L’intelligence artificielle ne se contente plus d’assister les artistes, elle génère des œuvres entières. Loin de n’être qu’une révolution technique, cette mutation nous confronte à une question vertigineuse : que reste-t-il de l’acte créateur humain lorsque l’algorithme devient auteur ?

Il y a plus de deux mille ans, dans le Phèdre de Platon, le roi Thamous accueille avec méfiance l’invention de l’écriture, présentée par le dieu Thoth comme un remède à l’oubli. Loin d’être une aide pour la mémoire, avertit le roi, cette technique en sera le simulacre, produisant une sagesse d’apparence au détriment de la véritable connaissance: celle qui naît du dialogue vivant. L’écriture, ce pharmakon – à la fois remède et poison -, allait externaliser la pensée, pour le meilleur et pour le pire.

Aujourd’hui, une nouvelle technologie, nous place devant le même dilemme. L’intelligence artificielle générative, capable de composer une symphonie, d’écrire un poème ou de peindre un tableau en quelques secondes, se présente comme l’ultime auxiliaire de la créativité. Mais ne risque-t-elle pas de vider l’acte créateur de sa substance, en automatisant ce qui relevait jusqu’ici de l’effort, du doute et de l’engagement existentiel ?

La question n’est plus de savoir si l’IA peut créer. Les œuvres sont là, souvent bluffantes de cohérence stylistique. La véritable interrogation, plus profonde, est de savoir ce que cette nouvelle puissance fait à notre propre créativité. Si l’IA devient un partenaire, voire un agent principal du processus artistique, comment cela reconfigure-t-il l’identité de l’artiste, le sens de l’œuvre et les fondements mêmes de l’originalité ?

Aux racines de l’acte créateur

Pour saisir l’ampleur du séisme, il faut d’abord cartographier ce que l’on cherche à défendre. La notion de créativité a elle-même une histoire. D’abord perçue comme une « folie divine » dans l’Antiquité, une inspiration transcendant l’humain, elle s’est progressivement intériorisée à la Renaissance pour devenir, avec le romantisme, l’attribut du « génie » : une force innée, singulière et inimitable. Or pour Kant, le génie est ce « don naturel qui donne ses règles à l’art », un talent qui ne s’apprend ni ne s’imite.

C’est précisément sur ce point que l’IA semble échouer. Margaret Boden propose une typologie éclairante, distinguant trois formes de créativité. La première, combinatoire, assemble des idées familières de manière nouvelle. La seconde, exploratoire, explore systématiquement les possibilités offertes par un style ou un ensemble de règles. Dans ces deux domaines, l’IA excelle. Nourrie de millions d’œuvres, elle est une virtuose de la recombinaison et de l’extrapolation stylistique.

Mais la troisième forme, la créativité transformationnelle, lui échappe. Il s’agit ici de briser les règles elles-mêmes, de changer le paradigme, de rendre possible ce qui était auparavant impensable. Ce type de rupture ne relève pas de la statistique, mais d’une décision radicale qui semble, pour l’heure, le propre de l’humain.

Image générée par StableDiffusion.

Cette capacité transformationnelle repose sur un triptyque que les algorithmes peinent à simuler. D’abord, l’intentionnalité : l’acte créateur est à propos de quelque chose. Il est dirigé par une vision, un désir d’exprimer une idée ou une émotion. Il ne s’agit pas seulement de produire un résultat, mais de l’orienter vers un sens. Ensuite, la résonance émotionnelle : l’art puise sa force dans l’expérience vécue: la joie, la souffrance, l’émerveillement. L’IA peut analyser et reproduire les codes du pathos, mais elle ne ressent rien. Elle manipule la syntaxe de l’émotion sans en connaître la sémantique. Enfin, l’ancrage culturel : une œuvre ne naît jamais dans le vide. Elle dialogue avec une histoire, des traditions, des luttes sociales. Le punk-rock n’est pas qu’une affaire d’accords de guitare saturés ; c’est une révolte contre des normes sociales et musicales. L’IA peut ingérer des corpus culturels, mais elle n’habite pas le monde qui leur donne leur portée.

De la main à la commande, mutation d’un métier

Cette distinction philosophique faite, il faut observer comment l’IA s’immisce concrètement dans le processus créatif. Une analyse fine de celui-ci révèle des zones de frictions particulièrement sensibles. Si l’IA est un assistant formidable pour les tâches techniques (tri ou suggestion), son influence devient problématique lorsqu’elle touche au cœur de la création : la génération de l’idée elle-même. C’est dans cette « zone sensible » que le potentiel de l’IA et la subjectivité humaine s’affrontent.

