L’IA est déjà plus intelligente que votre médecin. Ce n’est pas la partie effrayante.

Je voulais que l’IA résolve ce problème.

Pendant des années, j’ai recueilli des antécédents patients complexes, des résultats de laboratoire, des symptômes, des médicaments, des compléments et des années de traitements antérieurs, en essayant de transformer tout cela en un plan clinique cohérent. Un cas complexe pouvait nécessiter trois heures de recherche avant que je ne sois à l’aise pour décider de ce qui était important et de ce qui devait se passer ensuite.

Puis l’IA générative est arrivée.

Ma première pensée a été la plus évidente : enfin.

Voici une technologie capable d’absorber d’énormes quantités d’informations, de rappeler les connaissances médicales plus rapidement que je ne le pourrais jamais et de trouver des relations au sein d’un cas en quelques secondes. J’ai supposé que je pouvais placer une interface autour d’un grand modèle de langage, créer quelques garde-fous et en finir.

Cela aurait été fabuleux.

Au lieu de cela, environ un an et un million de dollars plus tard, avec des ingénieurs logiciels travaillant aux côtés d’une équipe clinique de 10 personnes, nous étions encore en phase de construction.

La raison n’était pas que l’IA n’était pas assez intelligente.

C’était que l’intelligence était la partie facile.

Je recevais une IA différente de celle de tout le monde

Mon premier indice est apparu avant que nous n’ayons jamais essayé de créer un logiciel clinique. J’ai constamment remarqué que je pouvais utiliser le même outil d’IA que quelqu’un assis à côté de moi et obtenir des résultats nettement meilleurs.

Pourquoi ? Parce que je ne me contentais pas de poser une question et de prendre la réponse. Je débattais avec elle. Je remettais en cause les hypothèses. Je fournissais le contexte qu’elle avait manqué. Je corrigeais les erreurs. Je changeais le cadre. Je relançais la démarche.

Techniquement, nous utilisions le même outil. Fonctionnellement, ce n’était pas le cas.

C’est un problème de productivité intéressant lorsque vous rédigez une publicité. Cela devient un problème très différent lorsque le sujet est un patient.

J’ai travaillé avec plus de 70 000 praticiens. Une personne peut être brillante cliniquement et rester incapable d’extraire des informations utiles d’un système d’IA.

Ce sont des compétences différentes.

Pourtant, une grande partie de la réponse du secteur de la santé semble être que les cliniciens n’ont qu’à apprendre le « prompt engineering ».

Je ne pense pas que ce soit une solution sérieuse.

Si un système d’IA clinique exige qu’un médecin devienne un ingénieur de prompts sophistiqué avant que le système ne soit fiable, nous n’avons pas terminé de construire l’IA clinique.

La recherche nous indique déjà quelque chose d’inconfortable

Un essai clinique randomisé de 2024 a donné à 50 médecins des cas diagnostiques difficiles. Les médecins utilisant GPT-4 ont obtenu 76 % ; ceux utilisant des ressources conventionnelles ont obtenu 74 %, une différence qui n’était pas statistiquement significative.

Ensuite, les chercheurs ont testé GPT-4 seul. Il a dépassé les médecins utilisant des ressources conventionnelles de 16 points de pourcentage.

Un essai de 2026 au Pakistan a révélé qu’après une formation à l’IA, les médecins disposant d’un accès à GPT-4o ont obtenu 71,4 % en raisonnement diagnostique contre 42,6 % pour ceux utilisant des ressources conventionnelles. Mais GPT-4o seul a obtenu 82,9 %.

Une réplication britannique de 2026 a trouvé un écart similaire : les médecins se sont améliorés avec l’aide de l’IA mais ont encore obtenu plus de 21 points de pourcentage en dessous du LLM fonctionnant seul.

Nous devons dire à haute voix la partie inconfortable : sur certaines tâches cognitives, l’IA est déjà meilleure qu’un médecin individuel.

Aucun médecin n’a lu chaque article médical ni ne peut se souvenir de chaque trouble obscur, interaction ou contre‑indication dès qu’il devient pertinent. L’IA peut traiter d’énormes quantités d’informations sans se fatiguer ni manquer de temps.

L’erreur consiste à supposer que nous pouvons placer un chatbot devant un clinicien et considérer le problème résolu.

Le problème, c’est la boîte de prompt vide

Imaginez qu’un médecin téléverse un rapport de laboratoire contenant 150 marqueurs et demande à un LLM de l’analyser.

La réponse revient magnifiquement organisée. Il n’y a qu’un seul problème : le système n’a pas extrait de manière fiable les 150 marqueurs.

