Dans le centre de contact d’un assureur, le client attend au téléphone pendant que le conseiller fouille dans les conditions générales, les tarifs, les procédures et plusieurs systèmes. La réponse existe quelque part, elle est seulement difficile à trouver vite et à certifier à jour. Pour un responsable du service client, cela signifie une chose : le savoir existe, mais il n’arrive pas à temps dans la conversation. C’est cet écart que comble un assistant IA en assurance, bâti sur RAG combiné à un modèle de langage.
D’après notre expérience, le plus difficile n’est pas de mettre un modèle debout mais de l’implanter dans le processus de service réel et dans les sources de vérité de l’entreprise. Pour UNIQA, l’un des plus grands assureurs de Pologne, nous avons construit un assistant IA pour le centre de contact sur le modèle PLLuM qui suggère des réponses prêtes aux conseillers et reformule les notes en langage orienté bénéfices, le tout en on-prem.
Pourquoi les conseillers perdent-ils du temps à chercher des réponses ?
Le problème vient rarement des personnes. En assurance, le savoir est dispersé, volumineux et changeant : les conditions générales diffèrent selon les produits et les années, les tarifs sont mis à jour, et les procédures vivent dans des documents séparés. Au lieu de parler au client, le conseiller saute d’un onglet à l’autre et assemble une réponse à partir de plusieurs endroits à la fois.
Les conséquences sont familières à toute personne qui dirige un service client : le temps de traitement augmente, le risque de réponses incohérentes grandit, et les nouveaux arrivants mettent longtemps à monter en puissance. Le même dossier peut se terminer différemment selon la personne qui l’a traité. Ce n’est pas un problème de motivation mais d’accès au savoir au moment de la conversation.
Qu’est-ce qu’un assistant IA (RAG + LLM) en assurance ?
C’est une solution qui combine la recherche dans les documents propres à l’entreprise (RAG) et la génération de réponses par un modèle de langage (LLM). Un LLM seul écrit bien, mais il ne connaît pas vos conditions générales et peut inventer. RAG corrige cela en donnant au modèle des fragments précis de documents réels sur lesquels fonder sa réponse.
En pratique, la question d’un conseiller (ou le contenu du dossier d’un client) déclenche une recherche des fragments les plus pertinents dans la base des conditions générales, des tarifs et des procédures, et le modèle formule une réponse ancrée dans ces sources. Le conseiller obtient donc non pas un discours générique mais une réponse adossée à un document que l’on peut montrer. Pour UNIQA, nous l’avons bâtie sur le modèle PLLuM, adapté à la langue polonaise du service client en assurance.
Comment fonctionne la recherche dans les conditions générales et les tarifs, ancrée dans les sources ?
Pour que l’assistant soit digne de confiance, ce qui compte est la qualité de la couche de recherche, pas le modèle seul. Les documents doivent être préparés pour que le modèle atteigne le bon fragment :
- le découpage des documents en fragments porteurs de sens (conditions générales, tarifs, procédures) qui préservent le contexte,
- l’indexation vectorielle, qui trouve le contenu par le sens et non par mot-clé,
- l’ancrage des réponses dans les sources, en reliant le contenu généré à un document précis,
- la mise à jour de la base de connaissances quand les tarifs ou les conditions changent, sans tout reconstruire.
Résultat : l’assistant répond à partir d’une documentation à jour, et l’équipe sait d’où vient chaque réponse. C’est cette couche qui décide si la solution est une démo ou un outil de production.
Comment relier l’assistant au CRM et aux canaux de service (omnicanal) ?
L’assistant ne prend de la valeur que lorsqu’il vit là où le conseiller travaille, et non dans une fenêtre séparée. Nous le concevons donc comme une partie de l’environnement de service existant :
- un panneau de suggestions IA avec des réponses prêtes directement dans l’interface du conseiller,
- des résumés automatiques des notes en langage orienté bénéfices, compréhensible par le client,
- une intégration avec le CRM et le centre d’appels, pour que l’assistant voie le contexte du dossier,
- une seule « source de vérité » dans un modèle omnicanal, cohérente quel que soit le canal de contact.
Sur le projet UNIQA, nous avons raccordé l’assistant au CRM et au système du centre d’appels, si bien qu’il est devenu un point de référence partagé entre les canaux. Le conseiller ne traque plus les réponses à plusieurs endroits : il en reçoit une dans le contexte du dossier.
Comment traiter la sécurité des données et l’environnement (on-prem / cloud privé) ?
En assurance, les données sont sensibles et l’exigence réglementaire est élevée : l’architecture doit en tenir compte dès le premier jour. Nous faisons tourner l’assistant là où les données de l’entreprise restent sous son contrôle : on-premises ou dans un cloud privé, sans envoyer le contenu des dossiers à des API de modèles publiques.