Un phénomène plus préoccupant encore est celui du « chaînage » : la capacité des modèles récents à prendre en charge plusieurs étapes successives du processus de création, de la recherche d’inspiration à la production finale. L’artiste, hier artisan courbé sur sa matière, risque de devenir un simple curateur, un chef d’orchestre d’algorithmes. Son rôle se déplace de la création directe vers l’ingénierie de « prompts » et la sélection parmi une infinité de propositions générées par la machine.

Cette mutation redéfinit la nature même du talent. La maîtrise d’un instrument ou d’une technique cède la place à la dextérité avec laquelle on dialogue avec le système. En musique, par exemple, l’interface n’est plus le manche d’une guitare ou le clavier d’un synthétiseur, mais de plus en plus souvent le langage lui-même. « Crée-moi un morceau, à la fois mélancolique et hypnotique » La création devient un acte de spécification verbale, une abstraction qui met à distance l’engagement corporel, l’imprévu d’un geste, la résistance de la matière qui ont, de tout temps, nourri l’art.

Les périls d’une création sans friction

Cette facilité apparente n’est pas sans danger. Le premier est l’érosion du savoir-faire. Le sociologue Richard Sennett a montré combien l’engagement patient et la confrontation avec les difficultés matérielles sont essentiels à la construction du sens et à la motivation. Un processus créatif sans friction, où chaque obstacle est aplani par l’algorithme, risque d’engendrer des œuvres polies mais sans âme, et de priver l’artiste de la joie profonde qui naît du dépassement d’une contrainte.

Le second péril est celui de l’homogénéisation culturelle. Theodor Adorno, dans sa critique de l’« industrie culturelle », alertait déjà sur la standardisation de l’art à des fins commerciales. L’IA pourrait porter cette tendance à son paroxysme. En apprenant à partir de gigantesques bases de données, les modèles identifient les schémas qui ont eu le plus de succès par le passé et les reproduisent. S’instaure alors une boucle de rétroaction : l’IA génère des œuvres qui ressemblent aux succès d’hier, les plateformes les promeuvent car elles correspondent aux attentes du public, et ces nouvelles œuvres viennent à leur tour nourrir les futures IA. Le résultat est un cul-de-sac esthétique, un monde de variations infinies sur les mêmes thèmes, où la véritable rupture, l’avant-garde, peine à émerger.

Le philosophe Bernard Stiegler voyait dans ce processus un risque de « désindividuation » : la perte de la capacité, pour les individus et les collectivités, à forger leur identité et leur avenir à travers des œuvres symboliques singulières. La culture ne serait plus réinventée, mais simplement reproduite.

Mais le danger le plus profond, et le plus subtil, est peut-être la « perte de l’abîme ». L’acte de créer a toujours été une confrontation avec l’inconnu, un saut dans un vide de possibilités. L’artiste se tient au bord d’un abîme et chaque décision (chaque note, chaque couleur) est un engagement irréversible qui ferme d’autres chemins. Ce poids existentiel, ce risque, confère à l’œuvre sa densité. Or, l’IA remplace cet abîme par un « espace latent » : un univers de possibilités certes vaste, mais entièrement cartographié par la statistique. L’inconnu est remplacé par le probable. La décision irréversible cède la place à un continuum infini d’options réversibles. La création, autrefois une aventure, devient une navigation optimisée dans un territoire balisé. Que reste-t-il quand il n’y a plus de vide à affronter ?

Vers la méta-créativité ?

Faut-il pour autant voir dans l’IA la fin de l’art ? Peut-être assistons-nous plutôt à l’émergence d’un nouveau paradigme : la méta-créativité. Dans ce modèle, l’acte créateur ne consiste plus à façonner l’œuvre directement, mais à concevoir, guider et contraindre le système qui la génère. La créativité devient une vertu épistémique, une capacité à poser les bonnes questions, à trouver des problèmes plutôt qu’à les résoudre.

Cette vision n’est pas sans noblesse. Après tout, comme le suggère le philosophe Andy Clark, l’être humain est un « cyborg-né », qui a toujours intégré des technologies pour étendre ses capacités cognitives. L’IA pourrait être le plus puissant de ces exosquelettes mentaux.

Image générée par StableDiffusion.

.

Pourtant, la tension demeure. Le véritable danger n’est pas tant une IA super-intelligente qui nous remplacerait, mais, comme l’écrit la philosophe Anne Alombert, « l’industrialisation de la pensée et l’automatisation de l’altérité ». Le risque est que, par souci d’efficacité et d’engagement, nous déléguions aux machines non seulement les tâches fastidieuses, mais aussi la capacité même de penser différemment, de produire cette rupture, cette altérité radicale qui est le moteur de l’évolution culturelle.

