La MAIF organise le passage de l’expérimentation à l’usage opérationnel de l’intelligence artificielle en associant Mistral AI, Scaleway et Diabolocom. Annoncé en septembre, ce partenariat technologique répartit les rôles entre modèles d’IA générative, infrastructure cloud et outils de relation avec les sociétaires. L’enjeu dépasse toutefois le choix de fournisseurs : il s’agit de maîtriser les données mobilisées, de contrôler les réponses produites et de conserver la capacité à faire évoluer ou remplacer chaque composant.
Cette stratégie s’inscrit dans un parcours engagé avant l’annonce. De l’analyse des courriels entrants à l’aide à la rédaction de réponses aux réclamations, les usages touchent déjà des activités concrètes et sensibles. Pour une conseillère qui doit retrouver la bonne garantie ou reconstituer l’historique d’un sinistre, la valeur de l’outil dépend autant de la qualité de la réponse que de la fiabilité de ses sources et de la possibilité de la vérifier. C’est là que se joue la transformation numérique : dans l’intégration cohérente de la technologie aux processus, aux règles métier et aux compétences des équipes.
MAIF, Mistral AI, Scaleway et Diabolocom : des rôles distincts dans un même modèle opérationnel
La répartition annoncée distingue trois briques complémentaires. Scaleway fournit des capacités d’hébergement et de calcul, Mistral AI apporte ses modèles et un accompagnement sur les usages génératifs, tandis que Diabolocom doit contribuer à structurer progressivement les interactions avec les sociétaires. Les partenaires ne constituent donc pas une solution unique : leur articulation dépend de l’architecture, des règles et des priorités définies par la MAIF.
Cette distinction est essentielle pour comprendre le modèle opérationnel visé. Une réponse à une réclamation peut mobiliser un corpus documentaire, un modèle de langage et une interface utilisée par un conseiller ; chaque étape suppose des responsabilités claires concernant les accès, la validation et la conservation des traces. La présentation de l’accord est détaillée dans le communiqué de la MAIF sur ses partenaires technologiques, tandis qu’une analyse revient sur la logique d’ensemble de cette organisation.
Le sujet n’est donc pas d’additionner des outils, mais de définir qui sélectionne les cas d’usage, qui contrôle les résultats et comment l’entreprise garde la maîtrise de ses choix. La performance dépendra de la qualité de l’assemblage autant que de celle des modèles.
Une trajectoire d’intelligence artificielle engagée avant les nouveaux accords
La MAIF ne part pas d’une page blanche. En 2020, elle présentait Mélusine, un outil interne destiné à analyser et orienter les courriels entrants. Dans le domaine commercial, la solution Zelros, testée à partir de 2017 puis déployée en 2023, aide les conseillers à formuler des recommandations adaptées, notamment autour de l’assurance des véhicules électriques.
La structuration des compétences a suivi cette progression : une Data Factory créée en 2017, puis une direction Data et IA mise en place en 2022. Selon les données communiquées pour 2024, cette direction rassemblait 240 personnes. Un tel dispositif permet de relier les besoins des métiers aux exigences techniques, juridiques et de sécurité, plutôt que de laisser chaque équipe développer ses propres outils et règles.
Le portefeuille recouvre désormais plusieurs fonctions : classement de demandes, recommandations, recherche documentaire, synthèse d’appels et assistance à la rédaction. Pour la conseillère chargée d’un dossier, l’enjeu est de ne pas recevoir des résultats contradictoires selon l’outil consulté : mêmes règles contractuelles, droits d’accès cohérents et sources identifiables. La gouvernance devient le fil qui relie des usages auparavant dispersés.
Une analyse du modèle opérationnel de la MAIF souligne cette logique de structuration, au-delà de la seule annonce de partenaires. Elle rejoint les questions plus générales que soulève le développement des modèles proposés par Mistral AI dans les organisations.
