IA en santé : le passage d’un monde de démonstrateurs à un monde industriel

En amont de l'atelier organisé par Alliancy, le 16 novembre, nous nous sommes entretenus avec Pascal Anthoine, partner IA & Data de Klee Group, partenaire de la rencontre. Il revient sur les défis spécifiques auxquels font face les entreprises du secteur privé de la santé, tels que les laboratoires pharmaceutiques. Et la mobilisation nécessaire de leurs directeurs des systèmes d'information.

Quels sont les cas d’usage de l’IA qui intéressent le plus le secteur de la santé privée en 2026 ?

Il est difficile d’en dresser une liste exhaustive. Le sujet sur lequel nous intervenons particulièrement est celui de l’industrialisation : comment passer d’un POC qui produit un « effet waouh » à un rouage qui fonctionne réellement dans l’entreprise, avec des données disponibles et de qualité, et avec un suivi industriel de la solution. On peut citer différents exemples dans le secteur privé de la santé, comme le travail de reformulation d’un produit pharmaceutique qui a déjà été commercialisé. Historiquement, lorsqu’un laboratoire devait reformuler un produit, il fallait parfois compter près d’un an avant de pouvoir le remettre sur le marché. Avec l’IA, certains processus peuvent être accélérés : les essais, l’analyse des résultats, puis les étapes permettant de revenir vers la commercialisation. On obtient alors des gains de temps qui se traduisent en gains économiques concrets.

L’IA peut aussi permettre d’accélérer la R&D, en aidant les chercheurs à trouver et à analyser plus rapidement l’information dont ils ont besoin. Tout le secteur est par ailleurs une industrie très documentaire, avec beaucoup de contraintes réglementaires. L’analyse de corpus documentaires constitue donc un autre domaine d’application important.

Il existe enfin des cas d’usage davantage liés au marketing, avec des IA capables de recommander les médecins ou les établissements à contacter, puis de personnaliser les contenus en fonction de leur profil. C’est moins directement lié au cœur de la recherche pharmaceutique, mais cela peut représenter un enjeu important pour une industrie qui consacre des budgets très significatifs à ses activités de marketing.

À quel point est-il plus difficile de traiter avec l’IA des enjeux « cœur de métier » dans la santé ?

C’est naturellement plus complexe, notamment parce que les processus sont très spécialisés et qu’une partie importante de la connaissance relève de la propriété intellectuelle des laboratoires. Il y a donc relativement peu d’exemples publics permettant de dire que tel ou tel processus industriel est déjà transformé par l’IA. À l’inverse, on voit de plus en plus de témoignages de cas d’usage autour de l’assistance, de la synthèse documentaire ou de la recherche d’information. Pour les processus industriels eux-mêmes, qu’il s’agisse de reformulation, d’études ou de fabrication, on est encore beaucoup dans des phases d’expérimentation et de montée en puissance.

Cela ne veut pas dire que les technologies ne sont pas capables de répondre à ces besoins. Le sujet est plutôt de savoir dans quelles conditions elles peuvent être intégrées dans des processus qui sont déjà très contraints. Dans un tel secteur, on ne peut pas simplement mettre en production un outil sous prétexte qu’il fonctionne bien dans un environnement de démonstration. Il faut pouvoir expliquer les données utilisées, maîtriser les traitements et s’assurer que les résultats restent compatibles avec les exigences du métier.

C’est précisément là que se situe une partie de l’enjeu d’industrialisation : passer de la démonstration à un système qui peut être exploité durablement dans l’entreprise.

Quels sont les principaux défis auxquels sont confrontés les acteurs de la santé dans le passage à l’échelle de leurs projets IA ?

Le premier sujet est vraiment celui des données : leur disponibilité, leur qualité et leur sensibilité. Dans un POC, on peut assez facilement travailler avec des données de bac à sable. Dès que l’on veut passer en production, il faut accéder aux données réelles du système d’information, vérifier leur qualité, mais aussi s’assurer que les conditions de sécurité et d’utilisation sont réunies. Certaines données sont particulièrement sensibles et peuvent donc constituer un frein à la mise en production. Il faut identifier ces contraintes très tôt dans le projet. Sinon, on risque de construire un démonstrateur qui fonctionne très bien, mais que l’on ne pourra jamais réellement déployer.

La qualité des données varie aussi selon les domaines. Les données issues des processus industriels peuvent être relativement bien structurées. À l’inverse, certaines bases utilisées pour le marketing ou la relation avec les médecins sont moins maîtrisées, notamment lorsqu’elles proviennent de fournisseurs tiers. La question n’est d’ailleurs pas seulement de savoir si une donnée existe, mais si l’on a le droit de l’utiliser dans le cadre envisagé.

Il y a également un enjeu de gouvernance et de documentation. Pour qu’un agent ou un algorithme puisse aller chercher la bonne information, il faut lui donner le contexte nécessaire : taxonomie, métadonnées, informations sur les sources et sur les différentes versions des documents. La gestion des versions est déjà relativement mature chez les acteurs industriels, mais il faut aller plus loin dans l’enrichissement du contexte. Sans cela, on risque d’obtenir des réponses contradictoires ou imprécises simplement parce que l’IA ne sait pas quelle information doit faire référence.

