Récapitulatif du webinar : comment Admiral gère les appels d’assurance avec des agents IA

Admiral gère chaque année des millions d’interactions clients, dans plusieurs langues et à travers le monde, notamment au Royaume-Uni, en Italie, en France et en Espagne.

Lors de notre dernier webinar Behind the Agent : comment Admiral gère les appels d’assurance avec des agents IA, Dominika Kampa, directrice de l’IA générative du groupe Admiral, a expliqué comment son équipe construit la couche IA capable de gérer ce volume : architecture, normes de test et transformation organisationnelle à l’appui.

L’objectif phare d’Admiral était de créer l’expérience client la plus digne de confiance dans l’assurance.

Admiral voulait créer une nouvelle catégorie d’expérience client.

Il est facile de créer un agent qui clôt rapidement une conversation sans réellement résoudre le problème du client.

À terme, chaque demande doit être résolue immédiatement, quel que soit le client, le canal ou le moment, ou transmise à un conseiller qui connaît le client, le contexte et la situation à résoudre.

Leur principal indicateur était d’atteindre 90 % de résolution dès le premier contact, avec un service disponible 24 h/24 et 7 j/7, des interactions concises et un NPS nettement supérieur.

Le taux de traitement autonome était un indicateur secondaire. Pour leur premier cas d’usage vocal, l’équipe l’a considérablement amélioré à mesure que les clients ont constaté que l’agent était plus rapide.

Mais la résolution restait leur priorité. Admiral mesure séparément si le client a réellement obtenu ce pour quoi il appelait, indépendamment de l’escalade de l’appel. Un transfert volontaire vers un conseiller n’est donc jamais considéré comme un échec.

À quoi doit ressembler la qualité dans un secteur réglementé

Les exigences d’Admiral pour la mise en production étaient élevées. Avant le lancement, l’entreprise veut que sa solution agentique soit au moins aussi performante que ses conseillers, voire meilleure.

Nous voulons relever le niveau de validation, sans abaisser celui de la conformité.

Les connaissances sur les cas limites, autrefois ancrées dans l’intuition des conseillers les plus expérimentés, doivent désormais être testées explicitement pour chaque cas d’usage.

En pratique, l’équipe a aussi défini des limites de périmètre intentionnelles. Par exemple, les cas de vulnérabilité et d’impayés restent orientés vers un conseiller, le temps que l’équipe identifie davantage de cas limites.

La plupart des réglementations en assurance étant fondées sur les résultats, Dom adopte une approche pragmatique : le « comment » reste flexible, tant que le résultat pour le client et l’entreprise correspond exactement à l’objectif visé.

L’adhésion ne se décrète pas

Une organisation réglementée n’adopte pas l’IA parce qu’on le lui ordonne.

Avant de rejoindre Admiral, Dom a passé plusieurs années chez McKinsey à travailler sur des programmes de conduite du changement. Invitée à conseiller un pair souhaitant défendre l’IA agentique aujourd’hui, elle a partagé trois principes directement issus de cette expérience.

1) Les personnes soutiennent ce qu’elles contribuent à construire

Pour répondre au scepticisme, Admiral a placé l’outil directement entre les mains des sceptiques.

L’équipe a organisé des démonstrations et des sessions de formation dans toute l’organisation, y compris auprès des 50 principaux dirigeants du groupe, afin de démystifier l’IA agentique. ElevenLabs et Dom ont animé une journée de formation au cours de laquelle l’équipe dirigeante, dont la PDG du groupe Milena Mondini de Focatiis, a créé des agents à partir de zéro. Selon Dom, ils ont « vraiment… apprécié l’expérience ».

2) Il ne s’agit jamais uniquement de technologie

La vision porte sur l’évolution du compte de résultat, de l’expérience client et de l’expérience collaborateur.

Une fois l’objectif partagé, les options technologiques se précisent. Le conseil de Dom : ne commencez pas par la technologie.

3) Mettez en place la gouvernance dès le départ

Dès les premiers jours, les bons points de contact, les bons KPI et les bonnes données facilitent considérablement la prise de décision. L’écueil, selon elle, consiste à s’en remettre à l’intuition et à aboutir à « un très bel artefact » que personne n’utilise et qui n’améliore aucun indicateur important.

Le modèle de déploiement comptait également. Admiral a choisi de faire expérimenter en profondeur une entité du groupe sur un sujet, puis de reproduire les enseignements partout ailleurs.

