AIG et le coût opérationnel de l'assurance assistée par IA

Résumé

AIG décrit publiquement un programme IA large couvrant la souscription, les sinistres, l’analyse de portefeuille, une ontologie d’entreprise et une couche d’orchestration. Ces divulgations établissent la capacité et la direction stratégique, sans fournir une cartographie complète de l’architecture interne ni une preuve de fiabilité en production.
La souscription par AIG Assist et les sinistres par AIG Assist reposent toujours sur une autorité humaine. Les souscripteurs et les experts sinistres restent responsables d’interpréter les preuves, de lever les ambiguïtés, d’appliquer le langage des polices et de gérer les exceptions à conséquence élevée.
AIG communique un volume de soumissions plus élevé, un meilleur ratio de soumission à émission et des étapes plus courtes dans certains workflows de sinistres. Ces chiffres sont des divulgations opérationnelles de première main. Ils ne doivent pas être traités comme des références comparatives indépendantes ni comme la preuve qu’un modèle a causé un résultat client.
Le coût durable se situe autour du modèle: ingestion documentaire, maintenance de l’ontologie, contrôle d’accès, intégration des workflows, revue, auditabilité, cybersécurité, confidentialité, résilience, gestion des fournisseurs, discipline de mise en production et rollback.
CyberMatics et IntelliRisk montrent que la surface technologique d’AIG dépasse l’IA générative. Scores de risque, tableaux de bord, télémétrie partenaire et données de sinistres posent des questions distinctes sur la provenance des données, la fiabilité des produits et l’usage client.
Une analyse opérationnelle crédible doit dissocier capacité du modèle, fiabilité de production et résultat client; mesurer les files d’exception et le travail de correction; conserver la validation humaine; tester la reprise; et préserver des preuves permettant de reconstituer une décision.

American International Group, Inc., connue couramment sous le nom d’AIG, est une organisation d’assurance mondiale dont les décisions technologiques s’insèrent dans la souscription, les sinistres, le risk engineering, l’administration de polices, la distribution via courtiers, les services cyber et les opérations multinationales. Cette portée fait d’AIG un cas utile pour une question souvent perdue dans les discussions sur l’intelligence artificielle: quel est le coût d’un service d’assurance assisté par IA après la fin de la démonstration?

Le rapport annuel 2025 d’AIG offre un compte rendu public inhabituellement direct de son orientation. Il décrit Underwriting by AIG Assist, une extension des capacités associées aux sinistres, une ontologie d’entreprise, des partenaires technologiques nommés et des travaux d’orchestration. AIG publie aussi des divulgations de sécurité, de vulnérabilité, de confidentialité et de résilience, ainsi que des pages produit pour CyberMatics et IntelliRisk. Ensemble, ces éléments soutiennent une analyse détaillée des limites opérationnelles [S03][S04][S09][S10][S11][S12][S13][S14].

Ils ne révèlent pas tous les modèles internes, contrôles, fournisseurs, niveaux d’effectifs ou dépendances système.

La conclusion centrale est que la capacité du modèle n’est que la première couche. La fiabilité en production dépend de données actuelles, d’interfaces stables, d’un accès contrôlé, de workflows observables, d’une revue humaine, d’une défaillance sûre et d’une récupérabilité. Le résultat client dépend de la décision d’assurance, de la communication et du remède correct pour la partie concernée. Un modèle fluide peut organiser une soumission et laisser à l’assureur un travail important pour établir autorité, exactitude, équité, résilience et responsabilité.

1. Entité exacte et frontière d’assurance globale

Le sujet est l’objet annuaire BTW actuel d’American International Group, Inc. [S01]. Les documents d’entreprise d’AIG décrivent une organisation mondiale d’assurance opérant via filiales, affiliés, licences, autorisations et relations réseau [S02]. L’enregistrement LEI de la Global Legal Entité Identifier Foundation fournit une référence juridique indépendante [S17]. Ces sources établissent la frontière corporative utilisée ici. Elles n’impliquent pas que chaque service porté par la marque AIG partage la même entité légale, la même pile technologique ou le même environnement de contrôle.

Cette distinction compte en assurance. Une marque mondiale peut surplomber des entités réglementées, des sociétés de services, des arrangements de distribution et des opérations locales. Une police peut être rédigée par une entité alors que la technologie, les données ou le support de sinistres provient d’une autre. Un client peut interagir avec un portail couvrant plusieurs produits mais rester soumis à des conditions de police et à des règles juridictionnelles propres à chaque produit. Une analyse technologique qui traite la marque comme une base de données ou une application unique manque ces frontières.

Le résumé de l’annuaire donne une portée utile, mais ne remplace pas les dépôts publics en cours. Le Form 10-K 2025 d’AIG constitue le dépôt public de référence pour les divulgations commerciales et de risque [S05]. La page relations investisseurs identifie les documents de reporting actuels [S08]. Ces documents soutiennent une analyse de la technologie comme élément d’un grand modèle opérationnel d’assurance, pas comme produit logiciel autonome.

La précision de l’entité contraint aussi les affirmations de performance. Un point concernant un programme de souscription ne peut être étendu automatiquement à chaque ligne, région ou filiale. Un workflow de sinistres dans une ligne commerciale complexe peut avoir des exigences de preuve, de revue et de temporalité différentes d’un processus plus simple. Un service de cybersécurité peut dépendre de partenaires et de télémétries sans lien avec un autre produit. L’article traite donc chaque résultat public dans le contexte fourni par AIG.

L’exigence pratique est une cartographie de propriété. Pour chaque workflow assisté par IA, les opérateurs doivent savoir quelle entité juridique et commerciale détient la décision, quel système conserve l’enregistrement d’autorité, quel langage de police s’applique, où les données peuvent circuler, qui révise une exception et qui répond au client. Cette cartographie est un contrôle opérationnel. Sans elle, une sortie techniquement plausible peut outrepasser son autorité.

2. Portée opérationnelle de la souscription, des sinistres et des services de risque

L’assurance convertit des preuves partielles sur des événements incertains en décisions ayant des conséquences financières et juridiques. La souscription évalue un risque proposé et fixe des conditions. Le traitement des sinistres interprète le langage de la police et les faits de la perte après un événement. Le risk engineering et les services cyber peuvent aider un client à comprendre ou réduire son exposition. Chaque domaine peut gagner en rapidité de traitement de l’information, mais chacun crée aussi une charge de fiabilité différente.

Le rapport annuel d’AIG présente l’IA comme partie d’un effort de bout en bout sur la souscription et les sinistres [S03][S04]. Ses pages produit ajoutent d’autres surfaces numériques. CyberMatics est décrit comme un processus qui utilise des informations fournies par des partenaires pour actualiser un profil de maturité cyber et fournir des scores et recommandations [S13]. IntelliRisk est présenté comme un système de gestion des risques avec données de sinistres, tableaux de bord, recherches et reporting [S14].

