratégie de données
L’UE est beaucoup plus stricte en ce qui concerne la protection de la vie privée et, par exemple, l’utilisation de données non liées à l’assurance provenant de différentes sources. En Europe, le consommateur doit donner son consentement explicite pour que ses données soient utilisées. Aux États-Unis, en revanche, les assureurs utilisent traditionnellement davantage de sources de données tierces, et l’analyse prédictive est largement utilisée pour permettre un marketing hyper-personnalisé et une évaluation immédiate des risques.
Philosophie du risque
L’approche européenne est « Predict-and-Prevent » : en raison des restrictions réglementaires sur l’évaluation des risques, les assureurs européens utilisent l’analyse prédictive pour prévenir les pertes. Ils utilisent les données IoT et satellitaires pour avertir les clients des inondations ou des incendies avant qu’ils ne se produisent. L’approche américaine, en revanche, est le « Straight-Through Processing » (STP), dans lequel les entreprises utilisent l’analyse prédictive pour éliminer complètement l’humain du processus, dans le but d’un traitement des sinistres et d’une évaluation des risques « zero-touch ». L’IA est utilisée pour approuver une police en quelques secondes sur la base d’énormes pools de données externes.
De nombreuses entreprises européennes disposent de grands ensembles de données, mais sont encore relativement réticentes à les utiliser. Où voyez-vous actuellement le plus grand potentiel inexploité pour l’IA prédictive en Europe ?
Premièrement, le véritable potentiel ne réside pas seulement dans la prédiction de l’avenir, mais dans l’utilisation de ces prédictions pour réduire fondamentalement le coût du risque pour la société et faire passer le secteur de l’assurance du statut de payeur réactif à celui de filet de sécurité proactif. Le projet de loi sur l’IA de l’UE est excellent pour une entreprise comme Pecan AI, car il exige des entreprises qu’elles utilisent des modèles transparents et explicables, ce que Pecan fait de manière inhérente.
La Suisse est considérée comme un marché innovant, mais aussi réglementé. Concrètement, quelles opportunités voyez-vous pour l’analyse prédictive dans le secteur suisse de la finance et de l’assurance ?
Comme le Conseil fédéral suisse met l’accent sur la « responsabilité » plutôt que sur les interdictions générales, le potentiel inexploité réside dans les modèles de « boîte blanche », qui garantissent que les utilisateurs peuvent expliquer précisément pourquoi une IA a recommandé un produit d’investissement particulier, tout en conservant l’approche « humain dans la boucle ».
En Suisse, le plus grand potentiel ne réside pas dans la « disruption » des banques ou des assureurs traditionnels, mais dans le renforcement numérique de la marque de confiance suisse. En 2026, les gagnants seront ceux qui utiliseront l’analyse prédictive non seulement pour augmenter leurs marges, mais aussi pour offrir une « certitude prédictive », c’est-à-dire protéger le patrimoine et la santé des clients avant même qu’un risque ne se produise.
De nombreuses entreprises parlent de l’IA, mais ont du mal à la mettre en œuvre. Selon votre expérience, quels sont les trois principaux obstacles auxquels se heurtent les entreprises qui souhaitent réellement intégrer l’IA prédictive dans leurs activités quotidiennes ?
D’après notre expérience, l’écart entre un projet pilote d’IA et son intégration dans les opérations quotidiennes peut généralement être attribué à trois points de friction spécifiques. En 2026, nous avons dépassé les problèmes fondamentaux de « qualité des données ». Les obstacles sont désormais plus structurels et comportementaux.
1. le « silo de données » vs. le contexte opérationnel
La plupart des entreprises disposent de suffisamment de données, mais celles-ci ne sont pas « prêtes pour l’IA » pour un fonctionnement en temps réel. L’IA prédictive nécessite un flux continu de données à haut débit, mais de nombreuses entreprises européennes continuent de stocker les données dans des silos départementaux (par exemple, les données relatives aux sinistres ne communiquent pas avec les données relatives à la distribution des polices).
2. l’écart de confiance de la « boîte noire » (explicabilité)
L’obstacle : le modèle peut fonctionner en laboratoire, mais il échoue dans la vie quotidienne, car il manque le contexte commercial réel.
La solution : passer des « entrepôts de données » statiques à des architectures de type « data mesh », dans lesquelles les données sont traitées comme des produits appartenant aux divisions qui les utilisent réellement.
