Ce que la mention de l’IA change dans une réponse médicale

Un hôpital envoie une réponse claire. Au-dessous figure la mention : « Rédigé avec l’aide de l’IA. » Que sait désormais la destinataire ? Le logiciel a pu corriger l’orthographe, produire un premier texte ou proposer des conclusions médicales. Une médecin a pu vérifier chaque phrase ou simplement déclencher l’envoi. La mention laisse ouvertes plusieurs façons de travailler très différentes.

Pour moi, la question centrale de la communication porte sur ce que la personne comprend du travail accompli derrière cette réponse. Signaler la participation de l’IA devrait lui permettre de s’en faire une idée exacte. Les recherches montrent qu’une indication de provenance peut modifier les évaluations. Elles invitent aussi à interpréter avec prudence une baisse de la confiance déclarée. Un scepticisme approprié peut être souhaitable lorsqu’une personne surestimait auparavant ce qu’une réponse permettait d’établir.

Un texte identique, trois auteurs supposés

Le 25 juillet 2024, Moritz Reis, Florian Reis et Wilfried Kunde ont publié dans Nature Medicine deux expériences préenregistrées. Les échantillons analysés comptaient 1 050 et 1 230 personnes recrutées sur Prolific. Le premier était international ; le second était constitué pour correspondre à la population britannique en matière d’âge, de genre et d’origine ethnique. Les participants évaluaient quatre courts scénarios de questions et réponses médicales. La source annoncée variait : médecin, IA ou IA avec révision médicale. [1]

Pour chaque scénario, le texte de la réponse restait identique. Toutes les réponses avaient en réalité été préparées avec ChatGPT 3.5, puis remaniées, complétées et vérifiées médicalement par un médecin. C’est la force de l’expérience : une différence de qualité entre les textes ne peut expliquer l’effet de provenance observé dans ce dispositif. L’expérience porte sur l’auteur supposé. Elle ne compare pas les performances des médecins à celles des modèles de langage. [1]

Lorsque les participants croyaient à une contribution de l’IA, ils attribuaient des notes de fiabilité et d’empathie plus basses. Dans la première étude, l’écart standardisé de fiabilité entre l’attribution humaine et l’attribution à l’IA était de 0,28, avec un intervalle de confiance à 95 % de 0,13 à 0,43. Il s’agit d’un petit écart sur une échelle d’évaluation. Ce chiffre ne signifie ni 28 % de confiance en moins ni une modification correspondante des décisions de traitement. [1]

L’indication de provenance ne modifiait pas significativement la compréhension perçue dans les deux études. Dans la seconde, la volonté déclarée de suivre le conseil diminuait lorsque l’IA était supposée intervenir. Toutefois, pour la possibilité d’enregistrer un lien vers la plateforme présumée, aucune des comparaisons avec la source humaine ne montrait de différence significative. Cette mesure comportementale limitée portait sur l’intérêt pour le service. Elle n’observait ni traitement réel ni utilisation durable. [1]

Ce que ce scepticisme laisse en suspens

Le dispositif isole un effet, mais sa signification dans une rencontre individuelle reste en partie ouverte. Les participants lisaient les cas d’autres personnes. Ils ne pouvaient ni décrire leurs propres symptômes, ni poser de questions complémentaires, ni faire connaissance avec un professionnel chargé de les soigner. La seconde étude excluait les personnes qui ne se rappelaient pas correctement la source annoncée. Ses résultats concernent donc un échantillon sélectionné et attentif, dans des conditions contrôlées.

Surtout, la formule « IA avec révision médicale » décrit une collaboration dont les modalités restent peu visibles. Le lecteur imagine-t-il une vérification clinique approfondie, une lecture rapide ou simplement la possibilité d’une intervention humaine ? Une note de confiance ne permet pas de départager ces interprétations. J’en déduis qu’un hôpital devrait d’abord considérer les réserves comme des questions sur la clarté de ses explications. L’étude ne justifie aucune dissimulation du recours à l’IA.

