IA et santé : ce qui change vraiment pour les patients en 2026

Un radiologue qui examine une mammographie peut passer à côté d’un signe subtil. L’algorithme qui analyse la même image en 0,3 seconde, lui, ne fatigue jamais, ne cligne pas des yeux, et a été entraîné sur des millions de clichés. Il ne remplace pas le radiologue — il lui signale ce qu’il aurait pu manquer. C’est ce type d’assistance, ni spectaculaire ni magique, qui constitue la réalité de l’IA en santé en 2026.

Le marché mondial de l’IA dans la santé est évalué à 21,6 milliards de dollars en 2025 et devrait atteindre 110,6 milliards d’ici 2030. En France, le ministère de la Santé a lancé une stratégie nationale IA et données de santé, mise à jour en novembre 2025. La Haute Autorité de santé (HAS) intègre désormais l’IA dans ses critères de certification des établissements. Mais entre les promesses et le quotidien des patients, l’écart reste important.

Ce que l’IA fait déjà en santé

Le diagnostic assisté par image

C’est le domaine le plus mature. En radiologie, en dermatologie et en ophtalmologie, des algorithmes analysent des images médicales avec une précision qui, dans certains cas, dépasse celle des praticiens humains sur les cas routiniers. En France, la startup Gleamer propose un assistant IA dédié à l’imagerie médicale, déjà utilisé en routine clinique. Primaa analyse automatiquement les lames de biopsie en laboratoire. En cancérologie, l’IA permet de détecter des anomalies invisibles à l’œil nu dans les mammographies, les scanners et les IRM.

L’Inserm note que l’un des principaux avantages de ces outils est indirect : en traitant rapidement les cas simples, l’IA libère du temps pour que le praticien se concentre sur les cas complexes et sur l’échange avec le patient.

La médecine prédictive et préventive

L’IA peut analyser des données génétiques, des habitudes de vie et des antécédents médicaux pour identifier des individus à risque avant l’apparition des symptômes. C’est le principe de la médecine prédictive. En pratique, des modèles sont utilisés pour anticiper les complications chez les patients diabétiques (comme Diabeloop, qui ajuste automatiquement les doses d’insuline) ou pour prédire les risques de rejet chez les greffés rénaux (l’outil iBox, développé par des équipes françaises).

L’aide à la décision aux urgences

L’IA est testée à titre expérimental dans les services d’urgence pour attribuer un degré de gravité aux patients qui se présentent. Cela fait gagner du temps aux infirmiers dans le tri des cas. La stratégie nationale française prévoit d’évaluer ces expérimentations en 2026-2027 avant un éventuel déploiement à plus grande échelle.

La découverte de médicaments

La biotech française Owkin utilise l’IA pour identifier de nouvelles cibles thérapeutiques et accélérer les essais cliniques. À l’échelle mondiale, l’IA intervient dans la conception de molécules, la simulation d’interactions médicamenteuses et l’identification de patients éligibles pour des essais. Le processus de développement d’un médicament — qui prend habituellement 10 à 15 ans — pourrait être raccourci de plusieurs années grâce à ces approches.

La gestion des données et l’administratif

Moins visible mais très concret : l’IA est utilisée pour structurer les dossiers médicaux, remplir automatiquement des comptes-rendus, coder les actes et optimiser la logistique hospitalière. Doctolib, qui revendique 400 000 professionnels de santé abonnés, a investi 115 millions d’euros en R&D en 2024, dont une large part consacrée à l’IA, avec notamment un assistant virtuel pour la prise de rendez-vous par téléphone.

Ce qui reste expérimental ou problématique

Les chatbots médicaux ne sont pas fiables pour le diagnostic

L’Inserm est catégorique : l’utilisation de ChatGPT ou d’autres agents conversationnels pour des tâches médicales complexes comme la réalisation d’un diagnostic ou la proposition d’un protocole de soins donne des résultats insatisfaisants. Les hallucinations (réponses fausses présentées avec assurance) sont un risque particulièrement grave en contexte médical. L’IA conversationnelle peut aider à la compréhension — pas à la décision clinique.

