J’en avais parlé (très rapidement) l’autre jour, dans mon billet L’écosystème du bruit et la fabrique de l’autorité, j’ai vraiment beaucoup aimé le livre de Naomi Klein Doppelganger, qui commence en expliquant comment, pendant la pandémie de 2020-2021, elle a été confondue à de nombreuses reprises avec Naomi Wolf, au point de se voir reprocher les propos que l’autre Naomi avait tenus. Elle se pose beaucoup de questions passionnantes sur l’identité. Dans We are not Alone! (At least, Most of us aren’t), écrit avec Baptiste Coulmont, on se posait la question de l’existence d’un homonyme (prénom et nom), mais dans Doppelganger, c’est une confusion seulement à cause du prénom. J’ai dévoré le livre, qui part d’une intuition sociologique que Naomi Klein met en récit. Elle constate que plus la vie quotidienne se numérise, plus l’identité devient une interface, reposant sur des traces, des procédures d’authentification, et sur l’idée qu’un accès vaut preuve. Elle décrit très concrètement l’angoisse de découvrir, après un piratage, qu’une personne qui “semble être vous” inonde vos proches de messages, et elle insiste sur la fragilité de cette construction, qu’un compte compromis ou un deepfake peut faire tomber en un instant.
Continue reading L’usurpation d’identité comme risque systémique
Beyond Procedure: Substantive Fairness in Conformal Prediction
Our paper, Beyond Procedure: Substantive Fairness in Conformal Prediction, with Pengqi Liu, Zijun Yu, Mouloud Belbahri, Masoud Asgharian, and Jesse Cresswell, is now available on https://arxiv.org/abs/2602.16794
Conformal prediction (CP) offers distribution-free uncertainty quantification for machine learning models, yet its interplay with fairness in downstream decision-making remains underexplored. Moving beyond CP as a standalone operation (procedural fairness), we analyze the holistic decision-making pipeline to evaluate substantive fairness-the equity of downstream outcomes. Theoretically, we derive an upper bound that decomposes prediction-set size disparity into interpretable components, clarifying how label-clustered CP helps control method-driven contributions to unfairness. To facilitate scalable empirical analysis, we introduce an LLM-in-the-loop evaluator that approximates human assessment of substantive fairness across diverse modalities. Our experiments reveal that label-clustered CP variants consistently deliver superior substantive fairness. Finally, we empirically show that equalized set sizes, rather than coverage, strongly correlate with improved substantive fairness, enabling practitioners to design more fair CP systems. Our code is available at this https URL.
Au-delà de la procédure, quand “bien calibrer” ne suffit pas à être juste
Quand on parle d’IA “responsable”, souvent, on englobe deux choses. La fiabilité (on comprend ce qu’on fait) et l’équité (on traite tout le monde pareil). Dit comme ça, ça semble simple et clair. Mais forcément, dans la vraie vie, c’est un peu plus subtil. En particulier on peut avoir une procédure statistiquement irréprochable, juste… et produire quand même des décisions inéquitables, une fois mise en place. C’est ce qu’on essayait de comprendre (et de mesurer) dans “Beyond Procedure: Substantive Fairness in Conformal Prediction“, coécrit avec Pengqi Liu, Zijun Yu, Mouloud Belbahri, Masoud Asgharian, et Jesse Cresswell: la conformité d’une procédure ne garantit pas la justice de ses effets.
