L’IA peut diagnostiquer, mais elle ne peut toujours pas prendre soin d’un patient

Google News a remis en lumière un essai de TIME centré sur un conflit saisissant : l’IA médicale continue de progresser, mais elle ne peut toujours pas réellement prendre soin des patients. L’essai remet en cause la prédiction familière selon laquelle des machines plus intelligentes remplaceront simplement les médecins. Les données cliniques soutiennent de plus en plus un avenir plus complexe.

L’IA peut identifier des schémas, résumer des dossiers, recommander des examens et aider les cliniciens à examiner des cas difficiles. Certains systèmes peuvent même produire un langage que les patients perçoivent comme empathique. Pourtant, une expression convaincante de sollicitude n’est pas nécessairement de la sollicitude en soi.

Cette distinction importe, car la médecine ne consiste pas seulement à sélectionner la réponse statistiquement la plus solide. Les patients ont besoin de quelqu’un qui accepte la responsabilité, comprenne leurs priorités et reste présent lorsqu’aucune option disponible n’est bonne. Le débat central n’oppose donc pas les médecins aux algorithmes. Il oppose l’empathie simulée à des soins humains responsables.

Ce que l’article de Google News a réellement changé

L’article a reformulé l’IA médicale autour des limites du soin, et non des limites du calcul.

L’article diffusé via Google News est d’abord paru sous la forme d’un essai TIME Ideas de William Warr. TIME le présente désormais sous le titre Healthcare Is AI’s Hardest Test. L’essai s’appuie sur des entretiens avec l’informaticien Geoffrey Hinton et le cardiologue Eric Topol.

Sa contribution la plus importante n’est ni un nouveau produit médical ni une décision réglementaire. Il relie plutôt plusieurs évolutions souvent abordées séparément. Elles comprennent des modèles diagnostiques plus performants, la persistance des erreurs cliniques, la surveillance préventive, l’incertitude juridique et la signification humaine de l’empathie.

Hinton avait un jour prédit que les hôpitaux devraient cesser de former des radiologues, car l’IA les surpasserait bientôt. Près de dix ans plus tard, la radiologie est devenue l’un des domaines médicaux les plus intensifs en IA, mais les radiologues n’ont pas disparu.

TIME cite une revue ayant recensé 950 dispositifs médicaux d’IA ou d’apprentissage automatique autorisés entre 1995 et 2024. Parmi ces dispositifs, 723 concernaient la radiologie. Une meilleure analyse des images a élargi les outils disponibles sans supprimer les professionnels chargés d’interpréter les résultats et de traiter les patients.

Ce résultat affaiblit le récit le plus simpliste de l’automatisation. Une machine peut devenir plus compétente dans une tâche sans absorber l’ensemble du métier qui l’entoure. Le travail médical comprend la collecte de contexte, la gestion de l’incertitude, la communication, l’examen physique, l’escalade des soins et la responsabilité.

Hinton a proposé une explication économique. La demande de soins de santé augmente lorsque la capacité progresse, car les besoins non satisfaits restent immenses. Une interprétation plus rapide des scanners ouvre la voie à davantage de dépistages, de suivis et de soins préventifs, plutôt qu’elle ne garantit une diminution du nombre de cliniciens.

Cette interprétation mérite l’attention. Pourtant, l’économie n’explique pas tout l’écart entre la prédiction et la réalité. L’IA médicale entre aussi dans un environnement étroitement interconnecté, où un résultat techniquement correct peut néanmoins causer un préjudice.

Une recommandation doit parvenir à la bonne personne au bon moment. Les cliniciens doivent en comprendre la pertinence et les limites. Les patients doivent consentir aux soins qui en découlent, tandis que les systèmes de santé doivent consigner qui a pris la décision finale.

Le changement le plus important est donc conceptuel. La question du remplacement a perdu une grande partie de son utilité. Une meilleure question consiste à déterminer quelles responsabilités peuvent être confiées sans danger aux machines, et lesquelles doivent rester liées à des personnes responsables.

Ce changement clarifie également le débat sur l’empathie de l’IA en médecine. Un algorithme peut générer des formulations compatissantes. Il ne peut pas assumer de manière indépendante les obligations morales et juridiques qui donnent du poids à ces mots.

