Août 05, 2026
Comment les organismes de santé accélèrent l’adoption de l’IA destinée aux consommateurs
Résumé
- Chaque dirigeant du secteur des soins de santé est confronté au même dilemme : adopter rapidement l’IA destinée aux consommateurs et risquer une erreur coûteuse, ou attendre et laisser les lacunes en matière de soins et les problèmes de santé non pris en charge s’accumuler.
- La plupart des équipes pensent devoir perfectionner leurs données avant de créer quoi que ce soit, mais chaque jour d’attente représente une occasion manquée de servir leurs patients et leurs membres.
- La rapidité ne doit pas non plus se faire au détriment de la sécurité clinique, de la conformité ou de la confiance. La solution consiste à tester les agents auprès de populations de patients synthétiques afin de détecter les biais et les dérives avant même qu’un véritable dossier de patient ne soit utilisé.
- Comme la réglementation évolue constamment, la plupart des équipes finissent par devoir reprendre le travail de conformité pour chaque nouveau projet d’IA. En revanche, une plateforme conçue selon les exigences du secteur de la santé permet de développer des agents conformes dès le départ et de les déployer en quelques jours plutôt qu’en quelques mois.
La course à l’IA dans le secteur de la santé est déjà lancée, et les dépenses ne constituent pas la contrainte : 75 % des payeurs engagent 10 millions de dollars ou plus, mais 86 % ne sont pas prêts à déployer l’IA à grande échelle.¹ La bonne nouvelle, c’est que vous n’avez pas à terminer vos fondations de données avant de vous appuyer sur elles; vous pouvez moderniser la couche de données et l’expérience destinée aux consommateurs en même temps. Les populations synthétiques permettent de détecter les dérives, les biais et l’exposition de renseignements personnels sur la santé avant même d’accéder à un véritable dossier. Et avec plus de 240 projets de loi sur l’IA en santé déposés cette année, les agents qui héritent des mécanismes de conformité de la plateforme peuvent s’adapter à ces changements sans qu’il soit nécessaire de tout reconstruire.² L’inaction est désormais l’option la plus coûteuse.
« Avancer vite et casser des choses » est devenu la philosophie de toute une époque du développement logiciel. Dans d’autres secteurs, une fonctionnalité défaillante signifie qu’il faut annuler la version et publier un correctif. Les soins de santé ne vous offrent pas ce luxe. Lorsqu’un problème survient, une personne réelle peut agir en fonction de renseignements erronés concernant sa propre santé.
Mais avancer lentement entraîne aussi un coût. Chaque trimestre que vous attendez, des personnes restent coincées dans un système qui ne les sert pas. Les lacunes en soins persistent. Les maladies chroniques ne sont pas prises en charge. Dans le secteur des soins de santé, une prudence excessive a de graves conséquences sur les revenus et les résultats en matière de santé.
Chaque dirigeant dans le domaine des technologies de la santé se trouve confronté au même dilemme : à quelle vitesse devez-vous adopter l’IA destinée aux consommateurs, lorsqu’une erreur a des conséquences réelles et que l’attente en a aussi?
Vous pouvez constater à quel point cette question demeure non résolue dans l’ensemble du secteur. 75 % des payeurs prévoient de consacrer 10 millions de dollars ou plus à l’IA au cours des trois à cinq prochaines années, mais 86 % affirment ne pas être entièrement prêts à la mettre en œuvre à grande échelle.1 Du côté des fournisseurs, 78 % des systèmes de santé ont des projets d’IA en cours, mais seulement 52 % se sentent prêts à les déployer.³ Le budget est engagé, mais la confiance n’y est pas.
La plupart des équipes se figent et prennent du retard, ou déploient une solution en laquelle elles n’ont pas confiance. Les deux découlent du même problème : une stratégie qui donne l’impression qu’il faut choisir entre rapidité et sécurité. Les équipes qui font actuellement de réels progrès adoptent une stratégie qui leur permet de concilier les deux.
Mettez en place votre base de données et votre expérience d’IA en parallèle
Demandez aux payeurs ce qui les empêche de déployer l’IA à grande échelle, et l’interopérabilité arrive en tête de liste avec 46 %, suivie de l’accès aux données en temps réel.1 Les systèmes de santé décrivent le même obstacle à leur façon : les données sur les demandes de règlement, les données cliniques et les données d’engagement sont dispersées entre les DSE et des plateformes vieillissantes qui n’ont jamais été conçues pour communiquer entre elles. Le fil conducteur : les données sont enfermées dans des systèmes existants, et l’IA ne peut rien faire avec des données auxquelles elle ne peut pas accéder.
