L'assurance agricole est un métier où l'incertitude n'est pas un accident : elle est la matière première. On accepte un risque sans savoir s'il pleuvra, on fixe un prix sans connaître le rendement, on indemnise sur des dégâts que personne n'a vus se produire. Chaque étape repose sur une inférence à partir d'informations incomplètes.
C'est exactement le terrain où l'intelligence artificielle promet le plus — et où elle peut faire le plus de dégâts si on lui confie le mauvais rôle.
Nous avons mis deux agents en production cette année. Le premier intervient à la souscription, le second à l'instruction du sinistre. Ce texte explique pourquoi ces deux moments précisément, et pourquoi nous avons construit ces agents comme des outils de documentation plutôt que comme des moteurs de décision.
Pourquoi ces deux moments
Dans le cycle de vie d'un contrat agricole, il existe deux instants où une décision engage durablement la compagnie, et où l'information disponible est structurellement insuffisante.
Le premier est le moment où l'on dit oui. Le souscripteur dispose de quelques éléments déclaratifs, d'une localisation approximative, éventuellement d'un historique interne si le client est connu. Il doit en tirer un prix et une décision d'acceptation. Ce qui manque — le potentiel agronomique réel des sols, l'exposition climatique de la zone, la solidité financière de la contrepartie — existe pourtant sous forme de données publiques et satellitaires, mais réunir tout cela à la main prend une demi-journée par dossier. Personne ne le fait, sauf sur les gros risques.
Deux angles morts méritent d'être nommés séparément, parce qu'ils touchent au fondement même du contrat.
Le premier est l'antisélection. Rien n'empêche matériellement un producteur de demander une couverture grêle après l'orage, ou une garantie sécheresse quand le déficit hydrique est déjà installé. Le souscripteur, lui, n'a aucun moyen de le voir : il examine une demande datée d'aujourd'hui, pas l'état du champ la semaine précédente. Cette information existe pourtant. La trajectoire NDVI de la parcelle et l'historique des capteurs sur les semaines antérieures disent si la culture était déjà dégradée au moment de la souscription — et un décrochage antérieur à la signature est un signal qu'aucune déclaration ne fournira.
Le second touche à la nature même du risque. L'assurance repose sur une hypothèse : que le sinistre soit aléatoire, donc mutualisable. Une parcelle de fond de vallée qui gèle sept années sur dix ne porte pas un risque, elle porte une certitude — et la couvrir au tarif d'un aléa revient à financer une perte annoncée. Distinguer les deux suppose de regarder plusieurs dimensions climatiques sur une profondeur historique suffisante : fréquence de grêle, occurrences de gel, déficits pluviométriques, épisodes de sécheresse sur vingt à trente campagnes. C'est précisément ce que permettent les données que nous opérons, au moment de la souscription plutôt qu'a posteriori, quand la sinistralité a déjà révélé le caractère structurel de l'exposition.
Le second est le moment où l'on paie. Un sinistre est déclaré. L'expert doit établir si l'événement a eu lieu, s'il a touché les parcelles concernées, et dans quelle proportion. Il travaille avec ce qu'il voit au moment de sa visite, souvent des semaines après les faits, sur une culture qui a continué d'évoluer.
Ces deux moments ont une caractéristique commune : ce ne sont pas des problèmes de calcul, mais des problèmes de rassemblement et de lecture d'informations dispersées. C'est précisément ce que les modèles actuels font bien.
L'agent de souscription : un dossier, pas un score
Le premier agent construit, à partir des données du contrat et de la géoréférence des parcelles, un dossier de risque structuré selon quatre angles.
L'angle agroclimatique caractérise le potentiel et l'exposition : nature et qualité des sols, historique climatique de la zone, trajectoire NDVI des campagnes passées, topographie du lot — altitude, pente, exposition, indice d'humidité topographique. L'angle crédit rassemble les signaux financiers publics disponibles sur la contrepartie. L'angle conformité vérifie la cohérence des données d'identification. Le quatrième produit une recommandation de souscription argumentée.
Ce qui compte n'est pas cette liste, que d'autres pourraient reproduire. Ce qui compte est la forme du résultat.
L'agent ne produit pas une note. Il produit un dossier où chaque affirmation est reliée à sa source, où chaque source est datée, et dont l'ensemble est figé par une empreinte au moment de l'analyse.
Cette distinction est le cœur de notre choix technique, et elle mérite d'être expliquée.
Un score est une sortie opaque. Il donne un nombre, il ne donne pas de raison. Quand un souscripteur le conteste, il n'a rien à examiner. Quand un régulateur le questionne, la compagnie n'a rien à montrer. Quand le modèle est mis à jour, plus personne ne peut reconstituer ce que le score valait au moment de la décision.