Les LLM à usage général ne sont pas des analyseurs de documents cliniques déterministes. Les tableaux et les rapports médicaux denses restent particulièrement difficiles. La partie effrayante est que la réponse finale peut ne pas annoncer « J’ai manqué 50 valeurs ».

Il peut simplement répondre.

Imaginez maintenant qu’une de ces valeurs manquantes nécessite une évaluation médicale urgente.

Ce n’était pas une limitation que j’étais prêt à contourner. Nous avons dû créer une technologie d’extraction différente pour gérer les rapports de laboratoire avec précision et de façon reproductible avant que la partie raisonnement clinique de notre système puisse commencer.

Cette expérience a changé ma façon de penser à la sécurité de l’IA.

Un système d’IA qui vous indique qu’il ne sait pas quelque chose est gênant.

Un système d’IA qui ne sait pas ce qu’il a manqué est dangereux.

Pourquoi nous avons dû aller au-delà de l’IA

Le travail clinique nécessite quelque chose que l’IA générative à usage général ne fournit pas naturellement : la reproductibilité.

Nous avions besoin de contrôler ce qui était introduit et ce qui en sortait : extraction fiable des données, connaissances structurées, logique déterministe, garde-fous et systèmes capables d’évaluer les relations au sein de l’historique d’un patient.

Le raisonnement clinique n’est pas simplement une collection de règles « si‑alors ». Parfois, le signal réside dans la relation entre plusieurs marqueurs. Parfois, cinq constats individuellement anodins deviennent importants lorsqu’ils sont considérés ensemble.

Les ingénieurs ont besoin de règles suffisamment explicites pour que le logiciel les exécute. Les cliniciens passent leur vie à dire : « Oui, sauf… »

La biologie humaine est remplie d’exceptions, de modificateurs, de contextes et d’explications concurrentes. À certains moments, la construction du système ressemblait à un groupe qui communiquait en langue des signes tandis que l’autre parlait le Klingon.

La réponse n’a jamais été « IA » ou « pas IA ». Il s’agissait de déterminer exactement où chaque élément devait se placer.

L’IA peut lire le dossier. Les humains peuvent lire la salle.

Utilisée correctement, l’IA peut étendre la mémoire d’un clinicien, accélérer la recherche, faire émerger des possibilités rares et reconnaître des motifs à travers d’énormes quantités d’informations.

Cela commence à ressembler moins à un remplacement du praticien qu’à la création d’un praticien bionique.

Mais le patient n’est pas une vignette clinique.

Un praticien perçoit l’hésitation avant la réponse. Il remarque quand le récit change. Il apprend qu’un patient minimise habituellement les symptômes tandis qu’un autre rapporte chaque sensation à son intensité maximale. Il sait que « Je vais bien » ne signifie pas toujours clairement « bien ».

Cette information peut ne jamais figurer dans le dossier.

L’interaction humaine en médecine n’est pas simplement une couche agréable que nous ajoutons après que la machine a accompli le travail intellectuel. C’est une autre source de données cliniques.

L’IA peut lire le dossier. Les humains peuvent lire la salle.

Les meilleurs systèmes cliniques auront besoin des deux.

Cessez de vous demander si l’IA remplacera le médecin

Nous posons la mauvaise question.

L’avenir n’appartiendra pas nécessairement à l’entreprise qui possède le chatbot le plus ingénieux ou le modèle de base le plus performant. L’innovation importante se produit de plus en plus autour du modèle : comment l’information est capturée et vérifiée, quelles connaissances sont fournies, ce que le système est autorisé à inférer, où les contrôles déterministes prennent le relais et où un humain doit rester dans la boucle.

L’intelligence brute devient abondante.

Les systèmes fiables pour appliquer cette intelligence sont beaucoup plus difficiles à construire.

Et nous ne devrions pas résoudre ce problème en exigeant que chaque clinicien devienne un développeur amateur d’IA. La complexité doit résider dans la technologie, pas dans le prompt du médecin.

Le médecin du futur ne battra pas l’IA sur la mémoire. Ce concours devient déjà inutile.

Au lieu de cela, nous devrions créer des systèmes qui offrent aux cliniciens la mémoire, la puissance de traitement et la reconnaissance de motifs de la machine tout en préservant le contexte, le jugement, le scepticisme et la connexion humaine du praticien.

Nous appelons cela le praticien bionique.

Je soupçonne que les patients finiront par l’appeler quelque chose de beaucoup plus simple.

Leur médecin.