La question ne se pose pas de la même façon selon le contexte, mais elle se pose toujours.

À la clôture, l’actuaire valide un Best Estimate, le directeur financier signe les états prudentiels : peut-on démontrer que les données d’entrée étaient fiables, que les hypothèses retenues étaient justifiées, que la chaîne de calcul est reconstituable ?

En inspection, l’autorité de contrôle remonte d’un chiffre publié jusqu’à ses sources : données, règles, hypothèses, validations. Elle ne demande pas si les données sont de qualité. Elle demande : montrez-moi la chaîne, maintenant.

En comité de risque, le Conseil ou le Risk Committee valide des décisions stratégiques, telles que l’appétit au risque, la politique de réassurance ou l’ORSA. Les décisions présentées sont-elles fondées sur des données dont la fiabilité a été qualifiée ? Et peut-on le démontrer ?

Dans les trois cas, la réponse reste trop souvent partielle. Non par défaut de compétence ou d’investissement, mais parce que la gouvernance des données, aussi structurée soit-elle, ne gouverne pas les décisions qu’elle alimente.

Cet article part de ce constat. Il documente les exigences qui restent non satisfaites, analyse ce que ces écarts produisent, et pose les bases de ce qu’une gouvernance décisionnelle effective requiert.

Le modèle actuel : ce qu’il fait bien, ce qu’il ne suffit pas à faire

Le secteur de l’assurance s’est structuré, au cours des années 2010, autour d’un modèle désormais bien établi : données → qualité → rapport. Ce modèle de gouvernance a produit des résultats tangibles. Il a permis de décrire les actifs informationnels, de mesurer et réduire les anomalies sur les données critiques, de structurer les responsabilités, de tracer les flux et de diffuser une culture de la donnée dans des organisations historiquement fragmentées entre métiers, actuariat et systèmes d’information. Ce socle est réel, indispensable, et constitue la condition de possibilité de toute démarche de gouvernance.

Mais ce modèle s’arrête au rapport. Il permet de produire des indicateurs, des tableaux de bord, des états réglementaires. Il améliore la qualité des données qui alimentent ces productions. Mais il ne couvre pas ce qui vient après : les décisions que ces données et ces rapports sont censés fonder.

Or, dans le secteur de l’assurance, ces décisions ne sont ni marginales ni secondaires. Elles engagent la validation du Best Estimate et des provisions techniques, l’approbation des QRT, les arbitrages portés dans l’ORSA, les décisions de souscription, de paiement ou de blocage de sinistres, ainsi que les mécanismes de détection de fraude. Autant de décisions financières, prudentielles, réglementaires et commerciales, dont la robustesse est directement exposée à l’audit, à l’inspection et à la responsabilité des dirigeants.

Le modèle actuel ne les ignore pas. Il ne les organise pas. La question qu’il pose est : « La donnée est-elle de bonne qualité ? » La question qu’il ne pose pas, alors même que les régulateurs, les auditeurs et les instances de gouvernance l’attendent, est d’une autre nature : « Cette donnée est-elle suffisamment fiable au regard de la décision qu’elle alimente et pouvez-vous le démontrer de manière immédiate, reproductible et auditée ? »

Ce déplacement est déterminant : la gouvernance des données permet de savoir ce que sont les données, où elles se trouvent et dans quel état elles sont. Elle ne permet pas de savoir quelle décision dépend de quelles données, quelles règles transforment ces données en résultat, quelles hypothèses ont été retenues, à quel moment et par qui, ni dans quelle mesure une anomalie donnée affecte une décision donnée. Elle ne permet pas d’établir, de manière native, la chaîne complète : données → hypothèses → calcul → décision → validation.

C’est là que se situe la limite, non dans la qualité du modèle, mais dans son périmètre.

Le modèle actuel répond à une question nécessaire. Il ne répond pas à celle qui conditionne la conformité, l’auditabilité et la défendabilité des décisions : la fiabilité démontrable de ce qu’elles produisent.

La problématique : six attendus réglementaires et métier non satisfaits

Cette limite n’est pas théorique. Elle se manifeste dans l’écart persistant entre des exigences explicites, réglementaires et métier, et les capacités effectives des dispositifs en place. Ces exigences ne portent pas sur la qualité des données : elles portent sur la gouvernance des décisions que ces données alimentent. Six attendus, tous documentés, tous opposables, en attestent.

Trois d’entre eux concernent directement le processus actuariel et prudentiel.