Dans un contexte suisse ou européen très réglementé, un modèle prédictif qui dit « Refusez ce crédit » ou « Augmentez cette prime » sans explication est un risque.
3. gestion du changement : de « l’assistant » à « l’acteur« .
L’obstacle : si un chargé de clientèle ou un souscripteur ne comprend pas pourquoi l’IA a fait une prédiction, il se fiera à son instinct et ignorera l’outil. C’est le problème de l' »IA fantôme », où les outils sont achetés mais jamais utilisés.
La solution : Mettre en œuvre des cadres pour l’IA explicable (XAI). D’ici 2026, l’étalon-or consistera à fournir des « Local Interpretable Model-agnostic Explications » (LIME) qui donneront à l’utilisateur humain 2-3 raisons claires pour chaque prédiction de l’IA.
Le plus grand obstacle n’est pas le code ; mais la reconception des processus de travail. La plupart des entreprises tentent de « rattacher » l’IA à leurs processus manuels existants plutôt que de repenser le processus autour de l’IA. Les trois obstacles sont le contexte (données isolées), la confiance (manque d’explicabilité) et la culture (incapacité à reconcevoir les flux de travail). Pour réussir, une entreprise doit cesser de traiter l’IA comme une mise à jour logicielle et commencer à la considérer comme un nouveau type de collègue numérique ».
L’obstacle : les employés considèrent souvent l’IA prédictive comme une menace pour leur expertise ou comme une étape supplémentaire dans une journée déjà bien remplie.
La solution : le passage à des flux de travail basés sur des agents. Au lieu que l’IA se contente de fournir une prédiction (par exemple, « ce client risque de partir »), elle agit comme un agent qui prépare l’e-mail de fidélisation, suggère la réduction et le place dans la boîte de réception de l’employé pour une approbation « en un clic ».
Pecan.ai mise beaucoup sur le low-code et l’automatisation. Cette évolution modifie-t-elle le rôle des scientifiques de données traditionnels dans les entreprises ?
La réponse courte à cette question est non. De la même manière que les tableurs n’ont pas rendu les mathématiciens, les comptables ou les comptables superflus, mais leur ont permis de se concentrer sur des tâches plus complexes tout en permettant à des personnes moins techniques de créer des tableaux sophistiqués, Pecan AI fait de même.
Nous permettons aux utilisateurs professionnels sans expertise technique de créer des modèles prédictifs, ce qui libère un temps précieux pour les data scientists qui peuvent ainsi se consacrer à des tâches beaucoup plus complexes. Après avoir parlé à de nombreux dirigeants du secteur de l’assurance (ainsi qu’à des dirigeants d’autres secteurs), nous savons que les tâches de modélisation moins complexes et plus routinières se trouvent souvent au bas de la liste des choses à faire des scientifiques des données. Même lorsqu’elles sont effectuées, il est toujours difficile de faire en sorte que les scientifiques des données maintiennent les modèles, ce qui conduit souvent à l’échec des modèles.
Et pourtant, ces cas d’utilisation apportent une valeur ajoutée considérable à l’assureur. Nous le constatons avec chaque nouvelle compagnie d’assurance que nous intégrons. Pecan aide les utilisateurs professionnels à créer et à déployer rapidement et facilement des modèles prédictifs, à réduire l’énorme besoin en scientifiques de données et à améliorer la réputation des équipes de données au sein de l’entreprise en réduisant la frustration des parties prenantes internes qui ne reçoivent pas les services de modélisation dont elles ont besoin. Il s’agit d’une solution gagnant-gagnant-gagnant.
Dans la pratique, combien de temps faut-il à une entreprise pour obtenir des résultats commerciaux mesurables après la mise en œuvre de votre plate-forme ?
Rien n’est plus éloquent qu’un client réel, un client d’assurance prêt à donner un témoignage moins de trois mois après le lancement. C’est le cas de la compagnie américaine Fetch Pet Insurance. Akash Gupta, Chief Analytics and Strategy Officer de l’entreprise, s’est exprimé sur Pecan comme suit :
La plateforme Pecan est extrêmement utile à l’équipe de données et l’aide à accélérer considérablement le développement de modèles. Notre équipe peut désormais répondre à beaucoup plus de questions commerciales, et ce beaucoup plus rapidement.