L’entreprise a donc plusieurs relations technologiques avec les utilisateurs: assistance interne, information destinée aux clients, échanges de données avec des partenaires et décisions d’assurance réglementées.

Ces surfaces ne doivent pas être fusionnées en un seul taux d’adoption. Un souscripteur peut utiliser des champs extraits comme aide. Un gestionnaire de sinistres peut recevoir une aide pour retrouver des documents de police. Un risk manager peut consulter un tableau de bord. Un partenaire cyber peut transformer la télémétrie client en réponses à des questions d’application définies. Chaque workflow a une source de vérité, une conséquence, une exigence de temporalité et une voie d’exception distinctes.

Le coût opérationnel suit ces différences. La souscription exige la classification documentaire, la provenance des champs, des règles d’appétit et des routes de référencement. Les sinistres exigent le contrôle de version des polices, l’interprétation de la couverture, la documentation des pertes et l’escalade. Les tableaux de bord risques exigent l’actualisation des données, les permissions, la réconciliation et l’explicabilité. Les services cyber alimentés par des partenaires exigent gouvernance d’interfaces, frontières de consentement, contrôles qualité et gestion des litiges.

Un modèle ou une plateforme commune peut réduire l’infrastructure dupliquée, mais ne supprime pas la gouvernance propre à chaque domaine.

C’est pourquoi un programme IA d’assurance ne peut pas être évalué uniquement au nombre de documents lus. Le système doit s’inscrire dans un processus métier dont l’autorité demeure répartie entre le langage contractuel, les entités réglementées, le jugement professionnel et la communication client. Les documents publics d’AIG appuient l’existence d’un programme large. Ils ne montrent pas une architecture universelle ni un score de fiabilité unique pour ce programme.

3. Ce qu’AIG dit publiquement de sa stratégie IA

Le rapport annuel 2025 d’AIG indique que la société applique l’IA à la souscription et aux sinistres, construit une ontologie et développe des capacités d’orchestration [S03][S04]. Il nomme des relations avec Palantir, Anthropic, AWS et Google. Il décrit aussi une préoccupation explicite sur la discipline de souscription, l’auditabilité, la clarté réglementaire et la supervision humaine. Ces déclarations rendent visible l’ambition opérationnelle.

L’ontologie est particulièrement importante. AIG la décrit comme un cadre partagé pour les concepts, processus, éléments de données et workflows. Concrètement, cela signifie que la couche IA ne peut être séparée du sens des données d’assurance. Une limite de police, un seuil de rétention, un endossement, un lieu d’assurance, un avis de sinistre ou une soumission via courtier n’est pas simplement une chaîne de caractères. Il a une définition, une provenance, une date d’effet, une relation avec d’autres enregistrements et une conséquence dans un workflow précis.

L’orchestration ajoute une autre couche. AIG indique que le dispositif définira quand les capacités automatisées sont activées, quelles informations elles peuvent consulter, comment les tâches sont séquencées et où une supervision humaine est requise. Ce n’est pas seulement une fonctionnalité de modèle. C’est une question d’autorité et de contrôle. Une orchestration peut rendre un workflow plus cohérent, mais devient aussi un point où l’accès, l’ordre, les relances, les délais d’attente et les escalades doivent être gouvernés.

Les partenaires nommés sont une preuve de dépendance, pas un schéma d’architecture complet. Les divulgations publiques ne précisent pas chaque frontière de service, version de modèle, contrat, chemin de données ou repli. Il serait incorrect de supposer que chaque partenaire participe à chaque workflow d’AIG. Il serait aussi incorrect de supposer qu’une capacité de modèle déclarée détermine la fiabilité du produit final d’AIG.

Les catégories de coûts pertinentes sont donc claires même quand les détails privés restent indisponibles. AIG doit maintenir des définitions partagées, contrôler l’accès, connecter les systèmes autorisés, observer les comportements, réviser les sorties, gérer les changements et conserver des preuves. Les services partenaires exigent une supervision fournisseur et une planification de sortie. Les utilisateurs humains ont besoin de formation et d’un moyen de contester une sortie. Les équipes conformité et audit ont besoin d’enregistrements distinguant ce que le système a suggéré de ce qu’une personne autorisée a décidé.

Une stratégie peut être cohérente sans que chaque élément soit mature. Les preuves publiques soutiennent la direction et certaines capacités déployées. Elles n’établissent pas que l’orchestration soit complète sur tous les produits, que chaque concept d’ontologie soit stabilisé ou que chaque workflow assisté par IA ait la même qualité. Une évaluation solide doit préserver cette incertitude.

4. Assistance à la souscription et soumissions non structurées

AIG présente son programme d’assistance à la souscription comme utilisant des grands modèles de langage pour traiter des centaines de documents arrivant sous des formes non structurées, extraire les champs clés et préparer les informations pour les souscripteurs [S15]. Le rapport annuel indique que Underwriting by AIG Assist a été mis à l’échelle et fournit des chiffres de première main sur le volume de soumissions et le ratio soumission-émission dans un contexte défini [S03][S04]. La question technique utile est ce qui doit fonctionner autour de cette extraction.

Les documents de soumission peuvent contenir des dates contradictoires, des calendriers dupliqués, des pages scannées, des tableaux, des notes manuscrites, des endorsements et des références à une correspondance antérieure. Le premier mode de panne n’est pas forcément une décision finale erronée. Il peut s’agir d’une page manquée, d’un champ rattaché au mauvais assuré, d’une ancienne valeur traitée comme actuelle ou d’une incertitude présentée comme un fait. Une bonne extraction a donc besoin de provenance. Le souscripteur doit voir d’où provient une valeur et si le système l’a transformée.

La deuxième exigence est la réconciliation. Une soumission peut contredire un enregistrement d’administration de police, données de courtier ou source externe. L’automatisation peut souligner la différence, mais ne devrait pas choisir silencieusement l’autorité. Certains conflits nécessitent une clarification du courtier. D’autres révèlent un défaut d’ingestion. Une file d’exception structurée fait partie du produit, pas une reconnaissance que le produit a échoué.

La troisième exigence est l’adéquation au workflow. Les souscripteurs ont besoin d’informations au bon moment et avec le bon niveau de détail. Trop d’alertes peuvent recréer la charge que le système voulait réduire. Un résumé compressé peut masquer une exclusion matérielle. Une explication générée peut paraître certaine alors que la source est ambiguë. Les contrôles de revue doivent donc être proportionnés à la conséquence et permettre à l’utilisateur de passer du résumé aux preuves.

