URAC décerne les premières accréditations d’IA en santé, mais la gouvernance ne garantit pas la sécurité

URAC a décerné ses trois premières accréditations d’IA en santé, propulsant Guidehealth, RediMinds et SandsRx dans Google News avec une importante revendication de supervision indépendante. Cette étape offre aux acheteurs du secteur de la santé un nouveau repère pour évaluer les organisations qui développent ou utilisent l’intelligence artificielle.

Le mot important est « gouvernance », et non « sécurité ». URAC évalue la manière dont une organisation gère l’IA au moyen de responsabilités définies, de mécanismes de surveillance, de contrôles des risques, de transparence et d’amélioration de la qualité. L’organisme ne certifie pas que chaque modèle est cliniquement efficace, conforme à la loi ou sûr pour toutes les populations de patients.

Cette distinction crée la tension centrale. Les systèmes de santé recherchent des moyens crédibles de distinguer les programmes d’IA rigoureux des fournisseurs munis de documents de politique soignés. Toutefois, une accréditation au niveau de l’organisation ne peut remplacer la validation des produits, l’examen réglementaire ou les données probantes recueillies après le déploiement.

Ce qu’URAC a réellement décerné

Les premières distinctions reconnaissent des pratiques de supervision organisationnelle, et non une approbation générale des algorithmes de trois entreprises.

URAC a désigné Guidehealth MSO, RediMinds et SandsRx comme les premières organisations à obtenir sa nouvelle accréditation d’IA en santé. L’organisme accréditeur a annoncé les lauréats dans une publication sur les réseaux sociaux début août, après avoir lancé le programme en septembre 2025.

Les trois lauréats représentent différents segments du marché de la santé. Leur inclusion suggère qu’URAC souhaite que son cadre couvre les fournisseurs de technologies, les organisations de gestion des soins et les pharmacies, plutôt que de se concentrer sur une seule catégorie de produits.

RediMinds décrit son activité comme une infrastructure décisionnelle assistée par IA pour l’examen médical indépendant, l’arbitrage, l’autorisation préalable, les déterminations d’invalidité et l’indemnisation des travailleurs. Ces flux de travail peuvent influer sur l’accès, le paiement et les recours, même lorsque le logiciel ne prend pas la décision finale.

SandsRx est une pharmacie axée sur l’immunologie et d’autres besoins spécialisés des patients. Les opérations pharmaceutiques impliquent des données sur les médicaments, des flux de prescriptions, des communications et des décisions qui exigent une responsabilité claire lorsque l’automatisation entre dans le processus.

Guidehealth MSO intervient dans l’accompagnement des soins et les soins de santé fondés sur la valeur. Son activité place la technologie au plus près de la coordination des soins, des décisions opérationnelles et des relations entre les prestataires et les patients.

L’accréditation IA d’URAC s’adresse aux organisations qui utilisent l’IA et aux entreprises développant des technologies de soutien. Le programme examine la gouvernance, les utilisations définies de l’IA, la supervision, la gestion des risques, l’amélioration de la qualité, la transparence et la responsabilité tout au long du cycle de vie de l’IA.

Le cycle de vie de l’IA couvre les étapes allant de la sélection ou du développement d’un système à son déploiement, sa surveillance, sa modification et son retrait. Des problèmes peuvent apparaître à n’importe quelle étape, notamment lorsque les données ou les flux de travail cliniques évoluent.

Le programme propose des parcours distincts pour les organisations utilisant l’IA et les développeurs qui fournissent des systèmes d’IA. Cette séparation compte, car les deux groupes contrôlent des risques différents.

Un développeur peut documenter la conception du modèle, les données d’entraînement, les procédures de test, les limites connues et les politiques de mise à jour. Une organisation qui déploie le système contrôle l’accès local, la formation du personnel, l’intégration aux flux de travail, les règles d’escalade et les évaluations continues des performances.

Aucune des deux parties ne peut gouverner seule l’IA en santé. Un modèle bien testé peut échouer au sein d’un flux de travail mal conçu. Un hôpital rigoureux peut aussi hériter de limites cachées d’un fournisseur qui présente des données probantes incomplètes.

