Un patient a besoin d'un diagnostic fiable et d'un chemin clair vers le traitement. Pour les responsables de la santé, la dernière recherche de Microsoft en IA médicale soulève une question pratique : comment une organisation devrait-elle évaluer un système qui rassemble des preuves et prend des décisions en plusieurs étapes ?
Mon point de vue est que MAI-DxO mérite l'attention autant pour son processus de décision que pour sa précision. Les CEO et les CTO devraient étudier ce processus tout en maintenant une frontière claire entre la performance en recherche et la valeur clinique démontrée.
L'étude, Sequential diagnosis with language models, a paru dans Science le 22 octobre 2026. MAI-DxO associé à GPT-5 a atteint 83,2 % de précision diagnostique sur 304 cas difficiles du NEJM. Les médecins généralistes utilisant des ressources de référence ont atteint 36,1 %, contre 22,3 % sans elles. Sur 325 cas d'admission aux urgences, le système a atteint 80,3 %, contre 46,8 % pour les médecins. Il s'agit de résultats issus d'évaluations contrôlées sur des dossiers de cas. [1, 2]
Ces pourcentages des médecins décrivent la performance sur les tâches de l'étude. Ils ne devraient jamais être présentés comme la précision générale des médecins dans la pratique quotidienne. Un score global de benchmark laisse aussi une question cruciale sans réponse : quelles erreurs pourraient causer le plus grand tort ?
MAI-DxO coordonne un panel virtuel qui propose des diagnostics, remet en question les hypothèses et sélectionne les questions ou les examens. Son évaluation évolue à mesure que l'information arrive. Le benchmark mesure le chemin vers un diagnostic, y compris les coûts estimés des examens. Microsoft a également évalué des configurations avec des contraintes de coûts plus fortes. [2]
Pour les dirigeants d'entreprise, la leçon de conception utile est de séparer la proposition d'une réponse de l'examen de ses preuves. Un réviseur devrait pouvoir identifier ce qui manque, contester l'explication dominante et demander des informations supplémentaires avant qu'une action importante ne se poursuive.
Plusieurs rôles d'IA peuvent encore répéter la même erreur. L'accord entre agents doit donc être confronté à des preuves externes. Ajouter un débat crée un composant supplémentaire à évaluer ; cela ne constitue pas une vérification indépendante.
Je comparerais les systèmes selon trois dimensions. Comparer le score de la réponse finale avec la qualité du processus de décision complet. Comparer les coûts estimés de la tâche avec le coût total de la prestation du service. Comparer la performance sur des dossiers historiques avec les résultats observés en usage prospectif. Chaque comparaison répond à une question d'investissement différente.
Par exemple, une recommandation peu coûteuse peut générer un travail de révision considérable. Une réponse correcte peut arriver trop tard pour aider. Un système performant sur des dossiers complets peut être en difficulté lorsque des informations importantes sont indisponibles. Les dirigeants ont besoin d'une évaluation qui rende ces différences visibles.
SDBench utilise un modèle de contrôle d'accès (gatekeeper) pour fournir les informations demandées et un modèle de juge pour évaluer les diagnostics. Le gatekeeper peut générer des résultats cohérents avec le cas lorsqu'un résultat demandé est absent du dossier. Ces mécanismes rendent l'évaluation interactive possible, mais ils introduisent aussi des hypothèses qui demandent un examen attentif. [3]
Cela compte parce que l'environnement d'évaluation influence le résultat mesuré. Un hôpital doit déterminer comment un système se comporte avec des informations incomplètes, des témoignages contradictoires et des retards opérationnels. La précision diagnostique à elle seule ne peut pas établir la sécurité des patients, la qualité du traitement ni l'efficacité d'une équipe clinique.
Microsoft a annoncé une étude prospective avec le Beth Israel Deaconess Medical Center, dans laquelle des patients interagiront avec le système et où la performance sera comparée aux évaluations indépendantes des médecins. Il s'agit d'une validation planifiée, et non d'une preuve déjà acquise de meilleurs résultats pour les patients. [2]
Les CEO devraient définir le bénéfice visé avant de financer le déploiement. Dans un pilote de santé, cela pourrait être une reconnaissance plus rapide d'une pathologie précise ou un meilleur soutien à la révision des cas difficiles. Nommez le responsable clinique, convenez des mesures de résultat et établissez les conditions d'arrêt du pilote. Évitez de prendre une décision d'effectifs à partir d'une comparaison de benchmarks.
Les CTO devraient construire une évaluation autour du flux de travail visé. Comparer le processus existant, l'IA travaillant seule dans un cadre contrôlé, et des cliniciens assistés par l'IA. Utiliser des cas représentatifs du service proposé. Examiner les diagnostics graves manqués, les examens inutiles, le délai de décision et la charge de révision des recommandations. Rapporter les résultats pour les groupes de patients concernés, et pas seulement la moyenne générale.
Commencer par une évaluation rétrospective avec des données correctement gouvernées. Si les preuves justifient d'aller plus loin, envisager une étude prospective supervisée avec un leadership clinique et les autorisations requises. Conserver une attribution explicite de l'autorité pour prescrire des examens ou modifier un traitement. Définir quand le système doit s'effacer et comment un clinicien peut le contourner.
Exiger des preuves traçables pour les recommandations, un accès contrôlé aux informations des patients et un registre du modèle et de la version du flux de travail utilisés. Répéter les évaluations pertinentes lorsque l'un ou l'autre change. Un pilote réussi nécessite un processus opérationnel capable de détecter une dégradation et de permettre un retrait.
Les responsables financiers devraient distinguer les coûts estimés des examens des économies réalisées. Intégrer l'intégration, la révision clinique, la surveillance et l'évaluation continue dans le business case. Toute économie doit être évaluée au regard des conséquences des diagnostics manqués et des examens évitables.
La même discipline d'évaluation est utile pour envisager l'IA dans les demandes d'indemnisation, les exceptions d'approvisionnement ou l'investigation d'incidents. Ces applications ont besoin de leurs propres preuves. Un benchmark médical ne peut pas valider un flux de travail financier ou opérationnel.
MAI-DxO donne une raison d'examiner comment l'IA demande des preuves, révise sa position et décide quand s'arrêter. La valeur pour l'entreprise dépendra de l'amélioration ou non d'un service défini dans des conditions opérationnelles réelles.
Si vous approuviez un pilote d'IA médicale, quelles preuves exigeriez-vous avant d'autoriser ses recommandations à influencer les soins aux patients ?
Penser mathématiquement. Concevoir intelligemment. Diriger stratégiquement. Construire de manière responsable. Déployer à l'échelle mondiale. Créer une valeur commerciale réelle grâce à l'intelligence artificielle.
[1] Nori, H. et al. (2026). Sequential diagnosis with language models. Science. https://doi.org/10.1126/science.aeh7930
[2] Microsoft AI (22 octobre 2026). Building Medical Superintelligence. https://microsoft.ai/news/building-medical-superintelligence/
[3] Microsoft. Documentation SDBench. https://microsoft.github.io/sdbench/
