Category Archives: Actuarial science

Assureurs et IA, un risque systémique

Dans Insurers retreat from AI cover as risk of multibillion-dollar claims mounts, le Financial Times rapportait cette fin de semaine que plusieurs grands assureurs (AIG, Great American ou encore WR Berkley) cherchent à introduire des exclusions explicites pour les risques liés à l’intelligence artificielle, notamment concernant les usages d’agents et de modèles de langage. Les motifs avancés sont limpides : les pertes potentielles liées à l’IA pourraient atteindre des montants de plusieurs centaines de millions, voire davantage. Mais surtout, le danger ne réside pas tant dans l’ampleur d’un sinistre isolé que dans la possibilité de pertes corrélées, massives, simultanées, impossibles à mutualiser. Comme le résume Aon dans une phrase,

“What [the industry] can’t afford is if an AI provider makes a mistake that ends up as a 1,000 or 10,000 losses.” (« Ce que l’industrie ne peut se permettre, ce n’est pas une perte de 400 ou 500 millions pour une entreprise, mais une erreur d’un fournisseur d’IA qui se traduit par mille ou dix mille sinistres. »)

L’enjeu porte bien moins sur la gravité d’un incident donné que sur la simultanéité de milliers d’incidents identiques. Autrement dit, nous avons affaire à la définition même d’un risque systémique. Pour le comprendre, il est utile de replacer ce phénomène dans le cadre plus large des systèmes complexes, des accidents dans les organisations à haute fiabilité, et des mécanismes de risque systémique tels qu’ils sont étudiés depuis plusieurs décennies dans la finance et l’assurance.

L’IA comme réseau interconnecté : un terrain idéal pour la contagion

La littérature sur le risque systémique enseigne que ce n’est pas la taille absolue des institutions qui détermine leur vulnérabilité, mais la structure de leurs interconnexions. Prasanna Gai souligne ainsi que les systèmes financiers présentent une dynamique qu’il qualifie de « robust-yet-fragile » : ils résistent à d’innombrables chocs, mais peuvent s’effondrer brutalement lorsqu’un choc particulier circule par les bons canaux. Il rappelle que

“The system may be robust to most shocks, but when problems strike the effects may be catastrophic.” (« Le système paraît robuste à la plupart des chocs, mais lorsqu’ils se produisent, les effets peuvent être catastrophiques. »)

Une erreur locale peut se transformer en catastrophe globale dès lors qu’elle atteint le « cluster vulnérable » du réseau. Les simulations qu’il présente montrent que plus un réseau est interconnecté, plus une erreur peut s’y propager rapidement. Un changement minime de connectivité ou de capitalisation peut faire basculer l’ensemble du système d’un état stable à un état critique, une véritable « phase transition ». Comme le résume Gai,

“An initial error can spread through the entire vulnerable cluster.” (« Une erreur initiale peut se propager à l’ensemble du cluster vulnérable. »)

Dans ce cadre, l’IA générative présente toutes les caractéristiques d’un système hautement propice à la contagion. Lorsqu’un fournisseur d’IA déploie une mise à jour défectueuse, commet une erreur dans les poids d’un modèle ou subit une vulnérabilité de cybersécurité, ce ne sont pas des utilisateurs isolés qui sont affectés mais des milliers, car ils partagent les mêmes infrastructures. Chaque client ne dépend pas seulement de son propre usage, mais de l’intégrité d’un modèle global, dont la moindre modification reproduit instantanément un comportement identique chez tous ses utilisateurs. C’est exactement le type de contagion fulgurante que les assureurs redoutent aujourd’hui : une propagation non pas lente et progressive, mais immédiate, simultanée, homogène.

Pourquoi l’assurance redoute les pertes corrélées

L’assurabilité repose historiquement sur une condition essentielle : la loi des grands nombres. Comme le rappellent Hufeld, Koijen et Thimann  dans The Economics, Regulation, and Systemic Risk of Insurance,

“The risk must obey the law of large numbers.” (« Le risque doit obéir à la loi des grands nombres. »)

Les événements doivent être indépendants, ou suffisamment hétérogènes, pour que les pertes se compensent statistiquement. Or les cyber-risques ne respectent déjà pas cette condition, comme l’ont montré Biener et al. dès 2015 :

“Cyber losses are highly interrelated and characterized by severe information asymmetries.” (« Les pertes cyber sont hautement corrélées et caractérisées par de sévères asymétries d’information. »)

L’assurance cyber est déjà structurellement fragile, car elle fait face à des risques simultanés, massifs, et difficilement attribuables. L’IA générative ne fait que renforcer cette structure, en créant un environnement où les erreurs ne sont pas seulement fréquentes, mais potentiellement identiques et simultanées. Les exemples cités par le Financial Times (un chatbot d’Air Canada qui engage automatiquement la compagnie, un module de Google qui diffame une PME, une fraude par deepfake coûtant 25 millions de dollars à Arup, ou encore un agent autonome qui génère des erreurs de prix ou de diagnostic en série) illustrent la reproductibilité extrême de ces incidents. Un même défaut, une même mise à jour, une même vulnérabilité peut affecter tout un secteur d’un seul coup. Cette homogénéité des sinistres est délétère pour l’assurance. Comme le rappelle la littérature actuarielle, lorsque les pertes deviennent corrélées, la mutualisation s’effondre mécaniquement. L’assurance, par construction, ne peut absorber des risques dont la structure pousse naturellement à l’agrégation.

IA, cybersécurité et “accidents normaux” : quand la complexité rend l’erreur inévitable

Clearfield et Tilcsik, dans Meltdown, montrent que dans les systèmes complexes, les défaillances ne sont pas des anomalies : elles sont inévitables. Les surprises émergent des interactions multiples, et de petites erreurs peuvent rapidement s’amplifier lorsqu’elles circulent dans des réseaux étroitement couplés. Leur thèse correspond exactement à ce que redoutent les assureurs : l’erreur d’un modèle autonome n’est pas une bourde humaine isolée, mais un mécanisme systémique susceptible de se répliquer partout. En s’appuyant sur des cas variés (Fukushima, accidents ferroviaires, aviation, cybersécurité) les auteurs montrent que certains environnements sont « wicked », c’est-à-dire des environnements où les signaux d’erreur sont ambigus, les interactions complexes et les systèmes vulnérables à des surprises brutales.

“In wicked environments, error signals are ambiguous, interactions are complex, and systems become vulnerable to surprises.” (« Dans les environnements wicked, les signaux d’erreur sont ambigus, les interactions complexes, et les systèmes deviennent vulnérables aux surprises. »)

Les modèles d’IA générative incarnent parfaitement cette description : leur opacité structurelle, leur comportement non déterministe, leur dépendance à quelques fournisseurs globaux et l’absence de cloisonnement entre leurs usages créent un système dont les défaillances locales deviennent immédiatement systémiques. La concentration de dépendances technologiques entre quelques acteurs amplifie encore cette dynamique. Lorsqu’un modèle est utilisé dans des contextes juridiques, médicaux, financiers, industriels, une erreur qui y apparaît peut contaminer simultanément tous ces domaines. De ce point de vue, l’IA est déjà moins un outil qu’un écosystème interconnecté, un véritable système complexe au sens fort.

Pourquoi l’IA crée un risque systémique inédit pour l’assurance

Traditionnellement, l’assurance est considérée comme moins vulnérable au risque systémique que la banque, en raison de l’interconnexion nettement plus faible entre assureurs. C’est le consensus rappelé par Hufeld, Koijen et Thimann :

“The insurance industry is not subject to systemic risk, in particular due to its significantly lower interconnectedness.” (« L’industrie de l’assurance n’est pas sujette au risque systémique, notamment du fait de sa faible interconnexion. »)

Mais cette affirmation repose sur une hypothèse implicite : les risques assurés doivent eux-mêmes rester indépendants. Avec l’IA, cette hypothèse s’effondre. Pour la première fois, un risque assuré (cyber, erreurs et omissions, dommages causés par des systèmes logiciels) devient structurellement interconnecté. Un seul fournisseur, un seul modèle, une seule mise à jour ou une seule vulnérabilité peuvent provoquer des milliers de sinistres simultanés. L’interconnexion n’est plus une propriété du marché de l’assurance : elle est une propriété du risque lui-même.

Acharya, Pedersen, Philippon et Richardson définissent un risque comme systémique lorsqu’il peut provoquer une situation de « capital shortfall » simultanée dans de nombreuses institutions. Ils notent que

“Even if liabilities are not runnable, a firm can contribute to systemic risk through its contribution to the aggregate capital shortfall.” (« Même si les passifs ne sont pas sujets aux runs, un assureur peut contribuer au risque systémique par sa contribution au capital shortfall agrégé. »)

Dans un monde où des milliers de sinistres liés à une même erreur d’IA pourraient survenir en même temps, cette notion prend un relief particulier. L’IA introduit ainsi une forme de risque agrégé, corrélé, non diversifiable. Ce n’est plus un risque volatil mais un risque structuralement synchronisé, ce qui constitue la hantise des assureurs.

Ce que pourraient être les “big systemic events” de l’IA

Dans un tel contexte, plusieurs scénarios illustrent comment un risque systémique lié à l’IA pourrait se matérialiser. Imaginons, par exemple, une mise à jour défaillante d’un LLM utilisé dans la finance : un modèle déployé dans deux mille banques commet simultanément une erreur d’interprétation réglementaire. Les conséquences seraient immédiates (mauvaise conformité, sanctions, litiges, retraits, actions collectives) et parfaitement synchrones .Un agent juridique autonome pourrait produire des hallucinations systématiques, générant de fausses citations juridiques ou de faux raisonnements. Si cet agent était déployé dans plusieurs centaines d’entreprises, l’erreur deviendrait immédiatement collective.

À ces scénarios opérationnels s’ajoute un phénomène plus subtil : la rupture d’interprétabilité. Lorsque les modèles produisent des signaux plausibles mais opaques, humains comme machines sont tentés de leur attribuer un sens excessif. Un signal faible (une légère hausse de score dans un modèle de résiliation, un changement ténu dans un score de risque) peut être interprété comme un mouvement réel, alors qu’il ne s’agit que d’un artefact statistique, d’un biais de dataset ou d’un drift latent. Ces interprétations erronées peuvent déclencher des rétroactions en chaîne, transformant un bruit en choc réel : décisions d’urgence, modifications de politiques tarifaires, ajustements de modèles secondaires. Clearfield et Tilcsik décrivent ce mécanisme d’emballement comme une prophétie autoréalisatrice. Dans le langage de Gai, un bruit initial trouve soudain un chemin vers le « cluster vulnérable » et déclenche une cascade ,

With positive probability, a random initial default at one bank can lead to the spread of default across the entire vulnerable portion of the financial system (…) Contagion breaks out when shocks strike any bank in, or adjacent to, the giant vulnerable cluster and spread across the entire cluster.” (« Avec une probabilité positive, un défaut initial aléatoire dans une banque peut entraîner la propagation du défaut à l’ensemble de la portion vulnérable du système financier (…) La contagion éclate lorsque des chocs touchent une banque située dans — ou à proximité immédiate de — l’immense cluster vulnérable, et qu’ils se propagent à travers l’ensemble de ce cluster. »)

Pour les assureurs, un tel risque, intrinsèque au fonctionnement même du système, devient impossible à mutualiser.

