Comment une IA audite un parcours d’assurance

« Vous faites des audits UX avec de l’IA » appelle immédiatement deux réactions opposées : soit on imagine un modèle de langage à qui on montre une capture d’écran en lui demandant son avis, soit on suppose une boîte noire propriétaire dont il faudrait croire les résultats sur parole. Ni l’un ni l’autre ne serait défendable devant un comité.

Voici ce que fait réellement notre agent, le Copilote UX, dans quel ordre, et où s’arrête sa compétence.

Étape 1 — Naviguer comme un client, pas comme un robot

L’agent parcourt le tunnel dans un navigateur réel : il clique, fait défiler, remplit des formulaires, subit les temps de chargement, rencontre les interstitiels et les erreurs de saisie. Il ne lit pas une documentation ni un plan de site — il suit le chemin qu’emprunte un prospect.

Cette contrainte n’est pas cosmétique. Une part importante des frictions d’assurance ne se voient qu’en situation : le champ qui se réinitialise après une erreur, le montant qui change entre deux écrans sans explication, le justificatif réclamé sans qu’on ait dit pourquoi. Analyser le code d’une page ne les révèle pas. Les traverser, oui.

Sur les parcours ouverts — devis, simulation, tarification — cela se fait sans rien demander à l’assureur. Derrière authentification, avec des comptes de test : nous n’utilisons jamais de données réelles de clients.

Étape 2 — Capturer de quoi prouver

À chaque étape, l’agent enregistre ce qu’il voit : captures d’écran, structure de la page, enchaînement des écrans, contenu des messages, temps de réponse, et l’enregistrement vidéo du passage.

Cette matière n’est pas un bonus, c’est la condition de la défendabilité. Une note qui ne s’appuie sur rien est une opinion. Une note adossée à une capture horodatée et à la séquence exacte qui l’a produite se discute avec l’équipe produit concernée — et c’est la seule discussion utile.

C’est aussi ce qui rend l’audit rejouable : six mois plus tard, après correction, on repasse le même parcours dans les mêmes conditions et l’on compare deux états, pas deux impressions.

Étape 3 — Noter critère par critère, avec un indice de confiance

L’agent applique ensuite la Grille UX Banque-Assurance 2026 : cinq dimensions, vingt critères, chacun tranché sur trois niveaux — à corriger, standard, excellence. Chaque note est accompagnée de deux choses : les éléments observés qui la justifient, et un indice de confiance.

C’est ce dernier point qui structure tout le reste. Un critère comme la présence d’une information tarifaire avant la demande de coordonnées se constate sans ambiguïté : confiance haute. Un critère comme la qualité pédagogique d’une explication de garantie demande un jugement : confiance basse, quelle que soit la sophistication du modèle. L’agent ne prétend pas trancher les seconds — il les signale comme demandant un arbitrage.

Résultat : la revue humaine ne relit pas tout au hasard, elle traite en priorité ce que la machine a elle-même identifié comme incertain.

Étape 4 — La vérification humaine, qui n’est pas une relecture

Un consultant du secteur reprend ensuite chaque friction relevée. Il confirme ou infirme, requalifie la gravité, écarte les faux positifs, et surtout croise avec ce que l’agent ne sait pas lire : le contexte réglementaire, l’historique du parcours, les contraintes assumées.

C’est cette étape qui engage le cabinet. Le rapport est signé par un humain, pas produit par un système.

Ce que l’agent apporte réellement

Pas la vitesse — ou plutôt, pas seulement. La constance.

Un auditeur humain qui passe dix parcours de souscription dans la semaine ne juge pas le dixième comme le premier. Il s’habitue, il compense mentalement, il devient indulgent sur ce qu’il a déjà vu cinq fois et sévère sur ce qui l’agace. Ce n’est pas un défaut de compétence, c’est un fait cognitif. Il rend l’audit comparatif difficile : deux acteurs notés à trois jours d’intervalle ne sont pas notés au même barème.

Une machine n’a pas ce problème. Elle applique le même critère, avec le même seuil, au premier comme au trentième parcours. C’est ce qui rend possible un classement de marché défendable — et c’est le prérequis du Baromètre.

Le second apport est l’échelle. Comparer quinze acteurs sur trois parcours représente quarante-cinq passages complets. À la main, c’est un budget que personne n’engage. C’est cette économie qui rend l’exercice possible, pas une prouesse technique.

Les quatre choses qu’une IA ne doit pas signer seule

Un jugement de conformité. Déterminer si une formulation satisfait au devoir de conseil au sens de la DDA est une question juridique. L’agent peut relever qu’aucune information ne s’affiche à l’étape attendue ; il ne conclut pas sur la conformité.

Une intention. Distinguer une friction subie d’un choix délibéré — un parcours volontairement ralenti pour sécuriser une opération sensible — demande de connaître le contexte de l’entreprise.

Une priorisation. L’ordre dans lequel corriger dépend de la roadmap, du coût technique et des contraintes du système d’information. Un agent qui classerait les frictions par sa seule gravité théorique produirait un plan inapplicable.

Un cas ambigu. Quand la confiance est basse, la bonne réponse n’est pas de trancher quand même : c’est de le dire. Un système qui ne sait pas signaler son incertitude est plus dangereux qu’utile.

Pourquoi un cabinet d’études construit son propre agent

Un outil comme celui-là n’est pas un assemblage d’API. C’est un logiciel qui doit comprendre ce qu’il observe : la mécanique d’une tarification, l’ordre attendu des informations précontractuelles, ce que signifie une étape d’habilitation.

Tips tank développe des applicatifs métier pour des assureurs depuis onze ans et travaille l’intelligence artificielle appliquée depuis 2018 — gestion de sinistre assistée par IA, agents conversationnels en production, traitement automatique de la parole. Le Copilote n’est pas une reconversion opportuniste vers l’IA : c’est la rencontre de deux métiers que nous exerçons déjà.

C’est aussi pourquoi nous savons où le placer. Un cabinet qui découvre la technologie a tendance à en promettre trop ; un éditeur qui n’a jamais mené d’étude ne voit pas ce qu’elle ne remplace pas.

L’IA donne l’échelle et la constance. L’expert donne la fiabilité. Aucun des deux ne suffit seul, et c’est très bien ainsi.