Un dossier cité et figé est l'inverse. Chaque conclusion s'ouvre sur ce qui la fonde. Un souscripteur en désaccord peut pointer la source qu'il juge mauvaise. Un contrôleur peut refaire le chemin. Et l'empreinte garantit que le dossier examiné aujourd'hui est bien celui qui a servi à décider il y a huit mois — ce qui, en cas de contentieux ou d'audit de réassurance, fait toute la différence.
L'architecture : des règles là où il faut des règles
Une deuxième décision de conception mérite d'être explicitée : l'agent est hybride.
Tout ce qui peut être calculé de façon déterministe l'est. Une surface, un cumul d'exposition en dollars, une moyenne NDVI, une pente, un ratio de sinistralité : ce sont des opérations arithmétiques, et confier de l'arithmétique à un modèle de langage serait une faute d'ingénierie. Ces valeurs sont calculées par du code, vérifiable et reproductible.
Le modèle de langage intervient là où il apporte quelque chose : lire des documents non structurés, mettre en relation des éléments hétérogènes, formuler une synthèse compréhensible, signaler une incohérence entre deux sources. C'est un travail de lecture et de rédaction, pas de calcul.
Cette séparation a une conséquence directe sur la fiabilité. Les erreurs de raisonnement d'un modèle de langage sur des chiffres — le domaine où il est le plus faillible et le plus difficile à surveiller — n'existent tout simplement pas dans cette architecture, parce qu'on ne lui a jamais demandé de faire ce calcul.
L'agent sinistres : le désaccord comme signal
Le second agent travaille sur l'instruction. Il lit directement l'imagerie NDVI de la parcelle, avant et après la date déclarée, et croise ce qu'il y voit avec les données de capteurs disponibles sur la même fenêtre : radar de grêle, pluviométrie, températures de gel, indices de sécheresse, imagerie thermique GOES.
L'objectif n'est pas de prononcer un verdict. Il est de produire, parcelle par parcelle puis pour le dossier entier, une synthèse de ce que les données montrent — en mettant explicitement en évidence les points de désaccord.
C'est le renversement le plus utile de l'outil. Quand tous les indices concordent, la synthèse ne fait que confirmer ce que l'expert aurait conclu, plus vite. La valeur apparaît quand ils divergent : une déclaration de grêle sur une date où le radar n'a rien enregistré, une chute de NDVI antérieure à l'événement déclaré, un sinistre annoncé sur une parcelle dont la trajectoire végétative est restée normale. Ces situations ne signifient pas qu'il y a fraude — un capteur peut manquer un événement très localisé — mais elles signalent où l'expertise humaine doit se concentrer.
Advisory, et pourquoi ce n'est pas une précaution de façade
Nos deux agents fonctionnent en mode consultatif. Ils n'acceptent pas un risque, ne fixent pas un prix, ne rejettent pas un sinistre. Ce n'est pas une prudence commerciale ni une réserve juridique : c'est une position sur ce que ces systèmes savent faire.
Un modèle de langage est excellent pour rassembler et restituer. Il est mauvais pour arbitrer sous incertitude quand les conséquences sont asymétriques — et refuser un sinistre à tort ne coûte pas la même chose que de l'accepter à tort. Il est également incapable d'intégrer ce que le souscripteur sait de son marché, de sa relation avec un courtier, du contexte d'une région après une mauvaise campagne.
Le partage que nous retenons est simple : la machine documente, l'humain décide. L'agent fait passer le temps d'instruction d'une demi-journée à quelques minutes, et rend visible ce qui serait resté enfoui. Ce que le souscripteur ou l'expert fait de cette information relève de leur métier.
Ce que cela implique pour la conformité
Un dernier point, souvent traité trop tard.
Nous avons délibérément construit ces agents autour du contrat et de son risque, non autour de la personne assurée. La distinction paraît sémantique ; elle ne l'est pas. Un système qui constitue un profil sur une personne physique tombe sous un régime de protection des données exigeant, avec des obligations d'information, de limitation de finalité et de droit d'opposition qui pèsent lourd. Un système qui analyse le risque porté par un contrat — les parcelles, les cultures, l'exposition climatique, la géométrie — reste dans le périmètre de l'appréciation du risque assurantiel.
Cette contrainte a orienté la conception dès le départ, et non après coup. Elle explique pourquoi les analyses sont attachées au contrat, pourquoi les cohortes que nous étudions sont des cohortes de contrats, et pourquoi le dossier figé est conservé comme pièce justificative de la décision plutôt que comme historique comportemental.
Ce qui vient
Deux chantiers sont en cours : l'un sur l'enrichissement du diagnostic sinistre par de nouvelles sources d'observation, l'autre sur l'appréciation automatisée du risque à la parcelle. Dans les deux cas, la même contrainte s'applique : ce qui ne peut pas être expliqué ne sera pas déployé.
Les deux agents décrits ici sont en production sur la plateforme ClimaVista, sur les portefeuilles d'assureurs partenaires en Argentine.