AIG indique que son programme a permis de revoir davantage de soumissions et décrit un ratio amélioré après un déploiement [S03]. Ce sont des divulgations opérationnelles de première main pertinentes, mais elles n’isolent pas la causalité. Le mix de portefeuille, les effectifs, l’appétit, la tarification et les changements de processus peuvent aussi faire évoluer ces mesures. Un ratio amélioré ne prouve pas à lui seul une meilleure sélection de risque ni un meilleur résultat client.

Le coût récurrent inclut les pipelines documentaires, la classification, la reconnaissance optique lorsque nécessaire, le mapping des champs, le échantillonnage qualité, la capture des corrections, le support utilisateur, les changements de modèle et de logiciel, et la surveillance de la dérive des types de documents. La valeur doit compter le temps économisé en traitement routinier et le temps ajouté pour la revue d’exception, la correction et la gouvernance. Seul l’effet net décrit le système opérationnel.

5. Assistance aux sinistres, revue de l’expert sinistre et exceptions majeures

Le travail de sinistres commence après une perte, lorsque le client peut être sous pression et que les faits peuvent encore évoluer. Le intelligence team d’AIG indique que Claims by AIG Assist aide à identifier les polices et endorsements pertinents pour un sinistre et soutient la revue de l’expert sous supervision humaine [S16]. Le rapport annuel décrit des réductions de première main sur des étapes sélectionnées là où la capacité a été déployée [S03][S04]. Ces éléments supportent une analyse de workflow, pas une garantie de service universelle.

L’identification de la police est un problème de recherche avec une frontière juridique. Le contrat applicable peut inclure endorsements, schedules, exclusions et amendements. Les versions comptent. Un document de police peut être retrouvé correctement alors que la relation entre ses dispositions et la perte reste disputée. L’assistance peut réduire l’effort de recherche, mais l’expert sinistre conserve l’interprétation et la communication.

Les sinistres contiennent aussi des exceptions sévères. Un incident cyber peut impliquer des faits changeants, des spécialistes externes et une containment urgente. Une catastrophe peut créer de nombreux sinistres simultanément, avec des infrastructures endommagées et une documentation incomplète. Un événement géopolitique peut faire apparaître des sanctions ou des questions juridictionnelles. Un modèle entraîné sur des motifs routiniers peut être moins fiable précisément quand la conséquence est la plus élevée.

Le fonctionnement sûr exige une hiérarchie d’autorité. Les enregistrements de police autoritaires et les faits de sinistre vérifiés doivent prévaloir sur les résumés générés. Le système doit exposer l’incertitude, pas la résoudre par un texte confiant. Les décisions de couverture matérielle nécessitent une revue et un enregistrement des preuves utilisées. Quand des documents manquent ou que les systèmes sont dégradés, le workflow doit disposer d’une route manuelle sûre.

La supervision humaine n’est pas seulement un clic d’approbation. Un expert sinistre a besoin de temps, d’expertise pertinente et de la capacité de ne pas être d’accord. Les superviseurs ont besoin de signaux sur le volume inhabituel, les corrections répétées et les dossiers en attente. Les équipes juridiques, conformité, fraude, réponse cyber ou spécialistes peuvent nécessiter une escalade. La communication client doit distinguer une étape préliminaire d’une détermination finale.

Le coût de l’aide IA aux sinistres inclut la gestion des exceptions, le contrôle des versions de police, le chaînage des sources, la restriction d’accès, la revue qualité, la restauration de service et la formation. Un passage plus rapide vers l’expert sinistre peut être utile, mais le résultat client dépend d’une analyse de couverture correcte, d’une communication en temps opportun et d’un remède approprié. Une réduction du temps interne d’étape ne prouve pas à elle seule ces résultats.

6. Ontologie, contrats de données et coût d’intégration

Une ontologie promet un langage commun entre données et workflows. En assurance, cela peut réduire l’ambiguïté entre unités métier et systèmes. Cela peut aussi devenir une obligation de maintenance importante. Chaque concept a besoin d’une définition, d’un propriétaire, d’une relation et d’un processus de modification. Si deux systèmes utilisent la même étiquette pour des significations différentes, une couche IA peut amplifier la divergence.

Le rapport annuel d’AIG relie son travail d’ontologie à la souscription, aux sinistres, à l’analyse de portefeuille et aux opérations stratégiques [S03][S04]. Cette portée rend l’intégration centrale. Les données de portefeuilles acquis ou renouvelés peuvent arriver selon des conventions différentes. Les enregistrements de polices et de sinistres peuvent couvrir plusieurs années. Les soumissions de courtiers peuvent utiliser leurs propres structures. Un modèle commun de l’activité peut aider à les comparer, mais uniquement si les décisions de mapping sont explicites et réversibles.

Les contrats de données devraient définir les champs requis, les valeurs autorisées, la ponctualité, la provenance et le comportement en cas d’échec. Ils devraient aussi décrire ce qui se passe quand une source est en retard ou incomplète. Un appel d’interface réussi n’est pas la preuve d’un enregistrement commercial complet. Un champ peut être syntaxiquement valide et sémantiquement erroné. La réconciliation nécessite des contrôles métier.

Les changements créent des effets de second ordre. Renommer un concept peut modifier la recherche, le reporting et les règles d’accès. Ajouter une relation peut exposer à un workflow une information qui ne lui était pas destinée. Un nouveau modèle peut interpréter un texte plus ancien différemment. Une mise à jour partenaire peut modifier la couverture des champs. La version doit permettre de reconstruire les définitions et logiciels actifs pour une décision.

L’intégration crée aussi des dépendances de latence et disponibilité. La souscription peut tolérer une source d’enrichissement retardée différemment qu’une ingestion de sinistres pendant un événement urgent. Un repli peut permettre de poursuivre avec moins d’informations, mais l’utilisateur doit connaître le mode actif. Les actions relancées ne doivent pas créer de doublon ou faire progresser un dossier deux fois. Un état incertain exige réconciliation plutôt qu’optimisme.

Le travail durable inclut la gouvernance de schéma, la revue de mapping, la surveillance qualité des données, la lignée, les permissions, les migrations, les jeux de tests, la coordination de release et la retraite d’anciennes interfaces. Ces coûts peuvent être justifiés par la réutilisation entre workflows, mais ne disparaissent pas quand les coûts des modèles baissent. Dans beaucoup d’entreprises, la couche de sens partagé et d’intégration est l’actif le plus coûteux à construire et la dépendance la plus difficile à remplacer.

7. Orchestration, autorité et supervision humaine

La description publique d’AIG sur l’orchestration porte sur activation, accès à l’information, séquence de tâches et supervision humaine [S03][S04]. Ce sont les bonnes questions de conception car un workflow automatisé peut créer des risques même quand chaque composant fonctionne correctement dans sa fonction étroite.

