Aésio Mutuelle : De l'obsolescence tech au self-Data et à la GenAI
Aésio a refondu ses socles, dont sa plateforme Data, pour pallier l'obsolescence de ses infrastructures on-premise. Au-delà de la modernisation, la mutuelle déploie autonomie, Data Science & GenAI.
L’essentiel du REX
Défis de la fusion et virage cloud : Aésio a modernisé son infrastructure en migrant vers le cloud avec Snowflake pour le calcul, Dataiku pour la préparation/data science et Qlik Sense pour la dataviz.
Démocratisation de la donnée : L’organisation s’appuie sur 5 Data Scientists centraux et 45 Data Analysts décentralisés dans les métiers. Ces derniers créent leurs flux en autonomie grâce à un coaching régulier de l’équipe Data. Un audit centralisé est mené avant la mise en production par la DSI pour garantir la gouvernance.
Cas d’usage et gains opérationnels majeurs. Solvabilité 2 : La production du rapport réglementaire est passée de deux semaines à 15 minutes, fiabilisant les données et optimisant le ratio de solvabilité. Décommissionnement d’outils BI : Les requêtes d’actuariat migré de Cognos durent désormais 10 secondes au lieu de 36 heures, et les contrôles mensuels de la comptabilité (ex-Tableau) sont automatisés via des applications Dataiku. Flux RH : Le traitement quotidien des effectifs est passé de 3 heures à 15 secondes et alimente automatiquement les habilitations de l’annuaire interne.
Industrialisation souveraine de l’IA générative. Tous les LLM sont exécutés localement dans le cluster Snowflake cloud d’Aésio pour garantir la conformité RGPD. Deux projets clés sont menés. Classification des réclamations : Analyse de 20 000 demandes clients ayant révélé que 60% étaient mal qualifiées à l’origine, ouvrant la voie à un agent d’aiguillage automatisé. Conformité des commentaires libres : Détection proactive et quotidienne de données sensibles interdites (opinions, santé) saisies dans les outils métiers comme le CRM.
Issue de la fusion de trois mutuelles régionales en 2021, Aésio Mutuelle a engagé une refonte profonde de son socle technologique pour pallier l’obsolescence de ses infrastructures héritées.
Le passage d’un environnement Oracle on-premise à une architecture hybride associant Snowflake et Dataiku avait pour objectif de franchir un cap en termes de performance. Parmi les gains attendus, la réduction des temps de calcul actuariels - de 36 heures dans le système legacy.
État des lieux et rupture technologique post-fusion
La mutation initiée par l’entreprise ne ciblait pas uniquement une modernisation technique. En effet, elle s’est accompagnée d’une évolution des usages. La plus significative peut-être : l’ouverture contrôlée de la donnée aux métiers, désormais autonomes dans la production de leurs flux.
Cette stratégie d’industrialisation permet depuis 2025 d’automatiser les rapports réglementaires, de sécuriser la gestion des habilitations et d’intégrer l’IA générative pour la mise en conformité RGPD et l’optimisation de la relation client.
Le constat de carence technique a été le déclencheur de la transformation, comme le souligne Jean-François Monier, Chief Data Scientist : « si on nous demande de faire de la data science et de l’intelligence artificielle sur des bases qui répondent aussi bien, ça va être compliqué, ça va être très compliqué ».
Au-delà du simple délai de calcul, l’obsolescence interdisait tout pilotage stratégique réactif, imposant un changement radical de paradigme vers un environnement cloud capable de supporter les ambitions Data de la nouvelle structure.
Architecture cible : Hybridation Snowflake, Dataiku et Qlik Sense
Pour répondre aux besoins de scalabilité d’une mutuelle couvrant deux millions de personnes, Aésio a déployé une stack hybride. Snowflake a été implémenté comme premier projet Cloud de l’organisation pour centraliser et uniformiser les données multi-sites.
Le choix de Dataiku pour la manipulation de données répond à une exigence de flexibilité, la plateforme demeurant hébergée on-premise alors que les calculs sont déportés dans le cloud Snowflake via Snowpark.
Le dispositif technique utilise des librairies validées par Anaconda pour assurer la stabilité et la sécurité des environnements. En complément, Qlik Sense Cloud assure la couche de visualisation des données.
