L'IA en santé : ce qui aide vraiment les soignants — et ce que cela coûte

Un secteur déclaré à l'arrêt — et pourtant déjà en mouvement

Dans un établissement de santé ou médico-social, la question n'est pas de savoir si l'IA comptera, mais où elle aide déjà, à quel prix, et à quelles conditions elle respecte le soin. La réponse honnête commence par un constat de retard : interrogés fin 2025, 45 % des agents hospitaliers déclarent qu'aucun usage de l'IA n'a été adopté dans leur établissement (Ifop / Acteurs Publics / UniHA). La moitié du terrain est donc à l'arrêt déclaré — non par refus, mais faute de cadre, de données prêtes et de temps.

Ce retard n'est pas propre à la santé. Dans l'ensemble des entreprises françaises de dix salariés et plus, l'IA reste minoritaire — 10 % en 2024, contre 33 % au-delà de 250 salariés et 9 % entre 10 et 49 (INSEE) — et la taille de l'organisation pèse plus que le secteur. Un établissement de trente lits part avec les mêmes contraintes qu'une PME industrielle : peu d'expertise interne, des données éparpillées, un temps rare. La différence est ailleurs : à l'hôpital, la ressource critique n'est pas l'argent, c'est le temps soignant — et c'est précisément ce que les cas d'usage qui réussissent commencent par rendre.

Là où l'IA est entrée, la hiérarchie des usages est nette et elle est clinique d'abord : l'analyse d'imagerie médicale domine (29 %), suivie de la rédaction de comptes rendus (23 %), de l'aide au diagnostic (15 %), de l'analyse de données (13 %) et des tâches administratives (10 %) (Ifop / Acteurs Publics / UniHA). Autrement dit, la maturité suit les cas cliniques les mieux outillés — pas les tâches réputées « faciles ».

Le contraste avec la dynamique générale est frappant. Chez les dirigeants de PME et ETI françaises, l'usage d'IA générative est passé de 31 % à 55 % en un an, et 43 % ont défini une stratégie IA (Bpifrance Le Lab). La santé n'échappe pas à ce mouvement — elle l'aborde simplement avec des contraintes de données, de réglementation et de responsabilité plus lourdes que les autres secteurs. Un principe traverse d'ailleurs tout ce rapport et conditionne l'adhésion des équipes : l'IA assiste, elle ne remplace pas le jugement clinique.

Le paradoxe : beaucoup d'essais, très peu d'échelle

La santé partage le paradoxe de tous les secteurs, en plus accentué. Partout, utiliser l'IA est devenu banal — 88 % des organisations l'utilisent dans au moins une fonction (McKinsey) — mais à peine 5 % l'ont réellement déployée à l'échelle (Capgemini / Microsoft), et environ 95 % des pilotes d'IA générative ne produisent aucun retour mesurable (MIT Project NANDA). À l'hôpital, ce mécanisme a un visage familier : le démonstrateur d'imagerie brillant qui ne sera jamais intégré au dossier patient informatisé, l'expérimentation de scribe qui reste cantonnée à un service.

La cause est la même qu'ailleurs, aggravée par le contexte : des données jamais préparées, des processus de soin inchangés, une mesure jamais posée — et, spécificité du secteur, une gouvernance clinique à construire avant tout déploiement. Un pilote lancé sans chiffre de départ (heures de saisie, séjours sous-codés, taux de no-show) ne peut ni réussir ni échouer : il ne peut que durer. La suite de ce rapport passe en revue ce qui, à l'inverse, fonctionne déjà en routine — avec des résultats publiés, en France et à l'étranger.

À l'hôpital, le pilote qui réussit ne commence pas par un algorithme : il commence par un chiffre — les heures de saisie, les séjours sous-codés, les lits mal anticipés.

Cinq familles qui rendent déjà du temps de soin

Comme dans l'industrie, la valeur ne se répartit pas uniformément : elle se concentre dans cinq familles de cas d'usage qui partagent trois traits — une tâche répétée, un coût actuel mesurable, un gain qui se traduit directement en temps soignant, en recettes ou en événements évités. Toutes sont documentées ci-dessous par des déploiements réels, pas des expérimentations de laboratoire.

La documentation clinique est la famille la plus spectaculaire, parce qu'elle s'attaque au premier poste de temps perdu. L'assistant de consultation de Doctolib fait gagner près d'une heure par jour aux médecins qui l'utilisent (Doctolib). Le Great Ormond Street Hospital a évalué le scribe ambiant TORTUS sur neuf sites NHS londoniens et plus de 17 000 consultations, avec +23,5 % de temps d'interaction patient (GOSH / NHS) ; Oxford pilote quatre solutions de scribe en parallèle pour choisir sur preuve (Oxford University Hospitals NHS FT). En France, le CH d'Arles est le premier établissement public à avoir intégré un scribe ambiant directement au dossier patient informatisé (Nabla), suivi par la clinique des Augustines de Malestroit. Et la logique s'étend à la pharma : chez Novo Nordisk, la rédaction d'un rapport d'étude clinique est passée de quinze semaines à dix minutes (Novo Nordisk / Anthropic).

