Vincent Jacquelinet
CEO
Mourad Hassani
Head of R&D
4 minutes
Depuis plusieurs mois, l’intelligence artificielle s’est invitée dans tous les débats. Ce qui relevait encore récemment d’une notion technique réservée à quelques experts s’est diffusé en un temps record dans le grand public.
Deux mois après son lancement fin 2022 seulement, la première version grand public d’une IA à base de LLM (ChatGPT d’OpenAI) atteignait déjà 100 millions d’utilisateurs, un record historique pour une nouvelle technologie grand public. Pour atteindre ce seuil, Internet a mis 7 ans, Facebook 5 ans. (1)
Fin 2025, soit 3 ans plus tard, les IA basées sur des modèles de langage LLM comme ChatGPT, Microsoft Copilot, Google Gemini, Claude d’Anthropic ou Mistral sont déjà utilisés par plus d’un milliard de personnes chaque semaine.
L’accélération de l’adoption de cette nouvelle technologie ne concerne pas uniquement le grand public. Elle se diffuse également aux usages professionnels, y compris dans des secteurs historiquement plus lents à adopter de nouvelles technologies comme la santé.
Aux États-Unis : l’American Medical Association rappelait que début 2026, 81 % des médecins déclaraient utiliser l’IA dans le travail (contre 38 % en 2023) (2)
En Europe : la dynamique est également enclenchée. La Commission européenne indiquait par exemple en 2024 que déjà plus de 60 % des hôpitaux européens expérimentaient des solutions d’IA. (3)
En France : l'adoption est déjà massive. Selon le Baromètre Data & IA en santé 2025, 90 % des professionnels de santé déclarent utiliser des outils d'intelligence artificielle dans leur pratique, dont 32 % quotidiennement. Plus de la moitié (53 %) estiment que l'IA a déjà modifié leur manière d'exercer (4)
Mais cette adoption, aussi rapide soit-elle, nécessite au moins deux clarifications : de quoi parle-t-on vraiment quand on parle d’IA ? Et surtout, qu’est-ce qui se passe réellement avec l’IA médicale ?
En santé : commençons par le terrain, pas par la technologie
Pour parler utilement d'IA en santé, le plus honnête est de partir de ce que vivent les patients et les soignants, avant de parler de modèles ou d'algorithmes.
Côté patients, l’accès à un médecin s’est encore dégradé ces dernières années : le délai moyen pour obtenir un rendez-vous chez un médecin généraliste est passé de 4 jours en 2019 à 12 jours en 2026, soit un délai 3 fois plus long (5)
Côté soignants, la situation est également difficile : 59 % des Français déclarent avoir déjà renoncé à au moins un soin au cours des 5 dernières années à cause de délais d’accès trop longs, ce qui accroît la pression sur les médecins et les équipes de soins. (5)
C'est dans ce contexte d’accès aux soins sous tension et de temps médical contraint que l'IA en santé mérite d’être regardée. Et la question n'est pas seulement de savoir si elle est technologiquement impressionnante. Elle est bien plus pragmatique : l’IA peut-elle aider les soignants à mieux utiliser un temps devenu rare, sans fragiliser la qualité, la sécurité ou la relation de soin ?
Les technologies d’IA ont franchi un cap. Les modèles de langage savent désormais résumer, reformuler, extraire une information, structurer un document ou dialoguer en langage naturel. Les systèmes de vision continuent de progresser en imagerie médicale, par exemple en radiologie, en ophtalmologie ou en anatomopathologie. Les approches hybrides, qui combinent modèles statistiques et connaissances médicales structurées, ouvrent la voie à des usages plus fiables et plus explicables.
L’accélération actuelle de l’adoption de l’IA en santé ne vient pas seulement de la technologie. Elle vient de la rencontre entre une maturité technique nouvelle et une pression sur le système de santé toujours aussi forte : délais de rendez-vous plus importants, déserts médicaux, complexité des parcours, charge administrative, difficulté à assurer la continuité du suivi.
Il faut cependant éviter deux écueils. Le premier serait de présenter l'IA comme une révolution automatique, capable de résoudre seule les tensions du système de santé. Le second serait de la réduire à un effet de mode. Entre ces deux positions, il existe un espace plus utile : regarder ce qui fonctionne déjà, ce qui reste à prouver, et les conditions nécessaires pour que ces outils améliorent réellement la pratique médicale.
Quand on dit « IA en santé », de quoi parle-t-on exactement en IA ?