Nous sommes à l’aube de cette nouvelle ère. Le mythe de Thoth ne nous dit pas de refuser l’écriture, mais de rester vigilants face à sa double nature. De même, le défi n’est pas de rejeter l’IA, mais de l’intégrer à nos pratiques d’une manière qui augmente notre créativité au lieu de la diminuer. Il s’agit de préserver des espaces de friction, de lenteur et de doute, de continuer à cultiver le dialogue irremplaçable entre un corps, un esprit et la matière. Car c’est peut-être dans cette lutte, dans cette confrontation avec l’abîme, que se loge ce qui, en nous, restera toujours au-delà de tout calcul.

Ninon Devis Salvy

Instagram : https://www.instagram.com/ninon.dvslv/
Website : https://ninon-io.github.io/

Pour aller plus loin:

• Platon, Phèdre, trad. Luc Brisson, Paris, Flammarion (GF), 1989.
• Kant, Immanuel, Critique de la faculté de juger, trad. Alexis Philonenko, Paris, Vrin, 1965.
• Boden, Margaret A., The Creative Mind: Myths and Mechanisms, Londres, Routledge, 1990.
• Sennett, Richard, Ce que sait la main. La culture de l’artisanat [trad. fr. de The Craftsman], Paris, Albin Michel, 2010.
• Adorno, Theodor W. et Horkheimer, Max, La dialectique de la raison, trad. Eliane Kaufholz et Jean Laplanche, Paris, Gallimard, 1974.
• Stiegler, Bernard, La société automatique, 1. L’avenir du travail, Paris, Fayard, 2015.
• Clark, Andy, Natural-Born Cyborgs: Minds, Technologies, and the Future of Human Intelligence, Oxford, Oxford University Press, 2003.
• Alombert, Anne, Schizophrénie numérique. Anthropologie des technologies numériques, Paris, Éditions Divergences, 2023.

L’article Aux abords de l’abîme : l’art à l’ère de l’IA est apparu en premier sur Blog binaire.

Dans cet article, nous discutons des développements récents de la recherche en apprentissage statistique, qui ambitionnent de repenser l’avenir des essais cliniques. Ces travaux visent à pallier les limites inhérentes à ces derniers et à permettre la prédiction des effets de traitement dans des populations distinctes de celles étudiées initialement. Ils s’inscrivent ainsi dans une perspective plus large de personnalisation des traitements, où la prise en charge est adaptée en fonction des caractéristiques individuelles de chaque patient.

Si la « médecine personnalisée » s’impose désormais comme un idéal régulièrement invoqué, force est de constater que, dans de nombreux domaines, le paradigme du one-size-fits-all — un traitement identique pour l’ensemble des patients — demeure prédominant. Cette situation s’explique entre autres par la difficulté, voire la subtilité, qu’il y a à établir de manière robuste l’effet moyen d’un traitement au sein d’une population donnée.

1) L’essai clinique randomisé : un étalon d’or aux nombreuses limitations. 

Les essais cliniques randomisés constituent l’étalon d’or de la médecine fondée sur les preuves (“evidence-based medicine”) pour évaluer l’efficacité d’une intervention sur une population. Dans leur forme la plus simple, ils consistent à recruter des volontaires puis à les répartir aléatoirement entre un groupe recevant le traitement étudié et un groupe témoin recevant un traitement de référence. Cette randomisation assure, en moyenne, l’équilibre des caractéristiques initiales (âge, facteurs de risque, antécédents médicaux) entre les groupes, permettant ainsi d’attribuer avec confiance toute différence observée à l’intervention testée. Les essais permettent donc d’isoler l’effet propre du traitement en minimisant l’influence de facteurs confondants : c’est ce que l’on appelle la validité interne.

Malgré leur rigueur méthodologique, les essais cliniques randomisés présentent des limitations majeures. Ils sont tout d’abord coûteux et chronophages : en contexte d’urgence sanitaire, comme lors de la pandémie de Covid-19, leur temporalité peut se révéler incompatible avec l’exigence de décisions rapides, rendant nécessaire le recours à d’autres sources de preuves pour évaluer l’efficacité d’un vaccin ou d’un traitement. Ensuite, il n’est ni possible ni éthique de mener un essai dans toutes les situations. On ne saurait, par exemple, assigner un groupe de volontaires à fumer pendant vingt ans afin d’en observer les effets. Enfin, les critères stricts d’inclusion et d’exclusion — souvent indispensables pour des raisons de sécurité — entraînent deux conséquences majeures :