Le cas d’école de Tesla

Le livre The Tesla Files fournit une illustration frappante de ces dynamiques. On y découvre une organisation où une concentration extrême des fonctions critiques rend tout incident susceptible de se propager à grande échelle. Un seul administrateur peut disposer d’un accès global, des milliers d’employés détiennent des privilèges élevés, et le lanceur d’alerte décrit l’absence de monitoring interne malgré des téléchargements massifs. Une faille, dans un tel contexte, ne touche pas une partie isolée du système : elle compromet l’ensemble. Du point de vue systémique, Tesla fonctionne comme un graphe extrêmement connecté, sans cloisonnements internes, dans lequel la connectivité moyenne est anormalement élevée. Les auteurs rappellent que Tesla ne manipule pas seulement ses propres données, mais agrège celles de clients, partenaires, gouvernements, sous-traitants et organismes de régulation. Ils écrivent :

“The stream of data expands to include customers, business partners, and a wide array of individuals and companies with ties to Tesla.” (« Le flux de données s’étend aux clients, partenaires commerciaux, et à une vaste gamme d’individus et d’entreprises liés à Tesla. »)

Cette interconnexion massive crée des dépendances multiples, très proches de celles observées dans les systèmes bancaires avant 2008. Les auteurs montrent également que Tesla minimise certains indicateurs de risque (en n’enregistrant que les crashs impliquant un airbag, par exemple), désactive parfois l’Autopilot juste avant impact, créant une ambiguïté sur les responsabilités, ou refuse de transmettre des données aux régulateurs. Quatre éléments clefs apparaissent : des asymétries d’information, une opacité des responsabilités, une gestion centralisée des incidents et une homogénéité logicielle extrême. On découvre également que les crashs Autopilot en Europe sont traités par une seule équipe, et qu’il existe des milliers de plaintes clients pour freinages intempestifs ou accélérations fantômes. Lorsque l’ensemble de la flotte repose sur un même modèle logiciel, mis à jour simultanément, une erreur peut provoquer un choc corrélé massif. C’est précisément ce que redoutent aujourd’hui les assureurs pour les IA génératives. Tesla apparaît ainsi comme un précédent concret : un système où l’homogénéité logicielle crée un risque d’agrégation tel qu’une simple erreur peut devenir un “big systemic event”.

AI Liability : un angle mort juridique dans un marché asymétrique

À ces risques opérationnels s’ajoute un dernier élément : la responsabilité juridique. L’« AI liability », c’est-à-dire la question de savoir qui est responsable lorsque l’IA cause un dommage, est aujourd’hui l’un des sujets les moins traités, et les plus explosifs. Le Financial Times note à juste titre que

“Nobody knows who’s liable if things go wrong.” (« Personne ne sait qui est responsable lorsque quelque chose tourne mal. »)

Dans la pratique, les contrats proposés par les fournisseurs d’IA incluent des limitations drastiques de responsabilité, des exclusions de garantie de performance et des clauses transférant quasi intégralement le risque à l’utilisateur. Comme la demande est quasi inélastique (il n’existe souvent pas d’alternative crédible aux grands modèles), les fournisseurs peuvent imposer unilatéralement leurs termes, créant une asymétrie contractuelle majeure. Cette asymétrie devient critique dans les secteurs régulés, où les entreprises sont tenues de maîtriser leurs modèles : banques, assureurs, hôpitaux doivent respecter des obligations strictes de gestion du risque opérationnel ou du risque modèle, alors même que les modèles auxquels ils recourent sont opaques, externalisés et non audités. Les révélations de The Tesla Files montrent que même des entreprises très technologiques peuvent perdre le contrôle de leurs propres systèmes, rendant certaines obligations réglementaires inapplicables en pratique. Le secteur financier se retrouve ainsi dans une contradiction profonde : juridiquement responsable d’outils dont il ne maîtrise ni la conception, ni les données d’entraînement, ni la gouvernance, ni le comportement, il ne peut ni contester les erreurs des fournisseurs, ni obtenir réparation lorsqu’un modèle commet une faute. Cette situation crée un triple gouffre : un gouffre réglementaire, puisque les entreprises ne peuvent satisfaire leurs obligations ; un gouffre contractuel, puisque toute la responsabilité repose sur l’utilisateur ; et un gouffre assurantiel, puisque les assureurs se retirent progressivement de ce champ. Le résultat est un risque systémique juridique, caractérisé par une responsabilité diffuse, une dépendance concentrée et une allocation du risque profondément inefficiente.

Références

 

Et si les cyclistes avaient raison de ne pas s’arrêter aux stops ?

l y a quelques mois, dans un billet intitulé “Could there be incentives to cycle through a red light?” je revenais sur la manière dont les usagers de la route arbitrent, souvent inconsciemment, entre risque, confort et efficacité. Nous y notions que certaines “infractions” ne relèvent pas de la délinquance mais d’une adaptation pragmatique à des règles parfois mal calibrées. L’exemple du cycliste qui ne s’arrête pas tout à fait à un stop illustre à mon avis cette tension entre la norme et le bon sens. Dans mon précédant billet, je posais une question rhétorique, partant de la scène (familière à certains il me semble) : un cycliste approche d’un panneau, ralentit, regarde à gauche puis à droite, et poursuit sa route sans poser le pied à terre. Les chroniqueurs d’émissions de télé s’indigneraient ( “encore un cycliste qui se croit tout permis”) et je posais la question de la rationalité dans cette pratique. Ce que je ne savais pas lorsque j’avais écrit à l’époque est que, dans certains États américains, ce comportement n’a rien d’une infraction. Il est même… prévu par la loi.

Le cas de l’Idaho, et la loi de 1982

Tout commence en 1982, dans un État rural que rien ne destinait à devenir un laboratoire de mobilité durable : l’Idaho. Cette année-là, l’assemblée locale adopte une réforme du code de la route (article §49-720) autorisant les cyclistes à traiter un panneau “Stop” comme un “Cédez-le-passage”. Concrètement, il faut ralentir, vérifier qu’aucun véhicule n’arrive, et si c’est le cas, le cycliste peut traverser sans arrêt complet. La même loi permet aussi, aux feux rouges, de marquer un bref arrêt puis de repartir si la voie est libre, ou de tourner à droite sans attendre le feu vert (cette dernière règle existant aussi pour les automobiles). Autrement dit, ce qui était jusqu’alors considéré comme une désobéissance devient la norme.

Depuis, la règle a fait des émules, puisque l’Oregon et Washington l’ont adoptée en 2020, le Colorado en 2022, le Minnesota en 2023, et même le District de Columbia l’a intégrée en 2022. Dans ces États, on ne contraint plus le cycliste à se comporter comme une voiture lente ; on reconnaît la spécificité de son mode de déplacement.

Le stop, un non-sens énergétique

S’arrêter à chaque panneau n’a rien d’anodin quand on avance à la seule force de ses jambes. D’un point de vue purement physique, le vélo est une machine à haut rendement : la puissance musculaire se transforme en énergie cinétique, et chaque arrêt dissipe cette énergie sous forme de chaleur dans les freins… et de fatigue dans le corps. Redémarrer, c’est produire à nouveau l’énergie perdue, un effort souvent disproportionné pour un gain nul.

Le physicien Joel Fajans, de l’Université de Californie à Berkeley, a montré qu’un cycliste dépense jusqu’à cinq fois plus d’énergie sur un parcours ponctué de stops rapprochés que sur une voie fluide. Ce constat est bien connu pour quiconque a déjà tenté de pédaler en ville l’hiver : chaque relance impose une montée en puissance cardiaque, une accumulation d’acide lactique et un refroidissement brutal au vent. On brûle des calories, certes, mais aussi une bonne part du plaisir de rouler.

Ce coût énergétique, et le découragement qu’il engendre, se traduisent paradoxalement par moins de cyclistes, donc moins de sécurité collective. L’urbaniste Jason N. Meggs, dans une étude publiée en 2010 à Berkeley (Bicycle Safety and Choice: Compounded Public Cobenefits of the Idaho Law), a observé qu’en Idaho, l’année suivant la réforme, le nombre de blessures de cyclistes avait diminué de presque 15 %. En autorisant des traversées plus naturelles, la loi aurait réduit le temps d’exposition dans les intersections et accru la fluidité du trafic.

Meggs évoque aussi le phénomène de “Safety in Numbers” décrit par Peter Jacobsen (en 2003) : plus les cyclistes sont nombreux, plus ils deviennent visibles et attendus, ce qui diminue mécaniquement les collisions. Autrement dit, en permettant de pédaler plus efficacement, la loi d’Idaho a aussi contribué à rendre la pratique plus sûre.

Quand la norme ne colle plus au réel

Les cyclistes, pourtant, n’ont pas attendu le législateur pour s’adapter. Dans une étude observationnelle à Seattle (publiée en 2015), Catherine  Silva a observé plus de 2 600 passages à des intersections : seuls 19 % des cyclistes s’arrêtaient complètement à un stop, 55 % ralentissaient avant de passer, et environ un quart franchissaient sans arrêt. Aucun de ces comportements n’a été associé à une hausse des accidents.

De même, en 2013, Brandon Whyte (Université de l’Illinois) a comparé les accidents entre Boise (Idaho) et Champaign-Urbana (Illinois). Résultat : pas de différence significative dans la gravité des collisions aux stops, mais moins de blessures graves aux intersections à feux dans la ville où la loi était appliquée. Plus récemment, une évaluation nationale menée par la National Highway Traffic Safety Administration (Jackson et al., 2024) sur huit États et le District de Columbia a confirmé ces résultats : aucune hausse des accidents ou des blessures, et souvent une baisse légère mais mesurable des collisions aux intersections.