Résultat visé : l’architecture cible devait permettre de traiter les données de manière transverse, effaçant les disparités héritées des anciennes mutuelles régionales au profit d’un environnement de travail unique et performant.
Gouvernance et modèle « Citizen Data Science »
La prolifération des fichiers Excel locaux et les erreurs de manipulation ont initialement conduit la direction Data à tenter de centraliser la production des flux. Toutefois, cette approche a rapidement montré ses limites techniques et métier,.
L’équipe centrale commettait des erreurs d’interprétation faute de connaissance métier fine. Pour y remédier, Aésio a adopté un modèle de « Citizen Data Science » supervisé, s’appuyant sur un ratio de 5 Data Scientists pour 45 Data Analysts répartis dans les directions métiers.
L’autonomie est la règle : « la plupart des métiers... ont été formés 1 an après avoir eu Dataiku dans les mains... Ils ont entièrement développé le flow de A à Z », précise Jean-François Monier.
La décentralisation est encadrée par un coaching bi-mensuel et une validation stricte via le « Project Assessment Tool », qui audite la documentation, les contrôles et les destinataires avant toute mise en production.
Résultat : Le modèle Citizen Data Science réduit drastiquement le shadow IT tout en garantissant la sécurité des actifs Data. De la décentralisation (ou fédération) donc, mais gouvernée.
Automatisation de Solvabilité 2 et reporting comptable
La pression réglementaire de l’ACPR impose une fiabilité totale des états financiers. Le processus Solvabilité 2 (Solvency 2), autrefois dépendant de macros Excel instables et de deux semaines de retraitements manuels, a été intégralement automatisé.
Les flux Dataiku injectent des données qualifiées dans Snowflake, réduisant le temps de génération d’un rapport à 15 minutes. Le gain de performance ainsi obtenu a permis de multiplier les stress tests et les simulations d’hypothèses, optimisant directement le ratio de solvabilité de la mutuelle.
Parallèlement, les outils legacy tels que Tableau et Cognos sont décommissionnés. Le service comptable utilise désormais des « Dataiku Apps ». Il s’agit d’interfaces simplifiées conçues pour démystifier l’outil auprès des collaborateurs que la complexité visuelle d’un flux de données pourrait intimider.
Les experts se concentrent ainsi sur l’analyse des anomalies détectées automatiquement plutôt que sur la collecte de données.
Industrialisation des données RH et interfaçage SI
La donnée RH est devenue un levier d’optimisation pour la gestion des habilitations au sein du système d’information. Le traitement des fichiers plats RH, autrefois chronophage, a été optimisé par le partitionnement dans Dataiku.
Par ce biais, le traitement a été réduit de 3 heures à 15 secondes. La plateforme Data agit ici comme un middleware ou une couche d’intégration. Elle retraite et croise les informations pour alimenter automatiquement l’outil de gestion des identités et des accès (IAM).
Cette approche permet d’éviter les coûts de développement élevés facturés par l’éditeur du logiciel RH pour des extractions spécifiques.
Résultat : En servant de pivot technique entre des briques logicielles tierces, la plateforme Data garantit la mise à jour quotidienne des droits d’accès des collaborateurs de manière sécurisée et économique.
GenAI : Classification des réclamations et conformité RGPD
L’adoption des Large Language Models (LLM) répond chez Aésio à des enjeux de classification textuelle massive. Un projet a permis de traiter 20.000 réclamations clients, révélant que 60% d’entre elles étaient initialement mal qualifiées par les adhérents.
La méthodologie repose sur l’utilisation de prompts itératifs, doublée d’un « Prompt Court » servant de contrôle de cohérence pour valider les résultats du premier modèle.
Pour garantir la non-exposition des données de santé, Aésio utilise exclusivement des LLM natifs hébergés dans son propre cluster Snowflake. Cette technologie est également déployée pour la conformité RGPD, notamment pour détecter proactivement les données sensibles (opinions politiques, orientation sexuelle) dans les zones de texte libre du CRM.
Le projet s’inscrit dans une démarche de prévention des risques juridiques, illustrée par le cas « Boulanger », afin d’éviter les sanctions de la CNIL liées à des commentaires inappropriés.