Une recherche récente rend la répartition du travail visible

Une étude d’Insa Schaffernak et de ses collègues, publiée le 21 août 2026, déplace la perspective. Dans deux expériences préenregistrées, 489 puis 570 personnes ont évalué des descriptions de consultations d’ophtalmologie. Le recrutement passait par des universités allemandes, principalement auprès de personnes suivant des études parallèlement à leur emploi. Les données ont été recueillies en mars et avril, puis de juin à octobre 2025. Les échantillons étaient jeunes, autour de 25 ans en moyenne, et majoritairement féminins. [2]

Les expériences comparaient différentes tâches confiées à l’IA : fournir des repères supplémentaires dans les images et des analyses, ou suggérer un diagnostic préliminaire. La seconde étude faisait également varier le moment d’utilisation. Dans une situation, le médecin consultait l’IA pendant son évaluation. Dans une autre, il formulait et communiquait d’abord sa propre appréciation, puis examinait le résultat de l’IA. Les participants évaluaient des descriptions de ces démarches ; ils ne recevaient pas de soins réels. [2]

Lorsque les informations étaient examinées simultanément, l’aide diagnostique de l’IA recevait des notes de confiance plus faibles que l’aide visuelle supplémentaire. Lorsque l’appréciation médicale précédait la consultation de l’IA, la différence entre les deux types d’aide n’était plus statistiquement significative. Dans la seconde étude, la confiance moyenne estimée dans la décision médicale avec aide diagnostique atteignait 4,87 pour l’utilisation simultanée et 5,35 pour l’utilisation successive, sur une échelle à sept niveaux. Cette comparaison était statistiquement significative. [2]

Cela ne permet pas de recommander cliniquement de toujours consulter l’IA en dernier. L’étude mesurait des évaluations. Elle ne déterminait pas si cet ordre améliore le diagnostic, modifie le temps de travail ou convient à un contexte de soins particulier. La démarche et sa présentation verbale restent également liées. Les résultats posent néanmoins une limite utile aux affirmations générales : la mention d’une contribution de l’IA ne produisait pas une réaction uniforme dans ces conditions.

Une explication doit porter sur des faits vérifiables

La justification éthique de la transparence existe indépendamment de la formulation qui recueille le plus d’approbation. Dans ses principes pour l’IA en santé, l’Organisation mondiale de la Santé associe transparence et intelligibilité à l’autonomie humaine, à la responsabilité et aux possibilités de contester une décision. Ce sont des repères pour la conception. Ils ne remplacent pas l’examen des obligations juridiques propres à un usage. [3]

Pour la mise en pratique, je propose de préciser quatre éléments : la tâche accomplie par l’IA, les points ensuite vérifiés par un professionnel qualifié, la personne responsable de la réponse envoyée et la manière de signaler une question ou une correction. Chaque indication doit correspondre au déroulement réel. « Vérifié par un médecin » constituerait une affirmation importante si seuls l’orthographe et la présentation avaient été contrôlés.

Voici un exemple fictif pour un service organisé de cette façon : « L’IA a produit le premier texte. Avant l’envoi, la médecin responsable a vérifié les affirmations médicales et leur application à votre question. Vous pouvez joindre notre équipe soignante en utilisant la fonction de réponse. » Chaque phrase décrit un travail accompli ou un contact accessible. Un établissement pourrait employer cette formulation seulement s’il respecte effectivement ce fonctionnement.

Une information générale sur la santé demanderait une autre explication. Une vérification professionnelle générale ne permet pas d’affirmer que la situation personnelle d’un individu a été évaluée. Le traitement des données personnelles exige lui aussi une explication exacte et compréhensible. L’approbation médicale d’un texte, à elle seule, ne renseigne ni sur le lieu de conservation des données ni sur les personnes qui peuvent y accéder.

Vérifier ce que les personnes comprennent

Un hôpital pourrait comparer deux explications exactes d’un même exemple validé dans un exercice encadré de compréhension : une mention brève et une description un peu plus détaillée des tâches. Il s’agit de ma propre proposition de conception. Les études citées n’ont pas testé cet exercice précis. Les exemples devraient être utilisés en dehors d’une prise en charge en cours, avec les mêmes faits concernant la participation de l’IA dans les deux versions.

Je demanderais ensuite aux personnes d’expliquer avec leurs propres mots qui a vérifié les affirmations médicales, si leur situation individuelle a été considérée et à qui elles pourraient signaler une erreur. Il serait également utile de savoir si elles déduisent une prestation promise qui n’existe pas réellement. Une confiance élevée accompagnée d’une croyance erronée en une vérification clinique individuelle serait un signal préoccupant. Une compréhension plus précise et plus prudente pourrait constituer un bon résultat.

Cette distinction est également utile aux entreprises pharmaceutiques et de dispositifs médicaux, par exemple pour répondre à des questions professionnelles ou expliquer un produit. Les expériences présentées ici n’étudiaient pas ces relations commerciales. Cette transposition est ma déduction pratique : l’explication devrait permettre au destinataire d’apprécier correctement une affirmation précise, l’étendue de sa vérification et l’organisation responsable. Pour y parvenir, l’organisation doit d’abord savoir quel travail a réellement été accompli. Elle peut ensuite le décrire honnêtement.