• Des populations restreintes : la taille médiane des essais cliniques en chirurgie n’atteint que 122 participants, ce qui limite non seulement la puissance statistique, compromettant la détection d’effets pourtant réels mais rend aussi difficile l’usage de méthodes d’intelligence artificielle, gourmandes en données, ou la personnalisation des traitements (identifier « un patient qui me ressemble »).
• Un déficit de validité externe : ces critères conduisent à sélectionner des participants éloignés des profils rencontrés en pratique courante — par exemple, un groupe homogène d’hommes jeunes et en bonne santé, là où les patients réels sont souvent plus âgés, présentent des comorbidités, ou appartiennent à des populations vulnérables. Les femmes enceintes, les personnes âgées ou les patients avec des maladies chroniques en sont fréquemment exclus. Cela conduit à des effets de traitements estimés sur des populations qui diffèrent des populations qui pourraient bénéficier du traitement (en mathématiques, cela correspond à ce qu’on appelle un changement de distribution). Dans certains domaines, tels que les pathologies respiratoires ou allergiques, moins de 10 % des patients qui recevront effectivement le traitement dans la vie réelle correspondent au profil des participants inclus dans les essais [Pahus2019]. Cette absence de représentativité n’est pas anodine : elle réduit la portée clinique et politique des conclusions, et crée une inégalité dans la connaissance médicale, en laissant certains sous-groupes de patients avec un déficit de preuves pour guider leur prise en charge.

2) Les données de vie réelle : une richesse à exploiter avec prudence

Face aux limites des essais cliniques, les autorités sanitaires, telles que la U.S. Food and Drug Administration (FDA) et l’European Medicines Agency (EMA) [HMA_RW2024], s’appuient de plus en plus sur l’analyse de données dites « de vie réelle » pour guider la décision médicale et réglementaire en complément des essais cliniques. Ces données peuvent provenir de la recherche (registres, cohortes, biobanques, études épidémiologiques) ou de la pratique courante (dossiers médicaux électroniques, bases administratives ou d’assurance, applications patients).  Elles peuvent, dans une certaine mesure, être plus rapidement accessibles que les données d’essais cliniques, mais surtout elles offrent une représentation plus fidèle des populations susceptibles de bénéficier d’un traitement. Leur volume et leur diversité ouvrent ainsi des perspectives considérables.

Cependant, leur exploitation se heurte à un obstacle majeur : l’absence de randomisation. Dans les données de vie réelle, les traitements sont attribués selon des critères médicaux ou logistiques, ce qui introduit des biais de confusion.

C’est pourquoi l’analyse de données de vie réelle demeure exposée aux critiques. Pour établir un lien de causalité — et aboutir à des conclusions comparables à celles d’un essai randomisé (ce que l’on nomme l’« émulation d’essai clinique » [Hern2016]) — il est indispensable de distinguer l’effet propre d’un traitement de l’influence des variables confondantes. Cela suppose de disposer de l’ensemble de ces variables, comme la sévérité dans l’exemple précédent. La taille des bases de données ne résout pas ce problème : sans les bonnes variables, aucune méthode, même l’algorithme d’intelligence artificielle le plus sophistiqué, ne permet de séparer corrélation et causalité. En pratique, le “design” de l’étude  — sa conception et sa structuration pour répondre à une question précise  — est souvent plus déterminant que la méthode d’analyse. C’est pourquoi un dialogue étroit entre méthodologistes, cliniciens et experts en données est essentiel dès la conception du projet, afin d’identifier les informations à collecter et de définir les méthodes d’analyse les plus adaptées.

Ces méthodes peuvent aller des méthodes statistiques classiques, comme les régressions multivariées, à des approches plus récentes d’apprentissage statistique ou d’intelligence artificielle, telles que le double machine learning [Cherno2018]. Ces techniques permettent de modéliser des relations complexes et de traiter des données massives, hétérogènes et parfois décentralisées, notamment grâce à l’apprentissage fédéré.

Notons qu’il existe toutefois des approches, comme les analyses de sensibilité, qui permettent de renforcer la confiance dans les conclusions même en présence de facteurs confondants non observés. C’est notamment grâce à ce type de méthodes que l’effet causal du tabagisme sur le cancer du poumon a pu être conforté [Cornfield1959].

3) Les promesses et les défis de l’intégration de données

Combiner les informations issues des essais randomisés et des données de vie réelle  constitue aujourd’hui un domaine de recherche extrêmement actif. L’idée centrale est que certaines connaissances peuvent émerger d’analyses intégratives, en combinant les forces des différentes sources de données, que l’on ne pourrait jamais obtenir en analysant chaque source de données isolément.

Parmi les applications à fort potentiel, trois se distinguent particulièrement :

1. Prédire l’effet d’un traitement évalué dans un essai sur une nouvelle population cible, différente de celle de l’essai initial  — ce que l’on désigne parfois sous les termes de transportabilité, généralisation, et qui se rattache également aux méthodes d’adaptation de domaines.
2. Comparer les résultats d’essais cliniques et de données de vie réelle afin de valider et consolider les méthodes d’analyse de données de vie réelle.
3. Mieux estimer les effets hétérogènes d’un traitement (i.e. l’effet du traitement dépend des caractéristiques du patient), ouvrant la voie à une personnalisation plus fine des soins.