Un aspect particulièrement impressionnant a été le programme d’intégration et de support de Pecan AI. L’équipe d’experts de Pecan a non seulement aidé les data scientists de Fetch à se familiariser avec l’outil, mais elle nous a également soutenus dans nos modèles data scientists, améliorant ainsi notre équipe. Ce type de soutien est sans précédent dans l’industrie ».
La qualité des modèles prédictifs dépend des données sur lesquelles ils sont basés. Comment les entreprises gèrent-elles les données incomplètes ou fragmentées lorsqu’elles souhaitent utiliser des modèles prédictifs ?
Pecan a fait des progrès considérables dans la qualité des données nécessaires au développement de modèles. Grâce à des IP propriétaires pour la collecte et la préparation des données, Pecan peut utiliser des données qui sont compatibles avec la BI, et pas seulement celles qui sont traditionnellement considérées comme « compatibles avec l’IA ». Bien sûr, un certain niveau de qualité des données est nécessaire, mais si une entreprise dispose d’un data lake ou d’un entrepôt de données et capture des données de manière raisonnable, Pecan AI peut travailler avec ces données et permettre aux utilisateurs d’en tirer des informations précieuses et orientées vers l’avenir.
De nombreuses organisations restent sceptiques vis-à-vis des décisions automatisées. Comment les entreprises peuvent-elles instaurer la confiance dans les prévisions basées sur l’IA ?
Une bonne dose de scepticisme est bénéfique. Le cynisme est destructeur. Et les décisions entièrement automatisées par l’IA peuvent en effet être problématiques. Un rapport du MIT(désormais tristement célèbre) indique que 95% des projets d’IA mis en œuvre au niveau de l’entreprise échouent. Les 5 % qui réussissent sont ceux qui impliquent un humain dans la boucle de contrôle. C’est exactement le modèle de Pecan AI. Nous avons un humain dans la boucle de contrôle qui s’assure que les prédictions sont précises, précieuses, fiables et réalisables.
Avec la loi européenne sur l’intelligence artificielle l’Europe a mis en place l’un des cadres juridiques les plus stricts au monde en matière d’IA.
Quel est l’impact sur les plateformes d’analyse prédictive comme Pecan.ai ?
Pecan n’a pas besoin de données personnelles pour générer des prédictions. La connaissance des noms, adresses, numéros de téléphone, dates de naissance ou autres données personnelles n’aide pas à la modélisation. La plate-forme permet aux utilisateurs de déterminer avec précision les données qu’ils souhaitent ou non partager, et nous recommandons vivement de ne pas utiliser de données personnelles.
Comment les entreprises peuvent-elles s’assurer que leurs modèles prédictifs restent transparents et explicables, en particulier dans des secteurs très réglementés comme l’assurance ou la banque ?
La transparence et l’explicabilité sont intégrées à la plateforme Pecan AI. Nous avons consacré beaucoup de temps et d’efforts à nous en assurer, et nous avons été audités et évalués par un grand nombre d’entreprises de différents secteurs, qui l’ont confirmé. Pecan AI est loin d’être une boîte noire. Il s’agit plutôt d’une boîte en verre qui montre aux utilisateurs comment les opérations fonctionnent, comment le processus s’est déroulé, quels modèles ont été utilisés, quels hyperparamètres ont été sélectionnés et quelles caractéristiques ont eu un impact sur chaque prédiction au niveau individuel du client.
Les assureurs utilisent traditionnellement les données pour les modèles de risque. Comment l’IA prédictive modifie-t-elle la logique actuarielle classique dans le secteur ?
La logique actuarielle évalue les risques en fonction de données historiques sur les sinistres et de variables prédéfinies. L’IA prédictive brise cette limitation en intégrant des milliers de signaux, tels que la télématique, les données d’imagerie, les données comportementales, l’IoT, et en révélant des corrélations que les actuaires n’auraient jamais pensé à modéliser.
Les effets se font sentir tout au long de la chaîne de valeur : une évaluation plus précise des risques au niveau individuel, la constitution de provisions dynamiques au lieu de triangles de développement statiques, l’évaluation des risques de fraude et de processus dès la première déclaration de sinistre et des modèles de rétention optimisés en fonction de la Customer Lifetime Value et pas seulement du taux de sinistres.
Le point de conflit central est l’explicabilité. Les régulateurs exigent des modèles justifiables, c’est pourquoi ML n’a pas remplacé la logique actuarielle, mais a déplacé les actuaires vers le haut de la hiérarchie, vers la gouvernance et l’interprétation des modèles.