Le constat me semble clair : le comportement “Idaho Stop” ne crée pas de danger supplémentaire. Ce que la loi interdit encore dans la plupart des pays correspond tout simplement à une pratique sûre, rationnelle et universelle. Pourtant, la résistance demeure forte. Dans une enquête menée en 2021–2022 auprès d’experts et du grand public, Rhonda Kae Young et ses collègues ont montré que la majorité des cyclistes perçoivent ces lois comme bénéfiques ou neutres, tandis que les forces de l’ordre y sont très opposées. Beaucoup de policiers estiment qu’elles “brouillent la lisibilité” du code. Les cyclistes, eux, y voient la simple légalisation de comportements déjà observés.

C’est toute l’ambiguïté du droit routier moderne : il a été conçu à l’ère de la voiture, pour uniformiser les comportements et discipliner la vitesse. Le vélo, lui, repose sur un autre régime de mouvement, plus lent, plus réactif, plus sensoriel. Le forcer à adopter les mêmes règles, c’est nier sa logique propre.

Légaliser le réel plutôt que punir l’évident

La loi “Idaho Stop” invite à une question plus large : et si légaliser un comportement réel plutôt que le punir renforçait la sécurité ?
Nos sociétés développées tendent à multiplier les interdits : amendes pour dépassement minime, feux “grillés” à vide, arrêts “incomplets” filmés par caméra. On sanctionne la déviation plus que le danger. Cette inflation punitive entretient la fiction d’une obéissance parfaite, alors que la sécurité effective dépend souvent de la capacité d’adaptation des usagers. Or les études sur les lois “Stop-as-Yield” racontent une histoire inverse : plus on fait confiance aux individus, plus leurs comportements sont sûrs. Les cyclistes, libérés d’une règle inadaptée, se concentrent mieux sur leur environnement et réduisent les risques réels. La peur de la sanction est remplacée par une attention partagée.

Ce glissement (de la contrainte vers la confiance) illustre une philosophie du droit plus pragmatique : reconnaître que les normes les plus efficaces sont celles qui épousent la réalité des pratiques. Dans le cas de l’Idaho, légaliser ce que tout le monde faisait déjà n’a pas provoqué le chaos. Cela a simplement mis le droit en phase avec la vie. Et c’est peut-être là la leçon la plus universelle de cette expérience américaine : la route est un espace social, pas une simple grille de règles. L’ordre y naît moins de la peur du gendarme que de la responsabilité réciproque. Dans bien des domaines, de la mobilité à la fiscalité, on gagnerait à s’en souvenir, non ?

Rérérences

Arrow, K. J. (1963). Uncertainty and the Welfare Economics of Medical Care. American Economic Review, 53(5), 941–973.

Caldwell, J., & Yanocha, D. (2016). Is it Time to Reexamine Your Bike Code? A Review of Cycling Policies in Illinois Municipalities. Illinois Municipal Policy Journal, 1(1), 109–121.

Fajans, J. (2000). Steering in bicycles and motorcycles. American Journal of Physics, 68(7), 654-659.

Jackson, C. et al. (2024). Bicyclist Stop-as-Yield Law Analysis. National Highway Traffic Safety Administration (DOT HS 813 528).

Jacobsen, P. L. (2003). Safety in Numbers: More Walkers and Bicyclists, Safer Walking and Bicycling. Injury Prevention, 9, 205–209.

Meggs, J. N. (2010). Bicycle Safety and Choice: Compounded Public Cobenefits of the Idaho Law. UC Berkeley, TRB Paper #10-2560.

Silva, C. M. C. (2015). Bicyclists’ Stopping Behaviors: An Observational Study of Bicyclists’ Patterns and Practices. University of Washington.

Whyte, B. (2013). The Idaho Stop Law and the Severity of Bicycle Crashes: A Comparative Study. University of Illinois at Urbana-Champaign.

Young, R. K. et al. (2024). Characterization of Expert and Public Perceptions of Bicycle Rolling Stop Laws. Transportation Research Record, 2678(10), 634–647.

Kyoto, Lecture 1

Today, I will give the very first lecture of the 数学・数理科学グローバル特別講義6について, at Kyoto University.

2025/11/04 火 09:30 – 11:30
2025/11/05 水 09:30 – 11:30
2025/11/10 月 09:30 – 11:30
2025/11/11 火 09:30 – 11:30
2025/11/13 木 09:30 – 11:30
The course will be located at 3号館127大会議室. Lecture notes are also available online.

Deux tiers d’une indemnité : une histoire de discriminations en assurance vie aux États Unis

À la fin du XIXᵉ siècle, l’assurance vie s’est imposé comme un outil de sécurité économique pour les entreprises et les familles, en particulier aux États-Unis. Mais cette promesse n’a pas été appliquée pas de la même manière pour tous. En 1881, l’assureur Prudential annonçait que les prestations des polices d’assurance-vie souscrites par des adultes noirs seraient un tiers plus faibles que celles des Blancs, alors que les primes hebdomadaires resteraient identiques. Derrière l’apparence d’une égalité d’accès (primes identiques) se cache une inégalité profonde : payer autant, pour recevoir moins.

Les Noirs aux États-Unis, deux tiers d’une indemnité, pour une vie entière

Cette pratique n’était pas marginale. Plusieurs grandes compagnies adoptèrent des règles analogues, institutionnalisant une forme d’« égalité fractionnaire » : tous pouvaient désormais accéder à l’assurance, mais pas aux mêmes conditions. Le rapport de la National Association of Insurance Commissioners (NAIC) rappelle ainsi que « dès les années 1880, les prestations offertes aux assurés noirs étaient systématiquement réduites, souvent d’un tiers » .

Pour légitimer ces politiques, les actuaires ont mobilisé des arguments statistiques. La mortalité afro-américaine étant plus élevée en moyenne, les compagnies estimaient « rationnel » de réduire les prestations. Mais cette rationalité n’était qu’un masque. L’argument statistique fut consolidé par les travaux de Frederick L. Hoffman, statisticien chez Prudential, qui publia en 1896 Race Traits and Tendencies of the American Negro. Dans ce texte, qui a été très influent, Frederick L. Hoffman affirmait que les Noirs étaient voués à une disparition progressive, citant leur supposée propension à la maladie, au crime et à l’alcoolisme . Ce qui relève aujourd’hui de la pseudo-science raciale fut alors mobilisé comme base « objective » pour justifier des pratiques commerciales discriminatoires.

Comme l’a noté le rapport de l’Evolution of Race and Insurance Project, ces politiques tarifaires ont durablement façonné la structure du marché : elles ont conduit à la création de compagnies noires indépendantes (comme la North Carolina Mutual Life Insurance Company en 1898), précisément pour pallier l’injustice des contrats offerts par les assureurs dominants .

Une discrimination statistique légitime ?

Du point de vue des compagnies d’assurance de la fin du XIXᵉ siècle, la justification semblait aller de soi : les chiffres parlent. Les tables de mortalité indiquaient en effet que la population noire connaissait, en moyenne, des taux de décès plus élevés et une espérance de vie plus faible que la population blanche.

Les données compilées par Frederick L. Hoffman servaient de référence. Dans son ouvrage (Race Traits and Tendencies of the American Negro) il affirmait que la race noire était vouée à la disparition, s’appuyant sur des taux de mortalité supérieurs dans les grandes villes, ayant une plus forte prévalence de certaines maladies et une supposée incapacité à s’adapter au progrès moderne. Ces thèses furent publiées par l’American Economic Association et reprises dans des revues respectées, donnant une caution pseudo-scientifique à des politiques commerciales discriminatoires (Wolff 2006 ; NAIC 2021).

Pourtant, dès cette époque, des voix critiques s’élevaient. W. E. B. Du Bois, dans The Philadelphia Negro (1899), dénonçait l’usage biaisé de la statistique raciale. Les taux de mortalité plus élevés des Afro-Américains, expliquait-il, ne reflétaient pas une prétendue « infériorité biologique », mais des conditions sociales et sanitaires dramatiques : logements insalubres, pauvreté, discriminations dans l’accès aux soins. Autrement dit, ce que les assureurs présentaient comme une donnée « objective » relevant de la biologie était en réalité le produit de l’injustice sociale.

Pour ceux qui veulent faire l’analyse, je peux renvoyer aux tables de mortalité de la CDC qui, jusque dans les années 1970, proposait des tables “for the Negro population”.

Dans le livre, j’avais tracé les probabilités de survie, et les probabilités annuelles de décès dans les deux groupes (hommes Noirs ou Blancs).

Mais au delà des questions de chiffres, certes importantes, la tension était là : fallait-il considérer ces différences statistiques comme un fondement légitime pour réduire les prestations d’assurance, ou comme l’expression même d’une inégalité sociale qu’il fallait combattre ? Les assureurs choisirent la première option, en habillant leurs pratiques du manteau de la rationalité actuarielle.

Augmenter les primes, ou diminuer les prestations ?

Sur le plan actuariel, la logique est simple. Dans une population hétérogène où coexistent des individus à risque élevé et d’autres à risque faible, l’assureur doit rester à l’équilibre : les cotisations encaissées doivent suffire à couvrir les sinistres attendus, plus une marge pour les frais et le bénéfice. Deux voies s’offrent alors à lui :

  1. Augmenter les primes pour les assurés considérés comme plus risqués (ce qui reflète le principe classique de l’équivalence actuarielle : prime = probabilité de sinistre × coût du sinistre).
  2. Réduire les prestations pour ces mêmes assurés, en gardant des primes identiques mais en promettant contractuellement des indemnités plus faibles.

C’est cette seconde option qu’ont retenue Prudential et d’autres compagnies dans les années 1880 : plutôt que d’afficher des primes explicitement différenciées selon la race, elles maintinrent un prix uniforme, mais avec des prestations réduites pour les Noirs, souvent d’un tiers. Pourquoi ce choix ? Plusieurs raisons se cumulaient :

  • Acceptabilité commerciale : il paraissait plus facile d’expliquer aux clients que « tout le monde paie la même prime » que d’assumer ouvertement des tarifs raciaux différenciés.
  • Contournement légal et réputationnel : les premières lois et pressions sociales contre les discriminations rendaient politiquement plus sensible l’affichage de primes différenciées ; en revanche, une réduction des prestations pouvait être présentée comme une « simple adaptation technique ».
  • Simplicité actuarielle : les barèmes de primes restaient identiques pour tous, ce qui limitait les coûts administratifs, alors que l’ajustement se faisait du côté des prestations versées.

En apparence, l’égalité était respectée : chacun pouvait accéder à une police d’assurance au même prix. Mais l’égalité réelle était biaisée, car ce prix n’achetait pas la même protection. C’est ce paradoxe qui illustre la violence de la généralisation statistique : transformer une moyenne en destin contractuel, et l’habiller des atours de la rationalité économique.

De l’histoire ancienne ?

