- Le 24 février 2026, une étude menée par 10 organisations, avec la participation de la professeure Kate Kellogg (MIT Sloan) et de Danielle Bitterman (Harvard Medical School), a mis en lumière l’écart entre attentes et réalité lors du déploiement de l’IA agentique en milieu clinique.
- L’IA Agentique (Agentic AI) désigne des systèmes d’agents IA capables d’accomplir de manière autonome des processus multi-étapes avec un haut degré d’autonomie.
- La recherche s’est concentrée sur un système d’IA pour détecter les effets secondaires chez les patients cancéreux sous immunothérapie via l’analyse de dossiers médicaux électroniques non structurés.
- Le système peut traiter des centaines de notes en quelques minutes, tâche qui prend habituellement des heures ou des jours.
- La précision de la détection des effets secondaires était équivalente ou plus stable que celle des processus standards menés par les coordinateurs de recherche clinique.
- Cependant, moins de 20 % de l’effort de déploiement a été consacré au prompt engineering et au développement du modèle ; plus de 80 % a été dédié au travail « sociotechnique ».
- Pour chaque heure passée à optimiser le modèle, l’organisation a eu besoin d’environ 4 heures pour la mise en œuvre réelle. Les 5 « fardeaux » principaux :
- Intégration des données : Nécessite des pipelines et une infrastructure de données stables ; si les données ne sont pas standardisées, le système agentique subira un « blocage en chaîne ».
- Validation du modèle : Ne pas se contenter de vérifier les résultats, mais s’assurer que les agents IA respectent les politiques, tiennent des journaux (logs) complets et n’accèdent qu’aux outils autorisés.
- Garantie de la valeur économique : Le ROI est difficile à calculer car les coûts fluctuent selon la complexité des processus et le niveau de coordination entre les agents.
- Surveillance de la dérive (drift modèle/données) : Nécessite une « surveillance adaptative » pour suivre en continu de multiples indicateurs dynamiques plutôt que des seuils statiques.
- Gouvernance : Clarifier les responsabilités, les risques juridiques, la sécurité et les mécanismes de responsabilité en cas d’erreur.
- L’étude souligne que le risque élevé en santé exige des contrôles plus stricts, mais que chaque industrie a besoin d’un playbook pour ces 5 facteurs.
Conclusion : Le déploiement de l’IA agentique n’est pas seulement un défi algorithmique mais une transformation organisationnelle : plus de 80 % de l’effort réside dans l’infrastructure, la gouvernance et l’intégration des données. Le succès dépend de la gestion de 5 fardeaux clés, particulièrement dans les environnements à enjeux élevés comme la santé.