Un patient en phase terminale n’a pas seulement besoin d’une explication soignée des probabilités. Il peut avoir besoin d’aide pour choisir entre un traitement supplémentaire et davantage de temps à domicile. Ce choix dépend de valeurs qui ne peuvent pas être déduites des seules moyennes cliniques.

L’essai de TIME place cette tension à côté d’éléments montrant que l’IA peut parfois surpasser les médecins. Ce rapprochement empêche d’écarter facilement la technologie. L’avantage humain ne réside pas dans une supériorité diagnostique universelle.

Au contraire, le rôle humain durable commence là où la prédiction technique rencontre les conséquences vécues. La médecine a besoin de quelqu’un capable d’entendre l’hésitation, de reconnaître une peur inexprimée et de rester responsable après qu’une décision a changé une vie.

De meilleures réponses médicales ne signifient pas une meilleure médecine

L’IA peut améliorer une évaluation clinique tout en restant dangereuse comme décideur indépendant.

Une étude randomisée de 2026 illustre les deux aspects de cette affirmation. Des chercheurs ont évalué AMIE, un modèle expérimental de grand langage médical fondé sur Gemini 2.0 Flash, dans des cas complexes de cardiologie.

Neuf cardiologues généralistes ont évalué des données rétrospectives provenant de 107 patients présentant des suspicions de cardiomyopathies génétiques. Les cas comprenaient des rapports et des données brutes issus d’électrocardiogrammes, d’échocardiogrammes, d’imagerie cardiaque, de tests d’effort et de tests génétiques.

Chaque cas a reçu une évaluation d’un cardiologue utilisant AMIE et d’un autre travaillant sans lui. Trois sous-spécialistes en aveugle ont ensuite comparé les résultats.

L’essai en cardiologie a favorisé les évaluations assistées par IA dans 46,7 % des comparaisons. Les évaluations sans assistance ont été préférées dans 32,7 % des cas, tandis que 20,6 % se sont soldés par une égalité.

Des erreurs cliniquement significatives sont apparues dans 13,1 % des réponses assistées par IA et dans 24,3 % des réponses non assistées. Des éléments importants manquaient dans 17,8 % des évaluations assistées et dans 37,4 % des évaluations non assistées.

Ces résultats soutiennent de manière significative l’usage de l’IA médicale comme aide clinique. Les cardiologues généralistes ont également signalé des gains de temps dans 50,5 % des cas. Ils ont indiqué que le système améliorait leur évaluation dans 57 % des cas.

Cependant, AMIE a généré une hallucination probablement cliniquement significative dans 6,5 % des cas. Une hallucination correspond à un contenu non étayé présenté comme s’il reposait sur les preuves disponibles.

Les exemples comprenaient des résultats d’imagerie inventés, des suppositions sur les caractéristiques des patients et une confusion entre des mesures prises dans des conditions différentes. Il ne s’agissait pas simplement de formulations maladroites. Ces erreurs auraient pu modifier le raisonnement diagnostique ou la prise en charge.

La supervision humaine a modifié le résultat. Les cardiologues ont parfois contesté une affirmation suspecte du modèle, l’amenant à se corriger. Cette correction ne provenait pas d’une conscience interne de l’erreur.

Le clinicien apportait le doute, le contexte et une raison de réexaminer l’affirmation. Cette interaction illustre la version productive de l’IA médicale. Le système élargit l’espace de recherche du clinicien, tandis que le clinicien garde le contrôle de la limite décisionnelle.

Elle révèle aussi une faiblesse des affirmations fondées sur les benchmarks. Un modèle peut obtenir un score moyen élevé tout en produisant une recommandation inacceptable pour un patient donné. La médecine évalue à la fois les performances agrégées et les préjudices individuels.

La comparaison appropriée n’oppose donc pas une machine idéale à un médecin sujet aux erreurs. La médecine humaine commet déjà de graves erreurs, notamment des diagnostics retardés ou manqués. Les limites de l’IA dans les soins de santé doivent être évaluées par rapport à cette base de référence imparfaite.

Dans le même temps, la faillibilité humaine n’excuse pas les défaillances des machines. Un logiciel peut diffuser un même schéma défectueux à travers des milliers de consultations. L’automatisation donne aussi aux recommandations fragiles une apparence de cohérence et d’autorité.

Le modèle de conception le plus utile place l’IA dans un système de vérification. Le modèle récupère des preuves, identifie les omissions et propose des alternatives. Un clinicien agréé vérifie le dossier, examine le patient et assume le choix final.