On pourrait croire que l’histoire des deux tiers appartient au passé, à une époque révolue où le racisme se proclamait ouvertement et où les statistiques servaient d’alibi à des discriminations frontales. Pourtant, ces pratiques posent aujourd’hui encore un problème conceptuel majeur : comment repérer et mesurer les discriminations en assurance ?

Lorsque les primes diffèrent entre groupes, la discrimination saute aux yeux et peut être documentée, contestée, parfois même sanctionnée. Mais l’exemple de Prudential en 1881 rappelle que l’injustice peut se nicher ailleurs : non pas dans ce que l’on paie, mais dans ce que l’on reçoit. Ici, le prix de la police d’assurance était identique pour les Blancs et les Noirs, mais l’indemnité, elle, était réduite d’un tiers.

Cette asymétrie est redoutable pour les chercheurs comme pour les régulateurs. Les primes sont visibles, publiées, comparables. Les prestations, elles, se découvrent seulement au moment du sinistre, dans les détails des clauses contractuelles ou dans les pratiques d’indemnisation. L’égalité peut être affichée à l’entrée (tout le monde a accès au contrat) et détruite à la sortie (mais pas pour le même montant d’indemnisation).

C’est pourquoi l’histoire des discriminations en assurance ne relève pas seulement de l’archéologie institutionnelle : elle éclaire des questions contemporaines. À l’ère des algorithmes et de l’assurance connectée, il est plus que jamais nécessaire de scruter non seulement les tarifs, mais aussi les prestations réelles et les indemnisations effectives. Car la justice ne se mesure pas seulement à ce que l’on paie pour entrer dans le système, mais à ce que l’on obtient quand on en a besoin.

Équité : traiter différemment ou ne pas traiter différemment ?

La question de l’équité n’a jamais cessé de diviser juristes, philosophes et responsables politiques. Faut-il traiter tout le monde de la même manière pour atteindre une société juste, ou bien reconnaître que certaines inégalités historiques exigent un traitement différencié ? Des arrêts emblématiques de la Cour suprême américaine (wikipedia, wikipedia) aux débats sur la parité en Europe (Coffé et al. (2024)), des politiques de « reservations » en Inde (wikipedia ou Aygün & Turhan (2025)) aux mesures canadiennes d’équité en emploi (wikipedia), les sociétés oscillent entre deux visions inconciliables, mais également légitimes. Ce billet propose de revenir sur cette tension constitutive, en explorant ses racines historiques et ses déclinaisons contemporaines.

Contexte historique : les droits civiques et la question de l’égalité réelle

Depuis plus d’un demi-siècle, la quête d’égalité s’impose comme l’un des enjeux politiques et philosophiques les plus disputés. Aux États-Unis, le mouvement des droits civiques des années 1960 marque un tournant décisif. Le Civil Rights Act (1964) et le Voting Rights Act (1965) mettent fin, du moins sur le plan légal, à la ségrégation institutionnelle qui prévalait dans le Sud depuis la fin de la guerre de Sécession. Mais très vite, un problème apparaît : l’égalité proclamée en droit n’entraîne pas automatiquement l’égalité en fait.

Dans ce contexte, la Cour suprême américaine devient l’arène de débats fondamentaux. En 1978, l’affaire Regents of the University of California v. Bakke ( wikipedia) porte sur les quotas d’admission destinés aux minorités. Le juge Harry Blackmun y écrit une phrase devenue célèbre : “In order to get beyond racism, we must first take account of race. There is no other way. And in order to treat some persons equally, we must treat them differently.”

Cette formule, qui peut sembler paradoxale, condense une vision : corriger des siècles d’inégalités requiert un traitement différencié. Pourtant, d’autres voix s’élèvent. En 2007, John Roberts, alors Chief Justice, exprime une position inverse lors d’une affaire sur l’attribution des places dans des écoles publiques : “The way to stop discrimination on the basis of race is to stop discriminating on the basis of race.”

Deux visions, deux philosophies : l’une mise sur l’action correctrice, l’autre sur l’égalité par la neutralité. Ces deux pôles nourrissent, depuis un demi-siècle, des débats sans fin sur la justice, l’équité et les politiques publiques.

La première vision : l’équité par traitement différencié

La première approche consiste à reconnaître que les injustices historiques ne disparaissent pas d’elles-mêmes et que l’égalité formelle ne suffit pas. C’est le raisonnement derrière ce que le droit américain nomme le disparate treatment. L’idée est simple : si les règles du jeu sont biaisées par le poids du passé, les appliquer de manière identique à tous ne peut que reproduire les inégalités existantes.

C’est de là que découle l’affirmative action, traduite en français par « discrimination positive ». Cette politique, mise en place aux États-Unis dès les années 1970, vise à favoriser l’accès des minorités raciales, mais aussi des femmes, à l’éducation et à l’emploi. L’arrêt Grutter v. Bollinger (2003) confirmera la possibilité pour les universités de prendre en compte la race comme critère, à condition qu’il s’agisse d’un facteur parmi d’autres (wikipedia).

Philosophiquement, cette position trouve des échos chez plusieurs auteurs. Rubenfeld (1997) insiste sur la nécessité de reconnaître l’histoire pour parvenir à une justice effective. Pojman (1998), bien que critique, rappelle que les partisans de la discrimination positive la justifient par l’impératif de compenser les désavantages structurels. Anderson (2004) défend l’idée d’une égalité démocratique, qui exige parfois des mesures différenciées pour rendre effectif le principe d’égalité citoyenne.

Les exemples ne manquent pas. Dans le domaine universitaire, les programmes destinés aux minorités sous-représentées ont permis à des milliers d’étudiants afro-américains ou latino-américains d’accéder à des établissements d’élite. Dans le monde du travail, des entreprises publiques comme privées ont instauré des programmes de diversité et d’inclusion visant à refléter la composition réelle de la société.

Mais cette logique ne se limite pas aux États-Unis.

  • Au Canada, la Loi sur l’équité en matière d’emploi (1986) impose aux employeurs publics et à certains employeurs privés d’adopter des mesures en faveur des femmes, des peuples autochtones, des minorités visibles et des personnes handicapées.
  • En Inde, le système des reservations (quotas réservés) garantit depuis les années 1950 un pourcentage de places dans les universités et la fonction publique aux castes historiquement discriminées (Scheduled Castes et Scheduled Tribes). Ces mesures, souvent contestées, demeurent essentielles pour l’accès de millions de personnes à des opportunités autrement inaccessibles.
  • En Europe, l’exemple le plus emblématique concerne les quotas de genre : la France a adopté, dès 2000, une loi sur la parité en politique, imposant que les partis présentent autant de candidates que de candidats aux élections.

Dans tous ces cas, l’argument est le même : pour corriger une inégalité durable, il faut accepter de traiter différemment – au moins temporairement.

La seconde vision : l’équité par indifférence aux différences

Face à cette approche, une autre philosophie propose une conception radicalement différente de l’équité. John Roberts, en 2007, résume cette vision : “The way to stop discrimination on the basis of race is to stop discriminating on the basis of race.”

Cette approche, dite colorblind (indifférente à la couleur), défend l’idée que toute distinction, même animée des meilleures intentions, ne fait que renforcer la pertinence de catégories raciales ou sociales que l’on devrait au contraire abolir. Ici, la justice réside dans le processus lui-même : si les règles sont les mêmes pour tous, alors le résultat sera juste, quelle qu’en soit la répartition.

Dans la jurisprudence américaine, cette conception s’appuie sur le concept de disparate impact. Plutôt que de corriger par un traitement différencié, il s’agit d’évaluer les effets indirects des politiques : si une règle apparemment neutre produit un effet disproportionné sur une minorité, alors elle peut être jugée discriminatoire. Mais en aucun cas il ne s’agit d’introduire des quotas ou des préférences explicites.

Politiquement, cette vision inspire nombre de décisions conservatrices. Après sa seconde élection, Donald Trump fit de l’abrogation de programmes de diversité une mesure symbolique, au nom de la neutralité et du refus du « favoritisme ». Dans l’opinion publique, cet argument trouve un écho : pourquoi le fils d’un immigré récent devrait-il être désavantagé face à un étudiant afro-américain bénéficiant de quotas, alors même qu’aucun de ses ancêtres n’a participé à l’esclavage ou à la ségrégation ?

Cette approche existe aussi ailleurs.

  • En France, l’interdiction des statistiques ethniques reflète cette vision universaliste : la République ne reconnaît que des citoyens, égaux en droits, et non des communautés. Les débats sur la discrimination positive sont souvent rejetés au nom du principe d’égalité formelle.
  • En Allemagne, les politiques d’intégration visent à offrir les mêmes droits à tous, sans distinction, même si des programmes de soutien ciblés existent en pratique.
  • Au Japon, la logique universaliste prévaut également, les politiques publiques évitant toute catégorisation ethnique, malgré la marginalisation persistante de certaines minorités comme les Aïnous ou les Burakumin.

Cette philosophie a sa cohérence : en refusant toute différenciation, elle espère faire disparaître, à long terme, la pertinence même des catégories sociales et raciales. Mais elle a aussi ses limites. Car en se focalisant uniquement sur la neutralité du processus, elle peut ignorer le poids des inégalités structurelles, reproduisant ainsi, sous couvert de justice, les hiérarchies héritées de l’histoire.

Une tension constitutive : vers une ouverture internationale

Ces deux visions ne cessent de s’affronter, aux États-Unis comme ailleurs. Pour les uns, l’équité se situe dans le processus : des règles justes produisent des résultats justes. Pour les autres, la justice exige une prise en compte active des inégalités existantes, et donc un traitement différencié.

Cette tension traverse également les débats européens sur la parité, les quotas pour personnes handicapées dans l’emploi, ou encore les politiques migratoires. Elle se retrouve au Canada, dans les discussions sur les droits des peuples autochtones. Elle est centrale en Inde, où les reservations sont à la fois considérées comme un instrument de justice et critiquées comme une source de nouvelles fractures sociales.

On pourrait dire que cette opposition est universelle : faut-il viser l’égalité par le traitement identique ou par le traitement différencié ? Les expériences internationales montrent que chaque société tente d’y répondre à sa manière, en fonction de son histoire, de ses institutions et de ses idéaux.

Peut-être faut-il accepter que cette tension n’aura jamais de solution définitive. Elle est constitutive de la démocratie elle-même, qui oscille entre l’idéal d’universalité et la reconnaissance des particularismes. L’équité, en ce sens, n’est pas un état à atteindre, mais une discussion permanente, un travail sans fin d’ajustement entre le général et le particulier, entre le principe et le réel.

Anderson, E. (2010). The imperative of integration. Princeton University Press.

Chemerinsky, E. (2014). Making Schools More Separate and Unequal: Parents Involved in Community Schools v. Seattle School District No. 1. Mich. St. L. Rev., 633.