Toutes les IA, en santé comme ailleurs, ne jouent pas le même rôle. Certaines ont une finalité médicale directe : aide au dépistage, au diagnostic ou à la décision thérapeutique. D'autres sont des outils de support : rédaction de synthèses, structuration de comptes rendus, aide à l'organisation ou automatisation de tâches administratives.
Cette distinction est importante, car les exigences réglementaires, les niveaux de preuve attendus et les risques ne sont pas les mêmes. La HAS distingue précisément les dispositifs médicaux numériques à usage professionnel, par exemple pour l'aide au diagnostic, et les technologies sans finalité médicale directe utilisées pour réduire la charge administrative. (Haute Autorité de Santé)
Derrière le mot « IA », plusieurs familles techniques coexistent.
L'IA symbolique repose sur des règles, des arbres décisionnels, des scores cliniques, des ontologies ou des graphes de connaissances. Cette approche présente des avantages majeurs : la transparence et sa traçabilité. Il est possible de comprendre pourquoi une conclusion est produite par l’IA, de suivre son raisonnement et d’en identifier les limites. L’humain peut comprendre quelles règles ont été appliquées et pourquoi une conclusion a été proposée.
Le Machine Learning et le Deep Learning apprennent à partir de données. Ils sont particulièrement utilisés pour reconnaître des régularités dans des images, des signaux ou des dossiers structurés. Ils peuvent être très performants sur une tâche précise, à condition de disposer de données représentatives, bien annotées - c'est-à-dire accompagnées d'une réponse fiable - et adaptées au contexte d'usage.
Les grands modèles de langage, ou LLM, manipulent le langage naturel. Ils peuvent résumer un dossier, reformuler une explication, extraire des informations d'un texte, préparer une synthèse ou aider à rédiger un compte rendu. Leur force est leur flexibilité ; leur limite est qu'ils peuvent produire une réponse convaincante sans être exacte.
Le RAG, pour Retrieval-Augmented Generation, consiste à connecter un modèle de langage à des sources sélectionnées — recommandations, protocoles, référentiels, dossiers patients ou littérature scientifique — avant de produire une réponse. Cela ne rend pas la réponse automatiquement vraie, mais réduit le risque d'erreur et améliore son ancrage factuel et sa vérifiabilité.
Les agents orchestrent plusieurs étapes : interroger une base documentaire, appliquer une règle, extraire une donnée, vérifier une information puis produire une synthèse. En santé, leur intérêt n'est pas de « raisonner seuls », mais d'enchaîner des étapes utiles, contrôlables et intégrées à la pratique.
Famille d'IA | Header 2 | Header 3 |
|---|---|---|
🧠 IA symbolique | Années 1950-1980 | Utilise des règles, arbres décisionnels, ontologies ou graphes de connaissances pour représenter explicitement la connaissance. |
📊 Machine Learning | Années 1980-2000 | Apprend automatiquement à partir de données afin d'identifier des régularités et produire des prédictions. |
🖼️ Deep Learning | Années 2010 | Utilise des réseaux de neurones profonds capables d'analyser des images, du son ou de grands volumes de données complexes. |
💬 LLM (IA générative) | Depuis 2022 (grand public) | Comprend et génère du langage naturel grâce à de très grands modèles entraînés sur des milliards de textes. |
🔎 RAG & Agents IA | Depuis 2023 | Combinent modèles de langage, sources documentaires et automatisation de tâches complexes pour réaliser des actions plus fiables et contextualisées. |
En quelques décennies, l’intelligence artificielle est passée de systèmes capables de représenter explicitement la connaissance à des modèles capables d’apprendre à partir des données, puis à des systèmes capables de comprendre, d’interagir et d’agir et d’expliquer.
L'IA en santé ne désigne pas une technologie unique. Elle recouvre des outils très différents, avec des niveaux de risque, de preuve et d'intégration très variables. Et les usages les plus utiles naissent souvent de la combinaison de ces briques - LLM, données, connaissances structurées et orchestration - plutôt que d'une seule. Aldebaran s’appuie en santé sur une IA hybride, mélangeant ces différents outils.
Dans le prochain article blog : nous parlerons des usages de l’IA en santé, de ses promesses mais également des ses limites.
(1) OpenAI. “The State of Enterprise AI 2025 Report.” 2025.
(2) American Medical Association (AMA). “Augmented Intelligence in Health Care.” 2026.
(3) Commission européenne. “AI in Healthcare.” Rapport, 2024.
(4) Cegedim Santé. “Baromètre IA Santé 2025 : usages, risques et formation.” 2025.
(5) Fédération Hospitalière de France (FHF), Ipsos et BVA. “Baromètre sur les usages de l’intelligence artificielle en santé.”