Prenons le premier cas : prédire l’effet d’un traitement dans une population cible différente de celle de l’essai. Ces approches, de plus en plus considérées comme essentielles, pour repenser le rôle des essais cliniques dans la production de preuves médicales, ont des implications majeures. En France, la prise en charge ou non des médicaments par la solidarité nationale repose sur leur efficacité [FHA2024], et l’amélioration thérapeutique conditionne aussi leur prix. Ainsi, la capacité à anticiper les bénéfices d’un traitement dans des populations diverses, notamment celles qui en bénéficient, peut influencer non seulement les prix (et donc les dépenses associées), mais aussi l’accès aux soins et les politiques de santé. Par ailleurs, des travaux récents suggèrent que les méthodes de généralisation pourraient également redéfinir le rôle de la méta-analyse [Berenfeld2025], traditionnellement placée au sommet de la hiérarchie de la médecine fondée sur les preuves.

Les techniques actuelles — pondération, régression, ou approches hybrides — permettent  d’ajuster les différences de caractéristiques entre la population de l’essai et la population cible. Imaginons un traitement dit hétérogène dont l’efficacité varie fortement selon l’âge : quasi nulle chez les jeunes, mais bénéfique pour les personnes âgées. Un essai incluant des participants de 20 à 65 ans, majoritairement âgés de 25 ans, ne reflète pas une population cible couvrant le même intervalle mais avec une majorité de participants autour de 60 ans. Pour prévoir l’effet du traitement, à partir des résultats de l’essai, dans la population cible, la méthode de pondération par probabilité inverse (inverse propensity weighting), couramment utilisée en sondages,  attribue plus de poids, aux participants âgés de l’essai, afin que la distribution des âges de l’échantillon pondéré corresponde à celle de la population cible. Ainsi, un traitement dont l’efficacité a été démontrée par un essai en France pourrait être réévalué pour les États-Unis en pondérant les participants français de façon à ce qu’ils ressemblent aux Américains.

Un des principaux défis est que cette approche exige un certain recouvrement des caractéristiques entre les deux populations. Or, dans la pratique, ce recouvrement est souvent limité. Par exemple, si un essai a été mené uniquement sur des individus de 20 à 40 ans et que l’on souhaite prévoir l’effet du traitement chez des personnes de 40 à 60 ans (un traitement efficace chez de jeunes adultes le sera-t-il aussi chez les personnes âgées ?), ou encore si un traitement a été testé exclusivement chez des hommes et que l’on souhaite extrapoler aux femmes, on sort de la zone de simple réajustement statistique pour entrer dans celle de l’extrapolation, beaucoup plus incertaine et risquée. Ces situations posent des questions méthodologiques et cliniques majeures : les résultats obtenus dans un contexte géographique, culturel ou sanitaire donné peuvent-ils être valables dans un autre ? Autant de problématiques qui sont aujourd’hui au cœur des recherches en intelligence artificielle sur la fusion des données et la transportabilité des effets de traitement.

4) Quelle mesure choisir pour estimer un effet de traitement ?

Jusqu’à présent, nous avons surtout discuté des sources de données utilisées pour estimer un effet de traitement : les essais cliniques, qui permettent de démêler l’effet du traitement de celui des autres facteurs ; les données de vie réelle, plus représentatives des populations d’intérêt et disponibles en grand volume ; et enfin les approches qui combinent ces deux sources afin de tirer parti de leurs forces respectives et de compenser leurs faiblesses. Mais nous n’avons pas encore abordé une question centrale : comment mesure-t-on concrètement un effet de traitement ?

Prenons un exemple. Dans un essai clinique, un médicament vise à réduire le risque d’accident vasculaire cérébral (AVC) dans les cinq années suivant la prescription. Supposons que 3 % des patients non traités fassent un AVC, contre 1 % parmi les patients traités. À première vue, on peut dire que le traitement fonctionne.  Mais cet effet peut être exprimé de plusieurs manières.