Deibel, Z. (2018). Affirmative Action: Regents of the University of California V. Bakke. Cavendish Square Publishing, LLC.

Lippert-Rasmussen, K. (2020). Making sense of affirmative action. Oxford University Press.

Pojman, L. (1998). The case against affirmative action. International Journal of Applied Philosophy, 12, 97-115.

Rubenfeld, J. (1997). Affirmative action. Yale LJ, 107, 427.

Schanze, Eric (2013). « Injustice by Generalization: Notes on the Test-Achats Decision of the European Court of Justice » German Law Journal, Vol. 14, no 2.

Turner, R. (2015). The way to stop discrimination on the basis of race. Stan. JCR & CL, 11, 45

Entre statistiques et destin, deux visions de la justice

J’ai l’impression que souvent les statistiques permettent de clôturer un débat. Elles donnent une impression d’objectivité, de neutralité, de rigueur. Mais quand elles se transforment en règles de droit ou en barèmes d’assurance, elles cessent d’être de simples moyennes pour devenir des destins. L’affaire Ten Oever, jugée par la Cour de justice des Communautés européennes en 1993, en est une illustration : peut-on refuser une pension à un veuf au motif que « les femmes vivent plus longtemps que les hommes » ? Les discussions qui se sont engagées lors du procès sont éclairantes, mais aussi déroutantes, mettant en lumière une tension forte entre la justice qui protège l’individu contre la généralisation, et celle qui accepte l’approximation statistique au nom de l’efficacité collective.

L’affaire Ten Oever, ou quand l’espérance de vie devient une arme juridique

En 1993, la Cour de justice des Communautés européennes est saisie d’une affaire singulière : Gerardus Cornelis Ten Oever v Stichting Bedrijfspensioenfonds voor het Glazenwassers- en Schoonmaakbedrijf. L’histoire est simple, et tragique. Monsieur Ten Oever perd son épouse, employée dans le secteur du nettoyage et affiliée à un fonds de pension professionnel. Mais à la lecture du règlement, il découvre que si les veuves ont droit à une pension de survivant, les veufs, eux, n’y ont pas droit. À l’époque, le droit à une pension de veuf n’existait pas encore. Saisi, l’Avocat général Van Gerven va rappeler que même si les femmes vivent en moyenne plus longtemps que les hommes, cela ne dit absolument rien de la vie d’une femme particulière, ni de celle d’un homme particulier.

« Discrimination exists when men and women are treated, not as individuals, but as a group … He rejected the view that difference in life expectancy could be seen as a relevant and objective difference in that it had any direct bearing on the life expectancy of a particular individual. »

L’argument actuariel (la moyenne statistique) ne saurait devenir un destin juridique. On retrouve ici l’écho d’une idée ancienne. Hume déjà distinguait entre ce qui « est » et ce qui « doit être » : une régularité empirique (« les femmes vivent plus longtemps ») ne peut justifier une norme morale ou juridique (« les femmes doivent payer plus », ou « les hommes n’ont pas droit à une pension »). L’affaire Ten Oever illustre ce moment où le droit vient rappeler à l’ordre la statistique : la moyenne ne fait pas loi.

L’injustice par généralisation : la critique kantienne de Schanze

Le juriste Eric Schanze, dans son article Injustice by Generalization (2013), reprend ce fil et le déroule. Selon lui, nos institutions (assurance, droit, économie) reposent toutes sur des généralisations. Or, même les plus robustes conduisent à ce qu’il appelle une injustice par généralisation : l’individu est jugé à travers une moyenne qui ne lui correspond pas. Exemple typique : les femmes vivent plus longtemps en moyenne, donc elles recevront des pensions plus faibles. Mais appliquer cette règle à chaque femme, indépendamment de sa trajectoire singulière, revient à l’enfermer dans la statistique.

Eric Schanze insiste sur une distinction essentielle : une corrélation empirique ne fonde pas une norme juridique. Le droit ne peut se contenter de l’efficacité actuarielle. Il doit préserver l’égalité de traitement, même au prix d’une certaine inefficacité. Car derrière l’argument « ce n’est pas moi qui discrimine, c’est la statistique », se profile une déresponsabilisation morale des institutions.

On reconnaît là une filiation kantienne : la dignité de l’individu ne peut être sacrifiée au profit de l’agrégat. En réduisant une femme à la statistique « vit en moyenne plus longtemps », on la traite comme un moyen d’optimiser un régime de retraite, et non comme une fin en soi. Même si la généralisation est « vraie » pour le groupe, elle nie la singularité de la personne. Pour Eric Schanze, la statistique est toujours suspecte moralement : elle est une violence épistémique, une réduction de l’humain. Sa position est exigeante : la justice, c’est traiter chaque individu pour lui-même, quel qu’en soit le coût.

La légitimation utilitariste de la discrimination par proxy

À l’opposé, Frederick Schauer défend une approche plus pragmatique, presque désabusée. Dans Profiles, Probabilities, and Stereotypes (2006) et ses textes ultérieurs, il rappelle une évidence : nous ne pouvons pas échapper aux généralisations. Toute décision humaine, même individualisée, passe par des proxys. Quand on analyse la vue d’un pilote aujourd’hui pour prédire sa vue demain, on généralise. Quand on fixe un âge légal pour conduire ou boire de l’alcool, on généralise. Quand un assureur calcule une prime en fonction du lieu de résidence, il généralise. Frederick Schauer distingue alors deux formes :

  • la discrimination fondée, instrumentale, qui repose sur des indicateurs statistiquement fiables (ex. l’âge pour évaluer certains risques) ;
  • la discrimination non-fondée, qu’il qualifie de « foundational », qui repose sur des croyances arbitraires (« les femmes n’ont pas leur place dans l’armée »).

Selon lui, l’enjeu n’est pas d’abolir la généralisation (c’est selon lui une tâche impossible) mais d’arbitrer entre efficacité et égalité. Il reconnaît que certaines catégories (race, sexe, religion) sont trop chargées symboliquement pour qu’on accepte la moindre généralisation, même statistiquement robuste. Mais ailleurs, l’approximation statistique est jugée acceptable, car tester chaque individu serait tout simplement impossible.

Sa logique est clairement utilitariste : peser les coûts et les bénéfices. Fixer un âge limite pour piloter un avion produira des injustices individuelles (certains septuagénaires sont de meilleurs pilotes que des quadragénaires), mais garantit un gain collectif en sécurité et en simplicité. La statistique, ici, n’est pas immorale : elle est un outil social.

Deux visions inconciliables ? Procédure ou résultat

On pourrait croire ce débat réservé aux juristes et aux actuaires.  Pour l’anecdote, nous l’avions eu il y a 7 ou 8 ans, avec deux collègues juristes, Delphine Cocteau-Senn et Rodolphe Bigot. On a trouvé la discussion tellement stimulante qu’on a eu la prétention de la mettre par écrit, et de la publier… Mais en réalité, il traverse toutes les discussions qu’on peut avoir sur l’équité.

Certains pensent que la justice réside dans le processus : si les règles sont claires, transparentes, appliquées à tous sans passe-droit, alors le résultat est juste. Peu importe qu’il y ait des écarts, l’important est que chacun ait joué avec les mêmes cartes. Cette vision procédurale, proche d’une tradition libérale, valorise l’égalité de traitement dans le jeu institutionnel. Au contraire, d’autres rappellent que « les voies de l’enfer sont pavées de bonnes intentions ». Un système peut être impeccable dans son fonctionnement local, et pourtant, globalement, produire des injustices profondes. Pour eux, seul le résultat compte. Une règle apparemment neutre mais qui renforce systématiquement les inégalités ne peut pas être juste.

Ces deux visions (justice procédurale et justice conséquentialiste) s’affrontent dans des domaines très divers :

  • à l’école, faut-il garantir l’égalité des règles d’examen, ou l’égalité réelle des chances d’apprendre ?
  • en fiscalité, l’égalité devant l’impôt suffit-elle, ou faut-il redistribuer pour corriger les inégalités de départ ?
  • dans les algorithmes, doit-on se contenter de la neutralité du code, ou juger la justice à l’aune de ses effets sociaux ?

Conclusion : entre moyenne et destin

L’affaire Ten Oever nous rappelle une chose simple et essentielle : confondre statistique et destin est une tentation constante. La moyenne rassure, elle donne l’illusion d’objectivité. En tant que statisticien le “paradoxe écologique” nous rappelle que ce n’est jamais une bonne idée , mais la tentation est forte. Mais elle est constante dans nos bureaucraties, qui ont tendance à transformer une courbe en destin, courant le risque d’écraser des vies singulières au nom d’une rationalité froide. Mais le débat doit être posé. Voulons-nous d’un monde juste dans ses règles, ou d’un monde juste dans ses résultats ?

CJCE, 6 octobre 1993, Gerardus Cornelis Ten Oever v Stichting Bedrijfspensioenfonds voor het Glazenwassers- en Schoonmaakbedrijf, C-109/91. Texte intégral disponible sur EUR-Lex : [CELEX 61991CJ0109].

Schanze, Eric (2013). « Injustice by Generalization: Notes on the Test-Achats Decision of the European Court of Justice » German Law Journal, Vol. 14, no 2.

Schauer, Frederick (2003). Profiles, Probabilities, and Stereotypes. Harvard University Press.

Schauer, Frederick (2017). « Statistical (and non-statistical) Discrimination », in Kasper Lippert-Rasmussen (ed.), The Routledge Handbook of the Ethics of Discrimination, Routledge, pp. 42-53.

Fricker, Miranda (2007). Epistemic Injustice: Power and the Ethics of Knowing. Oxford University Press.

Hume, David (1739-1740).  A Treatise of Human Nature.

Rawls, John (1971). A Theory of Justice. Harvard University Press.

Les actuaires, des apprentis-sorciers ?

Au cours de l’été, j’étais tombé sur un post intéressant

qui raconte l’histoire de ce conducteur qui, pour améliorer son score auprès de son assureur, a fini par « arrêter de s’arrêter » au stop. L’application de télématique embarquée interprète en effet chaque freinage un peu vif comme un signe de conduite dangereuse (comme le rappelle zego). Je ne sais pas si l’histoire ici est vraie, mais elle correspond à ce que dit Consumer Reports qui mettait déjà en garde en 2021. Selon l’un de leurs responsables (Chuck Bell), les programmes télématiques peuvent inciter certains conducteurs à griller un stop pour éviter une pénalité de “hard braking”.