Passer de la “fairness” de la méthode à la “fairness” des conséquences
Cette distinction rappelle des discussions en cours d’éthique : faut-il dire qu’un système est juste parce que sa règle est la même pour tous (vision procédurale, proche d’une éthique des principes), ou parce qu’il produit des effets équitables (vision conséquentialiste) ? Ici, l’enjeu n’est pas tant de “maximiser” un score global que de vérifier que l’aide fournie ne profite pas surtout à certains groupes. En terme méthodologique, notre article s’inscrit dans la littérature sur la prédiction conforme (conformal prediction, CP). L’intuition est assez simple pour des classifieurs (c’est le cadre qu’on regarde ici). Au lieu de prédire une seule étiquette (“il va pleuvoir”, “c’est un médecin”, “c’est la classe 7”, “ce revenu est dans telle tranche”), on prédit un ensemble de réponses plausibles. Avec un degré de confiance. Par exemple “je suis sûr à 90% que la bonne réponse est dans cette liste.” Cette promesse, on appelle ça la couverture. À un niveau 90%, CP garantit que, en moyenne, la vérité est bien dans l’ensemble retourné. Autrement dit, peu importe le modèle, peu importe la distribution, on a une garantie statistique robuste. Mais dans la vraie vie, personne ne décide à partir d’une garantie abstraite de couverture. On décide à partir de l’ensemble de prédictions fournies. Et cet ensemble peut varier fortement d’une personne à l’autre, ou d’un groupe à l’autre.
- Si l’ensemble contient 1 réponse, c’est presque une décision automatique.
- S’il en contient 7, c’est une aide beaucoup plus vague : on hésite, on délègue, on choisit “au feeling”, ou on s’en remet à un autre processus.
Autrement dit, une même “garantie à 90%” peut se traduire par des niveaux d’aide très différents. Pour revenir à ce que je disais au début, on fait une distinction centrale dans le papier entre :
- la Fairness procédurale : la méthode respecte des critères “internes” (ex. même couverture par groupe).
- la Fairness substantive : au final, l’outil améliore (ou dégrade) l’équité des résultats et des bénéfices entre groupes.
Mais “égaliser la couverture” peut aggraver l’iniquité
Dans la littérature, une idée a longtemps semblé naturelle. Si on veut être juste entre groupes (genre, âge, origine…), alors il faut que la garantie statistique soit la même pour tous. En CP, cela conduit à ce qu’on appelle l’Equalized Coverage : calibrer séparément par groupe, pour que chacun obtienne, disons, 90% de couverture. Sur le plan procédural, c’est pas mal, mais sur le plan des conséquences, le papier montre que cela peut être un mauvais objectif. Pourquoi ? Tout simplement parce que calibrer par groupe revient à découper les données de calibration. Dans ce cas, certains groupes ont moins d’exemples, ce qui rend les seuils plus instables. Et pour tenir la couverture, on compense souvent en produisant des ensembles plus grands pour certains groupes. Et si un groupe reçoit systématiquement des ensembles plus larges, il reçoit une aide moins facile à utiliser en pratique.
Le papier propose alors en avant un autre indicateur procédural, plus proche des effets : l’Equalized Set Size (parité de taille des ensembles). Et ce qu’on montre, c’est que dans les expériences, la parité de taille est fortement associée à une meilleure équité des résultats, tandis que la parité de couverture est souvent corrélée à une équité plus mauvaise. Dit autrement, optimiser le bon niveau de couverture peut pousser dans la mauvaise direction du point de vue social.
Mesurer l’équité “substantive” sans mobiliser des centaines de participants
En pratique, évaluer l’équité des conséquences est coûteux, puisqu’il faudrait idéalement des expériences avec des humains, parce que ce sont eux (ou leurs règles décisionnelles) qui transforment l’ensemble de prédiction en décision. On a essayé d’être pragmatique, en remplaçant l’évaluateur humain par un LLM dans un protocole contrôlé (LLM-in-the-loop), de façon à simuler l’usage des ensembles de prédiction comme “aide à la décision”, à grande échelle, sur plusieurs modalités (image, texte, audio, tabulaire). L’idée n’est pas de dire que “les LLM pensent comme nous” en général, mais de construire un protocole où l’on peut donner au modèle une tâche (ex. prédire une profession, une émotion, une tranche de revenu), lui donner (ou non) l’ensemble conforme + une phrase de garantie (“la vraie réponse est dedans avec 90% de confiance”) et mesurer combien l’aide améliore l’exactitude, et surtout si cette amélioration est partagée équitablement entre groupes. Pour quantifier cette équité, on utilise une mesure inspirée des essais contrôlés, la disparité maximale de bénéfice entre groupes, résumée par un indicateur de type maxROR (une façon de comparer l’ampleur du “gain” entre groupes). Plus maxROR est faible, plus l’amélioration procurée par l’outil est équitable.