C’est pourquoi les autorités de santé exigent, pour les essais cliniques, la présentation de plusieurs indicateurs afin de permettre une lecture nuancée des résultats. Et il est important que le public ait accès à ces différentes façons de lire les résultats. Il existe de nombreuses mesures d’effet — risk difference, risk ratio, odds ratio, number needed to treat (nombre de patients à traiter pour éviter un événement indésirable) — qui non seulement  donnent des impressions différentes, mais  dépendent aussi du risque de base: diviser un risque par trois n’a pas le même impact selon qu’il soit initialement de 90 % ou de 0,3 %. Et cela vaut déjà pour l’essai clinique, considéré comme la source de données la plus « propre », et ne concerne qu’un effet moyen dans la population, sans même aborder la question des effets individualisés. Une autre subtilité tient au fait qu’un effet peut apparaître homogène ou hétérogène selon la mesure retenue : ainsi, il peut varier avec l’âge en différence de risque, tout en restant constant en rapport de risque. Ce phénomène rappelle qu’il est essentiel de recourir à plusieurs indicateurs pour restituer une vision complète des effets d’un traitement, tout en affinant la compréhension mathématique des phénomènes sous-jacents. Cette diversité de mesures est fondamentale pour guider la décision médicale et réglementaire en tenant compte du contexte, des priorités et du profil des patients.

5) Et la personnalisation dans tout ça ? 

Nous avons vu comment estimer l’effet moyen d’un traitement dans une population donnée. Prédire cet effet dans une autre population constitue déjà, en un sens, une première étape vers la personnalisation des traitements. Mais il est possible d’aller plus loin. La littérature scientifique regorge d’extensions des méthodes classiques (pondération, régression, etc.) permettant d’adapter les traitements aux caractéristiques individuelles des patients. Cependant, il reste nécessaire de mener davantage de recherches pour renforcer la confiance dans les résultats produits par ces approches.

Prenons un exemple : pour déterminer la dose optimale d’un traitement en fonction du profil d’un patient, on trouve aisément plus d’une vingtaine d’algorithmes, chacun déclinable en plusieurs variantes. Résultat : des dizaines de recommandations possibles, parfois très éloignées de la dose que le médecin prescrirait réellement. Du point de vue du patient, cette disparité peut être déstabilisante ; du point de vue du médecin, elle constitue un obstacle majeur à l’adoption de ces méthodes. D’où l’importance de poursuivre les travaux, notamment pour mieux quantifier l’incertitude associée aux décisions — un défi qui reste largement statistique.

Par ailleurs, un fossé important subsiste entre la théorie et la pratique. Les articles méthodologiques abondent, mais les implémentations concrètes et pérennes restent rares. Les raisons sont multiples : incitations académiques orientées vers la production de nouvelles méthodes plutôt que la consolidation d’approches existantes ou encore absence d’infrastructures pour maintenir du code et des logiciels sur le long terme.

Il est crucial de rappeler que, même si l’IA permet d’exploiter des données toujours plus complexes et volumineuses, la qualité des données reste déterminante. Certaines informations essentielles peuvent être absentes des données: état psychologique, recours à des thérapies alternatives (ex. acupuncture), liens entre financement et gravité des cas, désaccords au sein des équipes soignantes. Ces éléments ne peuvent parfois être identifiés qu’au travers de discussions collaboratives.

En définitive, c’est le travail main dans la main entre expert IA, statisticien et clinicien qui permettra de transformer les avancées méthodologiques en bénéfices réels pour les patients et toutes les parties prenantes (personnels de santé, etc.).

Les avancées dans ce domaine sont prometteuses, et pourraient à court terme contribuer à éclairer les décisions des autorités de santé, tout en favorisant une médecine plus équitable et mieux personnalisée.

Julie Josse, Chercheuse Inria

Pour aller plus loin

[Pahus2019] Pahus, L., et al (2019). Randomised controlled trials in severe asthma: selection by phenotype or stereotype. European Respiratory Journal. 

[HMA_RW2024] Real-world evidence framework to support EU regulatory decision-making 3rd report on the experience gained with regulator-led studies from February 2024 to February. 2025https://www.ema.europa.eu/en/documents/report/real-world-evidence-framework-support-eu-regulatory-decision-making-3rd-report-experience-gained-regulator-led-studies-february-2024-february-2025_en.pdf

[Cherno2018] Chernozhukov et at. (2018).  Double/debiased machine learning for treatment and structural parameters. The Econometrics Journal.

[Hern2016] Hernan M. A. & Robins, J.M. (2016). Using Big Data to Emulate a Target Trial When a Randomized Trial Is Not Available. American Journal of Epidemiology.

[Cornfield1959] Cornfield J, Haenszel W, and Hammond EC et al. (1959). Smoking and lung cancer: recent evidence and a discussion of some questions. J Natl Cancer Inst., 22:173–203.

[Haas2021] Haas et al. (2021). Impact and effectiveness of mRNA BNT162b2 vaccine against SARS-CoV-2 infections and COVID-19 cases, hospitalisations, and deaths following a nationwide vaccination campaign in Israel: an observational study using national surveillance data. The Lancet. 

[Berenfeld2025] Berenfeld, C. et al. (2025). Causal Meta Analysis: Rethinking the foundations of evidence-based medicine.

[FHA2024] French Health Authority (2024). Pricing & reimbursement of drugs and hta policies in france.