Cette répartition des rôles explique également pourquoi les outils de documentation ont gagné du terrain plus vite que le diagnostic autonome. Rédiger une note de consultation comporte des risques différents de ceux d’une décision sur la nécessité d’un traitement d’urgence face à une douleur thoracique.

Le résultat peut être examiné avant son intégration au dossier. Son utilité est visible, et une erreur reste généralement corrigeable. Plus l’IA se rapproche d’une action irréversible, plus les preuves et la supervision doivent être solides.

Le déploiement de l’IA médicale devrait donc s’appuyer sur des preuves propres à chaque tâche. Le succès dans l’évaluation des cardiomyopathies ne démontre pas une performance sûre en triage d’urgence, en oncologie, en pédiatrie ou en santé mentale.

C’est l’erreur récurrente derrière les affirmations générales sur l’IA en médecine. Le « raisonnement médical » n’est pas une activité unique et stable. Il s’agit d’un ensemble de tâches aux données, conséquences et taux d’erreur acceptables différents.

Le véritable débat oppose l’empathie simulée à des soins responsables

Un modèle peut reproduire le langage de l’empathie sans partager la vulnérabilité d’un patient ni accepter la responsabilité du résultat.

Hinton et Topol ont présenté des positions opposées dans l’essai de TIME. Hinton a affirmé que les systèmes d’IA peuvent réellement avoir de l’empathie. Topol a soutenu qu’ils peuvent transmettre de l’empathie, mais ne peuvent pas savoir ce que signifie l’empathie.

La différence peut sembler philosophique, mais elle a des conséquences immédiates sur les produits. Les développeurs peuvent optimiser un modèle pour la chaleur humaine, la reconnaissance des émotions et des formulations de soutien. Ces comportements peuvent améliorer une interaction stressante.

Un patient peut préférer la réponse calme d’un chatbot à un message clinique précipité ou désinvolte. Les professionnels de santé ne sont pas automatiquement compatissants, et des charges de travail sévères limitent souvent le temps disponible pour une conversation attentive.

Des chercheurs ont également constaté que les patients jugent parfois les réponses de chatbots plus empathiques que les réponses écrites des cliniciens. Ces comparaisons révèlent les faiblesses de la prestation des soins de santé. Elles ne prouvent pas qu’une machine éprouve de la sollicitude.

L’empathie exprimée est un comportement de communication observable. L’empathie ressentie implique de reconnaître l’expérience d’une autre personne et d’y répondre parce que cette expérience compte. Les soins cliniques ajoutent une autre dimension : la responsabilité de ce qui suit.

Un modèle ne s’inquiète pas après avoir renvoyé un patient chez lui. Il ne repense pas à une conversation difficile pendant la nuit. Il ne peut pas subir de sanction professionnelle, de regret moral ou de chagrin après un décès évitable.

Ces faits ne rendent pas le langage empathique inutile. Ils en définissent les limites. Ce langage devient cliniquement utile lorsqu’il aide une personne responsable à communiquer plus clairement ou offre aux patients un chemin plus sûr vers un soutien humain.

Les problèmes apparaissent lorsque l’aisance émotionnelle est traitée comme une preuve de compréhension. Les grands modèles de langage prédisent des séquences de mots adaptées au contexte. Leur ton assuré peut masquer l’incertitude des informations sous-jacentes.

Un patient souffrant de dépression, de cancer, de douleur chronique ou d’une complication effrayante de grossesse peut se confier davantage à un système qui semble infiniment patient. Cette ouverture crée des obligations en matière de confidentialité, d’escalade et de continuité.

Si le système comprend mal une référence indirecte à l’automutilation, quelqu’un doit être prêt à intervenir. S’il minimise un symptôme, quelqu’un doit rester joignable. Une phrase de conclusion bienveillante ne fournit pas cette structure de sécurité.

L’Organisation mondiale de la Santé fait de l’autonomie humaine un principe central de l’IA appliquée aux soins de santé. Ses orientations éthiques indiquent que les personnes doivent conserver le contrôle des décisions médicales et recevoir des informations significatives sur les systèmes d’IA.

Ce principe distingue l’assistance de la substitution. Les patients devraient savoir lorsqu’un logiciel a influencé une recommandation. Ils ont également besoin d’un moyen concret de questionner le résultat, d’en refuser l’usage ou de joindre un professionnel qualifié.