Alimentez un modèle avec des données fragmentées et incohérentes, et vous obtiendrez en retour des réponses fragmentées et incohérentes, ce qui est exactement ce que vous ne pouvez pas présenter à une vraie personne. Le travail stagne donc généralement, et l’attente elle-même devient coûteuse.
Les données doivent être connectées, à jour et suffisamment riches pour appuyer une décision réelle sur le moment. L’interopérabilité doit s’étendre aux systèmes existants que vous utilisez déjà, sans vous demander de les remplacer complètement et de repartir à zéro. Et vos systèmes de référence et vos systèmes d’intelligence doivent se moderniser ensemble, sinon l’un attendra toujours l’autre.
Rien de tout cela n’est une étape que l’on peut considérer comme terminée, et c’est là que je vois les équipes faire fausse route dans leur travail sur les données. Ils considèrent la base comme devant être parfaite avant de commencer à construire quoi que ce soit, perdant un an ou deux uniquement à nettoyer les données. Ce réflexe est compréhensible, mais c’est un piège qui vous fait prendre des années de retard. Vous n’avez pas besoin de données parfaites pour lancer votre feuille de route pour l’IA.
C’est exactement pourquoi nous avons créé League Labs. Nous disposons de plus de 1,8 milliard d’interactions réelles dans le domaine de la santé, et le cloisonnement de ces données ne fait pas progresser les soins de santé. Notre mission est de faire progresser les soins de santé afin que chaque personne puisse accéder aux soins et vivre une vie plus saine. Nous l’avons donc utilisé pour créer quelque chose avec lequel l’ensemble du secteur pourrait travailler : des ensembles de données synthétiques, publiés ouvertement sur Hugging Face, afin que toute équipe puisse désormais tester des agents d’IA sur des données populationnelles réalistes.
Les cinq caractéristiques des organisations qui délaissent les soins de santé réactifs
Mike Serbinis, PDG de League, présente les cinq caractéristiques qui distinguent les organisations qui évoluent vers un modèle proactif axé sur l’IA de toutes celles qui restent coincées dans un modèle réactif.
Testez vos solutions sur des données de santé synthétiques avant même d’accéder à un véritable dossier de patient
La rapidité ne compte que si elle ne compromet pas les éléments non négociables, à savoir la sécurité clinique, la conformité et la confiance. La façon de protéger les trois consiste à intégrer une gouvernance dès le départ.
En pratique, ce sont quelques éléments qui fonctionnent ensemble. L’IA destinée aux consommateurs dans le secteur de la santé devrait toujours être :
- Fondé sur des sources approuvées : Les réponses de l’agent demeurent liées aux sources approuvées, de sorte qu’il ne peut pas inventer des détails sur la couverture ou des réponses cliniques.
- Traçable : Chaque recommandation peut être retracée jusqu’à sa source.
- Observable : vous pouvez voir les tâches menées à bien, les escalades et la précision par cas d’utilisation une fois qu’un agent est opérationnel, et non seulement en fonction de ses performances lors d’une démo.
- Connecté à une assistance humaine : Pour les décisions à fort enjeu, une personne reste impliquée et peut intervenir clairement à tout moment.
Alors, où testez-vous tout cela? La plupart des équipes présument que la réponse se trouve dans leurs propres données, une fois que celles-ci sont enfin propres et connectées. Corrigez les données, puis créez, puis testez, puis livrez. Si vous procédez dans cet ordre, il faudra des années avant que quoi que ce soit n’atteigne les personnes que vous cherchez à servir.
Ce qui permet aux organisations d’avancer plus rapidement, c’est de tester avec des données synthétiques qui reflètent une population réelle de membres ou de patients. Ces données sont conçues de manière à préserver la confidentialité, ce qui vous permet de tester un agent dans des milliers de scénarios sans accéder à un seul véritable dossier de patient. Pensez aux cas à enjeux élevés : le membre qui doit gérer cinq problèmes de santé à la fois, le patient qui suit un plan de soins postopératoires complexe ou encore la population qui est à peine représentée dans vos données réelles. Vous pouvez l’exécuter sur vos propres évaluations pour détecter la dérive du modèle, vérifier la présence de biais et confirmer qu’il n’expose pas d’informations de santé protégées.
Intégrez les contrôles et les essais dès le début, et la sécurité cesse d’être ce qui vous ralentit.
