filin.ia
Détecter/Assurance/Fraude / Détection
FAIRE

Détectiondefraudesanté

Surfacturation, actes fictifs, arrêts de travail de complaisance : la fraude en complémentaire santé est massive mais diffuse. Les contrôles a posteriori arrivent trop tard et ne portent que sur les anomalies les plus visibles. La fraude organisée passe sous le radar.

Score priorité

0,0/10

Potentiel estimé

Impact élevé

Verdict

Lancer maintenant. Conditions de réussite réunies.

02 · Scoring

Trois dimensions, un verdict pondéré

Score = (Impact × 0,5) + (Faisabilité × 0,3) + (Risque d'inaction × 0,2)

Impact métier

0/10

Valeur business attendue si le cas d'usage fonctionne.

Faisabilité

0/10

Maturité technologique, accès aux données, capacité d'exécution.

Risque d'inaction

0/10

Coût stratégique de l'attentisme face à l'évolution du secteur.

03 · Levier de valeur

Là où la valeur se crée vraiment

Levier : détection des schémas de surfacturation sur les flux de remboursement. Le volume de données (millions de décomptes) est un avantage pour le machine learning.

04 · Pourquoi ça échoue

Les angles morts qui plombent les projets

Connus à l'avance, rarement traités à temps. La majorité des tests pilotes IA s'effondrent sur ces points exacts.

01

Données cloisonnées entre Sécu et complémentaires, obstacle structurel

02

Codification CCAM/NGAP complexe, beaucoup de faux positifs sur les actes atypiques

03

Les professionnels de santé fraudeurs adaptent leurs pratiques dès qu'un contrôle est identifié

05 · Vision à contre-courant

Le vrai enjeu est ailleurs : les réseaux organisés que seule l'analyse de graphe détecte. Pharmacies, laboratoires, praticiens qui se renvoient des patients fictifs passent sous les règles statistiques. La fraude individuelle est secondaire.

06 · Effet de second ordre

Accuser un professionnel de santé à tort détruit une relation réseau construite sur des années. Le seuil de certitude doit être bien plus élevé qu'en IARD.

07 · Vérité de terrain

Ce que personne ne dit avant le kick-off

Coûts cachés et calendrier réaliste, tels qu'observés sur les projets industrialisés du secteur.

Coûts cachés

  • Accès et réconciliation des données régime obligatoire / régime complémentaire : projet en soi, effort très élevé
  • Expertise métier santé dans l'équipe data : indispensable et rare sur le marché
  • Procédures contradictoires avec les professionnels de santé : la charge juridique sort presque toujours des prévisions initiales

Calendrier réaliste

  1. 1

    Cadrage et accès aux données : 4-6 mois

  2. 2

    Test pilote sur un type de fraude (optique, dentaire) : 3-4 mois

  3. 3

    Industrialisation multi-postes : 12-18 mois

08 · Solutions du marché

Qui peut accompagner (et comment)

Options observées sur le marché, du SaaS spécialisé au développement interne. Cartographie de positionnement, sans hiérarchie.

Shift Technology

Module santé dédié, déploiements chez plusieurs mutuelles

IQVIA

Données de marché, comparaison des prescriptions

Développement interne

Possible si accès aux données SNDS (convention CNAM)

09 · Signaux marché

Ce qui bouge en ce moment dans le secteur

Annonces, productions, régulations récentes. À lire comme un baromètre de vitalité du cas d'usage.

CNAM, déploiement d'analyse de données massive sur les flux depuis 2023

Harmonie Mutuelle, projet IA fraude en cours (2024-2025)

Réforme 100% santé, augmente les volumes et donc les opportunités de fraude

CNAM, déploiement d'analyse de données massive sur les flux depuis 2023

Harmonie Mutuelle, projet IA fraude en cours (2024-2025)

Réforme 100% santé, augmente les volumes et donc les opportunités de fraude

Position marché · Juin 2026Fenêtre émergente

Fenêtre ouverte avec peu d'acteurs visibles. Opportunité différenciante mais entrée difficile côté données et talents.

Voir le panorama

Adoption

Prod.

Vendor

Réglo.

T&D

Snapshot Juin 2026. Prochaine révision Décembre 2026. Sources publiques 2025-2026, méthode détaillée sur la page panorama.

10 · Prochaine étape

Commencer par l'optique et le dentaire (postes les plus fraudés). Constituer l'équipe mixte data + experts santé. Ne pas sous-estimer le cadrage des données.