IA médicale : que vaut une IA spécialisée ?

97,4 contre 89,6. Sur un examen de médecine standardisé, c'est l'écart de réussite entre Gemini, l'IA grand public de Google, et OpenEvidence, un outil clinique pensé pour les médecins et validé par la FDA. Le généraliste auquel tout le monde a accès devance l'outil spécialisé certifié.

Ces chiffres viennent d'une étude publiée dans Nature Medicine en juin 2026, qui a fait un test que presque personne ne fait : mettre face à face les IA cliniques "spécialisées" et les modèles généralistes du commerce. Le résultat soulève une question simple. Quand un hôpital paie pour un outil médical validé, paie-t-il pour quelque chose de meilleur, ou pour un tampon administratif ?

Ce que veut dire "spécialisé" et "validé"

Deux mots reviennent en boucle dans le marketing de l'IA santé. "Spécialisé" : un outil conçu pour les soignants, nourri de littérature médicale, vendu sous abonnement aux hôpitaux et aux cabinets. UpToDate Expert AI, édité par Wolters Kluwer, en est l'exemple type. Son abonnement individuel tourne autour de 579 dollars par an et par médecin, davantage à l'échelle d'une institution.

"Validé FDA" : l'agence américaine du médicament a délivré une autorisation. C'est là que le malentendu commence. Une validation FDA atteste qu'un outil fait bien ce que son fabricant a promis qu'il ferait, selon les specs que ce fabricant a lui-même définies. Elle ne dit rien sur la comparaison avec une alternative gratuite.

Pour mesurer la compétence d'une IA médicale, les chercheurs utilisent des benchmarks. MedQA est le plus connu : un jeu de questions à choix multiples calquées sur l'examen de licence des médecins américains. Un score MedQA, c'est une note à un QCM de médecine. Utile pour comparer, limité pour conclure.

Le test que l'étude a osé faire

L'équipe de Nature Medicine a soumis trois épreuves aux mêmes candidats. D'abord 500 questions MedQA. Ensuite 500 items HealthBench, qui mesurent l'alignement des réponses avec le jugement de vrais cliniciens. Enfin 100 requêtes réelles, posées par des médecins dans un environnement de travail.

D'un côté du ring : trois IA généralistes de pointe, GPT-5.2 d'OpenAI, Gemini 3.1 Pro de Google, Claude Opus 4.6 d'Anthropic. De l'autre : deux outils cliniques validés FDA, OpenEvidence et UpToDate Expert AI.

Sur MedQA, Gemini culmine à 97,4 %, GPT-5.2 à 94,2 %, Claude à 90,2 %. OpenEvidence plafonne à 89,6 %, UpToDate à 88,4 %. Sur HealthBench, l'écart se creuse encore : les généralistes dominent largement les deux outils spécialisés.

Les auteurs notent même que ces outils cliniques ne font pas mieux qu'un résumé d'IA généré par une recherche Google. Sur les trois épreuves, les généralistes ne passent jamais derrière.

Le trou dans la raquette

Voilà le cœur du problème, que les chercheurs appellent le "validation gap". Les deux outils spécialisés sont passés par un parcours réglementaire. Les généralistes qui les battent ne sont passés par aucun parcours calibré pour la décision médicale. Et pourtant, ce sont les premiers qu'on présente comme "validés pour la santé".

La certification fonctionne comme un permis de conduire qui prouverait que tu sais démarrer la voiture, sans jamais vérifier si tu conduis mieux que le voisin. Personne n'a mesuré le comparatif réel avant de déployer ces outils dans les hôpitaux. La question "est-ce meilleur que ce que les médecins utilisent déjà gratuitement ?" n'apparaît nulle part dans le dossier de validation.

Le coût rend l'histoire plus piquante. OpenEvidence, l'un des deux outils testés, est en réalité gratuit pour les soignants, financé par la publicité. UpToDate, lui, se paie. On a donc une catégorie d'outils sous licence institutionnelle coûteuse qui se vend sur la promesse du spécialisé, sans preuve qu'elle batte l'alternative ouverte.

Avant de jeter le bébé avec l'eau du bain

Un score élevé à un QCM ne fait pas un bon outil clinique. C'est la limite que les auteurs eux-mêmes martèlent. La conformité réglementaire, l'intégration au dossier patient, la traçabilité des hallucinations en production, la question de qui est responsable juridiquement quand l'IA se trompe : rien de tout ça n'apparaît dans un score MedQA. Un benchmark teste la connaissance, pas la sécurité d'un déploiement réel.

Et le tableau n'est pas binaire. Sur des domaines très étroits, des modèles ultra-spécialisés et fine-tunés peuvent dépasser les généralistes. En gastro-entérologie, certains travaux montrent des modèles dédiés qui tiennent tête aux spécialistes humains sur des cas précis. Le message n'est pas "les outils spécialisés sont nuls". Il est plus inconfortable : le supplément de prix et le label de spécialiste ne garantissent rien par défaut, et c'est rarement vérifié.

Surtout, rien dans cette étude ne dit qu'un patient devrait remplacer un avis médical par une conversation avec un chatbot. La question reste celle de l'institution qui achète, pas de l'usage individuel : ce qu'on paie quand on paie du "validé".

La vraie question n'est pas généraliste contre spécialisé

Le débat se résume mal en "l'IA gratuite a gagné". Ce que l'étude expose, c'est l'absence d'un comparatif indépendant avant la mise sur le marché. Un outil peut être validé, vendu cher, installé dans des centaines d'hôpitaux, sans que quiconque ait vérifié qu'il fasse mieux que ce qui circule déjà librement.

Les auteurs réclament une évaluation transparente et indépendante des systèmes d'IA cliniques avant leur déploiement auprès des patients. Tant qu'elle n'existe pas, le label "spécialisé, validé FDA" reste ce qu'il a toujours été : la preuve qu'une procédure a été suivie, pas la preuve que l'outil est le meilleur choix.