L’activation définit quand l’assistance est appropriée. Une soumission commerciale standard peut être éligible à l’extraction automatisée, tandis qu’un dossier inédit ou sensible peut nécessiter un autre chemin. Un workflow de sinistres peut utiliser l’assistance pour retrouver des documents mais pas pour déterminer l’autorité. Les règles d’éligibilité ont besoin de propriétaires, de versioning et de surveillance. Trop larges, elles amènent le système sur des cas qu’il n’était pas conçu pour gérer. Trop restrictives, elles poussent les utilisateurs à contourner l’outil.

L’accès définit la frontière d’information. Le fait qu’un utilisateur puisse voir un enregistrement ne signifie pas que chaque composant automatisé doit y avoir accès. Le principe du moindre privilège doit tenir compte du but, pas seulement de l’identité. Les informations de sinistre, santé, emploi ou sécurité peuvent exiger des restrictions supplémentaires. L’accès doit être journalisé, révisable et révoqué quand les rôles changent.

La séquence définit les dépendances. Un résumé généré avant l’arrivée de tous les documents peut être obsolète au moment d’une décision. Une tâche aval peut être lancée sur un champ non vérifié. Une relance peut créer un travail en doublon. L’orchestration doit représenter explicitement les prérequis et l’état incertain. Elle doit permettre pause, escalade et inversion.

La supervision humaine définit l’autorité. Le relecteur a besoin d’un contexte suffisant et d’un choix significatif. Si l’interface rend l’acceptation facile et la contestation difficile, une étape humaine nominale peut fournir peu de contrôle. La qualité de la revue peut baisser sous pression de volume. La surveillance devrait considérer les overrides, corrections, escalades, le temps passé et les schémas de défaillance répétés, pas seulement la complétion.

Le coût opérationnel inclut la conception de politique, l’administration des accès, la gestion des files, l’observabilité, la formation, l’échantillonnage qualité et la réponse aux incidents. Il inclut aussi la négociation organisationnelle autour de la propriété d’un workflow inter-fonctions. Ce n’est pas une surcharge accessoire. C’est la manière dont un assureur préserve la responsabilité quand la capacité traverse souscription, sinistres, données, technologie et risque.

8. Résultats de workflow rapportés versus preuve indépendante

Le rapport annuel d’AIG fournit plusieurs déclarations quantitatives sur son travail assisté par IA [S03][S04]. Il mentionne un volume de soumissions et une évolution annuelle dans un contexte Lexington, un ratio soumission-émission amélioré après déploiement, et des étapes plus courtes dans des processus de sinistres sélectionnés là où la capacité a été déployée. Ces divulgations sont utiles car elles nomment un contexte opérationnel. Elles restent des rapports de première main.

La première discipline consiste à préserver le dénominateur. Un nombre de soumissions ne montre pas la complexité des documents, la composition des risques ni la profondeur de revue. Un ratio peut changer selon l’appétit, la tarification, le comportement des courtiers ou la composition du portefeuille. Une mesure de cycle ne renseigne sur la performance complète du sinistre que si les événements de début et de fin sont clairement définis. Un passage de jours à heures dans une étape sélectionnée ne signifie pas que l’ensemble du sinistre se résout à la même vitesse.

La deuxième discipline est de distinguer corrélation et mécanisme. L’extraction assistée par IA peut réduire la collecte manuelle. Des données améliorées, des workflows révisés, plus de personnel ou des changements de politique peuvent aussi contribuer. Une évaluation crédible doit décrire les changements simultanés et inclure une base comparative définie. Cet article n’attribue pas les améliorations rapportées uniquement à un modèle.

La troisième discipline consiste à examiner la qualité et les queues lourdes. Une exécution plus rapide peut être utile pendant que le travail de correction augmente. Plus de soumissions révisées peuvent améliorer les opportunités tout en consommant de l’attention à faible valeur. Une meilleure moyenne peut dissimuler un petit nombre d’erreurs graves. Les conséquences en assurance ne sont pas distribuées de manière homogène, donc l’évaluation doit inclure les exceptions à fort impact.

La fiabilité de production nécessite des mesures opérationnelles comme la fraîcheur des données, la complétude de la recherche, les taux de correction, les taux d’escalade, la latence, la disponibilité et la restauration. Le résultat client nécessite des mesures comme la clarté, la rapidité, l’application correcte de la police et le remède effectif. Ces éléments sont des exemples de preuves attendues; les documents publics ne fournissent pas une distribution complète actuelle pour chaque workflow AIG.

Les divulgations d’AIG sont donc plus solides qu’une simple affirmation que l’IA crée de l’efficacité, mais elles ne constituent pas une référence indépendante. La conclusion responsable est circonscrite: AIG dit que des workflows sélectionnés ont atteint une échelle significative et rapporte des améliorations opérationnelles. Des preuves complémentaires seraient nécessaires pour comparer des systèmes, isoler la causalité ou établir un résultat client.

9. Capacité versus fiabilité de production

La capacité demande si un système peut exécuter une tâche dans des conditions définies. Un modèle peut extraire des champs, classer des documents, retrouver le texte de police ou résumer un sinistre. Les sources publiques d’AIG étayent ces catégories de capacité [S03][S15][S16]. La fiabilité de production demande si l’ensemble du service fonctionne de façon constante avec des données actuelles, la bonne autorité et une défaillance maîtrisée.

La différence est importante car une réponse correcte d’un modèle peut être intégrée dans un workflow peu fiable. Le document source peut être incomplet. Une interface peut fournir une ancienne version. Les règles d’accès peuvent être erronées. La sortie peut ne pas atteindre le bon relecteur. Une file peut se bloquer silencieusement. Une release peut changer le comportement. Un repli peut ne pas conserver les preuves nécessaires pour reconstituer une décision.

La fiabilité est multidimensionnelle. La disponibilité sans correction peut accélérer l’erreur. La correction sans opportunité peut rendre l’information inutilisable. Un système sûr qui bloque un travail légitime peut créer un préjudice opérationnel. Un résumé rapide qui omet un endorsement matériel peut être pire qu’une revue manuelle plus lente. L’objectif de service approprié dépend de la conséquence.

La surveillance doit donc couvrir la tâche, pas seulement le modèle. Les opérateurs doivent savoir si les entrées sont arrivées, si les preuves attendues étaient présentes, si la sortie a été revue, si les exceptions ont été résolues et si l’enregistrement d’autorité a été mis à jour correctement. L’évaluation du modèle reste utile, mais elle n’est qu’un composant du contrôle de bout en bout.