La taille des ensembles explique mieux l’équité réelle que la couverture
Sur quatre tâches (vision, texte, audio, données tabulaires) et plusieurs méthodes, on a un constat assez robuste. Tout d’abord, les méthodes qui cherchent à égaliser la couverture (Mondrian, group-clustered) ne sont pas celles qui donnent les meilleurs résultats en équité “substantive”. Mais en plus, les méthodes qui réduisent les écarts de taille d’ensemble (en particulier Label-Clustered CP, et parfois Backward CP) tendent à produire une amélioration plus équitable. Autrement dit, la prédiction conforme donne une garantie statistique particulièrement intéressante, mais la justice réelle se joue dans l’usage, et on montre que, pour des décisions assistées, l’égalité de taille des ensembles est souvent un meilleur levier d’équité que l’égalité de couverture.
Time for a short break

L’écosystème du bruit et la fabrique de l’autorité
Depuis quelques mois, j’essaye d’écrire un billet sur le greenwashing (“écoblanchiment” comme on dirait au Québec). Et forcément, ça prend du temps, parce que j’ai souvent tendance à me perdre dans toutes sortes de détails… et là encore, ça n’a pas manqué. Mais je vais déjà poser les bases, en décrivant cet écosystème qui lui permet de vivre, et de prospérer. Le point de départ de mon billet, ça sera Linkedin, parce que LinkedIn est une scène où on met en avant sa respectabilité professionnelle. Et j’avoue, il m’arrive de traîner un peu sur LinkedIn, souvent pour tenir informer en suivant quelques acteurs du monde de l’assurance. J’avais écrit un billet il y a deux mois, Bridging the Risk Perception Gap ?, expliquant que pour mes thèmes de recherche, c’est presque indispensable. Bien sûr, je sais que c’est un théâtre, un miroir un peu inquiétant, un mirror world au sens où Naomi Klein en parle dans Doppelganger. On y voit défiler plein de posts à la profondeur intellectuelle d’un poster motivationnel, mais parfois (et c’est ce qui rend le jeu frustrant) on voit passer un graphique intéressant, qui a l’air sérieux, mais presque jamais une source solide pour mieux comprendre comment il a été obtenu. Par exemple je vois passer ce genre de graphique, qui m’intéresse pour des raisons professionnelles, qui me fait poser mille questions.

Fig 1. Graphique fictif créé par les besoins de l’illustration, inspiré d’un graphique vu sur Linkedin. Non sourcé.
Dans le meilleur des cas, le post mentionnera une source, une source qui renvoie à un autre document, produit par une agence au statut étrange, qui renvoie à une note, qui renvoie à un observatoire. Et à la fin on ne sait plus très bien ce qu’on est censé retenir, sinon l’impression qu’il existe quelque part une expertise qui a produit une sorte d’analyse. Je vois que les japonais conduisent trois fois moins que les états-uniens. Mais est-ce le kilométrage par conducteur, ou par véhicule ? est-ce que ça tient compte du fait que les japonais ont plutôt une voiture par ménage, et les américains une voiture par personne ? Bref, ça suscite mille questions, mais ça pointe rarement vers mille pistes de réponses. Souvent on en reste là, et il faut lancer soit même les recherches pour trouver des sources.
