Qui doit payer un risque lié à une défaillance de maintien de l’ordre ?

Un petit sujet polémique avant les fêtes ? Parlons un peu d’assurance et de maintien de l’ordre… Depuis les violences urbaines de ces dernières années, la question de “comment indemniser les émeutes” s’est invitée dans le débat public au point d’entrer au Sénat, sous la forme d’un projet de régime adossé aux contrats d’assurance de “dommages aux biens”, avec une garantie obligatoire, une surprime et un mécanisme de mutualisation au-delà de certains seuils. Dans l’hémicycle, on a un débat assez classique, les sénateurs voulant rendre la garantie effective (avec classiquement, en cas de refus, la possibilité de saisir le Bureau central de tarification), ils discutent l’architecture de mutualisation, ils évoquent l’intervention de la Caisse Centrale de Réassurance (comme pour le la couverture des catastrophes naturelles), un plafond au-delà duquel la garantie de l’État prendrait le relais est évoqué (1 milliard, puis 1,5 milliard).
Continue reading Qui doit payer un risque lié à une défaillance de maintien de l’ordre ?

III Congreso Universitario Internacional sobre Seguros y Reaseguros en Perú

In a few hours, I will give a talk at the III Congreso Universitario Internacional sobre Seguros y Reaseguros en Perú,

I will give a talk on Detecting Hidden Bias in Insurance AI Through Counterfactuals

As AI becomes embedded in underwriting, pricing, fraud detection, and claims automation, one challenge remains widely underestimated: models can discriminate without ever using a prohibited variable. Indirect discrimination (i.e., bias transmitted through correlated or downstream variables) poses a subtle but critical risk for insurers, all the more since actuarial science heavily rely on model based on proxy variables. This presentation will explore how causal reasoning and counterfactual thinking can illuminate what standard machine learning methods often obscure. I will begin with intuitive economic decompositions of group disparities, then show how recent advances in optimal-transport-based counterfactuals enable us to ask: “What would this prediction have been if the sensitive attribute had been different?” Drawing on recent framework for causal mediation via sequential optimal transport , we will see how actuaries can break down total model disparities into direct and indirect components (even with complex mediators such as behavioral features, prior claims history, or categorical underwriting variables). The goal of the session is to leave the audience with a clear understanding of where hidden bias may emerge in insurance AI systems, how to diagnose it using modern causal tools, and how these insights support better governance, transparency, and compliance. A forward-looking, accessible presentation to close the day and open new perspectives on fair and responsible AI in insurance.

o (pero no daré mi charla en español) Detección de Sesgos Ocultos en la IA de Seguros con Métodos Contrafactuales

A medida que la inteligencia artificial se integra en la suscripción, la tarificación, la detección de fraude y la automatización de siniestros, surge un desafío que a menudo se subestima: los modelos pueden discriminar sin necesidad de utilizar explícitamente una variable prohibida. La discriminación indirecta —es decir, el sesgo que se transmite a través de variables correlacionadas o situadas aguas abajo— representa un riesgo sutil pero crítico para las aseguradoras, especialmente considerando que la ciencia actuarial depende fuertemente de modelos basados en variables proxy. Esta presentación explorará cómo el razonamiento causal y el pensamiento contrafactual pueden revelar aquello que los métodos tradicionales de machine learning suelen ocultar. Comenzaré con descomposiciones económicas intuitivas de las disparidades entre grupos y luego mostraré cómo los avances recientes en contrafactuales basados en transporte óptimo permiten formular la pregunta: “¿Cuál habría sido la predicción si el atributo sensible hubiera sido diferente?” Basándonos en marcos recientes de mediación causal mediante transporte óptimo secuencial, veremos cómo los actuarios pueden descomponer las disparidades totales de un modelo en componentes directos e indirectos, incluso cuando existen mediadores complejos como variables de comportamiento, historial de siniestros o características categóricas de suscripción. El objetivo de la sesión es ofrecer al público una comprensión clara de dónde pueden surgir sesgos ocultos en los sistemas de IA utilizados en seguros, cómo diagnosticarlos utilizando herramientas causales modernas, y cómo estos enfoques pueden fortalecer la gobernanza, la transparencia y el cumplimiento regulatorio. Una presentación accesible y orientada al futuro, ideal para cerrar la jornada e introducir nuevas perspectivas sobre una inteligencia artificial justa y responsable en el sector asegurador.