Le paradoxe est dur. Ce qui, au départ, devait améliorer la sécurité routière, a conduit à en dégrader les règles les plus élémentaires. Cet exemple est une jolie illustration, il me semble, du pouvoir performatif des algorithmes. En définissant ce qu’est un « bon » comportement, ils transforment concrètement la pratique sociale. Des praticiens du secteur assurantiel alertent déjà sur l’opacité des barèmes et les tensions avec la vie privée que génère cette nouvelle économie de la donnée (Actuarial Review Magazine). Il y a cinq ans, Quintero & Benenson (2020) notait que sous certaines conditions, l’UBI (Usage-Based Insurance) pouvait provoquer des comportements dangereux. Le paradoxe est ancien et bien connu, car comme le rappelait l’économiste Charles Goodhart, « when a measure becomes a target, it ceases to be a good measure ».

Au cœur de cette difficulté se trouve la confusion, parfois volontaire, entre corrélation et causalité. L’American Academy of Actuaries rappelle que les modèles prédictifs « ne démontrent qu’une association » et qu’ils échouent souvent à établir un lien de cause à effet. Cette limite devient essentuelle lorsqu’il s’agit de tarification comportementale. Utiliser des signaux faciles à collecter mais socialement biaisés peut conduire à des discriminations indirectes. Des chercheurs européens plaident ainsi pour introduire des critères de causalité dans l’évaluation des variables tarifaires, plutôt que de se contenter d’interdire celles jugées trop sensibles ou « proxy » (Avanzini & al. (2023)).

Or, dans la pratique, ces modèles ne se contentent pas de prédire, ils modifient les comportements. Plusieurs études récentes montrent que le coaching in-app et les incitations financières ont effectivement un impact mesurable sur la conduite des assurés (cf. Cevolini et al. (2024)). Mais cette modification se fait au prix d’une surveillance intrusive, avec des effets pervers encore difficiles à quantifier. On entre alors dans une boucle de rétroaction où la donnée influence le comportement, lequel rétroalimente à son tour le modèle. L’actuaire n’est plus seulement celui qui calcule, il devient co-designer de normes sociales.

L’histoire de l’assurance regorge pourtant de rappels à l’ordre. Dans les années 1990, le marché londonien de Lloyd’s a subit la crise des Names (dans les années 1980-1990), autrement dit, des sinistres « latents », liés à l’amiante ou à la pollution, avaient échappé aux modèles statistiques. Le sous-provisionnement massif provoqua des pertes ruineuses et remit en cause la gouvernance même de la place financière (The Actuary, Lloyds, Bain (1999), Actuaries Institute). La leçon est simple, même les méthodes les plus éprouvées peuvent se révéler impuissantes face à des risques émergents ou systémiques.

J’ai l’impression que cette fragilité se retrouve aujourd’hui dans le débat autour de l’intelligence artificielle générative. Une enquête menée par EY montre que 99 % des assureurs déclarent explorer ces technologies, mais que 67 % reconnaissent manquer de compétences pour en mesurer les risques. Le marché, lui, commence à peine à s’organiser. Aon souligne que la couverture en responsabilité civile professionnelle contre les dérives de la GenAI (hallucinations, violations de droits d’auteur, discriminations) reste embryonnaire, l’exposition étant jugée « nascent ». La difficulté est structurelle, l’actuariat s’appuyant historiquement sur l’analyse de séries passées, mais par définition, les usages de l’IA générative inventent des scénarios sans précédent.

À ce stade, la réflexion philosophique devient précieuse. Heidegger rappelait dans La question de la technique que la technologie n’est pas un simple outil neutre. Elle reconfigure notre manière d’habiter le monde. De son côté, Gilbert Simondon insistait sur l’importance de comprendre l’« individuation » des objets techniques pour penser une co-évolution homme-machine non aliénante (dans Du mode d’existence des objets techniques). L’actuaire, inséré dans cette chaîne techno-sociale, participe ainsi à la production du réel. La métaphore de l’« apprenti-sorcier » n’est donc pas qu’une image. Elle exprime la capacité à invoquer des forces (algorithmes, signaux, incitations) dont la maîtrise reste partielle.

Alors, comment sortir de cette posture ambiguë ? Plusieurs pistes s’esquissent. Du côté de la formation, il paraît indispensable d’intégrer des modules obligatoires d’éthique appliquée, de causal inference et de science des données responsables dans les cursus actuariels. Sur le plan institutionnel, la mise en place de comités indépendants de type data ethics boards devrait précéder tout déploiement de modèles comportementaux ou fondés sur la GenAI. La recherche, elle, gagnerait à financer des études longitudinales sur les effets sociaux indirects des tarifications dynamiques. Enfin, le dialogue doit s’élargir : associer philosophes, sociologues et usagers aux choix méthodologiques permettrait de rendre les dispositifs plus explicables, justifiables et révisables.

(source Fantasia, The Sorcerer’s Apprentice, 1940, Walt Disney)

En d’autres termes, il est temps de passer du rôle d’« apprenti-sorcier » à celui d’« ingénieur-gardien ». Car si les balais s’emballent, comme dans le poème de Goethe, c’est moins par malveillance que par manque de précautions. À l’actuaire, désormais, de veiller à ce que les outils qu’il convoque ne se retournent pas contre ceux qu’ils étaient censés protéger.

In the end, who will bear the cost of insurance?

This article was written with Laurence Barry, co-holder of the PARI Chair (Research Program for the Understanding of Risks and Uncertainties), initially in French.

Storms that repeat, premiums that soar, insurers pulling out: in the era of climate change, one question arises: who will ultimately foot the bill?

From the workers’ mutuals of the 19th century, created to cushion the blows of industrial development, to the shareholder logics of today’s multinationals, insurance has always reflected the great risks of its era.

Now, under the pressure of climatic events with unprecedented frequency and severity, the sector faces a new equation: how to remain solvent and socially legitimate when claims (amounts paid out by an insurance company for losses) grow faster than premiums (collected)? Between soaring rates, exclusions of coverage, and the threat of entire territories becoming uninsurable, how must insurance solidarity reinvent itself?

Each for all, and all for each

Since 1990, insured losses linked to natural disasters have grown by 5% to 7% per year – 137 billion U.S. dollars in 2024, and a trend toward 145 billion in 2025. Lucian Coman/Shutterstock

Before becoming a financial industry worth billions of euros, insurance began as a simple common pot: members contributed, the victims drew from it, and the surplus (if any) returned to the policyholders. From solidarity and mutual aid organizations created under the Hanse (the Hanseatic League, network of merchant cities in Northern Europe between the 13th and 17th centuries) to medieval guilds, associations of people practicing the same trade or activity, the logic was already that of a risk-pooling, a zero-sum sharing of risk. Each pays for all, and all for each.

In the guilds of the Middle Ages, in Europe, each master craftsman paid an annual fee that financed the rebuilding of a workshop destroyed by fire or support for the widow in case of death. For economic historian Patrick Wallis (eprints.lse.ac.uk), this was the first structured relief fund. The Danish charters of 1256, which imposed compulsory “fire aid” (brandstød) after a loss, provide a perfect example, as shown by social policy researcher Bernard Harris.

The principle runs through the centuries. In the 19th century, mutual aid societies introduced rebates when claims were milder than expected. Even today, nearly one in two policyholders in fire, accident, and miscellaneous risks (P&C) belongs to a mutual where he or she is a statutory co-owner.

The financial equation remains fragile: when the climate transforms chance into near-certainty, the premium is no longer a simple “cake-sharing” but an ever-larger advance on future expenses. The Swiss Re group has calculated (swissre.com) that, since 1990, insured losses linked to natural disasters have grown by 5% to 7% per year – 137 billion U.S. dollars in 2024, with a trend toward 145 billion U.S. dollars in 2025 (respectively 118 billion and 125 billion euros).

The mutualist model (erudit.org), founded on the relative rarity of claims and geographic diversification, is forced to reinvent its solidarity if frequency doubles and severity explodes… at the risk of tipping toward segmentation as fine as that of shareholder-driven insurers.

Solidarity pricing and shareholder optimization

Starting in the 1990s, financialization injected a new imperative: the premium must cover claims, finance marketing, remunerate equity, and occasionally serve as an adjustment variable for quarterly targets. Pricing optimization, popularized under the term price optimization, dissects thousands of behavioral variables (number of clicks before signing, banking inertia, connection times) in order to estimate the individual reservation price, that is the minimum price a seller is willing to accept, or a buyer is willing to pay, in a transaction.

In other words, it is no longer only a matter of estimating the actuarially most “fair” premium (the actuary being the expert in risk management), in the sense given by Kenneth Arrow in 1963 (aeaweb.org), but also the highest premium the policyholder is willing to pay. The fair premium being the expected average cost of claims, the amount the insurer expects to pay next year for similar risks.

The Institute of Australian Actuaries denounces, in its report The Price of Loyalty actuaries.asn.au), a systematic penalization of loyal clients, likened to a tax on trust. In the United Kingdom, the Financial Conduct Authority (FCA, ca.org.uk) struck hard. Since January 1, 2022, renewal pricing must be identical to that for a new client at equal risk; the authority estimates the savings for households at £4.2 billion over ten years.

This regulatory battle goes well beyond price. By relegating the logic of pooling to the background, behavioral optimization strengthens indirect socio-economic indicators—such as age, the digital divide, or residential stability—which end up weighing more than pure technical risk in determining the premium.

Now the insurer has access to private data lakes (raw data), where the policyholder is unaware of what makes their premium more expensive. By nature, contracts remain resistant to any simplified comparison. One shows a €2,000 deductible, another a lower compensation ceiling or exclusions hidden in tiny clauses, so that it takes an almost legal review to really align the offers, as a European Commission report pointed out (commission.europa.eu).

One file out of two refused

The rise of extreme events brutally illustrates these drifts. In Australia, three climatic phenomena in the first half of 2025, including Cyclone Alfred, generated 1.8 billion Australian dollars (AUD), or 1 billion euros, in compensation claims. The Insurance Council warns that home insurance premiums will see double-digit increases, and some contracts could reach 30,000 AUD per year (or €16,600 per year) in the most exposed areas (abc.net.au).

In the United States, California is seeing cancellations and refusals of coverage. A report cited by the Los Angeles Times shows that three major insurers declined nearly one file out of two in 2023 (latimes.com). A class action accuses 25 insurance companies of collusion with the aim of pushing victims toward the FAIR Plan, a pool of last-resort insurers with reduced coverage (cbsnews.com).


Toward systemic “uninsurability”

The phenomenon is not marginal. Insurers are reducing their exposure. U.S. insurers State Farm and Allstate stopped issuing new policies in California as early as 2023 (reuters.com). In Florida, because it intervenes when no private insurer accepts to cover a home at a reasonable price, the public last-resort insurer Citizens saw its portfolio grow to about 1.4 million policies at the peak of the crisis, then fall back below one million at the end of 2024 thanks to transfers (takeouts) to private players—a real improvement, but one that still reveals a fragile market (insurancejournal.com).