Il y a une dizaine d’années, André Spicer a publié un joli livre, Business Bullshit, qui aide à comprendre les posts Linkedin, ces posts au ton assuré, consensuel, cette manière de produire des énoncés étonnamment indifférents à la question de savoir si c’est vrai, réfutable, ou simplement bien défini. André Spicer insiste sur l’idée que le bullshit n’est pas seulement du mensonge. Il est surtout un rapport à la vérité qui est relâché, parce que l’objectif n’est pas de décrire le monde, mais de produire un effet organisationnel. Dans mon billet La société du bullshit, il y a trois ans, je parlais du bullshit des LLM, mais avec un peu de recul, il correspond à une forme de corporate bullshit qu’on retrouve précisément sur les plateformes comme Linkedin. Le but est d’inspirer de la confiance, de la coordination, de l’adhésion. Ça a été expliqué par de nombreux journalistes, et universitaires, mais plus récemment, Cory Doctorow a donné un nom à quelque chose que beaucoup d’entre nous ont ressenti sans le formaliser. L’enshittification décrit cette dynamique où les plateformes, après avoir attiré des utilisateurs, réorganisent progressivement leurs règles et leurs interfaces pour servir d’abord des partenaires, puis des annonceurs, puis leurs propres extractions de rente, au point de dégrader l’expérience pour tout le monde. C’est un récit en plusieurs temps, qu’on a tous expérimentés. Et LinkedIn en est un parfait exemple. Ce n’est pas un endroit où l’on lit des contenus, c’est une machine qui sélectionne ce qui circule, ce qui récompense la réaction rapide, ce qui rend rentable le recyclage, ce qui pénalise l’argument long et sourcé. Mais parfois, on y trouve une idée, un argument qu’ont pourra reprendre dans un article pour avoir une idée de ce que “veut le marché” (c’est une question importante dans mon champ de recherche, l’assurance).
Ce qui me fait le plus peur, c’est que je vois des cas maintenant où la vraie vie commence à ressembler à Linkedin. Je me retrouve des fois dans des réunions avec des gens dont la légitimité est assez fumeuse. Pas tellement pour présenter des résultats d’études qu’ils auraient menées (comme je le vois dans le monde universitaire), mais plutôt pour dérouler une espèce de logorrhée verbeuses et vide. D’un côté, on a une forme de parole bullshit au sens organisationnel, pas forcément mensongère, mais calibrée pour produire de la confiance et de l’adhésion, sans payer le coût de la preuve. De l’autre, un environnement informationnel enshittifié, où la circulation des documents, des labels, des slides, des synthèses, finit par rendre la recherche scientifique plus difficile à voir, plus lente, et moins rentable attentionnellement. Donc plus facilement marginalisée, même quand tout le monde affirme vouloir s’appuyer sur la science. Pour quelqu’un qui passe presque tout son temps à lire des articles académiques, ça en serait presque comique si ce n’était pas navrant et inquiétant. Un papier sérieux (tel qu’il serait écrit par un monsieur sérieux, ou un champignon aurait dit le Petit Prince) commence souvent par définir proprement les objets de la discussion. Et mine de rien, ça prend du temps. Puis quand il y a des données, ça doit parler de biais de sélection, ça motive une lecture causale d’une corrélation, ça prend mille précautions. Clairement, ça perd du temps (en détails). Et l’écosystème dont je parle vend précisément l’inverse, il vend de la clarté, il vend de la vitesse, il vend des conclusions prêtes à être écoutées par des gens qui veulent prendre des décisions vite. Et ça crée une immense pollution sonore. Le bruit n’empêche pas la science d’exister, mais il la rend moins visible, moins audible. Et parfois, plus insidieusement, il la remplace. Non pas par de l’anti-science, mais par une science de décor. Une science citée comme un accessoire de crédibilité, sans que l’exigence de preuve ne survive au format.
Continue reading L’écosystème du bruit et la fabrique de l’autorité
Jouer collectif au XXIème siècle?