L’article L’intelligence artificielle et la fabrique du savoir clinique est apparu en premier sur Blog binaire.

Vous avez probablement déjà vu l’intelligence artificielle (IA) représentée sous la forme d’un robot humanoïde plus ou moins sympathique.

Cette représentation anthropomorphique est vivement critiquée, car les intelligences artificielles à notre disposition sont encore loin de prétendre à égaler l’humain, à part peut-être dans notre prédisposition à inventer ce que l’on ne sait pas.

Une alternative beaucoup plus pertinente pour illustrer l’intelligence artificielle serait une banale caisse à outils. Car l’intelligence est d’abord dans ce que l’utilisateur fait de l’IA.

Néanmoins, l’IA n’est pas un outil banal et je souhaite vous parler dans cet article du petit miracle qui s’opère lorsque l’on confie une intelligence artificielle générative à un développeur informatique.

L’IA générative, une IA démocratisée

Jusqu’à présent, l’intelligence artificielle était le pré carré des analystes de données et ingénieurs en apprentissage automatique – machine learning et deep learning. Pour chaque problème à résoudre, il fallait concevoir, entraîner et mettre en œuvre une nouvelle intelligence artificielle. Un algorithme capable de reconnaître des chats ne pouvaient pas reconnaître différentes espèces d’oiseaux tant qu’il n’était pas entraîné pour cela.

L’intelligence artificielle générative a engendré une disruption aussi brutale que soudaine qui s’explique en partie par sa capacité à parler comme l’humain, mais surtout par sa polyvalence.

Les grands modèles de langages ou « LLM » (voir un lexique sur ce sujet), c’est-à-dire les modèles profonds de grande taille qui sont le cerveau de l’IA générative, peuvent être programmés pour réaliser toutes sortes de tâches par le biais d’un prompt écrit en langage naturel.

« Genère moi un email », « reformule moi le titre de cet article », ou encore « écrit moi une dissertation, fait vite car je dois la rendre demain » sont désormais des instructions informatiques tout à fait valide, il suffit de donner ces prompts à ChatGPT et Mistral pour obtenir le résultat escompté.

Cette avancée ne se limite pas au texte, les modèles profonds de grande taille, appelés modèles de fondation, existent aussi pour les images, les séries temporelles et d’autres typologies de données.

Tout un chacun peut s’approprier l’IA générative depuis son ordinateur ou son smartphone et l’on peut déjà constater sa démocratisation en milieu professionnel, scolaire ou pour un usage personnel.

Les résultats sont impressionnants, amusants ou inquiétants selon le point de vue. Et pourtant, je pense que nous n’effleurons que la surface des capacités de l’intelligence artificielle générative si l’on se cantonne à cette utilisation directe.

La naissance d’une nouvelle informatique fondée sur l’intégration entre IA et génie logiciel

Intégrer l’IA générative dans des programmes informatiques décuple immédiatement sa puissance. Les instructions transmises à l’IA peuvent être multipliées à l’infini par des boucles, conditionnées par des opérations logiques, interconnectées avec les systèmes d’information des entreprises.

Bien que le jargon puisse impressionner, il n’y a en fait ici rien de compliqué. Montre en main, il faut 30 minutes pour apprendre à des professionnels non développeurs comment déclencher leur premier appel vers un LLM depuis un outil d’automatisation libre tel que n8n.

Moyennant un peu de temps et de patience, tout le monde peut apprendre à créer des petits programmes intégrant l’intelligence artificielle, ce n’est pas plus dur que d’apprendre les bases de la guitare ou de la peinture à l’huile. En tant que formateur, j’utilise désormais l’IA générative comme un prétexte pour former les débutants en programmation aux langages Python et JavaScript.

Cette rencontre entre la programmation informatique traditionnelle et l’IA n’a rien anodin. On assiste à la naissance d’une nouvelle informatique qui n’est plus fondée uniquement sur des relations logiques formelles. L’IA apporte la créativité, la capacité de généralisation ou encore la tolérance aux incohérences qui manquaient jusqu’à présent à l’informatique.

L’IA générative permet d’apporter une réponse floue à des problèmes flous. Par exemple, tout le monde s’est déjà rendu compte que les processus administratifs n’étaient jamais vraiment rationnels et encore moins exempts de cas particuliers et de situations contradictoires. Un circuit logique ne peut pas capturer cette complexité, mais l’IA peut la tolérer par sa capacité à réagir aux situations inattendues.

C’est l’informatique qu’auraient voulu voir naître Von Neumann et Turing mais que la puissance de calcul de leur époque n’aurait jamais laissé espérer, les contraignants à une approche entièrement logique.