Le codage et la facturation forment la famille au retour le plus directement chiffrable, parce que chaque séjour mal codé est une recette perdue. Le CH de Saint-Quentin fait tourner un contrôle PMSI de troisième niveau par IA depuis 2016 — plus de 400 000 euros récupérés en 2019, environ 1 600 euros par séjour revalorisé (I4H). Au Royaume-Uni, le premier projet de codage clinique automatisé du NHS, démarré en endoscopie à Kettering, libère l'équivalent d'un temps plein par an, soit plus de 35 000 livres (Kettering General Hospital / prestataire). Aux États-Unis, Geisinger a déployé le codage autonome dans les neuf services d'urgences de son réseau (Geisinger / Nym) ; en France, Annecy Genevois (Sancare) et Rambouillet (Collective Thinking) outillent leurs médecins DIM — l'humain accepte ou refuse chaque proposition, l'IA prépare.

Les flux et la capacité sont la famille qui parle aux directions. Le CH de Valenciennes anticipe les arrivées aux urgences et les besoins en lits jusqu'à cinq jours à l'avance, avec une fiabilité déclarée proche de 90 % (CALYPS) ; le CHU d'Amiens prédit les admissions depuis les urgences avec un modèle publié (AUROC 83,1 %) (CHU Amiens-Picardie) ; Utrecht réduit ses rendez-vous non honorés de 15 à 20 % avec un modèle en code ouvert (UMC Utrecht). Côté planification, le CHU de Brest divise par deux le temps consacré aux plannings soignants (CHU de Brest / Hopia), Vivalto Santé automatise les plannings de bloc, et l'exemple fondateur vient de Hong Kong : un moteur de planification par contraintes produit depuis 1997 les plannings de plus de 48 000 agents dans plus de 40 hôpitaux publics (Hospital Authority de Hong Kong). L'IA de planification n'est pas une promesse : c'est une technologie de 25 ans d'âge.

La sécurité et la vigilance constituent la famille la plus médico-sociale — et la plus humaine. Au CHU de Poitiers, la lampe connectée Aladin+ détecte les pertes de verticalité et notifie les équipes : environ 70 chutes détectées en trois mois, avec une intervention entre 30 secondes et 3 minutes, et une extension à cinq établissements du GHT de la Vienne (CHU de Poitiers / Domalys). La veille acoustique d'Orikio équipe plus de 17 résidences DomusVi, Kaspard détecte les chutes sans caméra chez Clariane, et plus de 1 000 chambres de maisons de repos belges sont équipées (DomusVi ; Clariane ; presse sectorielle). À l'échelle systémique, le NHS lance un système d'alerte précoce par IA sur les données de maternité — mortinatalité, décès néonatal, lésions cérébrales — en quasi temps réel (NHS England), et le CHUV détecte le sepsis plus tôt pour accélérer la prise en charge (CHUV). Le point commun : l'IA surveille en continu ce que des équipes réduites ne peuvent pas surveiller, la nuit en particulier.

La connaissance et le back-office, enfin, suivent le mouvement général des organisations. Le GHT Rouen Cœur de Seine a déployé une IA générative de confiance auprès de 15 000 professionnels, données hébergées à 30 km de Rouen — un dossier de subvention passe de trois semaines à deux jours, un cahier des charges d'achat de quinze jours à un jour (GHT Rouen / Orange Business). AstraZeneca crible la littérature scientifique sept fois plus vite pour ses revues systématiques (AstraZeneca), et l'Agence européenne des médicaments utilise l'IA pour repérer les signaux de sécurité dans la littérature (EMA). Le prérequis de toute cette famille — et en réalité des cinq — porte un nom en santé : l'entrepôt de données de santé. Les Hospices Civils de Lyon, l'AP-HP (38 hôpitaux), Bordeaux-Limoges-Poitiers (EDS NOVA) et les GHT qui mutualisent leurs entrepôts construisent exactement cela : la donnée prête sans laquelle aucun des cas ci-dessus ne s'industrialise.

Cinq familles, une promesse commune : rendre du temps de soin — et le prouver, chiffre de départ contre chiffre d'arrivée.

La preuve à taille d'établissement

L'objection « c'est réservé aux CHU et aux grands groupes » ne tient pas mieux en santé qu'ailleurs. Les déploiements français qui aboutissent partagent les mêmes règles : un périmètre étroit, une donnée déjà là, un chiffre de départ, une décision datée.

Aucun de ces établissements n'a commencé par un programme d'IA. Chacun a commencé par un problème chiffré — des séjours sous-codés, des plannings chronophages, des chutes la nuit — et a choisi l'outil ensuite. L'ordre des opérations est la méthode.