Dans le cadre de mes questionnements sur individus vs. collectif (en lien avec l’assurance, et plus particulièrement l’assurance des catastrophes naturelles), je découvrais l’autre jour un court texte, Culture Is the Mass-Synchronization of Framings écrit par Marco Giancotti, qui commence par une anecdote. Il décrit un quai à Tokyo, où les passagers forment deux files par porte, avant de pouvoir prendre un train. Une file pour monter dans le prochain train et une autre pour “sacrifier” le prochain train afin d’avoir une place assise dans le suivant. Sans consignes détaillées, Marco Giancotti explique que ce système est appris par immersion. Et à partir de là, il généralise, constatant (et je le rejoins) que beaucoup de comportements au Japon qui surprennent les visiteurs, comme le respect implicite de certaines règles de civilité, ne viennent pas d’une disposition innée. Des résidents étrangers finissent par adopter les mêmes routines, alors que les touristes ne les ont pas encore assimilées. L’explication est donc culturelle, et pas biologique. Marco Giancotti insiste ensuite sur la contingence, les standards culturels émergent souvent par hasard, puis se stabilisent via des boucles de rétroaction. Mais j’y reviendrais, parce que je voulais rebondir un peu sur cet article, avec une lecture un peu différente, revenant sur la manière dont le collectif est géré au Japon. Parce que, mine de rien, tout le monde pourra constater qu’en 2026, le collectif a mauvais presse, où il est souvent présenté comme une menace. Menace pour l’autonomie, pour la créativité, pour l’expression de préférences singulières. Dans la plupart des récits économiques, le collectif est parfois associé à des frictions, à des contraintes, à des inefficacités. Le marché, à l’inverse, serait un dispositif plus neutre. Il agrégerait des choix individuels sans exiger d’accord préalable sur ce qui est bien ou souhaitable. Mais cette opposition est décrit mal l’expérience sociale. La vie ordinaire est saturée de comportements coordonnés. Partout, l’individu agit dans un environnement d’attentes. Et ces attentes ne sont pas seulement des contraintes externes. Elles constituent une infrastructure, souvent invisible, qui rend les interactions prévisibles. Et c’est peut être un peu tiré par les cheveux, mais ça m’a fait pensé à une discussion que j’avais eu avec mon ancien doctorant, Philipp Ratz, quand j’étais à allé le voir à Zürich, il y a plusieurs mois…
Continue reading Jouer collectif au XXIème siècle?
Natural disasters, avoidable or unpredictable?
We’ve all seen the images. And they are incredible. Like many natural disasters.
On 25 January, Niscemi, a small Sicilian town, split in two, after the torrential rains associated with Storm Harry, leaving a scar several kilometres long. We saw roads collapsing, cars vanishing, houses left hanging on the edge of a void. More than 1,600 people were evacuated. In the Guardian article, we are reminded that this was not the first time. We are told that the very same area had already slid in the 18th century, and again in 1997, and yet construction continued, especially from the 1950s and 1960s onwards.
Could we have known? Did we already know? And if we did, why does it still happen? Almost inevitably, after every natural disaster, I find that these questions come back too, again and again… I thought I could write a short post to recall that, on the one hand, there are striking regularities in the way some disasters unfold. But on the other hand, “predictable” does not mean “avoidable”, because disaster is also a social fact, a story of vulnerability, exposure, and public choices (at the risk of repeating myself, I know).
Continue reading Natural disasters, avoidable or unpredictable?
Catastrophes naturelles, catastrophes évitables ou imprévisibles ?
On a tous vu les images. Et elles sont incroyables. Comme de nombreuses catastrophes naturelles.
Le 25 janvier, Niscemi, petite ville sicilienne, s’est ouvert en deux, suite aux pluies torrentielles associées au cyclone Harry, avec une cicatrice de plusieurs kilomètres. On a vu les routes qui s’effondrent, les voitures qui disparaissent, les maisons qui restent suspendues au bord d’un vide. Plus de 1 600 personnes ont été évacuées. Dans l’article du Guardian, on nous rappelle que ce n’est pas la première fois. On nous explique que le même secteur avait déjà glissé au XVIIIe siècle, puis à nouveau en 1997, et pourtant les constructions ont continué, notamment à partir des années 1950 et 1960.