La récupération fait partie de la fiabilité. La divulgation de résilience d’entreprise d’AIG décrit la continuité, la reprise technologique, la gestion d’incidents, les exercices et la surveillance [S11]. Un workflow assisté par IA doit s’insérer dans cette structure. Quand une dépendance échoue, les utilisateurs doivent connaître un mode réduit prévisible. Le travail ne doit pas disparaître entre les files automatisées et manuelles. Les données récupérées doivent être réconciliées avant la reprise normale du traitement.

Aucune source publique n’établit un score universel de fiabilité de production du programme IA d’AIG. Cette absence ne doit pas être comblée par des suppositions. Le résultat analytique est un ensemble d’exigences: dépendances observables, données actuelles, autorité explicite, dégradation sûre, reprise testée et preuve robuste aux changements.

10. Fiabilité de production versus résultat client

Le résultat client est plus large que le fonctionnement technique du système. Un service peut être techniquement disponible et appliquer une mauvaise police. Il peut retrouver le bon document et mal communiquer une décision. Il peut réduire le temps interne tout en laissant la partie concernée incertaine. L’assurance ajoute des dimensions juridiques, contractuelles et humaines qui ne peuvent être réduites à un score de modèle.

Pour la souscription, un résultat client peut concerner des termes recevables et compréhensibles, un traitement approprié de l’information et une voie fiable pour corriger une erreur. Pour les sinistres, cela peut être une analyse de couverture précise, une communication claire, le versement ou autre remède, et un accompagnement pendant un événement difficile. La mesure dépend du produit et du contexte.

L’histoire actuelle d’AIG sur les sinistres met l’accent sur la supervision humaine et le rôle des experts sinistres [S16]. Cette frontière est importante. Une étape assistée par IA peut raccourcir la manipulation documentaire alors que le résultat dépend encore de l’expertise, des preuves et de la communication. Une catastrophe ou une violation cyber peut exiger une coordination avec des spécialistes et des parties externes. La valeur du système réside en partie dans le support de ce travail, pas dans le remplacement de la responsabilité.

Les preuves de résultat exigent aussi la distribution. Une moyenne peut masquer des clients avec des historiques de police inhabituels, des besoins d’accessibilité, une identité contestée, des arrangements multinationales complexes ou des pertes sévères. Les routes d’exception déterminent si ces cas reçoivent une revue substantielle. Un faible nombre d’escalades peut indiquer un bon fonctionnement ou une difficulté à atteindre le support.

La performance financière est encore plus éloignée d’une technologie unique. Les documents investisseurs d’AIG donnent le contexte opérationnel [S08], mais la souscription, les ratios ou les rendements reflètent la tarification, la sélection de risque, l’expérience sinistres, la réassurance, le capital, les conditions de marché et de nombreuses autres décisions. Il serait insensé d’attribuer un résultat financier à l’échelle d’entreprise à un seul workflow IA sans évaluation bornée.

La règle de gouvernance pratique est simple: rendre séparés capacité, fiabilité de production et résultat client. Les relier par un mécanisme déclaré, mais ne pas les fusionner en un seul succès global. Cette structure permet aux dirigeants de voir si l’accélération des traitements s’accompagne d’une qualité stable, d’exceptions gérables et d’un traitement client approprié.

11. Cybersécurité, gestion des vulnérabilités et résilience

AIG publie une page cyber et sécurité informationnelle, un programme de divulgation de vulnérabilités et une divulgation de résilience d’entreprise [S09][S10][S11]. Ces éléments établissent des surfaces de contrôle publiques sans révéler l’architecture défensive privée. Ils montrent aussi pourquoi le coût opérationnel de l’IA ne peut être séparé de la sécurité et de la continuité.

Le programme de vulnérabilité fournit un circuit structuré pour que les chercheurs soumettent des problèmes reproductibles [S10]. Ce circuit crée du travail: ingestion, validation, évaluation de gravité, attribution, remédiation, communication et clôture. Un rapport peut être incomplet ou dupliqué. Un problème suspect peut toucher plusieurs services. L’action corrective peut exiger une coordination avec un fournisseur. Le programme public est une capacité; sa fiabilité dépend de la performance des processus, non entièrement visible.

Les services assistés par IA augmentent la surface d’attaque et d’erreur. Des données sensibles peuvent être incluses dans un contexte inapproprié. Un contenu récupéré peut être malveillant ou trompeur. Un défaut d’identité ou d’autorisation peut exposer des informations. Un changement de dépendance peut modifier le comportement. Les contrôles de sécurité doivent couvrir la circulation des données, l’accès, la chaîne d’approvisionnement logicielle, la configuration, la surveillance et la réponse.

La résilience ajoute la préparation à la perturbation. AIG indique que son programme couvre la continuité d’activité, la reprise technologique, la gestion des incidents, l’évaluation d’impact, les tests, les exercices, la formation et le reporting directionnel [S11]. Il décrit aussi des centres de monitoring continu. Il s’agit de descriptions de programme de première main, pas d’une preuve qu’un scénario précis se résoudra dans un délai donné.

Pour un workflow assisté par IA, la continuité doit définir une dégradation sûre. Les souscripteurs et experts sinistres peuvent avoir besoin d’une route manuelle approuvée. Un système peut passer en mode lecture seule si une action ne peut être confirmée. Les files doivent préserver l’ordre et la propriété. La reprise doit réconcilier le travail accompli pendant la perturbation. Les preuves critiques doivent rester disponibles même si la couche d’assistance n’est pas opérationnelle.

Les exercices doivent tester des défaillances réalistes de dépendances et de données, pas seulement une panne totale. Une source peut livrer une information obsolète. Un service de modèle peut répondre alors que la qualité a changé. Un système d’identité peut être partiellement disponible. Un événement régional peut créer à la fois une perturbation technique et une hausse des sinistres. Ces conditions mixtes testent la cohérence de l’autorité et de la communication.

12. Confidentialité et cycle de vie continu des données

La politique de confidentialité publique d’AIG décrit un cycle d’information étendu [S12]. Les données d’assurance peuvent inclure identité, contacts, police, sinistres, informations financières, emploi, santé ou sécurité selon le service. La politique ne révèle pas chaque jeu de données interne, mais elle établit que collecte, usage, divulgation, protection, transfert et droits individuels sont des obligations continues.

Les workflows assistés par IA peuvent augmenter la réutilisation. Un document collecté pour la souscription peut paraître utile pour l’analyse de portefeuille. Un texte de sinistre peut améliorer la recherche ou la classification. La télémétrie partenaire peut soutenir l’évaluation cyber. La faisabilité technique ne détermine pas si un nouvel usage est approprié. Le but, la notice, la base légale, le contrat et l’attente des parties restent déterminants.