Le véritable soin exige de prêter attention à ce qui compte pour un patient. Deux personnes ayant le même diagnostic peuvent faire des choix différents en raison de responsabilités familiales, de convictions religieuses, de leur tolérance à l’incertitude ou de traumatismes médicaux antérieurs.

Un système d’IA peut interroger ces facteurs et résumer les réponses. Il ne peut pas décider de ce que ces valeurs doivent signifier pour cette personne. Ce jugement émerge d’une prise de décision partagée, et non de l’achèvement de motifs.

La même limite apparaît dans la présence physique. Un clinicien peut remarquer qu’un patient affirme que tout va bien tout en évitant le regard ou en peinant à respirer. Un membre de la famille peut révéler une confusion qui n’a jamais été consignée dans le dossier.

Les capteurs et les modèles multimodaux peuvent capter davantage de signaux, mais capter n’est pas soigner. Davantage de données peut améliorer la détection sans créer de relation. La relation dépend d’une reconnaissance mutuelle et d’une obligation qui perdure.

C’est pourquoi le principal adversaire n’est pas l’IA face aux médecins. Bon nombre des résultats cliniques les plus solides proviennent de leur combinaison. Le véritable conflit porte sur la question de savoir si les organisations de santé confondront une interface fluide avec une relation de soin.

Cette erreur servirait un objectif commercial tentant. Une conversation automatisée peut fonctionner en continu et prendre en charge plus d’utilisateurs qu’une équipe clinique. Elle peut aussi rendre les réductions de service moins visibles.

Un système de santé pourrait utiliser une compassion générée par l’IA pour améliorer les soins, ou pour masquer un accès réduit aux humains. L’interface peut sembler similaire dans les deux cas. Le modèle d’effectifs, les règles d’escalade et la structure de responsabilité révèlent la différence.

La meilleure voie consiste à utiliser l’IA pour donner davantage de temps aux personnes pour soigner. La documentation automatisée, la synthèse des dossiers et le suivi de routine peuvent réduire le travail administratif. Le temps récupéré devrait revenir aux patients plutôt que disparaître dans des objectifs de productivité plus élevés.

Les équipes qui adoptent ces systèmes ont également besoin de pratiques fiables de gestion des connaissances. Une base de connaissances IA consultable peut préserver le contexte des sources, les politiques et les décisions. Elle ne peut pas remplacer la gouvernance clinique ni le jugement professionnel.

Les limites de l’IA en santé commencent par les preuves et la responsabilité

La question la plus difficile n’est pas de savoir si une réponse d’IA semble compétente, mais si quelqu’un peut la vérifier et répondre de ses conséquences.

Les États-Unis réglementent déjà de nombreux dispositifs médicaux intégrant l’IA par le biais des procédures existantes applicables aux dispositifs. La FDA tient une liste publique de dispositifs médicaux, tout en précisant que cette liste n’est pas exhaustive.

L’autorisation réglementaire est importante, mais elle ne tranche pas toutes les questions de déploiement. Les performances peuvent varier selon les hôpitaux, les populations de patients, les flux de travail et les versions logicielles.

Un modèle entraîné sur des données soigneusement sélectionnées peut se heurter à des dossiers incomplets ou à des équipements inconnus dans les soins courants. La prévalence locale peut différer de celle de l’environnement de développement. Les cliniciens peuvent aussi utiliser un résultat de façons que l’évaluation initiale n’a jamais testées.

Ces différences rendent indispensable la surveillance après le déploiement. Les hôpitaux doivent suivre les erreurs, les annulations de recommandations, les performances par sous-groupes et les résultats pour les patients. Ils ont également besoin d’un processus pour suspendre un système lorsque ses performances se dégradent.

Les systèmes génératifs introduisent une difficulté supplémentaire, car leurs résultats sont moins prévisibles que des calculs fixes. Une légère modification de formulation ou de contexte peut produire une recommandation différente.

Les mises à jour de modèles peuvent également modifier le comportement après qu’une organisation a achevé son évaluation. Les acheteurs du secteur de la santé ont donc besoin de contrôles de version, de pistes d’audit et d’une information claire lorsqu’un fournisseur modifie un système sous-jacent.

La responsabilité devient particulièrement difficile lorsque plusieurs parties contribuent à une erreur. Un développeur de modèle fournit le logiciel. Un système de santé le configure, tandis qu’un clinicien interprète son résultat.

