L’assurance repose sur la mutualisation des risques qui consiste à regrouper des assurés faisant face à des risques semblables au sein d’un même portefeuille. Avec l’arrivée progressive des méthodes de machine learning en assurance, l'accroissement du volume de données sur les assurés et sur leurs habitudes de vie, la volonté des assurés de payer le juste prix de leur risque, la segmentation des primes est de plus en plus poussée vers l'individualisation des tarifs. Cette personnalisation des risques revient dans les débats actuariels sous la désignation de démutualisation dont les dangers majeurs sont : pour la communauté, l'exclusion des mauvais risques ; pour l'assureur, le risque de volatilité et le risque de perte d'expertise sur certains risques. Cette étude vise à formaliser ces notions et à développer des indicateurs permettant de mesurer le niveau de mutualisation d'un portefeuille d'assurance. Pour mutualiser ou non son portefeuille, l'assureur peut s'appuyer sur les choix de segmentation plus ou moins fin lors de la construction de la prime technique mais également sur les profils de marges que l'assureur décide d'appliquer arbitrairement par assuré. Nous avons proposé de définir la démutualisation comme la désolidarisation des assurés d'un portefeuille ; le cas extrême étant une prestation individuelle certaine avec un niveau de marge constant par assuré, sans aucun subside croisé. A la suite, des indicateurs simples et exotiques, de mesure de mutualisation ont été élaborés en s'appuyant sur la variance, l'entropie et la complexité de Kolmogorov. Ceux-ci ont servi à la quantification de la mutualisation et à l’étude empirique du risque de démutualisation sur le portefeuille d’extension de garantie automobile de BNP Paribas Cardif. Les implémentations sous Python des indicateurs proposés sont disponibles en accès libre sur GitHub.