À quel point les acteurs parviennent-ils à mesurer l’impact des projets, à calculer des ROI et une valeur bien définie ?

C’est un sujet important, parce qu’il faut être capable de mesurer ce que l’on cherche réellement à améliorer. Pour chaque cas d’usage, il faut partir de la situation existante : combien coûte aujourd’hui le processus, combien de temps prend-il, combien de personnes sont mobilisées ? Ensuite, il faut définir précisément le bénéfice attendu. Cela peut être un temps de réponse, un coût par interaction ou par ticket, un taux de résolution, un taux de validation des réponses produites par l’IA ou encore le nombre de situations qui doivent finalement être escaladées vers un humain. Ces indicateurs permettent de rattacher l’IA à des résultats opérationnels plutôt qu’à une simple démonstration technologique.

Il faut aussi mesurer le coût propre de l’IA. Les modèles ont un coût, notamment avec une facturation qui évolue vers des logiques de consommation de tokens. Et les performances peuvent évoluer dans le temps : une nouvelle version d’un modèle peut modifier le coût, la latence ou la qualité des réponses, voire générer davantage d’hallucinations sur certains usages.

Il devient donc nécessaire pour les organisations de mettre en place une véritable infrastructure de supervision. Il faut savoir quel agent est utilisé, pour quel cas d’usage, avec quelle consommation et quel niveau de performance. Sans cette granularité, on peut rapidement se retrouver avec une facture d’IA importante sans savoir précisément ce qui la génère. Le risque est alors que la direction financière perçoive uniquement une hausse des coûts et demande de réduire les usages, alors qu’il faudrait être capable de distinguer ceux qui créent réellement de la valeur des autres.

Quels sont les sujets qui demandent une attention particulière dans la relation avec le marché et les fournisseurs de solutions IA ?

Je dirais la capacité de comparer les modèles et de changer de moteur si nécessaire. Le marché évolue rapidement, et les modèles peuvent avoir des caractéristiques différentes en matière de coût, de vitesse et de qualité. Il faut donc pouvoir benchmarker les solutions plutôt que de se retrouver dépendant d’un fournisseur ou d’un modèle particulier.

C’est aussi une question de souveraineté, mais dans un sens très opérationnel. Pour moi, être souverain ne signifie pas nécessairement tout faire soi-même, dans son pays, comme on l’entend parfois. C’est plutôt avoir la maîtrise de ses choix et la capacité de changer de partenaire ou de technologie si la situation l’exige, sans mettre en danger le système d’information ou le métier. Cela suppose donc de concevoir les architectures avec cette possibilité de changement en tête. On doit pouvoir évaluer ce que l’on gagne ou ce que l’on perd en passant d’un modèle à un autre, y compris sur les aspects économiques, la rapidité et la qualité des réponses. Là encore, mettre en place une infrastructure de supervision pertinente est un morceau de la réponse.

Existe-t-il des spécificités pour les acteurs de la santé en Europe, notamment en matière de réglementation ?

La réglementation et la protection des données personnelles constituent clairement une contrainte plus forte en Europe. Il y a notamment une différence entre la disponibilité d’une donnée et le droit de l’utiliser. Certaines données peuvent être accessibles commercialement dans d’autres marchés, alors que leur utilisation est davantage encadrée en Europe.

La question de la réglementation ne doit cependant pas être considérée uniquement comme un frein. La « pharma » est déjà une industrie habituée à fonctionner dans des environnements très contraints et avec des exigences fortes de conformité. Le sujet est donc surtout de comprendre les règles qui s’appliquent aux différents usages et de les intégrer dès la conception des projets.

Sur l’IA, les questions d’explicabilité des algorithmes et de traçabilité des décisions ou des recommandations ont pris de l’importance. Là encore, cela rejoint les problématiques de données personnelles et de gouvernance. L’enjeu est de pouvoir expliquer comment une décision ou une recommandation a été produite et sur quelles informations elle repose.

Est-ce aussi un enjeu de leadership pour les DSI de monter au créneau sur ces sujets ?

Il y a clairement une attente très forte autour de l’IA. La direction générale pousse le sujet, les entreprises recrutent et les POC se multiplient. Mais entre les promesses et les solutions réellement industrialisées, il existe encore un écart important. Le rôle des DSI et, plus largement, des responsables du numérique est justement de contribuer à réduire cet écart. Il ne s’agit pas seulement de lancer des expérimentations, mais de remettre sous contrôle l’ensemble de la chaîne : les données, leur gouvernance, les accès, les modèles utilisés, les coûts, la qualité des résultats et leur supervision.

C’est aussi ce qui permettra de distinguer les usages qui apportent réellement de la valeur de ceux qui restent au stade du démonstrateur. L’enjeu est finalement de passer d’un monde où l’on montre ce que l’IA sait faire à un monde industriel où l’on sait pourquoi elle est utilisée, combien elle coûte, quelle valeur elle produit et dans quelles conditions elle peut être maintenue dans la durée.