Agentic AI and Retrieval-Augmented Models in Straight-Through Underwriting
Cet article propose et évalue un cadre d'IA agentique pour la souscription directe de polices commerciales de petite taille, démontrant qu'un système multi-agents combinant la recherche ciblée, la vérification de données tierces et l'évaluation explicite de règles surpasse les bases de référence de type LLM unique et RAG naïf, particulièrement dans des scénarios complexes exigeant transparence et auditabilité.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Imaginez que vous dirigez une pizzeria géante et ultra-rapide. Chaque jour, des centaines de personnes déposent des commandes. Certaines sont simples : « Juste du fromage, sans oignons. » D'autres sont délicates : « Je veux du pepperoni, mais seulement si le pepperoni provient d'une ferme spécifique, et j'ai besoin de savoir si la ferme se trouve à moins de 50 miles, mais le client a oublié d'écrire le nom de la ferme sur le bon. »
Dans les vieux temps, votre boutique utilisait une liste de contrôle rigide. Si le bon ne mentionnait pas « pepperoni », vous ne pouviez pas faire la pizza. S'il le mentionnait, vous la faisiez. Mais la vraie vie est désordonnée. Les gens écrivent des notes comme « J'adore la viande épicée de la ferme juste en bas de la rue » au lieu de remplir un formulaire.
Ce document traite d'un nouveau type de chef de cuisine pour les compagnies d'assurance (spécifiquement pour les polices de petites entreprises appelées BOP). Les auteurs, Robert Richardson et son équipe, voulaient voir si l'IA Agentique — un terme sophistiqué pour désigner un assistant robotique intelligent capable de réaliser plusieurs étapes — pouvait gérer ces commandes désordonnées mieux que les anciennes méthodes.
Les trois chefs de cuisine
Pour tester cela, ils ont construit une cuisine simulée (un monde fictif composé de données générées par ordinateur, et non de vraies commandes de clients) avec 635 « demandes » différentes (commandes de pizza). Ils ont testé trois façons différentes de les traiter :
- Le Chef à LLM Unique (Le cuisinier « en un passage ») : C'est un robot super intelligent qui lit la commande et le livre de règles, puis crie immédiatement « Oui ! » ou « Non ! ». Il est rapide, mais il ne s'arrête pas pour réfléchir s'il lui manque une pièce du puzzle. Il se contente de deviner en fonction de ce qu'il voit devant lui.
- Le Chef RAG (Le cuisinier « bibliothécaire ») : Ce robot est plus intelligent. Avant de crier une réponse, il court à la bibliothèque (une base de données de règles) pour trouver la règle spécifique qui correspond à la commande. Il est meilleur pour trouver des faits, mais il se contente de lire le livre et de répondre. Il ne prévoit pas vraiment ce qu'il doit faire ensuite.
- Le Chef Agentique (Le « capitaine d'équipe ») : Ce n'est pas seulement un robot, mais une équipe de trois travailleurs spécialisés qui se parlent.
- Le Travailleur 1 regarde la commande et dit : « Cela semble facile », ou « Cela semble bizarre », ou « Il me manque des informations ».
- Le Travailleur 2 intervient si des informations manquent. Il dit : « Hé, le client n'a pas écrit la superficie, mais vérifions notre base de données externe pour voir si nous pouvons la trouver ».
- Le Travailleur 3 est le « Penseur ». Si la commande nécessite des calculs (comme « Le client a un bâtiment de 12 000 pieds carrés, mais seulement la moitié est destinée à l'épicerie ; est-ce que la partie épicerie est de moins de 5 000 pieds carrés ? »), ce travailleur fait le calcul et vérifie la règle.
- S'ils n'arrivent toujours pas à comprendre, le capitaine d'équipe dit : « Stop ! Nous avons besoin qu'un humain regarde ceci. »
La grande découverte
Le document suggère que le Chef Agentique (l'équipe) est le meilleur pour obtenir la bonne réponse, surtout quand les choses se compliquent.
Voici ce que les chiffres de leur simulation ont montré :
- Lorsque les commandes étaient simples, les trois chefs s'en sortaient bien.
- Mais quand les commandes étaient complexes (comme nécessiter des calculs ou trouver des informations manquantes), le Chef Agentique était le grand vainqueur.
- Pour les commandes où des informations manquaient mais pouvaient être trouvées ailleurs, le Chef Agentique a eu raison 88,2 % du temps. Le robot en un seul passage n'a eu raison que 80,3 % du temps.
- Pour les commandes où des informations manquaient et ne pouvaient pas être trouvées (les énigmes « insolubles »), le Chef Agentique a su s'arrêter pour demander l'aide d'un humain 84,3 % du temps. Le robot en un seul passage n'a su s'arrêter que 56,7 % du temps.
La découverte la plus importante est que le système Agentique est bien meilleur pour savoir quand dire « Je ne sais pas ». Les autres robots essayaient de deviner et se trompaient souvent. L'équipe Agentique a réalisé : « Nous n'avons pas assez de faits, alors appelons un humain », ce qui est exactement ce que l'on veut dans un métier à enjeux élevés comme l'assurance.
Ce que ce système N'EST PAS
Les auteurs sont très clairs sur ce que ceci n'est pas.
- Ce n'est pas un lecteur de pensée magique. Le document argumente explicitement contre l'idée que l'IA peut simplement « penser » comme un humain. Ces robots n'ont pas de sentiments ou de vrais cerveaux ; ils suivent simplement des modèles statistiques et des règles.
- Ce n'est pas un remplacement des humains. Le document soutient que le but n'est pas de licencier tous les souscripteurs (les décideurs humains). Au contraire, le but est que le robot gère les choses faciles et les cas de type « j'ai besoin de vérifier ceci », afin que les humains puissent se concentrer sur les cas vraiment difficiles et complexes.
- Ce n'est pas encore un fait prouvé pour le monde réel. Les résultats proviennent d'un ensemble de données synthétiques (un monde fictif créé par des ordinateurs). Les auteurs admettent que les données réelles d'assurance sont désordonnées, bruitées et pleines de surprises que leurs données fictives pourraient ne pas capturer. Ainsi, bien que les résultats soient prometteurs, ils sont simulés, et non encore prouvés dans une véritable compagnie d'assurance.
Le compromis : Vitesse vs Intelligence
Il y a un piège. Être intelligent prend du temps.
- Le Chef à LLM Unique était le plus rapide, prenant environ 1,64 seconde par commande.
- Le Chef Agentique était le plus lent, prenant environ 4,72 secondes par commande.
Le document suggère que ce temps supplémentaire vaut la peine pour les commandes complexes car il évite les erreurs. Mais pour les commandes super faciles, vous n'avez peut-être pas besoin de toute l'équipe.
L'essentiel
Ce document suggère que si vous voulez automatiser les décisions d'assurance, vous ne devriez pas simplement utiliser un robot unique et rapide qui devine. Au lieu de cela, vous devriez construire une équipe de robots capables de faire une pause, de vérifier leurs notes, de faire des calculs, de chercher des faits manquants et d'admettre quand ils sont bloqués.
Dans leur cuisine simulée, cette approche « Agentique » a commis moins d'erreurs et a donné de meilleures raisons pour ses décisions que les autres méthodes. Cependant, les auteurs rappellent que ceci est une preuve de concept utilisant des données fictives. Avant de pouvoir confier ces robots à de l'argent réel et à de vraies entreprises, nous devons les tester dans le monde réel désordonné et nous assurer que les humains gardent toujours le dernier mot.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.