IA agentique gouvernée pour le traitement documentaire back-office

Contexte

Une filiale d'assurance au sein d'un groupe financier traitait plus de 15 000 documents par mois : déclarations de sinistres, pièces justificatives, rapports médicaux, avenants de polices, correspondances réglementaires et renouvellements de contrats.

Le traitement était quasi entièrement manuel. Une équipe de 35 opérateurs back-office ouvrait chaque document, identifiait son type, extrayait les informations pertinentes, les vérifiait par rapport aux règles de la police d'assurance et les saisissait dans le système de gestion. Les périodes de pointe (dégâts climatiques, échéances réglementaires) créaient des retards de 3 à 4 semaines, impactant directement la satisfaction client et la conformité réglementaire.

Le groupe avait investi dans une plateforme d'OCR et d'automatisation par règles deux ans plus tôt. Elle traitait 15% des documents - les plus simples et standardisés. Tout le reste retombait en traitement manuel car le pipeline statique ne pouvait pas gérer l'ambiguïté, les formats variés ou les documents nécessitant un recoupement avec les données des polices.

La direction souhaitait une automatisation par IA mais posait des contraintes claires : traçabilité totale pour les audits réglementaires, validation humaine sur les décisions à fort enjeu et tolérance zéro pour les approbations de sinistres incorrectes.

Le problème

Le défi n'était pas la lecture de documents - les LLM modernes gèrent cela correctement. Le défi était de construire un système capable de :

• Orchestrer un traitement multi-étapes: un document de sinistre nécessite lecture, classification, extraction d'informations, recoupement avec les données de police, application de règles et routage. Chaque étape a des exigences d'exactitude différentes
• Gérer l'ambiguïté: les documents réels sont désordonnés : notes manuscrites, informations partielles, déclarations contradictoires, pièces jointes dans de multiples formats
• Maintenir la gouvernance: chaque décision affectant un assuré doit être traçable, auditable et réversible
• S'intégrer aux systèmes existants: le système de gestion, l'archive documentaire, la base de données des polices et les outils de reporting de conformité étaient tous des systèmes legacy avec des API limitées
• Garder l'humain dans la boucle: pas comme solution de repli, mais comme choix architectural délibéré pour les décisions à fort impact

Un simple "chatbot qui lit des documents" ne survivrait pas au premier audit. L'organisation avait besoin d'un système agentique - plusieurs agents spécialisés se coordonnant pour traiter les documents de bout en bout - avec la rigueur de gouvernance d'un système bancaire.

Ce que CMX a livré

Phase 1 - Analyse des processus et architecture des agents (4 semaines)

Nous avons analysé l'ensemble du workflow de traitement documentaire en observant les opérateurs, en cartographiant les arbres de décision et en catégorisant les documents par complexité et niveau de risque.

Nous avons conçu une architecture multi-agents avec quatre agents spécialisés :

• Agent Classificateur: reçoit les documents entrants, identifie le type (sinistre, avenant, correspondance, réglementaire), extrait les métadonnées et route vers le pipeline de traitement approprié
• Agent d'Extraction: lit le contenu du document, extrait les informations structurées (dates, montants, numéros de police, codes médicaux, descriptions de dommages) et signale les ambiguïtés pour revue humaine
• Agent de Validation: recoupe les données extraites avec les règles de la police, les limites de couverture, les exigences réglementaires et les patterns historiques. Produit une évaluation de conformité avec des scores de confiance
• Agent de Routage: basé sur le type de document, le score de complexité et les niveaux de confiance, route le document vers : traitement automatique (haute confiance, faible risque), file d'attente de revue humaine (confiance moyenne ou risque élevé) ou gestion d'exception (anomalies, indicateurs de fraude potentielle)

Chaque agent avait des frontières définies, des contrats entrée/sortie explicites et des garde-fous empêchant toute action autonome sur les décisions à fort enjeu.

Cette architecture s'est appuyée sur les recherches de CMX sur les espaces pensée-action et les systèmes cognitifs multi-couches. Chaque agent opère à un niveau d'abstraction spécifique - le Classificateur au niveau stratégique (quel type de problème est-ce ?), les agents d'Extraction et de Validation au niveau tactique (quelles étapes spécifiques me faut-il ?), et l'agent de Routage orchestrant à travers les niveaux avec un feedback bidirectionnel.