Est-ce qu’on aurait pu savoir ? Est-ce qu’on savait déjà ? Et si on savait, pourquoi ça arrive quand même ? Mine de rien, à chaque catastrophe naturelle, j’ai souvent que ces questions reviennent elles aussi, invariablement… Je me disais que je pourrais écrire un court billet, rappelant que d’un côté, il existe des régularités étonnantes dans la façon dont certaines catastrophes se déclenchent. Mais pour autant, de l’autre, “prévisible” ne veut pas dire “évitable”, parce que la catastrophe est aussi un fait social, une histoire de vulnérabilité, d’exposition et de décisions publiques (au risque de me répéter, je sais).
Continue reading Catastrophes naturelles, catastrophes évitables ou imprévisibles ?
European Actuarial Journal Conference, this Fall, in Istanbul
From Premium to Contribution: Recovering Solidarity
This post was originally written and published in French, De la prime à la cotisation: retrouver la solidarité
Well, let’s start with something everyone can observe. Insurance has a bad image, a bad press. It is often suspected of being a cold bureaucracy, a paperwork industry, a partner that looks for loopholes precisely when you need it. We talk about premiums the way we talk about a price, and we end up judging insurance the way we judge a purchase. Did I “get my money’s worth” this year. Did I “lose” money if I had no claim. Was I a good customer if I kept quiet. With questions like these, the very idea of solidarity quickly feels out of place.
And yet, if we set aside the forms and the marketing campaigns, insurance is first and foremost a social technology. It makes a simple reality livable. Some events are rare, hit hard, and cannot be financed individually without tipping into ruin. Insurance says the following. We do not know when, we do not know who, we only know that one day someone will have an accident, fall ill, see their home damaged, or cause harm to someone else. And because we cannot decide in advance who that person will be, we choose to be many to carry the associated financial burden. We pool a small share of our resources, and we agree on rules so that, when the day comes, the burden is bearable. For everyone. It is not only a service, it is a common.
I had already tried to look at the issue from a concrete angle, the angle of claims settlement, and the way it can disenchant a tool that is, in principle, virtuous, in an earlier post When insurance falls apart, the silent crisis of claims settlement. And there are other posts too, revolving around pricing, perception, and what we truly expect from an insurance contract, such as The value of life, The paradoxes of segmentation and discrimination in insurance, Cheaper personalized insurance premiums thanks to AI, or Insurance, a zero sum game. But what was missing was a broader lens, more sociological, and probably more political too. And as often, going back to classic works in the social sciences helps clarify what is at stake.
Continue reading From Premium to Contribution: Recovering Solidarity
De la prime à la cotisation: retrouver la solidarité
Bon, commençons par un constat que tout le monde peut faire. L’assurance a mauvaise image, mauvaise presse. On la soupçonne d’être une bureaucratie froide, une industrie de paperasse, un partenaire qui cherche l’échappatoire au moment où l’on en a besoin. On parle de primes comme on parlerait d’un prix, et on finit par juger l’assurance comme on juge un achat. Ai-je “rentabilisé” mon contrat cette année ? Ai-je “perdu” de l’argent si je n’ai pas eu de sinistre. Ai-je été un bon client si je suis resté discret ? Avec ce genre de questions, l’idée même de solidarité paraît vite hors sujet.
