L'assurance, premier secteur à découpler croissance et travail humain ?

En trois ans, l'assureur américain Lemonade a triplé ses revenus, multiplié son profit brut par dix et réduit ses effectifs. Cas isolé, ou premier signal mesurable d'un monde où croissance et travail humain cessent d'évoluer ensemble ?

Le test Lemonade : croissance explosive, effectifs en baisse

Depuis plus d’un siècle, l’assurance obéit à une règle simple : plus de clients signifie plus d’employés. Plus de contrats à analyser, plus de sinistres à traiter, plus d’appels à gérer. La croissance se mesure autant en primes qu’en recrutements.

Lemonade affirme avoir brisé cette logique.

Entre 2021 et 2023, l’entreprise a triplé ses revenus, multiplié son profit brut par dix et ajouté près d’un million de clients. Dans le même temps, ses effectifs ont diminué. Elle emploie aujourd’hui moins de personnes qu’à son pic de croissance.

Dans une industrie américaine pesant 1 300 milliards de dollars et employant 2,9 millions de personnes, ce type de découplage mérite qu’on s’y arrête.

Progressive Corporation sert environ 30 millions de clients avec près de 50 000 employés. GEICO affiche des ordres de grandeur comparables.

Ces acteurs améliorent leur productivité chaque année, mais leur croissance reste structurellement liée à leur masse salariale.

Lemonade, lui, fonctionne autrement.

Plus de 90 % des réclamations seraient traitées sans intervention humaine. Lors de chaque souscription, des dizaines de modèles d'IA évaluent en temps réel le risque du client, sa probabilité de résiliation, ses chances d'acheter un produit complémentaire.

Son dirigeant, Daniel Schreiber, va jusqu'à affirmer que la majorité des plaintes proviennent d'interactions humaines, pas des systèmes automatisés. L'humain, dans ce modèle, n'est plus seulement un centre de coût. Il devient un point de friction.

Reste une question ouverte : s'agit-il d'un modèle durable, ou d'une performance liée à un segment de clientèle favorable ? L'histoire des insurtech rappelle qu'un modèle peut paraître brillant jusqu'au moment où il se confronte à plus grande échelle.

L’assurance : premier laboratoire grandeur nature du travail post-humain

L’assurance n’est ni une usine, ni un laboratoire, ni même une plateforme sociale. Elle ne produit rien de tangible.

Elle vend une promesse fondée sur une estimation statistique du risque : collecter des données, modéliser des probabilités, facturer une prime supérieure au coût attendu des sinistres.

Le cœur du métier ? Pas la relation humaine. La prédiction.

Le plafond humain

Pendant des décennies, cette prédiction a buté sur un plafond humain.

Un courtier pose une dizaine de questions. Un actuaire construit des grilles tarifaires à partir de quelques variables (âge, code postal, type de véhicule). On segmente par grandes catégories parce qu'on ne peut pas faire mieux à grande échelle.

Ça fonctionne. Mais ça reste grossier.

Et l’IA fait sauter ce plafond.

Dans un parcours 100 % digital, chaque micro-signal devient exploitable : 

• Le temps passé sur une question,
• L’ordre des réponses,
• Le type d’appareil utilisé,
• Les mots-clés recherchés avant d’arriver sur le site.

Là où un agent humain perçoit une situation globale, un système algorithmique capture des dizaines, parfois des centaines d’indices faibles.

Ce changement paraît technique. Il est en réalité structurel.

Du pricing par moyenne au pricing par individu

Chez Lemonade, une cinquantaine de modèles d’IA peuvent intervenir lors d’une simple souscription.

Ils ne se contentent pas de fixer un prix. Ils estiment la probabilité que vous résiliiez dans six mois, que vous déclariez un sinistre dans l’année, ou que vous soyez réceptif à une assurance complémentaire.

On passe ainsi d’un pricing par moyenne à un pricing par individu.

L’exemple est simple :

Deux conducteurs de 30 ans, même quartier, prime historiquement similaire.

Mais si l'un adopte une conduite douce mesurée en temps réel par télématique, tandis que l'autre freine brutalement et accélère agressivement, le risque réel n'est pas le même.

L'algorithme ajuste le tarif quasi instantanément. C'est ce que certains appellent le "de-averaging" : la fin des grandes catégories, remplacées par une granularité fine, presque personnalisée.