L’entreprise commence par des déploiements rapides, puis passe à un déploiement complet. Plutôt que de limiter un cas d’usage à un seul domaine, ce qui les aurait fortement ralentis selon Dom, l’équipe évite délibérément de réinventer dix fois la roue.

Démo 1 : devis de remboursement anticipé (Admiral Money)

Scénario : Une cliente souhaite rembourser son prêt par anticipation. Sa demande est simple : elle a besoin du montant à régler.

Traditionnellement, obtenir ce montant impliquait de naviguer dans un SVI, de vérifier son identité avec un conseiller, d’attendre qu’un système backend effectue le calcul et que les écrans se chargent, puis de surveiller sa boîte de réception pour recevoir un PDF. Cinq minutes de processus pour une question à une seule réponse.

Dan Clark, directeur de l’IA générative du groupe Admiral, a présenté la solution conçue par l’équipe.

Ce qui a été présenté :

• L’authentification est assurée par un sous-agent dédié au début du workflow, avant toute autre étape.
• Le sous-agent sentinelle vérifie si l’appelant peut échanger avec l’agent IA. Les clients vulnérables et les clients en situation d’impayés sont transférés vers une file prioritaire avec un conseiller, tandis que l’équipe identifie davantage de cas limites.
• L’agent recueille les réponses de manière anticipée et s’appuie sur les API plutôt que d’attendre les écrans des systèmes existants. Un parcours qui prend environ cinq minutes avec un conseiller dure environ deux minutes et demie avec l’agent.
• La réussite est évaluée selon un objectif clair : le client s’est-il authentifié et a-t-il obtenu son devis de remboursement anticipé ? Cet indicateur est suivi séparément des escalades.
• À la fin de l’appel, un agent de feedback demande aux clients d’évaluer l’expérience de un à cinq. Les appels qui ne font pas l’objet d’une escalade reçoivent presque exclusivement des notes de quatre ou cinq.

Pourquoi est-ce important : le gain de temps vient d’un workflow piloté par API plutôt que par écrans, et pas seulement du fait que l’IA répond à la place d’une personne. Pour Dan, il s’agit avant tout de raccourcir les appels et d’améliorer ainsi l’expérience client. Les escalades actuelles reflètent par ailleurs les limites choisies par l’équipe pendant sa phase d’apprentissage, et non l’incapacité de l’agent à aider.

Démo 2 : Olivia (L’Olivier)

Scénario : Une cliente en France a une question sur son contrat. Elle ouvre le chat du site web et tombe sur Ollie Bot, un ancien outil arborescent (« appuyez sur A pour ceci, B pour cela »). Sa question ne correspond ni à l’option A ni à l’option B ; elle repart donc sans réponse.

C’est cette expérience que L’Olivier voulait remplacer. L’équipe a créé Olivia, un agent fondé sur une base de connaissances avec ElevenLabs, aujourd’hui actif sur le site.

Ce qui a été présenté :

• Le prompt système, le premier message, les workflows et le sous-agent ont tous été rédigés directement en français, et non traduits de l’anglais. Dan cite des recherches selon lesquelles solliciter le modèle dans la langue du client modifie son fonctionnement, et l’équipe a obtenu des résultats nettement meilleurs avec cette approche. Olivia détecte automatiquement l’anglais et y répond si nécessaire.
• Les conversations réelles des clients sont comparées à la base de connaissances afin d’identifier les lacunes. Dans certains cas, les corrections sont appliquées à l’agent en production en une à deux heures.
• Les modifications sont déployées sur une branche avec une répartition progressive du trafic : 1 %, 2 %, 5 %, 10 %, 25 %, 50 %, puis 100 %, avec des tests de simulation et un aperçu manuel avant toute exposition au trafic réel. Si les données ne justifient pas la modification, le trafic repasse instantanément à zéro, sans rien à annuler.
• Un cycle complet sur une branche prend de quelques heures à une journée, du début à la fin. Finies les itérations de deux semaines suivies de déploiements de deux semaines.

Pourquoi est-ce important : la réduction du cycle de mise en production, de რამდენიმე semaines à quelques heures, est déjà remarquable. Mais l’enseignement majeur est que la langue ne relève peut-être pas seulement de la localisation : elle peut modifier la façon dont le modèle raisonne.

Aucune méthode ne résiste au contact d’un nouveau marché

Les conventions de prise de parole, la tolérance aux interruptions et ce qui constitue un rythme de conversation normal varient fortement d’un marché à l’autre.