Infrastructure cloud et IA générative : garder la maîtrise de l’assemblage
Le recours à des fournisseurs externes ne signifie pas que le cœur métier est externalisé. Fin 2025, Nicolas Siegler, directeur général adjoint en charge de l’IT, décrivait une architecture hybride combinant deux datacenters internes, Clever Cloud, Azure et des applications largement conteneurisées sous OpenShift. Il indiquait également que des applications historiques, partiellement développées en Cobol, étaient en cours de modernisation vers Java et des microservices.
Dans ce contexte, la MAIF visait une hausse de la part des compétences internes, de 50 % à 75 %. Cette orientation ne relève pas d’un choix binaire entre acheter et développer : l’entreprise peut acquérir une infrastructure cloud, un modèle ou une plateforme de contact tout en conservant la maîtrise des données accessibles, des interfaces métier et des critères de validation. La couche d’orchestration est ce qui transforme une capacité achetée en outil adapté aux règles de l’organisation.
Pour chaque cas d’usage, cela suppose de documenter les corpus utilisés, les habilitations, les journaux d’activité, les tests de qualité et les conditions d’escalade vers un humain. La responsabilité d’une décision communiquée à un sociétaire reste celle de l’assureur, même lorsque le fournisseur apporte le modèle technique.
Recherche documentaire : sécuriser les réponses de l’IA générative
Parmi les projets génératifs identifiés par la MAIF figurent la recherche dans les connaissances internes, la production de comptes rendus d’appels et l’aide à la réponse aux réclamations. Fin 2025, l’entreprise recensait une cinquantaine d’expérimentations et indiquait qu’environ 10 000 collaborateurs disposaient d’un accès à Microsoft Copilot. Ces éléments témoignent d’une diffusion déjà large, mais ne suffisent pas à mesurer les gains ni la qualité des résultats.
La recherche documentaire, souvent fondée sur une approche de génération augmentée par récupération (RAG), illustre les exigences propres à l’assurance. Une réponse bien formulée n’est utile que si elle s’appuie sur la version applicable d’un contrat, tient compte des exclusions et distingue une règle générale de la situation particulière d’un assuré. Pour notre conseillère, une synthèse rapide ne remplace donc pas la vérification du document qui fait foi.
La fiabilité dépend d’un travail éditorial continu : désigner les propriétaires des contenus, versionner les documents, gérer les accès et retirer les références périmées. L’utilisateur doit également pouvoir consulter les sources ayant servi à produire une réponse. La qualité des données et de leur historique conditionne directement la confiance accordée à l’IA.
- Tracer les versions des contrats, consignes et bases de connaissances utilisés par les outils.
- Limiter les accès aux informations selon les fonctions et les habilitations des collaborateurs.
- Afficher les sources afin que les équipes puissent vérifier et corriger les réponses produites.
- Prévoir une escalade humaine lorsque le dossier est complexe ou que les informations disponibles ne permettent pas de conclure.
Ces pratiques relèvent autant de la gouvernance documentaire que de la conformité. Elles permettent aussi aux équipes de comprendre les limites du système et d’identifier plus rapidement une erreur.
Diabolocom et la modernisation de la relation avec les sociétaires
Le déploiement de Diabolocom s’inscrit dans une évolution de la téléphonie et des outils de contact : la MAIF devait faire évoluer sa solution Genesys après l’arrêt de sa version sur site. Le changement répond donc à une contrainte de cycle de vie fournisseur, en plus des perspectives ouvertes par l’intelligence artificielle.
Une plateforme de contact peut faciliter la continuité entre les canaux, la qualification des demandes et l’accès à l’historique des échanges. Mais elle concerne aussi bien les opérations et la relation client que la DSI. Si une personne passe du téléphone à l’espace numérique, elle ne devrait pas avoir à répéter chaque élément de son dossier ; de même, une synthèse destinée au conseiller ne doit pas effacer une exception importante.