Quand l’économie interne bascule

Cette transformation ne modifie pas seulement le pricing. Elle change l’économie interne du secteur.

Dans un modèle classique, davantage de clients signifie davantage de gestionnaires, davantage d’experts, davantage d’agents. Les coûts sont variables. La croissance appelle mécaniquement l’embauche.

Dans un modèle IA-first, l’investissement principal est initial : infrastructure, données, modèles. Mais une fois la machine en place ? Une fois la machine en place, servir un million de clients supplémentaires ne nécessite pas un million d'heures humaines en plus.

L’assurance est un cas presque chimiquement pur : un produit fondé sur des probabilités, qui manipule de l’information structurée, sans contrainte physique majeure. C’est le terrain idéal pour que l’IA montre toute sa puissance.

Mais un terrain favorable ne garantit pas une victoire définitive. Reste une question : les acteurs historiques peuvent-ils vraiment riposter… sans se saboter eux-mêmes ?

Les acteurs historiques peuvent-ils vraiment riposter ?

Si le modèle IA-first fonctionne, une question s’impose : pourquoi les géants de l’assurance ne feraient-ils pas la même chose ? Ils ont l’argent, les équipes, les données. Sur le papier, rien ne semble les en empêcher.

C’est que le problème n’est pas financier. Il est architectural.

Une infrastructure construite par couches

Les assureurs historiques ne sont pas nés avec l’IA.

Leurs systèmes se sont construits par strates successives, parfois sur plusieurs décennies : logiciels maison, bases de données distinctes pour la souscription, les sinistres, le service client. Des systèmes qui fonctionnent… mais rarement ensemble.

Un modèle IA-first exige l'inverse : une donnée centralisée, propre, unifiée, exploitable en temps réel. Refondre cette architecture signifie réécrire des pans entiers du système nerveux de l'entreprise, tout en continuant à opérer au quotidien. Un chantier à plusieurs milliards, avec un risque opérationnel élevé.

Un modèle économique à cannibaliser

La plupart des assureurs historiques distribuent leurs produits via des agents et courtiers indépendants, qui captent 10 à 15 % de la prime en commission. Un modèle massivement automatisé court-circuite ce réseau.

Adopter l'IA ne consiste donc pas seulement à moderniser un outil. C'est remettre en cause une partie de la chaîne de valeur existante et des milliers d'intérêts économiques établis.

C’est une version très concrète du Dilemme de l’innovateur de Clayton Christensen : innover trop vite peut déstabiliser son propre modèle avant même que le marché ne l’exige.

Ne pas enterrer les legacy trop vite

Pour autant, les acteurs historiques ont un atout que les nouveaux entrants n'ont pas : des décennies de données et une base client massive.

Progressive investit depuis des années dans la télématique avec son programme Snapshot. GEICO bénéficie de la puissance de feu de Berkshire Hathaway.

Si ces entreprises parviennent à intégrer des modèles avancés sur cette profondeur de données, l'effet de levier pourrait être considérable.

La vraie question n'est donc pas "peuvent-elles le faire ?", mais "accepteront-elles de se transformer avant d'y être contraintes ?"

2,9 millions d’emplois : transition maîtrisée ou choc brutal ?

Si le modèle IA-first se généralise, l’enjeu dépasse largement la performance d’une entreprise. Il concerne les 2,9 millions de personnes employées par l’industrie américaine de l’assurance.

Et cette fois, ce ne sont pas des postes périphériques qui sont exposés.

Le cœur du métier est dans le viseur

Souscripteurs, experts en sinistres, actuaires, agents, centres d'appels : le secteur repose sur le traitement d'information structurée.

Lire un dossier. Poser des questions.

Évaluer un risque. Appliquer une grille. Décider.

Autant de tâches que les modèles prédictifs et les LLM savent désormais exécuter à grande échelle, avec une cohérence et une rapidité supérieures.

Un exemple concret : un expert automobile analyse des photos après un accident, estime les dégâts, consulte des barèmes, valide un remboursement.

Aujourd'hui, la vision par ordinateur identifie les dommages, compare avec des milliers de cas similaires, estime un coût et propose une décision en quelques secondes. L'humain devient superviseur, pas opérateur.

Derrière cette bascule, il y a des trajectoires individuelles. Celle d'un expert sinistre de 50 ans, vingt-cinq ans de métier, qui a construit son expertise sur la lecture fine des dossiers, la négociation avec les garages, la relation avec les assurés. Ce qu'il sait faire, il le fait bien.