Bénéficiez d’une conformité intégrée plutôt que d’avoir à la reconstruire
Pendant que votre équipe gère tout cela, elle doit aussi composer avec un cadre réglementaire qui évolue constamment. Au cours des seuls premiers mois de 2026, 43 États ont présenté plus de 240 projets de loi sur l’IA en santé.2 Les détails varient, mais les exigences fondamentales restent les mêmes : aucune décision défavorable ne doit être prise uniquement par l’IA, une intervention humaine doit être prévue et l’utilisation de l’IA doit être divulguée.
Cela s’ajoute à un fardeau de certification qui ne cesse de croître. La HIPAA, SOC 2 de type II, HITRUST r2 et, désormais, des exigences propres à l’IA, comme la certification de sécurité de l’IA de HITRUST. Elles sont réévaluées et révisées, ce qui signifie que la « conformité » est une cible en constante évolution. (Cette liste de contrôle détaille ce qu’exige l’ensemble de la conformité, pour les équipes qui cherchent à savoir où elles en sont.)
Pour la plupart des équipes, chaque nouvelle initiative d’IA devient ainsi un projet de conformité distinct. Il faut d’abord développer l’agent, puis revenir en arrière pour le rendre conforme aux exigences en vigueur, et tout recommencer lorsque celles-ci évoluent. Les coûts s’accumulent sans qu’on s’en rende vraiment compte, et c’est en grande partie pourquoi des agents pourtant convaincants en démonstration mettent encore des mois à être déployés.
La meilleure approche consiste à faire en sorte que les agents d’IA héritent de la conformité de la plateforme sur laquelle ils sont créés. C’est la logique qui sous-tend Forge by League : une plateforme où votre équipe définit ce que fait un agent, le relie aux données qu’il est autorisé à utiliser, et établit ses garde-fous et ses règles d’escalade, le tout sans écrire de code. Puisque la posture de conformité et le modèle de données sont déjà intégrés à l’architecture de la plateforme, chaque agent est conforme dès le départ. Les agents dont la mise en place prenait autrefois des mois peuvent être configurés et déployés en quelques jours.
Cela reste vrai, que vous choisissiez de créer ou d’acheter. Vous pouvez partir de l’une des solutions d’IA éprouvées de League et l’adapter à vos besoins, créer votre propre solution ou combiner les deux approches, sans pour autant être lié à un seul modèle pendant des années.
Créez des agents IA adaptés au secteur de la santé en quelques jours, et non en quelques mois
Forge by League offre à votre équipe une console sans code pour concevoir, gérer et déployer vos propres agents IA sur une base conforme dès le premier jour.
Lorsque la conformité est intégrée à l’infrastructure, votre équipe peut se concentrer sur l’expérience du consommateur et les résultats, plutôt que de poursuivre une cible de conformité en constante évolution.
Ne rien faire est l’option la plus coûteuse
Pendant longtemps, attendre ou avancer lentement semblait être le choix le plus sûr pour les leaders des technologies de la santé. Aujourd’hui, la logique s’est inversée. Chaque trimestre d’attente est un trimestre où vos membres et vos patients restent désengagés, où les résultats de santé se détériorent et où les organisations qui ont commencé plus tôt prennent encore plus d’avance.
Agir dès maintenant ne nécessite pas tout ce que la plupart des équipes pensent devoir mettre en place. Vous n’avez pas besoin d’une infrastructure de données parfaite ni d’une toute nouvelle architecture technologique. Les équipes qui réalisent de véritables progrès modernisent la couche de données tout en développant l’expérience destinée aux consommateurs, en testant des agents IA auprès de populations synthétiques et en s’appuyant sur une plateforme où la conformité est intégrée dès la conception.
Ils ne cherchent pas non plus à développer chaque couche eux-mêmes. Depuis plus de 10 ans, League propulse des expériences de santé pour plus de 70 millions de personnes. League Labs constitue la base de recherche ouverte sur laquelle repose cette approche, et Forge by League permet à votre équipe de la mettre en pratique. Quelle que soit votre façon de travailler avec nous, vous commencez avec la qualité et la sécurité qu’exigent les soins de santé.
Voici à quoi ça ressemble quand la rapidité et la sécurité cessent de s’opposer l’une à l’autre.
Sources
- Innovacer, Le payeur propulsé par l’IA : perspectives des leaders pour 2026, 2026.
- Manatt Health, Suivi des politiques sur l’IA en santé, avril 2026
- Guidehouse, Tendances de l’IA dans le secteur de la santé en 2026, 2026.
RAPPORT
Les organisations qui bâtissent le prochain modèle partagent 5 traits
Vos fondations technologiques sont importantes. Mais il faut voir plus grand. Mike Serbinis, PDG de League, explique ce qui distingue réellement les organisations qui déploient des soins proactifs propulsés par l’IA de celles qui restent encore ancrées dans l’ancien modèle.