Gains de performance et roadmap 2026
En quatre ans, Aésio Mutuelle estime avoir transformé sa dette technologique en un actif industriel. Les indicateurs de performance tendent d’ailleurs à valider cette stratégie. Les temps de traitement de l’actuariat sont passés de 36 heures à 10 secondes, la comptabilité est automatisée et les outils de BI traditionnels sont en phase terminale de décommissionnement.
La roadmap pour 2026 prévoit une généralisation des agents intelligents pour l’aiguillage automatisé des réclamations, visant une amélioration immédiate de la satisfaction client.
Les projets incluent également l’internalisation des scores de valeur client (churn) pour les marchés B2C et B2B, ainsi que le développement de modèles de lead scoring pour optimiser les interactions web.
Dernier constat : la transformation menée traduit la capacité d’une entreprise traditionnelle à opérer une mutation technologique profonde en combinant modernisation de l’infrastructure (hybride) et acculturation Data & IA des métiers.
Takeaways du témoignage d’Aésio Mutuelle
Le contexte de départ et les défis de la fusion : L’entreprise faisait face à un fort cloisonnement des données sur trois bases Oracle on-premise, avec des performances très insuffisantes (une requête standard de l’actuariat prenait entre 36 et 48 heures).
La refonte de l’écosystème technologique : Pour surmonter ces blocages, la direction Data a opéré un virage vers le cloud (une première pour la mutuelle) en choisissant Snowflake pour le stockage et la puissance de calcul, Dataiku pour la préparation des données et la data science, et Qlik Sense pour la dataviz.
La démocratisation de la donnée (”Self-Service Data”) : Après avoir d’abord traité les fichiers Excel des métiers en central, la direction Data a ouvert Dataiku aux équipes opérationnelles. En septembre 2025, l’organisation comptait 5 licences de Data Science et 45 Data Analysts répartis au sein des différents métiers. Ces derniers sont autonomes pour construire leurs flux, tout en bénéficiant d’un accompagnement (coaching) de l’équipe centrale.
Principaux cas d’usage métiers industrialisés en 2025 :
Solvabilité 2 : Le processus de collecte, de retraitement et de contrôle des données réglementaires (qui prenait auparavant deux semaines avec des macros Excel fragiles) a été automatisé dans Dataiku et Snowflake. La génération des rapports réglementaires ne prend désormais plus que 15 minutes, permettant de multiplier les simulations et d’optimiser le ratio de solvabilité.
Décommissionnement d’outils BI (Tableau et Cognos) : Les contrôles comptables mensuels (auparavant gérés manuellement via des extractions Tableau vers Excel) ont été entièrement automatisés dans Dataiku. De même, les requêtes lourdes de l’actuariat (historiquement sur Cognos) ont été migrées vers Dataiku avec des gains de temps majeurs.
Traitement des données RH : Les fichiers d’effectifs de l’outil RH sont traités quotidiennement de manière incrémentale (grâce au partitionnement, le temps de traitement est passé de 3 heures à 15 secondes) et croisés automatiquement pour gérer les habilitations de l’outil d’annuaire interne.
L’intégration de l’IA générative et des LLM :
Classification des réclamations clients : Pour corriger les erreurs de qualification des demandes des adhérents (qui ralentissaient leur traitement), Aésio a déployé des LLM pour analyser et classer 20.000 réclamations. L’analyse a révélé que 60% d’entre elles étaient mal qualifiées. Un projet d’agent d’aiguillage automatique est en développement.
Conformité RGPD : Un projet est en cours pour utiliser un LLM afin d’analyser automatiquement les zones de commentaires libres (dans le CRM et d’autres outils) et détecter proactivement les données sensibles non autorisées (opinions politiques, données de santé, etc.).
Sécurité et souveraineté : Pour rassurer sur le plan de la sécurité et du RGPD, tous les LLM utilisés sont exécutés localement au sein du cluster Snowflake cloud d’Aésio (pas d’envoi vers des LLM publics)
Gouvernance rigoureuse : Bien que les métiers soient autonomes pour développer, ils ne peuvent pas déployer seuls en production. L’équipe Data centrale audite chaque flux à l’aide du Project Assessment Tool pour vérifier la documentation, les contrôles de qualité des données et la gestion des erreurs avant de confier l’ordonnancement à la DSI.