Ce que le système lui demande désormais de devenir – superviseur d'algorithmes, validateur de décisions automatisées – est un autre métier. Pas nécessairement inférieur. Mais différent. Et cette transition, personne ne la lui a vraiment expliquée.

Le mythe de la reconversion fluide

On invoque souvent la reconversion : les travailleurs déplacés trouveront ailleurs des opportunités créées par la technologie. C’est possible. Mais l’histoire montre que les transitions sectorielles rapides produisent rarement une redistribution automatique et indolore.

Les programmes de formation existent, mais leur efficacité à grande échelle reste incertaine.

Et surtout, le nombre de postes hautement qualifiés créés par l'IA est très inférieur au nombre de postes intermédiaires qu'elle rend redondants.

Ce n'est pas un effondrement immédiat. C'est une érosion progressive, concentrée sur une classe moyenne stable, habituée à des revenus réguliers et à une sécurité relative.

Une question institutionnelle, pas technologique

Parmi les réponses avancées : revenu universel, taxation des profits liés à l'IA, réduction du temps de travail... Elles restent largement théoriques. Aucune n'a été testée à l'échelle d'une disruption sectorielle de cette ampleur.

L'assurance pourrait devenir un laboratoire social autant qu'économique. Si un secteur aussi massif absorbe la transition sans fracture majeure, il offrira un modèle pour la banque, la santé, le juridique…

Si la transition se fait dans la douleur, le signal sera tout aussi lisible.

La technologie, elle, est déjà là. Ce qui manque, ce ne sont pas les outils. Ce sont les institutions capables d'accompagner ce que les outils produiront.

Après l'assurance, quels secteurs sont vraiment en ligne de mire ?

Si l'assurance n'était qu'un cas isolé, l'histoire serait intéressante. Si elle est un prototype, elle devient un signal.

Car ce qui se joue ici ne concerne pas un secteur. Cela concerne un type d'activité… beaucoup plus répandu qu'on ne le pense.

Le pattern à surveiller

Avant même de regarder les secteurs, il faut regarder le schéma :

• Croissance forte
• Profits en hausse
• Effectifs stables ou en baisse

Lorsque ce triptyque devient récurrent dans un secteur, la mutation n'est plus marginale. Elle est structurelle. C'est l'indicateur que POST-WORK suivra dans les prochains épisodes.

Trois secteurs en ligne de mire

La banque repose elle aussi sur l'évaluation probabiliste : accorder un crédit, c'est estimer une probabilité de défaut ; détecter une fraude, c'est identifier un pattern anormal. JPMorgan utilise déjà des modèles avancés pour analyser des contrats et générer des rapports financiers. Le découplage volume/emploi y est déjà amorcé.

La santé semble plus résistante. Elle implique du contact humain, du jugement clinique, de la responsabilité. Pourtant, une large part de la chaîne repose sur le diagnostic probabiliste. En radiologie, en dermatologie, en oncologie, des systèmes analysent déjà des images avec une précision comparable à celle de praticiens humains. La logique du "superviseur humain" y progresse aussi.

Le juridique, enfin, repose massivement sur l'analyse de précédents et la production de documents. Des startups comme Harvey automatisent déjà la recherche jurisprudentielle. Ce qui prenait des heures à un junior se génère en quelques minutes. Le volume de dossiers et le volume d'emplois commencent, là aussi, à se distendre.

Ces trois secteurs feront l'objet de futurs articles. Ce qui précède n'est qu'un premier cadrage.

Ce que l'assurance nous apprend vraiment

La vraie leçon du cas Lemonade n'est pas technologique. Elle est économique.

Pendant des siècles, la croissance a eu besoin du travail humain pour exister. Elle en avait besoin pour produire, pour distribuer, pour décider. Ce lien n'était pas une règle morale, mais une contrainte mécanique.

Cette contrainte est en train de sauter.

Pas partout. Pas tout de suite. Mais dans certains secteurs, sur certaines fonctions, le découplage est déjà mesurable. L'assurance en est la première démonstration à grande échelle.

Ce que POST-WORK documente, ce n'est pas la fin du travail. C'est la fin d'une équation ; celle qui faisait de la croissance économique le moteur naturel de l'emploi.

Ce qui vient après, personne ne le sait encore avec certitude. Mais ça commence maintenant.