La minimisation des données est opérationnelle. Le workflow doit fournir seulement l’information nécessaire à la tâche. Un entrepôt documentaire large peut faciliter la recherche mais augmenter l’exposition. La redaction ou les accès au niveau des champs peuvent réduire le risque, mais ces contrôles exigent précision et maintenance. Les informations sensibles ne doivent pas être copiées dans les journaux ou systèmes secondaires sans besoin défini.

La rétention et la suppression sont aussi des comportements système. Les enregistrements peuvent avoir des obligations de conservation légales ou réglementaires, tandis que des données de travail temporaire peuvent ne pas en avoir. Une interaction de modèle peut créer du texte dérivé contenant les mêmes faits sensibles que la source. Supprimer la source en conservant une copie dérivée peut ne pas répondre à l’encadrement attendu. Les cartographies de données doivent inclure caches, index, analyses et copies de reprise.

Les droits et corrections créent des exceptions. Une personne peut contester une information ou demander un accès quand cela s’applique. L’organisation doit localiser les enregistrements pertinents, comprendre la provenance et éviter une correction partielle. Une ontologie peut aider à connecter les enregistrements, mais elle peut aussi propager une relation incorrecte si la gouvernance est faible.

Le coût de confidentialité inclut la classification, les permissions, la revue, la gestion des archives, les contrôles de transfert, les termes fournisseurs, le traitement des demandes, la réponse aux incidents et l’évaluation des changements. Il doit être inclus dans le cas d’affaires de l’IA. Un modèle moins cher ne réduit pas l’obligation de connaître ce qu’il reçoit, pourquoi et comment l’organisation peut corriger ou supprimer.

13. Frontières de capacité de CyberMatics et IntelliRisk

CyberMatics et IntelliRisk montrent que le programme technologique d’AIG inclut des surfaces client et partenaires en plus de l’assistance interne [S13][S14]. Ils montrent aussi pourquoi la capacité produit doit être séparée de la fiabilité production.

AIG décrit CyberMatics comme l’utilisation d’informations de partenaires de sécurité approuvés pour actualiser un profil de maturité cyber et fournir scores, recommandations et modélisation. La page précise qu’un partenaire traduit les données client avant d’envoyer des réponses à des questions applicatives définies et indique qu’AIG ne reçoit pas les données client brutes dans ce processus [S13]. C’est une limite publique importante.

Le design crée néanmoins des questions. La collecte et la traduction partenaires nécessitent des contrôles qualité. Un score demande une version définie et une explication. Une recommandation peut devenir obsolète si l’environnement d’un client évolue. La disponibilité des tableaux de bord et l’accès doivent être gérés. Un client peut contester l’entrée ou la priorité inférée. La page publique ne prouve ni la précision des alertes, ni la complétude, ni l’adoption, ni les pertes évitées.

IntelliRisk est présenté comme un système d’information de gestion des risques avec tableaux de bord, recherches, reporting et accès aux données de sinistres dans de nombreux pays [S14]. Sa valeur dépend de la fraîcheur des données, des définitions cohérentes, des permissions et de la réconciliation. Une tendance visuelle peut être techniquement correcte tout en combinant des catégories non comparables. Une recherche peut retourner des enregistrements en omettant un sinistre récemment chargé. Le support utilisateur et la correction qualité des données font partie du service.

Ces produits illustrent également la complexité des fournisseurs et des juridictions. Les données peuvent provenir de plusieurs systèmes ou pays. Les rôles diffèrent entre client, courtier, risk manager et équipes AIG. Une fonctionnalité adaptée à un rôle peut exposer trop à un autre. Les changements d’interface partenaire ou de schéma de sinistres peuvent affecter le résultat visé client.

Le cadre opérationnel doit mesurer plus que les connexions ou scores affichés. Des preuves utiles peuvent inclure la ponctualité de rafraîchissement, la complétude, le temps de correction, les exceptions non résolues, les résultats d’examen d’accès, la demande de support et les décisions utilisateur informées par l’outil. Ce sont des catégories d’évaluation, non des assertions sur les mesures privées d’AIG.

La leçon plus large est que l’IA et l’analytique s’insèrent dans des produits avec des obligations de service continues. Un modèle de score, un tableau de bord ou un assistant documentaire peut être techniquement capable tandis que le produit qui l’entoure reste difficile à maintenir. Le coût appartient au service de bout en bout.

14. Dépendance partenaire et contrôle fournisseur

Le rapport annuel d’AIG nomme plusieurs relations technologiques en lien avec sa stratégie IA [S03][S04]. CyberMatics liste des partenaires de sécurité dans un contexte produit distinct [S13]. La divulgation d’une relation ne révèle pas tous les détails contractuels ou techniques, et un partenaire nommé ne doit pas être supposé présent dans chaque workflow.

La dépendance fournisseur a plusieurs couches. L’infrastructure peut affecter disponibilité et localisation de données. Un service de modèle peut affecter le comportement, la capacité et la politique. Un partenaire de données peut affecter la complétude et la ponctualité. Une plateforme logicielle peut façonner l’ontologie, l’intégration ou l’observabilité. Chaque dépendance a besoin d’un propriétaire et d’une frontière de service.

La contractualisation est nécessaire mais insuffisante. Les opérateurs doivent savoir comment un changement est communiqué, comment les accès sont révoqués, comment les incidents sont coordonnés et comment les données peuvent être récupérées. Un fournisseur peut respecter sa cible de service alors que le workflow de bout en bout de l’assureur échoue. La surveillance doit donc inclure des résultats métier comme la progression des files et la réconciliation des dossiers, pas seulement l’état du fournisseur.

Les dépendances de modèle créent un risque de changement. Une version peut améliorer une capacité générale tout en modifiant le comportement sur une tâche spécialisée. Des limites de capacité peuvent apparaître en période de pic. Les changements de sécurité ou de politique peuvent affecter la sortie. Les contrôles d’acceptation doivent être liés à l’usage contrôlé d’AIG. Les workflows à forte conséquence ont besoin d’un mécanisme de repli et d’une règle claire d’arrêt de l’assistance automatisée.

La concentration peut être cachée. Plusieurs produits peuvent partager la même identité, région cloud, plateforme de données ou service de communication. Des tableaux de bord séparés peuvent faire paraître les applications indépendantes alors qu’une dépendance les relie. À l’inverse, dupliquer chaque service peut créer des contrôles incohérents et une maintenance élevée. L’architecture doit rendre ce arbitrage visible.

