À mesure que l’IA gagne en performance, son adoption s’étend à des domaines considérés comme critiques. En finance, des systèmes de recommandation de plus en plus sophistiqués démocratisent l’accès en ligne à l’assurance-vie. Leurs utilisateurs de ces "robo- advisors" sont confrontés à un choix impactant leur qualité de vie, alors qu’ils n’ont peut-être pas de connaissances financières. Pour remédier à cette assymétrie d’information entre client et conseiller, le droit français et européen [4] impose aux prestataires d’assurance de produire des explications "claires, précises et non trompeuses" pour guider les clients potentiels vers une décision "éclairée". Le champ de recherche de l’explicabilité a donc un rôle important à jouer pour produire des explications automatiques et pertinentes des robo-advisors. Dans cette étude menée avec l’ACPR2, nous développons une application simplifiée de recommandation de produit d’assurance vie. Nous construisons deux interfaces explicatives : une « statique » pourvue d’explications locales et globales, une autre "stimulante" avec des explications adaptées aux connaissances de l’utilisateur et transmises par le biais de questions : « savez-vous pourquoi X ?» [2] ? Nous nous basons sur l’expertise d’experts en protection des consommateurs en assurance ainsi que sur la littérature en explicabilité sur les problèmes de surconfiance [1, 3]. Dans les prochains mois, nous prévoyons de mener une étude auprès d’une large base de clients potentiels, pour étudier l’impact de ces différentes formes d’explications sur la "prise de décision éclairée".