Les données de santé françaises sont sous-exploitées

La France dispose du Système National des Données de Santé (SNDS), l’une des bases de données de santé les plus complètes au monde. Mais son exploitation est freinée par des capacités de traitement insuffisantes. Un appel d’offres a été lancé pour un hébergement souverain de la copie du SNDS, avec une mise en service prévue pour l’été 2026. L’objectif est d’accélérer l’accès aux données pour les projets autorisés.

La réglementation avance, mais lentement

La HAS doit publier au premier trimestre 2026 des recommandations sur l’évaluation des dispositifs médicaux numériques intégrant l’IA. Fin 2026, un outil d’aide à la classification des systèmes d’IA sera mis à disposition sur le portail G_Nius. L’article 84 de la loi de financement de la Sécurité sociale (LFSS) 2026 confie à la HAS l’élaboration de « référentiels de pertinence » pour guider le financement des solutions numériques en santé. C’est le signe que la France structure son approche — mais les déploiements concrets restent prévus pour 2027-2028.

La formation des professionnels est en retard

L’IA ne remplace pas le médecin, mais elle change sa façon de travailler. Or la plupart des professionnels de santé n’ont pas été formés à utiliser ces outils. L’actualisation de l’arrêté sur la formation socle au numérique en santé est prévue pour 2027. En attendant, le décalage entre les outils disponibles et la capacité du terrain à les utiliser reste un frein majeur.

Les startups françaises à connaître

Gleamer — assistant IA pour la radiologie, utilisé en routine clinique pour l’analyse de radiographies et de scanners.

Owkin — biotechnologie, utilise l’IA pour la découverte de traitements et l’optimisation des essais cliniques.

Primaa — analyse automatique des lames de biopsie en anatomopathologie.

Diabeloop — dispositif médical qui utilise l’IA pour ajuster automatiquement les doses d’insuline chez les patients diabétiques de type 1.

Doctolib — au-delà de la prise de rendez-vous, développe des outils IA pour l’assistance au praticien et la gestion du parcours patient.

Pixyl — analyse d’imagerie cérébrale par IA, cofondée par un directeur de recherche Inserm.

Les questions éthiques qui se posent

La transparence des algorithmes. En droit français, le patient doit être informé lorsqu’un dispositif médical utilise l’IA, et doit avoir accès au diagnostic de la machine comme à celui du médecin — même s’ils se contredisent. Ce principe est clair sur le papier. En pratique, la plupart des patients ne savent pas quand l’IA intervient dans leur parcours de soins.

La responsabilité en cas d’erreur. Si l’IA suggère un mauvais diagnostic et que le médecin le suit, qui est responsable ? Le médecin, l’éditeur du logiciel, l’hôpital ? Le cadre juridique est encore flou sur ce point. Les chercheurs de l’Inserm plaident pour des procédures de test aussi rigoureuses que celles appliquées aux médicaments — ce qu’on ne sait pas encore faire correctement.

L’empreinte environnementale. L’IA en santé repose sur des centres de données énergivores. Le rapport de la Délégation ministérielle du numérique en santé reconnaît la nécessité de maîtriser l’impact environnemental du numérique dans un système de santé déjà contraint par le réchauffement climatique.

L’accès équitable. Les hôpitaux des grandes métropoles sont mieux équipés que les structures rurales. Si l’IA améliore la qualité des soins mais n’est accessible que dans certains établissements, elle risque d’accentuer les inégalités territoriales plutôt que de les réduire.

Ce qu’il faut retenir

L’IA en santé n’est ni le miracle que vendent les communiqués de presse, ni une menace abstraite. C’est un ensemble d’outils spécialisés qui, là où ils sont déployés, améliorent la précision du diagnostic, accélèrent les processus et libèrent du temps médical. Le diagnostic assisté par image est le domaine le plus mature. La médecine prédictive progresse. L’administratif se simplifie.

Mais le déploiement à grande échelle bute sur des obstacles concrets : formation insuffisante des soignants, réglementation en cours d’élaboration, données sous-exploitées, et un écart persistant entre les centres hospitaliers bien dotés et le reste du territoire. En France, la stratégie nationale est posée et les jalons sont fixés entre 2026 et 2028. Les prochaines années diront si cette ambition se traduit dans le quotidien des patients — ou reste dans les rapports ministériels.