La lacune restante pour la plupart des assureurs n’est pas la perspicacité, c’est l’opérationnalisation. Ils disposent d’équipes de data science et de preuves de concept, mais les prédictions ne sont pas exécutées en production et n’influencent pas les décisions réelles. C’est là que Pecan intervient : Nous comblons l’écart entre un modèle existant et une prédiction qui mène à l’action.
Au-delà des prévisions d’attrition et des ventes croisées, quels nouveaux domaines d’application de l’IA prédictive voyez-vous dans le secteur de l’assurance au cours des cinq prochaines années ?
Pecan AI n’est pas une insurtech et nous n’avons pas d’expertise spécifique en assurance. Nous sommes des experts en données et partout où il y a des données tabulaires et structurées, la plateforme s’est avérée très efficace et continue de le prouver lorsqu’il s’agit de créer des modèles précis et fiables à une vitesse record et à moindre coût. L’adoption de l’IA dans le secteur de l’assurance (comme dans d’autres secteurs) devrait s’intensifier dans les années à venir.
Le débat sur l’IA est actuellement fortement influencé par l’IA générative. Comment voyez-vous l’interaction entre l’IA générative et l’IA prédictive dans le contexte commercial ?
C’est exactement ce qu’a fait Pecan AI. Nous avons pris un processus d’analyse prédictive existant depuis longtemps et avons développé une machine qui l’automatise. Nous avons ensuite ajouté une composante agentique qui permet une interaction très efficace entre l’utilisateur et la machine, ce qui a considérablement accéléré des processus qui prenaient auparavant de nombreuses semaines et souvent des mois, et les a réduits à quelques heures ou quelques jours.
À long terme, l’IA générative permettra-t-elle aux équipes commerciales de développer des modèles prédictifs complexes sans connaissances approfondies en science des données ?
En partie, mais pas complètement, et cette différence est importante.
L’IA générative réduira considérablement les obstacles auxquels sont confrontées les équipes commerciales lors de l’analyse des données, de la formulation des problèmes et de la création de prototypes de modèles. Les interfaces en langage naturel permettent déjà aux utilisateurs non techniques d’interroger des ensembles de données, de générer des idées de caractéristiques et d’interpréter des résultats sans avoir à écrire de code. C’est une réalité qui se développe de plus en plus rapidement.
Cependant, les modèles prédictifs complexes exigent toujours des choses que GenAI ne peut pas remplacer : des données propres et bien gérées, une formulation solide des problèmes, la compréhension des hypothèses du modèle et l’évaluation des cas où un modèle se trompe de manière significative. Les équipes commerciales ont tendance à sous-estimer tout cela jusqu’à ce que quelque chose se passe mal en production.
Le résultat le plus probable est une nouvelle répartition des tâches : les équipes commerciales sont responsables de la définition des problèmes et de la validation des résultats, les équipes techniques de la fiabilité et de la gouvernance, et l’IA fait le gros du travail entre les deux. L’analyste qui comprend le métier et qui peut travailler couramment avec des outils d’IA devient le profil décisif.
Pour Pecan en particulier, c’est un vent en poupe : le problème le plus difficile n’a jamais été de construire des modèles, mais de les associer à des décisions à grande échelle. Cela reste vrai quel que soit le créateur.
Les questions ont été posées par Binci Heeb.
Dan Goldenblatt est directeur général pour les régions EMEA et APAC de Pecan.ai, où il dirige les ventes régionales et est responsable de la division assurance de la société. Avec plus de vingt ans d’expérience dans la vente de solutions SaaS et d’intelligence artificielle à des clients importants dans les secteurs des services publics, de l’assurance, de la fintech et d’autres secteurs, Dan a fait ses preuves en créant des marchés à partir de zéro et en concluant des transactions complexes avec de nombreuses parties prenantes. Il a mis en place l’équipe EMEA et la division assurance de Pecan et a conclu des contrats avec des sociétés telles que Fiverr, Markel, Fetch Pet Insurance et Savills (pour n’en citer que quelques-unes). Auparavant, il a réalisé un chiffre d’affaires annuel de plus de 2 millions de dollars dans le domaine des logiciels d’entreprise IA/ML/NLP en tant que VP Business Development chez App Orchid. Basé à Berlin, Dan apporte une expertise juridique, un MBA et une connaissance approfondie du secteur à chaque engagement commercial.
Lisez aussi : Pécan : L’expérience générative en un clin d’œil
Recherche :
Sponsors :