La planification de sortie fait partie du coût. Les données doivent avoir des formats portables et un sens conservé. Les décisions historiques doivent rester des preuves lisibles. Les workflows alternatifs ont besoin de tests. Les équipes doivent disposer de temps pour migrer. Un remplacement peut exiger un remappage des concepts d’ontologie et une reformation des utilisateurs. Le changement de dépendance n’est pas une action d’approvisionnement d’urgence; c’est une capacité qui doit exister avant que la contrainte ne devienne critique.

15. Maintenance, release et cycle de vie des modèles

Le Form 10-K d’AIG identifie la technologie, le cyber, les données, les modèles, les tiers, les opérations et la continuité comme zones de risque [S05]. Le rapport annuel décrit un développement rapide en IA [S03][S04]. Ensemble, ces divulgations soutiennent une vision de cycle de vie: le service doit être maintenu face à des modèles, des logiciels, des données et des règles métier évolutifs.

La discipline de release commence par le périmètre. Un changement peut affecter extraction, recherche, classement, résumés, accès, routage ou interface utilisateur. Chacun a un mode de défaillance différent. Une mise à jour de modèle peut modifier la sortie sans changer une interface. Une mise à jour d’ontologie peut modifier plusieurs workflows à la fois. Une nouvelle source de données peut améliorer la couverture tout en introduisant des valeurs incohérentes.

Les tests doivent refléter les tâches et conséquences réelles. La qualité linguistique générale ne suffit pas pour la recherche de police ou la revue de sinistres. L’évaluation doit inclure des documents représentatifs, des cas rares mais sévères, des formats changés et des ambiguïtés connues. Elle doit examiner les assertions non étayées, les omissions, la provenance et le comportement d’escalade. Les résultats doivent être comparés à une version antérieure définie.

Le déploiement exige observabilité et réversibilité. Les équipes doivent savoir quelle version a traité un dossier et quelles définitions de données étaient actives. Un déploiement doit avoir des conditions d’arrêt. Si les taux de correction ou d’escalade augmentent, l’opérateur doit pouvoir restreindre ou inverser le changement. Un repli ne doit pas supprimer silencieusement un travail ni produire une décision non traçable.

La maintenance inclut aussi l’environnement humain. Les utilisateurs doivent recevoir une guidance mise à jour quand une capacité évolue. Les réviseurs peuvent devenir excessivement confiants si les sorties progressent. Les nouveaux employés ont besoin de formation sur l’autorité et l’escalade. Les équipes support doivent avoir des propriétaires connus. La revue politique et conformité doit suivre l’évolution du produit.

La retraite de fonctionnalités est souvent négligée. D’anciennes interfaces et modèles peuvent rester en place parce qu’un utilisateur aval en dépend encore. Des chemins dupliqués créent des comportements incohérents et une exposition de sécurité. La sortie d’un service exige découverte des dépendances, conservation d’enregistrements, migration et communication. Le coût d’une licence ou d’un calcul plus faible peut être inférieur au travail nécessaire pour retirer proprement l’ancien chemin.

L’unité économique pertinente est donc le cycle de vie, pas une requête à un modèle. L’acquisition, l’intégration, l’évaluation, la supervision, la réponse aux incidents et la retraite appartiennent tous au coût. L’échelle opérationnelle d’AIG peut rendre la réutilisation précieuse, mais elle augmente aussi la conséquence d’une dépendance commune faible.

16. Modes de défaillance, escalade et gestion des exceptions

L’analyse des modes de défaillance transforme une stratégie technologique large en plan opérationnel. Les dépôts, pages sécurité, processus de vulnérabilités, divulgation de résilience et récit sur les sinistres d’AIG soutiennent plusieurs catégories publiques [S05][S09][S10][S11][S16]. Ils ne révèlent pas l’historique d’incidents privés ni la performance exacte de chaque contrôle.

La défaillance d’entrée inclut des documents manquants, dupliqués, obsolètes ou contradictoires. La défaillance d’extraction inclut un champ manqué, une relation erronée ou une inférence non prise en charge. La défaillance de recherche inclut la mauvaise version de police ou un jeu d’endorsements incomplet. La défaillance de workflow inclut un mauvais routage, une action dupliquée, une file bloquée ou un état incertain. La défaillance d’accès inclut une sur-exposition ou un blocage d’un utilisateur légitime.

La défaillance humaine reste possible. Un réviseur peut accepter trop vite un résumé plausible. Une file surchargée peut retarder l’escalade. L’expertise peut être indisponible pendant un pic. L’interprétation peut être variable. La formation peut être en retard d’un change. L’automatisation peut accélérer le processus sans rendre la responsabilité plus claire.

La défaillance de dépendance inclut panne, latence, capacité, changement de comportement, données corrompues ou notification incomplète. La défaillance de sécurité inclut accès non autorisé, contenu malveillant, logiciel vulnérable ou fuite d’information sensible. La défaillance de résilience inclut un repli non testé, une perte de travail durant la restauration ou un processus manuel incapable de gérer le volume.

La défaillance de résultat peut survenir même quand la technologie se comporte comme prévu. Une règle peut être inadaptée. La communication peut être confuse. Le client peut ne pas accéder à une voie de correction efficace. Une décision techniquement correcte peut entraîner des conséquences sévères en aval. La surveillance doit inclure les réclamations, corrections et remédiations, pas seulement la santé du système.

La gestion des exceptions exige files explicites, propriété, priorité et vieillissement. Les dossiers doivent avoir assez de contexte pour être revus. L’escalade doit être possible sans perdre les preuves initiales. Les exceptions répétées devraient alimenter l’amélioration produit plutôt que rester des événements de support isolés. Les cas sévères nécessitent une coordination interfonctionnelle.

Le coût n’est pas un défaut du modèle économique. C’est le prix d’opérer en sécurité sous incertitude. Une automatisation utile peut réduire l’effort routinier tout en augmentant l’importance d’une revue spécialisée. Les leaders doivent comparer la file totale avant et après déploiement: travail routinier supprimé, nouvelle surveillance ajoutée, corrections créées et exceptions de forte conséquence traitées.

17. Cadre de décision pour acheteurs techniques et opérateurs

Le dossier public d’AIG soutient un cadre de décision structuré. La première question est la capacité: quelle tâche exacte le système exécute-t-il, sur quelles sources, avec quelle autorité? La souscription extractive, la récupération de sinistres, la notation cyber et les tableaux de bord de risque doivent chacune avoir leur propre réponse.

La deuxième question est la fiabilité de production: que doit-on garantir pour que le service de bout en bout fonctionne? Identifier les systèmes d’autorité, la fraîcheur des données, l’accès, les interfaces, le comportement des files, la latence, la surveillance, la reprise et le repli. Définir comment le service expose l’incertitude et comment un utilisateur atteint les preuves.