La Directive Solvabilité II (Art. 48) impose à la Fonction Actuarielle d’apprécier la qualité des données au regard du résultat produit, et pas seulement de constater leur conformité. Or aucun score de confiance agrégé n’est disponible au moment où l’actuaire valide le Best Estimate. Il signe un résultat qui engage parfois plusieurs centaines de millions d’euros sans savoir ce que les anomalies non résolues représentent en écart potentiel. Les boni/mali constatés à la clôture suivante en sont souvent la conséquence directe.

Le code de déontologie de l’Institut des Actuaires (art. 3.2) exige que les hypothèses et les méthodes soient précisées et que la sensibilité des résultats aux choix de modélisation soit documentée. Or le versioning des hypothèses est absent dans la majorité des dispositifs. Une compagnie qui ne peut pas reconstituer les hypothèses retenues à une date passée ne peut pas démontrer la fiabilité de son processus actuariel, ni devant ses commissaires aux comptes, ni devant l’ACPR.

IFRS 17 renforce cette exigence : la norme impose la traçabilité des hypothèses actuarielles et le versioning de l’ajustement pour risque et du CSM d’une clôture à l’autre. Une compagnie qui ne peut pas reconstituer les hypothèses retenues à une date passée est en défaut vis-à-vis des deux référentiels simultanément.

L’article 45 de la Directive (ORSA) exige que le rapport documente le lien entre l’appétit au risque du Conseil et les données qui fondent les décisions. Or ce lien n’est pas reconstituable dans la plupart des cas. L’ORSA produit une narration cohérente, sans fondement auditable, ce que l’ACPR peut qualifier d’insuffisance du dispositif de gouvernance, indépendamment de la correction des chiffres présentés.

Deux autres concernent la capacité à répondre à l’autorité de contrôle.

La notice ACPR de novembre 2023 (QDD) précise ce qu’elle vérifie en inspection : la traçabilité des données, de la source jusqu’au chiffre publié. L’enquête ACPR de février 2025 mesure l’écart : 35 % des organismes n’ont pas défini les attributs de leurs données. Sans ces attributs, la reconstruction d’une piste d’audit complète prend entre dix et quinze jours ouvrés, ce que l’ACPR interprète comme une faiblesse du contrôle interne.

L’Opinion EIOPA sur la gouvernance de l’IA (août 2025) étend explicitement l’exigence aux processus de souscription et de provisionnement. Or la même enquête ACPR constate que le périmètre de la qualité des données se limite encore aux seules données actuarielles dans la majorité des organismes. Les décisions de souscription, de gestion des sinistres et de lutte contre la fraude s’appuient sur des données dont la fiabilité n’est ni qualifiée ni documentée, y compris pour des décisions prises quotidiennement et à fort volume.

Le sixième attendu touche aux décisions opérationnelles individuelles.

La recommandation ACPR 2024-R-03 impose que chaque décision de conseil ou de blocage soit justifiable, documentée et traçable tout au long de la relation contractuelle. Or ces décisions sont traitées sans contexte décisionnel auditable. L’ALFA estime que la fraude représente 2 à 4 % des sinistres payés dans le secteur IARD. Une décision de blocage non auditable de bout en bout est une décision difficilement défendable en cas de contestation, d’audit ou d’inspection.

Ces six attendus ont un point commun : ils portent tous sur les décisions, leur traçabilité, leur justifiabilité et leur auditabilité. L’écart entre ce qui est exigé et ce qui est produit n’est pas une question de volonté. C’est une question de dispositif.

Ce que ces écarts produisent concrètement

Chacun des six attendus non satisfaits a une traduction concrète. Les six conséquences qui suivent sont indépendantes les unes des autres, mais elles partagent la même origine.

Un provisionnement validé sans visibilité sur sa propre fiabilité. Quand la Fonction Actuarielle signe le Best Estimate sans disposer d’un score de confiance sur les données d’entrée, elle valide un résultat dont elle ne peut pas mesurer la sensibilité aux anomalies non résolues. Ce n’est pas une erreur de calcul ; c’est une décision prise sans visibilité complète sur la fiabilité des données qui la fondent. Les écarts boni/mali qui peuvent survenir à la clôture suivante sont souvent la conséquence d’une chaîne de validation sans contexte décisionnel.