Il n’existe pas de solution universelle. Selon Dom, l’approche efficace consiste à associer un ingénieur maîtrisant les prompts et l’architecture à un responsable métier de l’entité locale, qui apporte le contexte du marché, et à faire de ce binôme l’unité de déploiement.

La conception elle-même varie peu d’un marché à l’autre. C’est l’adoption qui change. Et pour Dom, cela vaut pour tout déploiement d’IA, pas seulement pour les opérations clients.

Si vos clients ne lui font pas confiance, s’ils ne la comprennent pas, ils diront immédiatement, dès la deuxième seconde de la conversation : « Veuillez me transférer à un conseiller »

C’est pourquoi l’équipe prévoit de consacrer davantage de temps à l’information des clients — messages d’accueil, positionnement, messages SVI, etc. — qu’au modèle sous-jacent.

Un traitement équitable sur tous les marchés

Dans l’assurance, la détection de la vulnérabilité est un prérequis qui doit fonctionner sur tous les marchés, dans toutes les langues et sur tous les canaux.

L’approche d’Admiral consiste à détecter la vulnérabilité par plusieurs voies. Pour ce sujet en particulier, l’équipe combine volontairement des modèles établis de machine learning et de l’IA générative, plutôt que de se fier à l’un ou à l’autre seul. Les clients vulnérables sont ainsi identifiés à chaque étape, quel que soit le signal détecté en premier, et pris en charge de manière adaptée.

Cette exigence s’applique avant même que la technologie ne traite le dossier. Dans l’agent de devis de remboursement anticipé, un sous-agent sentinelle examine chaque appelant ; les clients vulnérables ou en situation d’impayés sont directement orientés vers une file prioritaire avec un conseiller. Une limite volontaire, le temps que l’équipe identifie davantage de cas limites.

Et comme les clients sont imprévisibles — une personne a par exemple demandé à Olivia comment préparer une soupe à l’oignon — l’équipe associe des garde-fous à un signalement proactif des demandes inattendues. Elle sait ainsi toujours qui interagit avec ses outils et de quelle manière.

L’équipe derrière les agents

Admiral s’appuie sur un modèle en étoile : l’expertise du groupe se trouve au centre, tandis que des experts locaux, qui connaissent le marché, les clients et les collaborateurs, interviennent dans les entités locales.

Le centre d’excellence se divise en deux pôles. Le premier, consacré à la création de valeur, pilote la stratégie, les feuilles de route, la conception produit et les tests de résultats, y compris les tests A/B. Le second réunit ingénieurs, architectes et équipes de livraison afin de garantir que chaque solution respecte les normes et s’intègre au reste de l’environnement technique.

Pour Dom, l’ingénieur IA de demain consacrera beaucoup moins de temps à écrire du code et davantage à comprendre le fonctionnement de l’IA générative, à structurer correctement les idées et à tirer parti du codage agentique pour livrer des solutions.

Autour de l’équipe centrale, des experts des processus et des responsables métier sont réunis en petites équipes avec des profils produit et technologiques. Selon ses mots, il s’agit de les « enfermer dans une pièce » pour construire et tester ensemble, puis de confier la solution à de vrais clients pour qu’ils la mettent à l’épreuve.

Chez McKinsey, nous disions qu’à chaque livre dépensée en technologie correspondaient trois livres en refonte des processus et cinq livres en conduite du changement.

Comment Admiral priorise sa feuille de route

Le modèle en étoile joue ici aussi un rôle central. Le groupe fixe des priorités non négociables pour les grands projets, où le risque et la valeur sont plus élevés, et la faisabilité légèrement moindre. Le soutien central permet ainsi de lever les blocages. Les entités locales disposent d’une marge pour l’innovation ascendante, à condition d’en avoir la capacité et de respecter les orientations définies au niveau central.

La feuille de route en cours de construction repose sur une ambition : le client ne devrait jamais avoir à se répéter, qu’il passe par un SVI, un agent vocal, un conseiller ou un autre canal. L’intention, le sentiment et les signaux de vulnérabilité doivent accompagner chaque transfert, pas uniquement la transcription.

Regarder la session complète

Admiral a repensé simultanément son niveau de validation, l’adhésion de l’organisation et sa stack technologique afin de se rapprocher de son objectif : offrir la meilleure expérience client dans l’assurance.

Regarder le webinar complet ici.