Phase 2 - Développement et test des agents (8 semaines)

Nous avons construit chaque agent selon une approche structurée :

Sélection et optimisation des modèles :

• Évaluation de plusieurs LLM sur 500+ documents réels (anonymisés) couvrant tous les types de documents
• Sélection d'une combinaison : un modèle rapide pour la classification et le routage, un modèle plus capable pour l'extraction et la validation
• Construction de prompts structurés avec des instructions spécifiques par type de document, validés contre des jeux de données de référence

Couche d'orchestration :

• Construction du système de coordination des agents : pipeline de traitement séquentiel avec branches parallèles pour les vérifications indépendantes
• Implémentation de la gestion d'état : l'état de traitement de chaque document est persisté, permettant pause, reprise et rollback
• Définition des règles d'escalade : quand la confiance d'un agent descend en dessous du seuil, le document sort du traitement automatisé et entre dans la file de revue humaine avec le contexte complet

Garde-fous et gouvernance :

• Règles de validation des sorties sur chaque agent : vérifications de format, de plage de valeurs, de cohérence entre agents
• Piste d'audit complète : chaque décision d'agent, chaque appel d'outil, chaque score de confiance journalisé et requêtable
• Capacité de surcharge humaine à chaque étape : un opérateur peut intervenir, corriger et re-router tout document à tout moment
• Détection automatique de patterns de fraude : patterns anomaliques signalés pour revue spécialisée

Phase 3 - Intégration et déploiement (6 semaines)

Nous avons intégré le système agentique dans l'environnement opérationnel existant :

• Ingestion documentaire: connexion au système de capture documentaire existant (email, numérisation postale, uploads web) via intégration événementielle
• Intégration au système de gestion: intégration API avec le système de gestion des polices legacy pour la récupération et la mise à jour des données. Construction d'une couche d'adaptation pour gérer l'interface SOAP du système
• Interface de revue humaine: construction d'un tableau de bord de revue où les opérateurs voient le document, l'extraction et l'évaluation de l'agent, et peuvent valider, corriger ou surcharger en un clic
• Reporting et conformité: génération automatisée des rapports de traitement, journaux d'audit et documentation de conformité réglementaire

Nous avons déployé par vagues progressives : d'abord un type de document (avenants simples), puis expansion aux sinistres, puis à l'ensemble du portefeuille documentaire. Chaque vague incluait une période de fonctionnement parallèle où les traitements manuel et automatisé tournaient côte à côte pour validation.

Phase 4 - Optimisation et transfert (2 semaines)

Après la stabilisation en production :

• Ajustement des seuils de confiance basé sur les données de production réelles pour optimiser l'équilibre automatisation vs. revue
• Construction d'une boucle de feedback : les corrections des opérateurs alimentent l'affinement des prompts et la mise à jour des règles de validation
• Formation de l'équipe interne au monitoring des agents, à la gestion des prompts et à l'évaluation des modèles
• Livraison de la documentation opérationnelle et des procédures de réponse aux incidents

Résultats

• 70% des documents traités automatiquement de bout en bout sans intervention humaine (contre 15% avec le système OCR précédent)
• Temps moyen de traitement réduit de 65%: les documents qui prenaient en moyenne 25 minutes sont désormais traités en moins de 9 minutes (incluant ceux routés en revue humaine)
• Taux d'erreur inférieur au traitement manuel: l'exactitude d'extraction du système agentique dépassait celle des opérateurs humains sur les documents standardisés, et la conception human-in-the-loop capturait les cas limites
• 4 agents gouvernés en production avec des pistes d'audit complètes, répondant aux exigences d'audit réglementaire
• Retards en période de pointe éliminés: le système monte en charge avec le volume, traitant les périodes de surge sans dégradation
• Rôle des opérateurs transformé: de la saisie de données vers l'assurance qualité et la gestion d'exceptions, améliorant la satisfaction et la rétention des collaborateurs

Pourquoi c'est important

L'IA agentique ne consiste pas à remplacer les humains par des robots autonomes. Il s'agit de concevoir des systèmes intelligents où l'IA gère le volume et la reconnaissance de patterns, et les humains gèrent le jugement, les exceptions et la gouvernance.

La différence critique entre une démo et un système agentique en production, c'est l'architecture : des frontières d'agents claires, des garde-fous explicites, des décisions traçables, des chemins d'escalade humaine et une intégration avec les vrais systèmes d'entreprise.

CMX a conçu ce système comme de l'architecture d'entreprise, pas comme une expérimentation IA. C'est pourquoi il a passé l'audit réglementaire, pourquoi les opérateurs lui font confiance et pourquoi il traite 15 000 documents par mois en production.