Pourtant, si l’on met de côté les formulaires et les campagnes marketing, l’assurance est d’abord une technologie sociale. Elle sert à rendre vivable une réalité simple. Certains événements arrivent rarement, frappent fort, et ne sont pas finançables individuellement sans basculer dans la ruine. L’assurance dit ceci. On ne sait pas quand, on ne sait pas qui, on sait seulement qu’un jour quelqu’un aura un accident, tombera malade, verra sa maison endommagée, ou causera un tort à autrui. Et comme on ne peut pas décider à l’avance qui sera cette personne, on décide d’être plusieurs à porter le poids financier associé. On met en commun une petite part de nos moyens, et on s’accorde sur des règles pour que, le jour venu, la charge soit supportable. Pour toutes et tous. Ce n’est pas seulement un service, c’est un commun.
J’avais déjà essayé de regarder le problème par un angle concret, l’angle de l’indemnisation, et de la manière dont elle peut désenchanter un outil a priori vertueux, dans mon ancien billet Quand l’assurance se défait, la crise silencieuse de l’indemnisation. Et puis il y a d’autres billets, qui tournent autour de la tarification, de la perception, et de ce que l’on attend vraiment d’un contrat d’assurance, comme La valeur de la vie, Les paradoxes de la segmentation et de la discrimination en assurance, Des primes d’assurance personnalisées moins chères grâce à l’IA ?, ou encore L’assurance, un jeu à somme nulle?. Mais il manquait une grille de lecture plus large, plus sociologique, plus politique probablement. Et comme souvent, se replonger dans des classiques des sciences sociales aide à voir ce qui est en jeu.
Continue reading De la prime à la cotisation: retrouver la solidarité
Criminal Records, the Right to be Forgotten, and Inclusive Insurance
I just uploaded an article, “Criminal Records, the Right to be Forgotten, and Inclusive Insurance: Risk, Rehabilitation, and Data Governance in Underwriting“, written with David Schraub,
Criminal history information (CHx) is increasingly used in insurance screening and underwriting, yet it remains under-theorized in the inclusive insurance literature despite its potential to widen protection gaps through quote-gating, opaque third-party data pipelines, and limited avenues for correction. This article argues that criminalhistory underwriting is a joint problem of risk governance and information governance. Criminal justice information is time-sensitive and legally structured, but automated decision systems and vendor supply chains can operationalize it as durable stigma, particularly when records persist across brokers, archives, and derivative products that fail to reflect status changes such as sealing, expungement, or spentness. The article maps where CHx can enter the insurance lifecycle (pre-quote funnels, underwriting/pricing, claims and renewal) and identifies inclusion-relevant failure modes linked to provenance, data quality, update lag, and weak procedural safeguards. It then develops a conceptual framework distinguishing defensible risk relevance from digital punishment, and translates that framework into implementable mechanisms for more inclusive practice: redemption-by-design (time windows and decaying weights), data minimization and purpose limitation grounded in marginal predictive value, auditable vendor governance, and due-process safeguards providing actionable notice, explanation, and rapid correction. The article concludes with a governance standard for regulators and insurers: the key question is not whether CHx is used, but whether any use is demonstrably incremental, time-bounded, contestable, and governable across the data supply chain.
Correlation, Causation, Circumstance, Context
This post was originally written and published in French, Corrélation et causalité, circonstance et contexte
Let’s imagine we collected a few pieces of information, for a clearly identified individuals, via connected devices,
- Thursday 18:30: a €45 purchase at a bar-tabac
- Friday 13:15, 1 hour above Porte Saint-Martin
- Saturday 14:00, 1 hour near Place de la République

Trying to make the data “speak”, we might hesitate between a first version
- Thursday 18:30: a €45 purchase of cigarettes
- Friday 13:15, 1 hour at the mosque, at prayer time
- Saturday 14:00, 1 hour in a demonstration that started from Place de la République in the early afternoon
and a second version
- Thursday 18:30: a €45 purchase of tax stamps
- Friday 13:15, 1 hour at the gym
- Saturday 14:00, 1 hour at the hairdresser’s, Place de la République
In other words: with the very same raw signal, we can build two perfectly coherent stories. This is not an artistic trick à la Sophie Calle; it is the standard situation as soon as we work with traces (geolocation, timestamps, spending, calls, driving). Data do not necessarily lie. But they underdetermine the narrative, because they allow several possible worlds. In insurance (and more broadly in the economy of prediction), we are used to taking correlations and turning them into decisions—not only to “understand”, but to price, classify, accept, refuse. The point is not to say this is illegitimate in principle. The point is to recall what we do when we only correlate, and what we forget when we have no context.