La troisième question est le résultat client: qu’est-ce qui change pour l’assuré, le courtier ou le demandeur, et comment cela se mesure? Préserver la base et le contexte. Séparer le temps interne d’étape du temps de résolution complète. Examiner les exceptions sévères autant que les moyennes. Ne pas inférer un bénéfice client à partir de l’adoption ou de la performance financière seule.

La quatrième question est la supervision. Nommer le réviseur autorisé, les cas qui exigent revue, les preuves disponibles et la voie de désaccord. Mesurer les corrections et escalades. S’assurer que le volume ne transforme pas une décision significative en clic cérémoniel.

La cinquième question est l’intégration et la maintenance. Lister les contrats de données, les concepts d’ontologie, les dépendances, les versions et les propriétaires. Budgéter le mapping, les tests, la surveillance, le support, la release, la rollback et la retraite. Inclure confidentialité, cybersécurité, résilience et contrôle fournisseur.

La sixième question concerne les défaillances et la récupération. Énumérer les modes d’échec d’entrée, de modèle, de workflow, humain, dépendance, sécurité et résultat. Associer à chaque mode un signal de détection, un propriétaire et une action sûre. Tester des situations mixtes comme disponibilité partielle et hausse de volume. Réconcilier le travail après récupération.

La septième question est la réversibilité. AIG peut-elle restreindre une capacité, l’arrêter, revenir à un chemin manuel contrôlé et préserver des preuves? Peut-elle remplacer une dépendance sans perdre le sens des enregistrements? Peut-elle expliquer quelle version a contribué à une décision? La réversibilité est un actif opérationnel.

Ce cadre ne rejette pas les progrès rapportés par AIG. Il inscrit ces progrès dans le contexte requis pour un assureur mondial. Les documents publics montrent un effort sérieux pour relier IA, données, workflows et supervision humaine. La charge restante est continue: démontrer que la capacité devient un produit fiable et que le produit contribue à des résultats clients appropriés sans masquer le coût de la supervision et des exceptions.

Verdict

Les divulgations publiques d’AIG apportent une preuve crédible de souscription assistée par IA déployée, d’un usage croissant des sinistres, d’investissements dans l’ontologie et d’une couche d’orchestration en développement. Elles fournissent aussi des chiffres opérationnels de première main utiles. Le dossier est suffisamment solide pour conclure qu’AIG est sorti d’une démonstration isolée.

Il n’est pas suffisamment solide pour attribuer un score de fiabilité universel, une référence indépendante ou un résultat client causal au programme. Les améliorations rapportées par AIG restent bornées par le contexte produit, workflow et mesure. CyberMatics, IntelliRisk, les contenus de sécurité, de confidentialité et de résilience montrent que la surface opérationnelle complète dépasse le modèle.

Pour les acheteurs techniques et opérateurs, le travail décisif concerne la capacité: données actuelles, provenance de politique et de sinistre, maintenance d’ontologie, contrôle d’accès, maîtrise des partenaires, autorité humaine, files d’exception, discipline de release, reprise et auditabilité. Ces contrôles génèrent des coûts récurrents, mais ils sont aussi ce qui transforme une fonction de modèle performante en service d’assurance durable.

L’évaluation correcte n’est donc ni que l’IA transforme automatiquement l’assurance, ni que la supervision humaine annule la valeur de l’automatisation. La conclusion plus solide est conditionnelle. Une souscription et des sinistres assistés par IA peuvent réduire des tâches de routine et améliorer l’accès à l’information lorsque l’organisation mesure la fiabilité de bout en bout, préserve le jugement professionnel, finance la gestion des exceptions et teste si les résultats clients s’améliorent réellement.

La stratégie publique d’AIG va dans cette direction; les preuves opérationnelles en cours doivent établir avec quelle constance elle y parvient.

Sources

[S01] Répertoire BTW, American International Group, Inc.:https://btw.media/en/directory/american-international-group-inc
[S02] AIG, À propos d’AIG:https://www.aig.com/home/about
[S03] AIG, page du rapport annuel 2025:https://www.aig.com/home/investor-relations/aig-2025-annual-report
[S04] AIG, PDF du rapport annuel 2025:https://www.aig.com/content/dam/aig/america-canada/us/documents/investor-relations/annual-report/aig-2025-annual-report.pdf
[S05] SEC des États-Unis, Form 10-K 2025 d’AIG:https://www.sec.gov/Archives/edgar/data/5272/000000527226000023/aig-20251231.htm
[S06] AIG, PDF du avis de réunion annuelle et proxy 2026:https://www.aig.com/content/dam/aig/america-canada/us/documents/investor-relations/notice-of-annual-meeting-and-proxy-statement/aig-2026-notice-of-annual-meeting-and-proxy-statement.pdf
[S07] SEC des États-Unis, Proxy Statement 2026 d’AIG:https://www.sec.gov/Archives/edgar/data/5272/000000527226000039/aig-20260331.htm
[S08] Relations investisseurs d’AIG:https://www.aig.com/home/investor-relations
[S09] AIG, cyber et sécurité de l’information:https://www.aig.com/home/about/cyber-and-information-security
[S10] AIG, divulgation de vulnérabilité:https://www.aig.com/home/about/cyber-and-information-security/vulnerability-disclosure
[S11] AIG, divulgation de résilience d’entreprise:https://www.aig.com/enterprise-resilience-disclosure
[S12] Politique de confidentialité d’AIG:https://www.aig.com/privacy-policy
[S13] AIG, CyberMatics:https://www.aig.com/home/risk-solutions/business/cyber/cybermatics
[S14] AIG, IntelliRisk:https://www.aig.com/intellirisk
[S15] AIG, AIG Leaders Discuss GenAI and the Atlanta Innovation Hub:https://www.aig.com/home/intelligence team/stories/aig-leaders-discuss-gen-ai-and-atlanta-innovation-hub
[S16] AIG, Delivering for Our Clients When They Need Us Most:https://www.aig.com/home/intelligence team/stories/delivering-for-our-clients-when-they-need-us-most
[S17] GLEIF, enregistrement LEI d’American International Group, Inc.:https://api.gleif.org/api/v1/lei-records/ODVCVCQG2BP6VHV36M30
[S18] Wikimedia Commons, photo du siège AIG:https://commons.wikimedia.org/wiki/File:AIG_Headquarters.jpg

Crédit photo: « AIG Headquarters » de Marc Bryan-Brown, photographié à 175 Water Street à New York en 2016, CC BY-SA 4.0, via Wikimedia Commons, avec permission via Wikimedia VRT. La photographie donne seulement le contexte historique d’une architecture corporative et n’établit pas le siège actuel d’AIG, sa technologie, le déploiement de l’IA, l’effectif, la sécurité, la disponibilité de service, la qualité de modèle ou les résultats client.