L’organisation y gagne deux choses à la fois : les données clients ne quittent jamais l’environnement maîtrisé, ce qui simplifie les discussions avec la sécurité et la conformité, et l’entreprise garde la maîtrise du modèle et de la base de connaissances. Pour UNIQA, nous avons justement exploité l’assistant en modèle on-prem / cloud privé, condition du passage en production.
Pourquoi l’humain dans la boucle est-il indispensable ?
Parce que l’objectif n’est pas de remplacer le conseiller mais de le libérer d’une recherche fastidieuse. L’assistant rédige une proposition de réponse et résume le dossier, mais l’humain décide de ce qui part vers le client, en conjuguant la vitesse de la machine avec le jugement et l’empathie de la personne.
Pour un responsable du service, cela a aussi un côté pratique : l’humain dans la boucle protège de l’erreur et construit la confiance de l’équipe envers l’outil. Les conseillers l’adoptent plus vite lorsqu’ils voient qu’il soutient leurs décisions au lieu de les évincer, et le savoir des meilleurs conseillers devient accessible à toute l’équipe au lieu de rester dans quelques têtes.
Comment mesurer l’effet (AHT, cohérence) ?
Déployer un assistant IA est un projet métier : nous le mesurons donc avec des chiffres. Les principales directions que nous suivons avec l’équipe service :
- l’AHT (temps moyen de traitement) comme indicateur d’efficacité principal,
- le coût par dossier traité, qui baisse à mesure que les conseillers closent plus vite,
- la cohérence des réponses, c’est-à-dire la même réponse correcte quel que soit le conseiller,
- le temps d’intégration d’un nouvel arrivant, car le savoir est disponible dès le premier jour.
L’objectif du déploiement chez UNIQA était de réduire l’AHT et le coût du service tout en gardant la qualité : nous avons donc fixé les indicateurs au départ plutôt que de les greffer à la fin. C’est la manière la plus simple de montrer le retour sur investissement aux décideurs.
Quelles compétences fournissons-nous pour un projet IA en assurance ?
Un tel déploiement demande une équipe qui comprend à la fois le modèle, l’activité de service et les intégrations. Nous la formons autour du périmètre réel, pas « au cas où » :
- des ingénieurs LLM/RAG responsables du modèle, de la couche de recherche et de la qualité des réponses,
- des spécialistes MLOps qui maintiennent la solution en production (déploiements, supervision, mises à jour),
- des ingénieurs d’intégration qui raccordent l’assistant au CRM, au centre d’appels et à la base documentaire,
- des architectes data et sécurité qui veillent sur l’environnement on-prem / cloud privé.
Notre compétence AI/Data est réelle, et nous livrons des projets GenAI, RAG et LLM en production, pas seulement en démonstration. C’est la différence entre une vitrine et une solution qui soutient chaque jour de vraies conversations clients.
Comment procédons-nous chez RITS ?
Nous le faisons en partenaire qui mène l’IA jusqu’en production, et non en prestataire qui s’arrête à la preuve de concept. Notre projet pour l’un des plus grands assureurs de Pologne le montre :
- pour UNIQA, nous avons construit un assistant IA pour le centre de contact sur le modèle PLLuM (RAG + LLM), avec un panneau de suggestions IA dans l’interface du conseiller,
- nous avons ajouté des résumés automatiques des notes en langage orienté bénéfices et relié l’ensemble à une « source de vérité » omnicanale intégrée au CRM et au centre d’appels,
- nous avons exploité la solution en on-prem / cloud privé, pour que les données clients restent sous le contrôle de l’entreprise,
- nous sommes passés d’un pilote en 8 semaines à l’échelle de toute l’organisation, avec pour objectif de réduire l’AHT et le coût du service.
Le plus souvent, il s’agit d’un déploiement IA qui soutient les processus de service existants et, lorsqu’il faut compléter vite des compétences, nous ajoutons notre équipe dans le modèle de collaboration choisi.
Par où commencer le déploiement d’un assistant IA ?
Commencez par un scénario de service concret (par exemple les questions les plus fréquentes sur l’étendue de la garantie) et par la question des documents qui doivent alimenter la base de connaissances. Cela définit le périmètre du pilote, les exigences d’environnement et les indicateurs qui montreront l’effet, avant d’investir dans la mise à l’échelle. Nous avons traité les différences entre modèles de collaboration dans notre article sur les modèles de collaboration IT.
Vous voulez déployer un assistant IA (RAG + LLM) dans votre centre de contact ? Parlons-en - nous adapterons le périmètre du pilote et l’architecture à votre organisation.
Déployez un assistant IA pour votre centre de contact avec nous