L'IA en santé : un mot, plusieurs réalités
On parle beaucoup d'IA dans la santé. ChatGPT, imagerie augmentée, agents conversationnels, prédiction de flux, planification automatisée… Tout est rangé dans la même case. C'est un raccourci dangereux, parce que toutes ces technologies ne fonctionnent pas de la même manière, ne posent pas les mêmes questions de fiabilité, et ne s'appliquent pas aux mêmes cas d'usage.
Pour un directeur d'établissement, un cadre de santé ou un DSI, comprendre ces différences n'est pas un luxe académique : c'est la condition pour faire les bons choix technologiques, éviter les mauvaises promesses, et garantir la sécurité des décisions prises à partir de ces outils.
Deux grandes familles d'IA
L'IA connexionniste, « celle qui apprend »
C'est l'IA dont tout le monde parle. Elle apprend à partir de grandes quantités de données. Elle excelle pour reconnaître, classer, traduire, prédire. Elle inclut notamment :
- L'IA générative (ex. ChatGPT, Claude, Gemini) qui produit du texte, des images ou du code.
- Les modèles d'apprentissage profond utilisés en imagerie médicale pour aider au diagnostic.
- Les modèles prédictifs qui estiment les flux d'activité d'un service d'urgences.
Ses forces : puissance, capacité à traiter des signaux complexes (image, langage, séries temporelles).
Ses limites : opacité, biais hérités des données d'entraînement, hallucinations, dépendance à des volumes massifs de données étiquetées.
L'IA symbolique, « celle qui raisonne »
Moins médiatisée, plus ancienne, et pourtant au cœur de nombreuses applications critiques. Elle s'appuie sur des règles et des connaissances formalisées. Chaque décision peut être expliquée, vérifiée, modifiée.
En santé, elle est particulièrement adaptée à ce qui relève de la décision sous contraintes : planifier les équipes, vérifier la conformité réglementaire, aider à la décision clinique sur la base de référentiels.
Ses forces : transparence totale, traçabilité, absence de biais statistiques, maîtrise complète par les experts métier.
Ses limites : elle ne « devine » pas, il faut savoir formaliser les règles et les objectifs.
Pourquoi Hopia a choisi l'IA symbolique pour la planification
Planifier les équipes médicales et paramédicales, ce n'est pas reconnaître une image ou générer un texte. C'est résoudre un problème d'optimisation sous contraintes : intégrer simultanément des centaines de règles et produire un planning qui respecte toutes ces règles tout en optimisant plusieurs objectifs.
Pour ce type de problème, l'IA symbolique est supérieure à l'IA d'apprentissage pour trois raisons :
- Transparence, chaque affectation peut être expliquée. Un cadre peut demander « pourquoi cet agent sur ce poste ? » et obtenir une réponse fondée sur les règles du service.
- Conformité, une règle réglementaire est une règle. Elle ne doit pas être « probablement respectée à 95 % ». Elle doit être respectée, point.
- Absence de biais, un modèle qui apprend à partir d'historiques risque de reproduire des iniquités passées. Une approche symbolique part d'une définition explicite de l'équité.
Ce que cela change concrètement
- Pour les cadres : ils gardent la main. L'outil ne décide pas à leur place, il les assiste en produisant des plannings qui respectent leurs règles.
- Pour les soignants : les plannings sont équitables, explicables, et reproductibles.
- Pour les directions : pas de boîte noire, pas de dépendance à un fournisseur de modèles étrangers, pas de risque juridique lié à des décisions automatisées opaques.
Ce que Hopia n'est pas
Disons-le clairement : Hopia ne fait pas d'IA générative. Nous ne produisons pas de texte, nous ne répondons pas aux patients, nous n'écrivons pas de comptes rendus. Nous résolvons un problème algorithmique précis, la planification optimisée des ressources humaines, avec la technologie la mieux adaptée à ce problème.
C'est aussi une question de compétitivité : notre algorithme est développé en France, par une équipe française, sans dépendance à des modèles étrangers. Dans un secteur aussi critique que la santé, c'est un choix technologique assumé.