Le patient peut ne jamais savoir quel composant a échoué. Les contrats peuvent répartir la responsabilité financière sans offrir aux patients un recours compréhensible. Une responsabilité transparente doit donc accompagner le déploiement technique.

L’OMS a averti que les modèles linguistiques axés sur la santé peuvent générer des réponses plausibles mais gravement incorrectes. Son avertissement sur la sécurité de l’IA souligne également les biais, la confidentialité, la désinformation et l’adoption prématurée.

Les biais demeurent une préoccupation concrète, car les jeux de données médicaux reflètent des inégalités d’accès et de traitement. Un algorithme peut apprendre de ces schémas et les reproduire sous une apparence de neutralité.

Les moyennes de performance peuvent masquer ces défaillances. Un système peut bien fonctionner globalement tout en omettant plus souvent une maladie au sein d’un groupe sous-représenté. Les évaluations cliniques doivent présenter les résultats par sous-groupes chaque fois que la taille des échantillons permet une analyse significative.

La confidentialité crée un autre point de pression. Les patients partagent souvent des détails intimes lorsqu’ils recherchent des conseils médicaux. Les interfaces conversationnelles grand public n’offrent pas forcément les mêmes protections, procédures de consentement ou contrôles de conservation que les systèmes cliniques réglementés.

Les organisations de santé ne peuvent pas supposer qu’une interface conversationnelle familière convient aux informations protégées. Elles doivent définir quelles données entrent dans le système, où elles circulent et si elles entraînent les futurs modèles.

Le regard sceptique s’applique aussi aux affirmations d’empathie. Le fait que des patients jugent une réponse plus chaleureuse qu’une autre ne démontre pas une meilleure prise en charge à long terme. Une réponse rassurante peut accroître la confiance même lorsque son contenu médical est erroné.

Cette interaction crée une combinaison dangereuse. La fluidité renforce la confiance, tandis qu’une transparence limitée rend la vérification plus difficile. Le modèle le plus persuasif n’est peut-être pas le plus sûr.

Les organisations cliniques devraient donc mesurer des résultats distincts. Exactitude médicale, calibration de l’incertitude, compréhension des patients, qualité de l’escalade et pertinence émotionnelle sont liés, mais différents.

Un système d’IA pourrait améliorer une mesure tout en en affaiblissant une autre. Une réponse concise peut réduire la confusion mais omettre l’incertitude. Une réponse exhaustive peut couvrir davantage de possibilités tout en submergeant le patient.

La revue humaine n’est pas automatiquement suffisante non plus. Les cliniciens peuvent devenir excessivement dépendants de recommandations répétées, surtout sous pression temporelle. Le biais d’automatisation survient lorsque des personnes acceptent la suggestion d’un système malgré des éléments contradictoires.

L’étude en cardiologie a montré une interaction plus constructive, car les médecins pouvaient interroger le modèle. Une supervision efficace exige du temps, de l’expertise et l’autorisation de ne pas être d’accord. Un contrôle humain nominal est peu utile lorsque les charges de travail encouragent l’approbation automatique.

Les acheteurs du secteur de la santé devraient examiner l’ensemble du flux de travail, et pas seulement la démonstration du modèle. Ils devraient se demander qui vérifie les résultats, comment l’incertitude est présentée, ce qui déclenche une escalade et comment les patients signalent un préjudice.

Ils devraient également se demander si l’automatisation réduit la charge administrative ou augmente simplement les attentes en matière de débit. La réponse détermine si l’IA crée davantage de soins humains ou moins.

Les déploiements les plus défendables commencent par des tâches circonscrites et des résultats mesurables. Ils préservent des procédures alternatives lorsque le système échoue. Ils indiquent également aux patients lorsque l’IA influence de manière substantielle les soins.

L’IA médicale gagne la confiance par les preuves, la correction et la responsabilité. Une voix amicale peut soutenir ces qualités. Elle ne peut pas s’y substituer.

Ce que les lecteurs de Google News devraient surveiller ensuite

La prochaine phase sera déterminée par les essais cliniques, les règles de fonctionnement et la question de savoir si le temps gagné atteint les patients.

Le premier signal est constitué de preuves spécifiques aux tâches issues d’études cliniques prospectives. Les cas rétrospectifs et les vignettes contrôlées sont utiles, mais la médecine courante comporte des interruptions, des données manquantes et des comportements imprévus de la part des patients.

