Assurance globale · Paris + Tokyo
Assureur global : 80 000 sinistres/mois, −70 % de temps de traitement.
OCR vieillissant, 14 jours de cycle. Layout-aware extraction, multimodal LLM, validation humaine sur exceptions.
KPI
−70%
temps traitement sinistres
Durée
12 mois
Équipe
9 ingés
Hub(s)
Paris + Tokyo
80 000 sinistres par mois, 14 jours de cycle, des operateurs qui retapent encore des numeros de polices a la main. L'IA documentaire n'est plus un POC, c'est une dette si tu ne la fais pas.
Le contexte
Assureur global, 28 000 collaborateurs, hubs Paris et Tokyo. Activite IARD multi-pays, 80 000 sinistres mensuels (PV, factures, photos, certificats medicaux). OCR Tesseract vieillissant, taux d'erreur eleve, surcharge de l'equipe gestion.
Le probleme
- 80 000 sinistres/mois traites majoritairement a la main
- Cycle moyen : 14 jours, dont 6 d'attente documentaire
- Precision OCR : 71%, validation humaine systematique
- Surcoute estime : 14 M EUR/an en operations manuelles
- NPS sinistres : 28 (vs 52 cible interne)
L'approche
Pipeline document IA en trois etages : extraction layout-aware (LayoutLMv3) pour 76% des documents standards, multimodal LLM (Claude Sonnet) pour les cas complexes ou degrades, validation humaine sur les exceptions a confidence faible. Workflow case management refondu pour pousser les bons cas aux bons gestionnaires.
Les choix techniques
- LayoutLMv3 fine-tune sur 18 000 documents annotes (PV, factures, certificats)
- Claude Sonnet en fallback pour cas degrades (photos, manuscrit, multilingues)
- Routing par scoring de confidence + type de document
- Validation humaine ciblee sur 8% des cas (exceptions)
- Workflow Camunda redessine avec les gestionnaires terrain
La stack
- LayoutLMv3 fine-tune, hebergement SageMaker
- Claude Sonnet via AWS Bedrock (multimodal)
- AWS Textract en pre-processing
- Camunda 8 pour orchestration workflows
- FastAPI pour APIs internes, PostgreSQL + S3
Les resultats
- Cycle moyen sinistres : 14 jours vers 4,2 jours (-70%)
- Precision extraction : 71% vers 96,4%
- Economies operationnelles : 11 M EUR/an validees a 12 mois
- NPS sinistres : 28 vers 47
- Volume traite : +30% a effectif constant
« On avait teste trois prestataires IA avant Abbeal. Ils nous ont vendu des modeles. Abbeal nous a livre une operation reorganise autour des modeles. C'est ca qui change tout. »
Ce qu'on a appris
LayoutLMv3 fine-tune sur 18k documents bat Claude Sonnet en cout/perf sur les documents standards (76% du volume). Mais Claude Sonnet est imbattable sur les manuscrits japonais et les photos floues. Erreur : on a annote les documents avant de definir le schema d'extraction final, 2 000 docs a re-annoter. A refaire : co-design du schema avec les gestionnaires des le mois 1, et pilote sur 5 000 sinistres reels avant tout rollout.
// À lire ensuite
Joaillerie & horlogerie de luxe · Genève + Paris + Tokyo
Cartier : de l'audit au LLM privé en interne.
Compass (audits archi front + back), Mapper (générateur produits horlogerie + joaillerie), ETL data concurrence sur BigQuery, et désormais un LLM privé fine-tuné sur l'infra Cartier. Un partenariat tech long-terme sur la stack data et IA d'une maison de luxe.
LLM privé
fine-tuné sur infra Cartier
Banque tier-1 · Paris
BNP Paribas : Reference Book PO, de React/Redux aux agents IA produits.
Trois ingénieurs Abbeal au cœur de la Marketplace PO. Plateforme React/Redux/Node initialement, désormais augmentée d'un RAG produits, d'agents Claude pour assistance PM, et d'une couche event-driven Kafka pour scaler.
RAG
catalog produits PO
Banking digitale / FinTech · Tokyo (Tamachi)
Money Forward : data backbone d'une nouvelle banque digitale à Tokyo.
Money Forward, leader FinTech japonais coté à Tokyo, s'est associé à un grand groupe bancaire japonais pour lancer une nouvelle banque digitale construite from-scratch. Abbeal accompagne sur le volet Data Engineering : conception et industrialisation du Data Hub (Databricks + Delta Lake + dbt + AWS Tokyo) qui sert le reporting JFSA, l'AML, le risk management.
Data Hub
digital bank from-scratch Tokyo