Continue reading Correlation, Causation, Circumstance, Context
Corrélation et causalité, circonstance et contexte
Imaginons qu’on ait collecté, pour une personne clairement identifiée, quelques informations sur Paris, via des objets connectés,
- Jeudi 18:30 : achat pour 45€ dans un bar-tabac
- Vendredi 13:15, 1h au dessus de la Porte Saint Martin
- Samedi 14:00, 1h proche de la Place de la République

En essayant de faire parler les données, on hésite entre une première version
- Jeudi 18:30 : achat pour 45€ de cigarettes
- Vendredi 13:15, 1h à la mosquée, à l’heure de la prière
- Samedi 14:00, 1h dans une manifestation qui partait de la Place de la République en début d’après midi
et une seconde version
- Jeudi 18:30 : achat pour 45€ de timbres fiscaux
- Vendredi 13:15, 1h au club de sport
- Samedi 14:00, 1h chez le coiffeur, place de la République
Autrement dit, avec un même signal brut, on a deux histoires parfaitement cohérentes. Ce n’est pas une pirouette artistique à la Sophie Calle, c’est la situation standard dès qu’on manipule des traces (géolocalisation, heures, dépenses, appels, conduite). Les données ne mentent pas forcément. Mais elles sous-déterminent le récit puisqu’elles autorisent plusieurs mondes possibles. En assurance (et plus largement dans l’économie de la prédiction), on a l’habitude de prendre des corrélations pour en faire des décisions. Pas seulement pour “comprendre”, mais pour tarifer, classer, accepter, refuser. Le point n’est pas de dire que c’est illégitime par principe. Le point est de rappeler ce qu’on fait quand on se contente de corréler, et ce qu’on oublie quand on n’a pas de contexte.
Continue reading Corrélation et causalité, circonstance et contexte
Insurance, biases, discrimination and fairness

Almost two years ago, “Insurance, Biases, Discrimination and Fairness” was published. A quick note: the book was initially based on a (long) report published by the Institut Louis Bachelier, in both French and English (with links on my blog)
☐ French : https://freakonometrics.hypotheses.org/63834
☐ English : https://freakonometrics.hypotheses.org/63866
Since these links (on the ILB website) are now dead (and I can’t find the reports on the website anymore – 404 error), I re-uploaded both versions — people often ask me for them.
☑︎ Report (EN): https://freakonometrics.hypotheses../..Gb.pdf
☑︎ Report (FR): https://freakonometrics.hypotheses../..Fr.pdf
(Much more material can be found on the blog…)
Il y a bientôt deux ans paraissait l’ouvrage “Insurance, Biases, Discrimination and Fairness”. Je précise qu’il s’appuyait initialement sur un (long) rapport publié par l’Institut Louis Bachelier, en français et en anglais (j’en avais alors parlé sur mon blog) :
☐ Français : https://freakonometrics.hypotheses.org/63834
☐ Anglais : https://freakonometrics.hypotheses.org/63866
Les liens sur le site de l’ILB étant désormais inaccessibles (et ne retrouvant plus le rapport sur le site), j’ai remis en ligne les deux versions — on me les demande souvent.
☑︎ Rapport (EN) : https://freakonometrics.hypotheses../..Gb.pdf
☑︎ Rapport (FR) : https://freakonometrics.hypotheses../..Fr.pdf
(Et au passage, beaucoup d’autres ressources sont disponibles sur mon blog…)

