16 janvier 2026
Formation
Introduction pratique à l’IA générative pour médecins
L’IA générative est partout : dans nos outils, nos conversations, notre travail et même nos décisions. Mais de quoi parle-t-on vraiment quand on parle d’IA ?
L’IA générative est partout : dans nos outils, nos conversations, notre travail et même nos décisions. Mais de quoi parle-t-on vraiment quand on parle d’IA ?
On entend le terme « IA » partout, mais c’est un concept dont les contours restent souvent flous. Sans entrer dans une définition trop formelle ou philosophique, on peut résumer simplement : l’IA est une forme d’apprentissage automatique à partir de données.
Traditionnellement, quand on programme un ordinateur, on lui donne des règles explicites : si telle situation se produit, alors fais ceci. Avec l’IA, l’approche est différente. On ne lui explique pas comment raisonner étape par étape. On lui donne une grande quantité de données et un objectif, et on la laisse apprendre des régularités par elle-même.
L’IA générative est un sous-domaine de cette famille. C’est le type d’IA dont fait partie ChatGPT. Au lieu de simplement classer des données (par exemple : malade / non malade), elle produit du contenu : du texte, des images, du code, etc.
Le principe de base est étonnamment simple.
On fournit au modèle une quantité massive de textes issus d’Internet. Puis, on lui donne une tâche : prédire le mot suivant dans une phrase à partir du début de la séquence.
Par exemple, si on lui donne :
« Au début elle aura que la… »
Le modèle apprend progressivement quelles suites de mots sont probables en fonction du contexte. En répétant cet exercice des milliards de fois, il capte des relations entre mots, phrases et idées.
On ne rentrera pas plus loin dans la théorie ici, mais deux conséquences importantes découlent de cette méthode :
La tendance à vouloir toujours continuer une phrase ou une idée.
Le modèle est conçu pour compléter des séquences, même quand il ne devrait peut-être pas le faire.
Le problème des hallucinations.
Une hallucination, c’est quand l’IA produit une réponse qui semble plausible… mais qui est factuellement fausse.
Cela arrive notamment quand on lui pose une question sur un sujet très niche, mal documenté ou absent de ses données d’entraînement. Ne « sachant pas » qu’elle ne sait pas, elle va quand même générer une réponse cohérente, quitte à inventer.
(Important : il ne faut pas personnifier l’IA. Elle ne « ment » pas et ne « comprend » pas au sens humain ; elle prédit des suites de mots.)
Il existe aujourd’hui de nombreuses techniques pour améliorer les modèles et réduire ces hallucinations, mais elles ne les éliminent pas complètement.
Avant de faire confiance aveuglément à l’IA , ou au contraire de la rejeter en bloc, il est utile de la tester soi-même. On peut prévoir, en partie, sur quels sujets elle sera bonne ou non.
Par exemple :
Ces sujets sont très documentés sur Internet. L’IA restitue souvent ces informations correctement et de manière synthétique. Beaucoup de gens sont alors impressionnés et ont l’impression qu’elle « sait tout mieux qu’eux ».
C’est normal : sur des sujets bien couverts par ses données, elle est très performante.
Ici, on touche aux limites :
C’est souvent là que l’IA montre ses approximations. Elle peut :
Par exemple :
C’est à mon avis l’un des usages les plus intéressants de l’IA : elle peut aider à comprendre des domaines complexes, à condition que l’on accepte un certain risque d’erreur.
Une compétence clé quand on utilise l’IA est d’apprendre quand et pourquoi elle se trompe.
Il est même utile de chercher volontairement des situations où elle hallucine :
On peut, et on devrait demander des sources. C'est comme ça que je l'utilise souvent, un google amélioré qui comprends mieux ce que je cherche.
Mais attention :
Exemple classique :
Une question sur le risque d’AVC pendant la grossesse peut amener l’IA à citer des articles sur le post-partum, comme si c’était la même population, ce qui est faux.
Règle générale : plus la situation est niche ou spécifique, plus le risque d’hallucination augmente.
La façon dont on pose une question change profondément la qualité de la réponse.
Exemple :
Pour une même problématique, on peut :
Savoir bien formuler une demande (le prompt) devient une véritable compétence, y compris en médecine.
Zero-shot : l’IA répond sans exemple. Elle doit deviner seule le niveau de détail et le format attendu.
Par exemple :
Fais-moi une prescription d’Ibuprofène.
Few-shot : on lui donne un ou plusieurs exemples du type de réponse souhaité.
Par exemple :
Fais-moi une prescription d’Ibuprofène comme cette prescription de Paracétamol :
“En cas de douleur ou de fièvre (au-dessus de 38,5 °C), prenez 1 comprimé de 1 000 mg ou 2 comprimés de 500 mg toutes les 6h.
La durée du traitement est de 7 jours.”
Comme le modèle fonctionne par prédiction, plus on lui donne d’indications (exemples, format, contraintes), plus sa réponse sera pertinente.
Avec des exemples, l’IA comprend mieux :
Les plateformes généralistes comme ChatGPT ne sont pas conçues pour héberger des données médicales sensibles.
Il est raisonnable de considérer que :
👉 Aucune donnée patient identifiable ne doit être utilisée. Les recherches récentes montrent que le IA mémorisent les données d'entrainement et peuvent les ressortir.
Contrairement à ce que l’on croit souvent, ChatGPT n’est pas simplement “une IA”. C’est la combinaison de deux éléments :
C’est le réseau de neurones entraîné sur des données. Il peut produire des réponses, mais seul, il est assez limité.
C’est tout ce qu’on ajoute au modèle :
Dans la pratique, le système est souvent plus important que le modèle lui-même.
Tous les modèles d’IA ne sont pas équivalents :
Certains modèles utilisent même des mécanismes de raisonnement itératif : ils réévaluent et corrigent leurs propres réponses avant de les donner, ce qui améliore souvent la qualité finale.
L’IA générative est un outil puissant, mais imparfait.
Elle est particulièrement utile quand :
Apprendre à tester l’IA, comprendre ses limites, reformuler ses questions et vérifier les sources sont des compétences essentielles, aujourd’hui et pour les années à venir.
Envie de discuter de l’IA, de ce qui n’est pas clair et de ce que vous souhaiteriez voir approfondi :
👉 Discussion