Le vrai chiffrage : la règle 10/20/70, version hôpital

Les règles économiques des projets d'IA s'appliquent à l'hôpital comme à l'usine — en plus exigeant. La répartition de l'effort d'un projet réussi reste 10 % d'algorithmes, 20 % de technologie et de données, 70 % de processus et de conduite du changement (BCG) — et en santé, ces 70 % incluent la gouvernance clinique, la formation (rappel : 6 % des agents formés aujourd'hui) et l'intégration au dossier patient.

Les conséquences comptables sont identiques : 55 à 75 % du coût total d'un projet se situe hors de la licence logicielle (estimation YPrtnrs Institute), et l'écart entre coût constaté et budget annoncé atteint fréquemment un facteur deux à quatre (Gartner). Face à ces coûts, les retours documentés restent favorables — 3,7 dollars par dollar investi en moyenne pour l'IA générative (IDC) — et les délais observés en santé encadrent bien la décision : des semaines pour un scribe de documentation, des mois pour un contrôle de codage, six à dix-huit mois pour la prédiction de flux qui exige d'assembler l'historique. Là encore, le délai de retour est une propriété de l'état de vos données, pas de la technologie.

Le parcours d'un projet en établissement — et ses quatre points de rupture

Les projets d'IA hospitaliers qui s'enlisent se ressemblent. Superposés, ils dessinent un parcours type et quatre points de rupture — chacun évitable par une décision prise avant le lancement, et deux d'entre eux sont propres au secteur.

1. Rupture n°1 — le démonstrateur sans chemin vers le soin. Le pilote est choisi pour son effet vitrine (souvent l'imagerie), sans chemin d'intégration au dossier patient ni chiffre de départ : il rejoint les ≈ 95 % sans retour mesurable (MIT NANDA). La parade : choisir dans les cinq familles documentées, là où le coût actuel se mesure — heures de saisie, séjours sous-codés, no-shows, chutes.
2. Rupture n°2 — la donnée sans entrepôt. Sans entrepôt de données de santé, chaque cas d'usage repaye le coût d'accès à la donnée ; c'est le sens des chantiers des HCL, de l'AP-HP ou d'EDS NOVA. La parade : auditer la donnée du seul cas choisi sous quinze jours — et inscrire l'entrepôt au plan pluriannuel, pas au budget du pilote.
3. Rupture n°3 — les 70 % oubliés, formation comprise. Le budget décrit la licence et l'intégration, puis découvre la formation (6 % des agents formés), l'adaptation des organisations et le fonctionnement — d'où le facteur ×2 à ×4 (Gartner). La parade : exiger un chiffrage en coût total où formation et conduite du changement sont visibles avant signature.
4. Rupture n°4 — la confiance sans gouvernance clinique. 52 % des agents citent l'éthique et la sécurité comme premier frein (Ifop / Acteurs Publics / UniHA) — et ils ont raison d'exiger un cadre : hébergement des données maîtrisé (Rouen les héberge à 30 km), validation humaine systématique (le médecin DIM accepte ou refuse chaque codage proposé), et le principe intangible : l'IA assiste, le jugement clinique tranche. La parade : une gouvernance clinique nommée AVANT le premier jour du pilote, et une date de décision — industrialiser ou arrêter — dans l'agenda de la direction.

En santé, la confiance n'est pas un obstacle au déploiement : c'est le déploiement lui-même. Elle se construit par le cadre, pas par la promesse.

Ce que la direction doit décider — et quand

Ni plan quinquennal, ni attentisme : la trajectoire qui fonctionne tient en cinq décisions sur quatre-vingt-dix jours, chacune avec son indicateur.

1. Choisir une famille, pas une technologie. Parmi les cinq familles documentées, prendre celle où votre coût actuel est le plus mesurable. Indicateur : un chiffre de départ validé (heures de saisie, euros de séjours sous-codés, taux de no-show, chutes nocturnes).
2. Auditer la donnée du cas choisi — pas tout l'établissement. Existe-t-elle, est-elle accessible, le DPI est-il intégrable ? Indicateur : verdict écrit en quinze jours.
3. Chiffrer en coût total. Licence + intégration + formation + gouvernance + fonctionnement, règle 10/20/70 et fourchette 55-75 % hors licence à l'appui. Indicateur : un budget où les 70 % sont visibles.
4. Nommer la gouvernance clinique et fixer la date de décision avant de commencer. Industrialiser ou arrêter, à douze ou vingt-quatre semaines. Indicateur : un référent clinique nommé et une date dans l'agenda de direction.
5. Instrumenter la mesure dès le premier jour. Chiffre d'arrivée contre chiffre de départ, même périmètre. Indicateur : tableau de bord avant/après actif dès la semaine 1.

Ne rien faire a aussi un coût, et en santé il ne se compte pas qu'en euros : chaque heure de saisie non rendue est une heure de soin en moins, chaque séjour sous-codé une recette perdue, chaque chute non détectée un risque évitable. Les établissements cités dans ce rapport n'avaient ni plus de moyens ni plus de données que les autres — ils avaient une méthode.