Trois façons de perdre la main

Le rapport conjoint de l’EASAC et de la FEAM (le professeur Christian Lovis, de l’Université de Genève, y a contribué pour l’Académie suisse des sciences médicales) reprend une distinction proposée par Berzin et Topol dans The Lancet en 2025. Ils décrivent trois risques, qui ne se recouvrent pas.

Le premier est la déqualification (deskilling) : une compétence acquise s’émousse parce qu’on ne l’exerce plus. Le deuxième, la mauvaise qualification (mis-skilling), c’est quand le clinicien finit par adopter les erreurs ou les biais de l’outil. Le troisième, la non-qualification (never-skilling), concerne surtout les médecins en formation : la compétence n’est jamais acquise, parce que l’outil a pris la tâche en charge avant qu’on ait eu le temps de l’apprendre.

Ce que montrent les données

L’exemple retenu par le rapport vient de la gastro-entérologie. Une étude observationnelle menée dans plusieurs centres polonais (Budzyń et al., The Lancet Gastroenterology & Hepatology, 2025) a comparé les coloscopies faites sans IA avant et après l’introduction d’un système d’aide à la détection des polypes.

Après quelques mois d’exposition, le taux de détection d’adénomes sans assistance est passé de 28,4 % à 22,4 %. Une baisse de 6 points en absolu, d’environ 20 % en relatif. Et il ne s’agissait pas de débutants, mais d’endoscopistes expérimentés. Plus troublant encore, le taux obtenu avec l’IA (25,3 %) restait inférieur à celui qu’ils obtenaient sans elle au départ.

Le piège du biais d’automatisation

La déqualification vient s’ajouter à un risque bien connu, le biais d’automatisation : cette tendance à accepter la proposition de la machine sans vraiment l’examiner. Le rapport l’admet d’ailleurs lui-même, la supervision humaine n’est pas une solution miracle, justement à cause de ce biais.

Le problème tourne en rond. Pour repérer l’erreur d’un outil, il faut la compétence que l’usage de cet outil tend à éroder. Moins on fait une tâche soi-même, moins on est capable de juger la réponse qu’on nous propose, et plus on est tenté de l’accepter. On répète volontiers qu’il ne faut utiliser l’IA que dans les domaines qu’on maîtrise assez pour repérer ses erreurs. Je suis d’accord, mais encore faut-il entretenir cette maîtrise.

Penser d’abord, confronter ensuite

La piste proposée par le rapport est simple : privilégier les outils qui interviennent après la première interprétation du clinicien, pour la valider ou la contester. En radiologie, l’IA devient alors un second lecteur plutôt qu’un premier. Le rapport insiste aussi sur la nécessité de continuer à pratiquer régulièrement sans assistance, même quand l’IA automatise certaines étapes.

Je pense que ce principe se transpose tel quel à l’usage des grands modèles de langage (LLM) au cabinet. Concrètement, trois réflexes :

1. D’abord votre hypothèse. Avant de soumettre un cas à un LLM, posez votre propre diagnostic et votre plan de prise en charge.
2. Ensuite, ses objections. Ne lui demandez pas « la » réponse, mais plutôt « Qu’aurais-je pu manquer ? » ou « Quels diagnostics différentiels dois-je écarter ? ».
3. Enfin, votre relecture. Relisez toujours, d’un œil critique, les résumés et les lettres qu’il rédige pour vous.

Pour les médecins en formation, l’enjeu est encore plus grand. On ne retrouve pas une compétence qu’on n’a jamais eue.

Des données encore minces

Restons prudents. L’étude de Budzyń est observationnelle et ne prouve pas de lien de causalité. Elle ne porte que sur une spécialité, et sur une compétence surtout perceptive. Pour le raisonnement clinique assisté par un LLM, on n’a encore aucune donnée comparable.

Mon propos n’est donc pas de renoncer à l’IA, mais de s’en servir sans y laisser son jugement. Le rapport recommande d’ailleurs d’intégrer la maîtrise de l’IA à la formation initiale et continue des médecins. Une maîtrise qui suppose aussi, parfois, de savoir ne pas déléguer. Un contradicteur, oui. Un pilote automatique, non.

Jean Gabriel Jeannot, le 08.11.2026

Sources

1. EASAC–FEAM (2026). AI in European Healthcare: Policy Recommendations for Optimising Added Value and Safe, Ethical and Inclusive Adoption. Rapport n° 50, licence CC BY 4.0.
2. Université de Genève. « L’Europe de la santé s’organise face à l’IA ».
3. Berzin T.M., Topol E.J. (2025). Preserving clinical skills in the age of AI assistance. The Lancet 406(10513), 1719.
4. Budzyń K. et al. (2025). Endoscopist deskilling risk after exposure to artificial intelligence in colonoscopy. The Lancet Gastroenterology & Hepatology 10(10), 896–903.