At the global level, Swiss Re counts 181 billion U.S. dollars of 2024 losses left to victims or states, or 57% of the total (swissre.com).  Faced with these growing protection gaps, insurers are reducing their exposure. This contraction of supply rebounds onto real estate finance: economist Bill Green reminds, in a letter to the Financial Times, that the slightest insurance default leads, in a few weeks, to the cancellation of mortgages supposed to secure the American middle class (ft.com).

When insurers withdraw or when the premium becomes unaffordable, property values collapse, and with them, the stability of an entire segment of the local banking system.

Refounding the social contract of risk

Nevertheless, avenues are emerging. The Center for American Progress proposes the creation of resilience funds co-financed by premiums and by the federal state, in order to finance levees, reinforced roofs, and relocations in very high-risk areas (americanprogress.org).

In Europe, France maintains a CatNat scheme based on a uniform mandatory surcharge – 20% in 2025 – for a risk reinsured by the Caisse centrale de réassurance (CCR). This mechanism guarantees unlimited compensation while pooling disasters across the entire national territory. Combined with incentive pricing (deductibles adjusted according to prevention measures), these mechanisms can preserve insurability without exploding individual premiums.

What remains is to address the upstream side: limiting exposure by freezing building permits in unbuildable areas, conditioning bank financing on climate compatibility, and sustaining, at the national level, a progressive climate prevention surtax that would finance structural adaptations while smoothing rate shocks (ecologie.gouv.fr, strategie-plan.gouv.fr)

At this price, insurance would once again become a common good: neither a pure financial product nor a simple common pot, but an essential infrastructure where society, and no longer only the insurer, consciously chooses the share of the climate bill it accepts to bear.

Classer, comparer, assurer

À l’ère numérique, la promesse le personnalisation est partout. Chacun peut devenir un individu souverain, unique, délivré des classements collectifs d’hier. Les plateformes nous proposent des offres taillées sur mesure : les playlists sont personnalisées sur les sites d’écoute en ligne, tout comme les recommandations de lecture, les assurances se vantent d’être « pay-how-you-live », la médecine est aussi personnalisée, etc. Tout serait individualisable, personnalisable, comme si la société renonçait à ses catégories pour n’exister qu’à travers des expériences singulières.

Mais derrière ce récit flatteur se cache peut être une réalité  plus complexe, voire paradoxale. Plus l’individu est célébré comme incomparable, plus il est saisi, découpé, et finalement classé dans de nouvelles catégories. Loin de disparaître, la logique classificatoire s’étend. Dans l’assurance, domaine fondamentalement basée sur la mutualité, sur le collectif, ce paradoxe se révèle encore plus.

La personnalisation comme nouvel horizon

La personnalisation est l’idéologie dominante à l’ère du numérique. Elle promet que chacun peut contrôler son destin : vos choix de conduite modèlent votre prime automobile, vos habitudes de sommeil influencent votre couverture santé, vos signaux de consommation financière déterminent vos conditions d’emprunt.

Les assureurs se présentent alors comme des miroirs : ils ne jugent pas, ils reflètent. À travers une montre connectée, l’assuré apprend que ses efforts de marche quotidienne « réduisent » son risque de maladie cardiaque. À travers une application automobile, il constate que sa conduite de nuit, un peu nerveuse, le « renchérit ».

Ce discours rejoint l’idéologie décrite par Shoshana Zuboff (The Age of Surveillance Capitalism, 2019), où la collecte massive de données permet non seulement de « prédire », mais aussi d’orienter nos comportements. L’assurance personnalisée, loin d’être neutre, devient un mécanisme de discipline sociale : elle nous pousse à « mieux vivre » pour payer moins.

La nécessité de classer

Pourtant, aucune personnalisation n’échappe au classement. Pour fixer un tarif (en assurance), il faut comparer, mettre en équivalence, réduire la singularité en variables manipulables. Un individu ne devient « bon conducteur » que parce qu’il est comparé à des milliers d’autres profils. Une personne n’est « à risque modéré » que parce qu’elle entre dans un segment statistique établi à partir d’échantillons. Même les données dites « personnelles » ne prennent sens que par agrégation : une fréquence cardiaque de 60 (bpm) n’est interprétable qu’en référence à une distribution générale.

Luc Boltanski et Laurent Thévenot (De la justification, 1991) avaient déjà montré combien nos sociétés reposent sur des « régimes de comparaison » : toute valeur individuelle est toujours relative à des ordres collectifs. Plus récemment, Marion Fourcade et Kieran Healy (Seeing Like a Market, 2007 ; Classification Situations, 2013) ont analysé comment les marchés modernes reposent sur des dispositifs de classement invisibles qui structurent nos existences.

Ainsi, loin de disparaître, les catégories se raffinent : l’assuré n’est plus comparé à « tous les jeunes conducteurs de moins de 25 ans », mais à une cohorte mouvante d’individus ayant accumulé des signaux comportementaux similaires.

Comparer, toujours comparer

Cette logique de comparaison permanente devient presque existentielle. Le citoyen assuré se perçoit à travers des indicateurs : pas assez économe, un peu trop sédentaire, trop lent à rembourser ses dettes.

Dans l’assurance, cette obsession du benchmarking soulève deux questions. La première est liée à la justice, à l’équité : est-il équitable que deux assurés payent des primes radicalement différentes parce que l’un habite à 200 m d’une zone inondable ou consulte son médecin deux fois de plus par an ? Ici, on retrouve le débat central de John Rawls (A Theory of Justice, 1971), entre égalité formelle et équité réelle : faut-il compenser les « circonstances » hors de contrôle ou responsabiliser les « choix » individuels ? La seconde est liée à la lisibilité : les produits d’assurance sont notoirement difficiles à comparer pour l’assuré lui-même. Les différences reposent sur des franchises subtiles, des exclusions implicites, des clauses écrites en caractères minuscules (Bénéplanc et al., Manuel d’assurance, 2024). Derrière la personnalisation affichée, les écarts tarifaires reposent sur des variables opaques.

La personnalisation crée donc une dissymétrie informationnelle (Akerlof, The Market for Lemons, 1970) : l’assuré croit être évalué en tant qu’individu, mais il est en réalité inséré dans des cohortes comparatives qu’il ne maîtrise pas.

L’assurance, entre mutualisation et individualisation

L’assurance repose historiquement sur un principe simple : mutualiser les aléas de la vie. On accepte de cotiser ensemble pour que les pertes de quelques-uns soient compensées par la solidarité du groupe. Comme l’écrivait François Ewald (L’État providence, 1986), l’assurance moderne a constitué une « technologie de solidarité », transformant l’incertitude en obligation collective.

Or, la personnalisation menace ce socle. Si chacun « paie pour soi », la logique de redistribution se délite. Les « bons profils » exigent des ristournes, les « mauvais profils » voient leurs primes exploser. À la limite, certains deviennent inassurables. C’est ce que l’on observe déjà dans les zones exposées aux catastrophes climatiques (Kousky, Understanding Disaster Insurance, 2022).

Derrière l’utopie de l’individu souverain se dessine donc un risque collectif : celui d’une société où l’on n’assure plus contre les aléas, mais seulement contre soi-même. Une société où le classement permanent finit par saper la mutualisation, pourtant essentielle face aux risques climatiques ou sanitaires.

De la personnalisation à la gouvernance des classes

Plutôt que d’opposer personnalisation et mutualisation, l’enjeu est peut-être de reconnaître la tension irréductible entre les deux. Les assureurs devront inventer des équilibres, entre maintenir des classes collectives lisibles (âge, zone géographique, type de logement) pour garantir une base de solidarité, introduire une dose de personnalisation contrôlée (comportements mesurés, données de capteurs) sans laisser ces algorithmes créer des discriminations cachées, et a ssumer que comparer et classer est inévitable, mais que la manière de construire les classes est un choix politique et éthique, pas seulement technique (Millo & MacKenzie, Constructing a Market, Performing Theory, 2009).

La personnalisation promet l’émancipation de l’individu, mais repose sur une prolifération de catégories invisibles. Dans l’assurance comme ailleurs, nous sommes comparés sans cesse : par nos conduites, nos achats, nos rythmes de vie.

Plutôt que de céder à l’illusion de l’individu souverain, il faut peut-être affronter ce paradoxe : nous voulons être uniques, mais nous restons définis par des classes. L’enjeu n’est pas de supprimer les classements, mais de décider lesquels sont justes, transparents et socialement acceptables.

Car derrière chaque algorithme de personnalisation se cache une question politique : comment partager le risque, et donc, comment faire société ?

Akerlof, G. (1970). The Market for Lemons: Quality Uncertainty and the Market Mechanism. Quarterly Journal of Economics.

Bénéplanc, G., Charpentier, A. & Thourot, P. (2024). Manuel d’assurance. Presses Universitaires de France.

Boltanski, L., & Thévenot, L. (1991). De la justification. Gallimard.

Ewald, F. (1986). L’État providence. Grasset.

Fourcade, M., & Healy, K. (2007). Seeing Like a Market. Socio-Economic Review.

Fourcade, M., & Healy, K. (2013). Classification Situations: Life-chances in the Neoliberal Era. Accounting, Organizations and Society.

Kousky, C. (2022). Understanding Disaster Insurance. Island Press.

Millo, Y., & MacKenzie, D. (2009). Constructing a Market, Performing Theory: The Historical Sociology of a Financial Derivatives Exchange. American Journal of Sociology.

Rawls, J. (1971). A Theory of Justice. Harvard University Press.

Zuboff, S. (2019). The Age of Surveillance Capitalism. PublicAffairs.

Cartographie des risques, les routes de l’enfer sont pavées de bonnes intentions

Je ne cesse de penser à l’expression « les routes de l’enfer sont pavées de bonnes intentions » quand on regarde ce qui s’est passé en Oregon, avec la création et le retrait précipité de la carte des risques d’incendie. L’intention initiale était indiscutablement louable: alerter et protéger les citoyens en identifiant les zones à haut risque. Pourtant, la mise en œuvre et les réactions qu’elle a provoquées ont vite montré les limites, jusque-là inattendues, de ce type d’approche. Et elle mériterait d’être davantage étudiée par les régulateurs et décideurs politiques qui veulent s’inspirer de cette idée (et ils sont nombreux).