Les chercheurs doivent tester les systèmes dans des flux de travail réels et signaler à la fois les bénéfices et les préjudices. Les études utiles compareront l’IA seule, les cliniciens seuls et les équipes combinées. Elles devraient également identifier les défaillances nécessitant une escalade humaine immédiate.

Davantage de preuves randomisées similaires à l’essai AMIE renforceraient l’argument en faveur d’une assistance clinique supervisée. Des taux d’erreur élevés dans le triage ou le traitement autonome affaibliraient l’argument en faveur d’une délégation plus large.

Les lecteurs devraient résister aux titres qui transforment un résultat isolé en verdict sur toute l’IA médicale. Un modèle qui aide des cardiologues à gérer une affection rare n’a pas établi sa compétence dans l’ensemble de la médecine.

Le deuxième signal est une responsabilité applicable. Les régulateurs et les systèmes de santé ont besoin de règles plus claires pour les mises à jour de modèles, les dossiers d’audit, l’information des patients et la responsabilité après un préjudice.

Une politique pertinente identifiera qui détient la décision finale. Elle offrira également aux patients une voie visible pour contester une recommandation façonnée par l’IA.

Une gouvernance faible s’appuiera sur des déclarations générales concernant la supervision humaine. Une gouvernance forte précisera les seuils de revue, les procédures d’escalade, les intervalles de surveillance et les critères de suspension.

Ce signal compte, car l’incertitude juridique peut ralentir une adoption utile tout en laissant se poursuivre des expérimentations mal gouvernées. Des règles claires peuvent protéger les patients et offrir aux développeurs responsables une trajectoire plus prévisible.

Le troisième signal est la manière dont les organisations de santé utilisent le temps économisé par l’IA. L’efficacité ne constitue pas automatiquement un bénéfice pour les patients.

Si la documentation ambiante et la synthèse des dossiers réduisent le travail administratif, les cliniciens peuvent passer davantage de temps à écouter et à expliquer les choix. Ce résultat appuierait l’argument selon lequel l’IA peut renforcer le cœur humain de la médecine.

Si les organisations augmentent plutôt le volume des rendez-vous sans améliorer l’accès ou la communication, l’IA intensifiera les conditions qui donnent déjà aux soins un caractère impersonnel. L’empathie simulée pourrait alors devenir un substitut au personnel disponible.

Les patients et les cliniciens peuvent observer des indicateurs concrets. Les consultations sont-elles moins dominées par les écrans ? Les questions de suivi reçoivent-elles une réponse plus rapide ? Les patients peuvent-ils joindre une personne lorsqu’un système automatisé échoue ?

Ces résultats comptent davantage que la capacité d’un chatbot à produire une prose réconfortante. La promesse essentielle de l’empathie de l’IA en médecine n’est pas que le logiciel développe des sentiments. C’est que l’automatisation crée de l’espace pour que les personnes puissent prendre soin des autres.

Google News a donné une visibilité nouvelle à une question qui survivra au cycle actuel des modèles. La médecine continuera d’adopter des systèmes qui repèrent les schémas plus vite que les humains et récupèrent plus d’informations que quiconque ne peut en mémoriser.

L’objectif responsable n’est pas de préserver chaque tâche existante. Il consiste à attribuer chaque tâche au participant le mieux équipé pour l’accomplir en toute sécurité.

Les machines peuvent calculer, rechercher, surveiller et rédiger. Les cliniciens peuvent questionner, examiner, interpréter et assumer la responsabilité. Les patients doivent conserver le pouvoir d’exprimer ce qui compte et de contester les décisions qui concernent leur corps.

La partie la plus difficile consistera à résister à une illusion commode. Un langage empathique peut donner à un service automatisé une apparence d’aboutissement avant que ses garanties ne soient achevées.

Suivez les preuves qui sous-tendent chaque cas d’usage, et non la promesse générale associée à l’IA médicale. Demandez qui vérifie la recommandation, qui intervient lorsqu’elle échoue et si l’automatisation rend un temps significatif aux soins.

Ces questions offrent un meilleur test que de demander si une machine semble humaine. L’avenir de la médecine dépend de l’utilisation des capacités croissantes de l’IA sans confondre une conversation convaincante avec une préoccupation humaine.