Le retour sur investissement de l’IA générative dépend fortement des développeurs informatiques

Il en résulte que l’impact de l’intelligence artificielle sur les entreprises ne découlera probablement pas de l’introduction de plateformes grand public comme ChatGPT ou Mistral, mais de l’appropriation de ces technologies par les acteurs traditionnels de l’automatisation, notamment les développeurs informatiques.

Je prône l’adoption du terme « développement LLM » pour qualifier cette discipline naissante, comme un miroir « développement web » ou du « développement logiciel » au sens large.

Le rôle des développeurs paraît encore sous-estimé aujourd’hui en 2025. La capacité de l’intelligence artificielle à parler comme les humains nous éblouit, mais réduit par là même notre capacité à observer des phénomènes plus techniques, plus discrets mais peut-être plus impactants.

Les développeurs informatiques eux-mêmes sont concentrés sur l’impact de la génération automatique de code informatique sur leur métier, dans un contexte économique difficile selon les domaines, et n’ont pas encore eu le temps de s’intéresser pleinement à la possibilité de créer leurs propres systèmes d’intelligence artificielle. On pourra se référer à un article récent sur le sujet avec une analyse économique.

Le terme « agent » gagne toutefois en popularité en informatique. Il transcrit une forme extrême de symbiose entre l’informatique logique et l’IA. On peut définir un agent comme un programme informatique rendu autonome et capable de décision grâce à l’utilisation de l’intelligence artificielle en plusieurs points de son code.

Quand vous parlez à ChatGPT, vous parlez sans le savoir à un « agent », qui possède par exemple des capacités d’analyse de documents. Cette analyse ne provient qu’en partie du LLM, le cerveau du système : le découpage et le stockage des documents complexes dans des bases de données adéquates est tout aussi important pour produire une analyse de qualité. Ces étapes sont gérées par des systèmes informatiques traditionnels, non-intelligents. Le pré-traitement et le rangement optimal des documents est très important, au point qu’il s’agit d’un champ de recherche à part entière, le « RAG » ou « génération augmentée par une recherche ».

En définitive, tirer parti de l’intelligence artificielle n’est plus un problème de données, mais un problème de génie logiciel.

Mon opinion est que si demain tous les chercheurs en intelligence artificielle cessaient leurs travaux pour prendre des vacances bien méritées et que les LLM stagnaient pour toujours, il serait toujours possible de faire d’immense progrès en apprenant à utiliser plus intelligemment les modèles déjà existants.

Va-t-on tout automatiser ?

L’automatisation des métiers par l’IA est au cœur de toutes les réflexions. On peut citer dans ce domaine l’analyse de l’Organisation Internationale du Travail, qui procède à un découpage des métiers en tâches pour identifier celles qui sont automatisables par l’IA, ou encore les analyses du prix Nobel d’économie Daron Acemoğlu (lien vidéo).

Doit-on alors s’attendre à voir une vague d’automatisation de tâches toujours plus complexes, à mesure que les programmeurs informatiques s’approprient l’intelligence artificielle générative ?

C’est une hypothèse raisonnable mais je tends à adopter une approche conservatrice de l’automatisation. Car l’automatisation est une discipline empirique, un phénomène qui ne peut s’analyser pleinement qu’ex post. C’est-à-dire que pour prouver qu’une tâche est automatisable de façon certaine, il n’y a pas d’autre méthode que procéder à son automatisation.

Si l’on se contente de considérer que l’automatisation est possible, sans jamais la mettre en œuvre, nous sommes face à une automatisation hypothétique. Et les hypothèses n’apportent que très rarement des gains de productivité et des points de croissance dans l’économie.

Avons-nous seulement effleuré la surface de l’intelligence artificielle générative ?

Je réponds probablement, mais surtout je retourne réviser mon code Python, car c’est au tour des développeurs informatiques d’écrire la prochaine page de l’impact de l’intelligence artificielle sur les entreprises et la société au sens large.

Eric Burel, Ingénieur ENSIMAG,  LBKE – www.lbke.fr, Formateur en intelligence artificielle générative,

L’article Le futur de l’intelligence artificielle se code aujourd’hui est apparu en premier sur Blog binaire.

Après plus de dix ans d’hébergement par Le Monde, et une super expérience, binaire vient de migrer pour le site de La Recherche. Toutes les archives avec leur immense diversité, et leur incroyable valeur, sont disponibles. Nous remercions nos nombreux auteurs et très nombreux lecteurs et sommes convaincus qu’ils nous resteront fidèles.

Notez notre nouvel URL : https://blogbinaire.larecherche.fr

Au revoir Le Monde ! … Bonjour La Recherche !

PS : et merci à la Société Informatique de France pour son soutien dans cette migration.

L’article Bonjour La Recherche est apparu en premier sur Blog binaire.