Des hypothèses actuarielles non reconstituables dans le temps. Sans versioning des hypothèses, le backtesting est une déclaration d’intention, pas une démonstration. Une compagnie qui ne peut pas reconstituer, à T-n, les hypothèses qui avaient été retenues et pourquoi, se trouve dans l’incapacité de démontrer que ses provisions passées étaient justifiées, même si elles l’étaient. La fiabilité du processus actuariel devient alors difficile à établir vis-à-vis d’un tiers, qu’il soit auditeur, commissaire aux comptes ou inspecteur ACPR.

Un ORSA qui affirme sans pouvoir prouver. Le lien entre l’appétit au risque du Conseil et les données qui fondent les décisions n’est pas reconstituable si la traçabilité décisionnelle est absente. L’ORSA produit alors une narration cohérente sans fondement auditable. L’ACPR peut qualifier cela d’insuffisance du dispositif de gouvernance, non pas parce que les chiffres sont nécessairement faux, mais parce que la chaîne qui les produit n’est pas démontrée.

Une piste d’audit reconstituée en urgence, pas maintenue en continu. Quand la traçabilité n’est pas native, elle se reconstitue à la demande. Cela prend entre dix et quinze jours ouvrés lors d’une inspection ACPR. Ce délai n’est pas un problème d’organisation ; c’est le signe que la piste d’audit n’existe pas structurellement. La reconstruction en urgence mobilise des ressources rares, peut produire des résultats incomplets et fragilise la position de la compagnie vis-à-vis de l’autorité de contrôle.

Une gouvernance des données qui ne couvre pas ce qu’elle doit couvrir. Quand le périmètre de la qualité des données se limite aux données actuarielles, comme le constate l’ACPR pour la majorité des organismes, les décisions de souscription, de gestion des sinistres et de lutte contre la fraude s’appuient sur des données dont la fiabilité n’est ni qualifiée ni documentée. Ces décisions sont prises quotidiennement, à fort volume, sans que la compagnie dispose d’une visibilité sur la qualité de leur fondement informationnel.

Des décisions de blocage ou de paiement non auditables de bout en bout. La décision de payer ou de bloquer un sinistre est une décision critique, tant sur le plan financier que juridique et commercial. Si le scoring qui la produit n’est pas auditable, si la décision n’est pas tracée avec son contexte, les données qui l’ont alimentée et la personne qui en est responsable, cette décision peut s’avérer difficile à justifier en cas de contestation, d’audit ou d’inspection. Cela constitue une exposition opérationnelle et réglementaire réelle.

Ces six conséquences ont un point commun : elles ne résultent pas d’une mauvaise gouvernance des données ; elles résultent d’une gouvernance des données qui s’arrête à la donnée sans atteindre la décision. C’est précisément là que commence la question de la gouvernance décisionnelle.

La réponse : étendre le périmètre de la gouvernance

Le modèle actuel s’arrête au rapport. La réponse ne consiste pas à le remplacer ; elle consiste à étendre son périmètre jusqu’aux décisions.

Le schéma ci-après représente cette extension en six niveaux, avec deux lectures complémentaires : descendante, depuis les exigences vers les sources ; ascendante, depuis les sources vers les capacités de pilotage.

Les trois niveaux inférieurs, à savoir les sources de métadonnées, les connecteurs et l’intelligence des données, existent aujourd’hui. L’intelligence des données, en particulier, constitue le cœur du modèle actuel : elle transforme les métadonnées brutes en informations et connaissances sur les données, à travers quatre couches successives : collecte, transformation, stockage et restitution. C’est un acquis réel, structuré et indispensable.

Ce que ce modèle ne produit pas, ce sont les trois niveaux supérieurs. Les capacités de pilotage, telles que le scoring de confiance, la traçabilité décisionnelle, l’observabilité et l’auditabilité, n’existent pas encore comme couche structurée. Les décisions critiques, qu’il s’agisse du provisionnement, de la tarification, des sinistres, de la fraude, de la réassurance ou de la conformité, ne sont pas formalisées comme objets de gouvernance. Enfin, les exigences réglementaires et opérationnelles ne sont pas explicitement articulées avec la chaîne de gouvernance.

C’est précisément cet écart, entre ce que le modèle produit et ce qu’il doit atteindre, que la section suivante traduit en ruptures concrètes.

Les cinq ruptures concrètes

Les écarts documentés dans les sections précédentes ont une origine commune : le périmètre de la gouvernance s’arrête à la donnée sans atteindre la décision. Les cinq ruptures qui suivent ne sont pas des recommandations génériques ; chacune répond à un écart précis.