Les indicateurs doivent ainsi dépasser le taux d’automatisation et la durée moyenne d’appel. Résolution au premier contact, rappels, corrections, réclamations et temps consacré aux situations complexes donnent une lecture plus complète de la qualité de service. La réussite se mesure à l’amélioration du parcours, pas au seul volume de tâches automatisées.
Souveraineté numérique : tester la réversibilité des fournisseurs
La MAIF a intégré la souveraineté parmi les critères de ses achats informatiques, aux côtés de la performance, de la sécurité et de la fiabilité. Le choix de Scaleway s’inscrit dans cette orientation, mais la nationalité d’un fournisseur ou le lieu d’hébergement ne suffisent pas, à eux seuls, à garantir l’autonomie numérique. Il faut aussi examiner les conditions d’accès aux données et la possibilité de changer de prestataire sans interrompre les opérations.
Les questions sont très concrètes : où sont conservés les documents, requêtes, réponses et journaux d’audit ? Les données peuvent-elles être exportées dans un format exploitable ? Quel délai et quelles compétences seraient nécessaires pour migrer vers un autre modèle ou une autre plateforme ? La MAIF prend en compte l’incapacité à remplacer rapidement un prestataire ou à réinternaliser une prestation dans l’évaluation de la criticité de ses sous-traitants TIC.
Cette démarche rejoint les exigences de résilience opérationnelle et de gestion des prestataires prévues par DORA pour le secteur financier. La réversibilité doit être préparée dès la contractualisation, puis vérifiée au moyen de formats d’export, d’une documentation technique et d’exercices de sortie. La souveraineté se mesure à la capacité de reprendre la main, pas seulement à l’intention affichée.
Les éléments de cadrage figurent dans la présentation officielle des partenariats de la MAIF. Une analyse consacrée aux dépendances numériques associées à ces choix met également en lumière l’importance de la réversibilité.
Contrôle humain et compétences : inscrire l’IA dans le travail réel
Début mai, la MAIF a conclu un accord avec ses six organisations syndicales excluant les licenciements économiques liés au déploiement de l’intelligence artificielle. Le texte prévoit des formations, le réinvestissement prioritaire des gains d’efficacité dans le service aux sociétaires et les métiers, ainsi qu’une commission IA de douze membres rattachée au comité social et économique.
Ce cadre répond à un enjeu moins visible : automatiser une tâche peut réduire les occasions d’apprendre à la réaliser. Pour l’assistance à la rédaction des réponses aux réclamations, la MAIF a ainsi choisi de ne pas ouvrir immédiatement l’outil aux collaborateurs débutants qui ne maîtrisent pas encore cette activité sans soutien. L’objectif est de ne pas confondre vitesse de production et maîtrise du métier.
Le contrôle humain doit être réalisable dans les conditions ordinaires de travail. Il faut préciser ce qui est à vérifier, fournir les sources nécessaires et donner du temps aux collaborateurs pour corriger les résultats. Une validation utile protège à la fois la qualité du service, la responsabilité de l’entreprise et les compétences des équipes.
Évaluer la valeur de l’IA au niveau des processus
Le cas de la MAIF déplace l’attention de la course aux modèles vers la capacité à coordonner fournisseurs, règles métier, patrimoine documentaire et organisation du travail. Pour suivre les effets du programme, les indicateurs devront relier les investissements à des résultats observables : délais de traitement, résolution des demandes, corrections nécessaires, qualité perçue et compétences préservées.
Pour la conseillère qui traite un sinistre, le bénéfice ne se résume pas à un compte rendu généré plus vite. Il se vérifie si l’historique est exact, si les clauses pertinentes sont accessibles et si le temps libéré peut être consacré à une situation complexe. L’IA devient un levier stratégique lorsqu’elle améliore le processus complet et demeure contrôlable par l’organisation.
Journaliste spécialisée en énergie et industrie, je décrypte depuis plus de quinze ans les évolutions des marchés énergétiques et les innovations industrielles. Mon parcours m’a conduite à collaborer avec des publications de renom, où j’ai analysé les défis liés à la transition énergétique et aux politiques industrielles.