Une initiative ambitieuse face à une réalité brûlante

Après une saison des incendies particulièrement dévastatrice en 2020, le législateur de l’Oregon vote une loi (la Senate Bill 762) pour cartographier le risque incendie par parcelle afin d’informer l’application de codes de construction plus résistants au feu dans les zones à haut danger, comme le racontait Rob Davis dans un article publié parProPublica au début du mois. En théorie, une démarche préventive : mieux identifier les zones vulnérables, adapter les normes, et ainsi réduire les dégâts futurs. Mais malgré la bonne intention, l’accueil fut brutal.

Le retour de bâton des habitants

La publication de la carte suscite une levée de boucliers immédiate : accusations de manque de transparence dans le processus de conception, crainte d’une flambée des primes d’assurance, inquiétudes face aux contraintes pesant sur les propriétaires, en particulier dans les zones rurales (comme le racontent des articles parus dans E&E News, et Oregon Capital Chronicle). Rapidement, la carte est retirée, puis les législateurs révoquent les règles associées imposant des codes de construction plus stricts (Claire Rush dans un article publié par AP News).

Ironie du sort : un outil visant à renforcer la résilience des communautés a fini par accentuer la défiance, affaiblissant l’intention initiale. Même si les assureurs n’avaient pas le droit légal (depuis 2023) d’utiliser cette carte pour fixer les tarifs, comme le rappelle le Division of Financial Regulation de l’Oregon, la perception publique contrait l’action politique.

Quand le risque visible devient un catalyseur de désinformation

Ce cas illustre aussi comment l’information, même bien intentionnée, peut être déformée dans son cheminement public. Comme le soulignent des études sur la diffusion des risques, les messages se raccourcissent, se désinforment et s’adaptent à des croyances préexistantes, amplifiant parfois de façon perverse la peur ou l’opposition. Anna Phillips , John Muyskens , Naema Ahmed et Brady Dennis reviennent sur le cas de la Californie dans un article publié par The Washington Post.

D’un outil informatif à un outil mal reçu

Dans l’absolu, les cartes des risques sont utiles. À condition d’être conçues avec clarté, accompagnées d’une communication transparente et d’un suivi concret. Une recherche récente de Annie Preston et Kwan-Liu Ma (Communicating Uncertainty and Risk in Air Quality Maps) montre qu’en incluant l’incertitude dans les visualisations cartographiques, les utilisateurs prennent des décisions plus prudentes. Cela suggère qu’un affichage clair et nuancé (plutôt qu’une classification trop catégorique) aide à construire la confiance et à susciter l’action.

De plus, un rapport de 2023 (publié par Headwaters Economics) identifie les codes de construction résistants au feu et la gestion de l’environnement bâti comme les stratégies les plus efficaces, bien que largement sous-financées . Une carte seule ne suffit pas : elle doit être adossée à des mesures concrètes, des ressources, et une implication locale.

Conclusion

Les routes de l’enfer sont souvent pavées de bonnes intentions. En Oregon, un projet de carte des risques d’incendie, né de la volonté de mieux protéger les citoyens, a fini par soulever méfiance et rejet. Une leçon à retenir ? Un bon outil n’est efficace que s’il combine transparence, participation locale, communication claire et mesures concrètes. Sans cela, il peut produire l’effet inverse — augmenter la confusion, attiser l’opposition, et compromettre la sécurité à long terme.

À la fin, qui prendra en charge le coût des assurances ?

Des mutuelles ouvrières du XIXe siècle, créées pour amortir les coups du destin industriel, aux logiques actionnariales des géants financiers contemporains, l’assurance a toujours reflété les grands risques de son époque.

Désormais sous la pression d’événements climatiques à la fréquence et à la sévérité inédites, le secteur affronte une équation nouvelle : comment rester solvable et socialement légitime lorsque la sinistralité croît plus vite que les primes ? Entre flambée des tarifs, exclusions de garanties et menace d’inassurabilité de territoires entiers, la solidarité assurantielle doit se réinventer, faute de quoi, c’est la société tout entière qui sera appelée à combler le vide.

The Conversation (France) a publié un court article, écrit avec Laurence Barry… la suite en ligne.

 

The Conversation

“Life insurers can predict when you’ll die with about 98% accuracy”

The other day, I was reading a rather interesting article, “How GLP-1s Are Breaking Life Insurance” (a title reminiscent of the dozens of articles over the past 35 years that have predicted the death of insurance), with this short paragraph, which echoed an article I had just published (in French), on segmentation in insurance.

Life insurers can predict when you’ll die with about 98% accuracy. This ruthless precision comes from from decades and decades of mortality data they use to figure out how much to charge you every year, so that the money they earn (from you and by investing your premiums) will easily cover what they’ll need to pay out later. Of course, not everyone gets the same deal. Underwriting is the dark art that allows an insurer to figure out if you’re a good bet or a risky one (etc)

Even though I have mastered this “obscure art” (at least, I have published several manuals on the subject), I understand, in a way, that many people may be confused… But what troubled me most was the first sentence (which I will repeat here in bold so we can spend a little more time on it—I will also remove the reference, which doesn’t say much about this mysterious figure)

Life insurers can predict when you’ll die with about 98% accuracy. 

Coincidentally, I am also revisiting a presentation I gave a year ago at the Cerisy conference, which dealt with almost the same topic, or rather statistical certainty when aggregating data, as opposed to individual epistemic uncertainty.

In any case, I thought this might be an opportunity to rewrite a blog post specifically on this question: what does it mean “98% accuracy”?

When 98 % Sounds Like Clairvoyance… but Isn’t

Obviously, this sentense

Life insurers can predict when you’ll die with about 98 % accuracy

sounds spooky, almost like they know your personal death date within a one-in-fifty margin. In reality, it’s a statement about cohort‐level forecasting, not individual fate.

As mentioned in the next sentence of the article,

This ruthless precision comes from from decades and decades of mortality data

and indeed for centuries, insurers build mortality tables from massive historical data, slicing people into homogeneous bands (age, sex, health metrics). If you group, say, 50 000 sixty-year-old non-smoking males, the table might assign each a 1 % chance of dying next year. Actuarial models then predict (with high accuracy, or reliability) the number of deaths in that group, but not which individuals. Actually, it’s not AI, nor magic… it’s elementary statistics, or to be a little more precise, the law of large numbers, and the central limit theorem.

Each year, they have to make prediction about the number of people that might die in the portfolio. Mathematically, they deal with a binomial random variable D \sim \mathcal{B}in(n, p), where n is the number of people alive, and p the probability to die next year (estimated from past historical data). The number of deaths D is a random variable, with expectation  \mathbb{E}[D]=np and variance np(1 - p) . The statement “98 % accuracy” simply means that in “98 % of portfolio‐year observations”, the observe* deaths fall within ±2\% of the expected deaths, or mathematically \mathbb{P}\Bigl(\bigl|D - np\bigr|\le 0.02\,np\Bigr)\approx0.98 It doesn’t mean \mathbb{P}(\text{“you” will die exactly in June 2027})=0.98.(which is where the initial sentence is clearly misleading)

“98% Accuracy” ?

Let’s make this concrete. We can simulate portfolios with death probability p=1\% and we want to find the cohort size n so that the coverage within \pm 2 \% hits roughly 98 %. By the Central Limit Theorem (i.e. a normal approximation on the number of deaths): \mathbb{P}\bigl(|D - np|\le \delta\,Np\bigr)\approx 2\,\Phi\!\bigl(\displaystyle\frac{\delta\,np}{\sqrt{np(1-p)}}\bigr)-1 so solving for n with \delta=0.02 gives:

> p <- 0.01 # death probability
> delta<- 0.02 # ±2% tolerance
> z <- qnorm(0.99)
>
> # required cohort size
> N_req <- (z^2 * (1 - p)) / (p * delta^2)
> cat("Required N for 98% accuracy ≈", round(N_req), "\n")
Required N for 98% accuracy ≈ 1339444

or

> simulate_accuracy <- function(N, p, trials = 10000, tol = 0.02) {
+ counts <- rbinom(trials, size = N, prob = p)
+ expected <- N * p
+ rel_err <- abs(counts - expected) / expected
+ mean(rel_err <= tol)
+ }
> N1 <- 1340000
> p <- 0.01
> acc1 <- simulate_accuracy(N1, p)
> cat(sprintf(
+ "With N = %d and p = %.2f, accuracy ≈ %.2f%% of years within ±2%%\n",
+ N1, p, acc1 * 100
+ ))
With N = 1340000 and p = 0.01, accuracy ≈ 97.94% of years within ±2%

I.e., with about n=1.4 million lives in your cohort, you would naturally have 98% accuracy. Each increase in n shrinks the relative dispersion \sqrt{(1-p)/(np)}, so coverage goes up.

Uncertainty and Ambiguity

Beyond the pure “coin‐flip” randomness (aleatory uncertainty) of each life’s Bernoulli trial, there’s also “epistemic uncertainty” in our death probability p, since we don’t observe the true p directly but must estimate it from historical life tables, or ML models. If our model’s p is itself uncertain, say p\pm1\% (a very small calibration error) or, in worse cases, p\pm50\%, then our expected death count np could be systematically off by that margin before we even toss a coin. With poor predictive power, i.e. p\pm50\% (say uniformy distributed on that interval), it is still possible to achieve “98% accuracy”. Or more precisely what should be n so that \mathbb{P}(∣D−np∣\leq 0.02np)\geq0.98 with 95\% chance?

Specifically here, to guarantee that 95% chance,  if we suppose that p is uniformly distributed on [0.5\%,1.5\%] observe that the 5-th percentile of that uniform is p=0.55\%, and then\mathbb{P}\bigl(\lvert D - np\rvert \le 0.02\,np\bigr)\approx2\,\Phi\!\Bigl(\frac{0.02\,n\,p}{\sqrt{n\,p\,(1-p)}}\Bigr)-1\;\ge\;0.98
Thus, the two‐tailed 98 % requirement corresponds to \frac{0.02\,n\,p}{\sqrt{n\,p\,(1-p)}}\;\ge\;z_{0.99}\approx2.326so solving for n gives n\;\ge\;\frac{z_{0.99}^2\,(1-p_{0.05})}{p_{0.05}\,(0.02)^2}\;=\;\frac{2.326^2\times(1-0.0055)}{0.0055\times0.0004}\;\approx\;2.45\times10^6Hence, with about n=2.45 million lives in your cohort so that, for at least 95 \% of the possible p values in [0.5 %, 1.5 %], the year‐to‐year death counts fall within \pm2 \% of the mean in at least 98 % of years.

Group Accuracy vs. Individual Uncertainty

So, overall, eachieving “98% accuracy” is not that difficult… but clearly, it is a misleading statement, that conflate group-level confidence with individual-level certainty.  “98 % accurate” has to do with statistics, or actuarial science, but it is not mystical foresight for you specifically.