Objection fréquente : « Les décisions métier changent trop vite pour être gouvernées de façon stable »

Ce qu’on entend parfois. Gouverner les décisions supposerait de figer un référentiel. Or les métiers évoluent, les produits changent. Une telle démarche serait obsolète avant même d’être déployée.

Ce que montre la réalité du secteur. Cette objection confond la volatilité des priorités avec la stabilité des décisions structurelles. La tarification est une décision critique depuis que l’assurance existe. Le provisionnement, la détection de fraude et la validation des QRT durent des décennies. C’est précisément parce qu’elles sont stables qu’elles méritent une gouvernance rigoureuse. Ce qui change, ce sont les paramètres et les modèles, pas la nature de la décision. C’est exactement ce que le versioning des hypothèses et la traçabilité des décisions permettent de gérer.

Première rupture : Partir des décisions, pas des jeux de données

Le modèle actuel commence par les données. C’est là son angle mort. La première rupture consiste à inverser le point de départ : cartographier explicitement les vingt à trente décisions critiques de l’organisation, telles que le Best Estimate, la validation des QRT, la souscription, le blocage de sinistres ou la détection de fraude, puis les traiter comme les objets premiers de la gouvernance. Chacune devient une unité de gouvernance avec ses propres intrants qualifiés, ses règles documentées et ses exigences de traçabilité. Sans ce cadrage, toutes les autres ruptures restent sans objet.

Deuxième rupture : Scorer la confiance par décision, pas par attribut

L’actuaire qui signe le Best Estimate ne dispose d’aucune mesure de la fiabilité globale du résultat qu’il valide. La deuxième rupture consiste à produire un score agrégé de confiance par décision critique, tenant compte de la qualité des données d’entrée, des modèles et des hypothèses. Un actuaire disposant d’un score de 91 % sur son Best Estimate sait où se trouvent les 9 % qui méritent attention, avant la publication et non après la constatation des boni/mali.

Troisième rupture : Tracer la décision de bout en bout, pas seulement la donnée

La reconstruction d’une piste d’audit prend entre dix et quinze jours ouvrés parce que la traçabilité n’est pas native : elle se reconstitue à la demande. La troisième rupture consiste à relier nativement la décision publiée aux données qui l’ont fondée, aux modèles utilisés, aux hypothèses retenues et aux personnes qui ont validé, avec un horodatage à chaque nœud. Ce qui prend aujourd’hui plusieurs jours devient disponible immédiatement.

Quatrième rupture : Contextualiser l’observabilité par audience et par décision

L’ORSA produit une narration cohérente que ni le Conseil ni l’ACPR ne peuvent auditer. La quatrième rupture consiste à produire, pour chaque audience (COMEX, CFO, Risk Committee, actuariat ou ACPR), une vue centrée sur les décisions critiques qui la concernent, avec les scores de confiance associés, les anomalies qui les affectent et les actions requises. La conformité cesse d’être une affirmation pour devenir une démonstration.

Cinquième rupture : Intégrer la conformité comme capacité native, pas comme projet annexe

Les pistes d’audit sont aujourd’hui reconstruites en urgence lors des inspections. La cinquième rupture consiste à les générer automatiquement à chaque décision, grâce à des templates réglementaires préconfigurés, un versioning natif et des points de contrôle ACPR documentés en continu. La conformité n’est plus un chantier à mener ; elle devient un état maintenu en permanence.

Ces cinq ruptures forment une séquence. La première pose l’objet. La deuxième le qualifie. La troisième le trace. La quatrième le restitue. La cinquième le rend auditable. Aucune ne fonctionne sans les autres.

L’effort requis : une lucidité nécessaire

Étendre le périmètre de la gouvernance jusqu’aux décisions n’est pas une transformation sans friction. L’effort est réel et se distribue sur trois dimensions.

Conclusion

Les assureurs ont eu raison d’investir dans la gouvernance des données. Sans ces fondations, à savoir les catalogues, les règles de qualité et le lignage, rien de ce qui suit n’est possible.

Mais ces fondations ne suffisent pas. Le modèle actuel couvre les données, les indicateurs et les usages. Il ne couvre pas les décisions. Tant que la chaîne de gouvernance s’arrête au rapport sans atteindre les décisions critiques, les compagnies opèrent avec un angle mort structurel, à la fois réglementaire, opérationnel et stratégique.

La réponse n’est pas de changer de modèle. C’est d’en étendre le périmètre jusqu’aux décisions qui donnent aux données leur raison d’être.