URAC indique que son examen fournit une validation indépendante de l’alignement des pratiques de gouvernance et de supervision avec des normes reconnues. L’organisme présente également le programme comme un moyen de réduire les hésitations des acheteurs et de soutenir les processus d’approvisionnement.

Cette valeur commerciale ne doit pas être négligée. Une accréditation peut devenir un facteur de différenciation lorsque plusieurs fournisseurs avancent des affirmations similaires sur la sécurité, la précision, la transparence et la supervision humaine.

URAC inclut toutefois une limite explicite sur la page de son programme. L’accréditation atteste de la conformité à des normes de processus et de gouvernance, mais elle ne certifie ni la conformité légale ni la sécurité et l’efficacité du système.

Cette réserve définit ce qui a changé. Les lauréats disposent désormais d’une certification de gouvernance examinée par un tiers. Ils n’ont pas reçu une approbation universelle pour chaque résultat d’IA, version de modèle, contexte clinique ou déploiement futur.

Le titre initial a circulé dans Google News parce que les premières distinctions créent une étape claire. Pour les acheteurs, l’histoire la plus utile commence après cette étape, lorsqu’ils examinent ce que couvre réellement la certification.

Pourquoi la gouvernance de l’IA en santé devient une exigence d’approvisionnement

L’accréditation fait passer la gouvernance de l’IA d’un exercice volontaire de politique interne à un facteur susceptible d’influer sur les contrats, les partenariats et l’autorisation de déploiement.

Les organisations de santé font face à un problème d’achat complexe. Les fournisseurs peuvent décrire des garanties semblables tout en employant des définitions, méthodes de test, seuils d’escalade et pratiques de reporting différents.

Une équipe d’approvisionnement peut recevoir de larges assurances sur une IA responsable sans savoir qui peut suspendre un système. Elle peut ignorer quels changements de performance déclenchent un examen ou comment les patients concernés peuvent contester une recommandation automatisée.

La gouvernance de l’IA en santé fournit une structure pour répondre à ces questions. Elle attribue les droits de décision, documente les usages approuvés, définit les responsabilités de surveillance et établit des procédures de traitement des incidents.

URAC organise ses normes autour de la gestion des risques, des opérations et de l’infrastructure, ainsi que de la surveillance et de l’amélioration des performances. Ces domaines détournent l’attention d’un unique test préalable au lancement vers une responsabilité organisationnelle continue.

Ce changement reflète le comportement de l’IA après sa mise en œuvre. Les modèles rencontrent de nouvelles populations de patients, de nouveaux modes de documentation, dépendances logicielles et pressions opérationnelles. Même un modèle stable peut produire des conséquences différentes lorsque les personnes changent leur manière de l’utiliser.

Prenons un flux de travail d’autorisation préalable. Un système peut résumer des dossiers ou repérer des documents manquants sans rendre la décision finale de prise en charge. Ses erreurs peuvent néanmoins retarder les traitements, accroître la charge administrative ou orienter les examinateurs vers des preuves incomplètes.

La gouvernance doit donc couvrir davantage que le décideur final. Elle doit traiter des données d’entrée, de la conception des interfaces, de l’examen humain, des journaux d’audit, des exceptions, des réclamations et de l’autorité permettant de suspendre l’automatisation.

Le même principe s’applique aux opérations pharmaceutiques. Un système d’IA qui organise les communications ou signale des problèmes de prescription peut affecter les délais et l’attention du personnel. Un résumé trompeur peut avoir de l’importance même lorsqu’un pharmacien conserve l’autorité légale.

Pour la coordination des soins, le risque peut apparaître dans la priorisation. Un logiciel peut déterminer quels patients reçoivent en premier un appel de suivi. Ce classement peut façonner l’accès aux soins sans produire de diagnostic ni de recommandation thérapeutique.

Ces effets indirects expliquent pourquoi les acheteurs du secteur de la santé demandent de plus en plus aux fournisseurs une documentation allant au-delà des chiffres de précision. Ils recherchent des preuves sur la gouvernance des données, la gestion du changement, la cybersécurité, l’évaluation des biais et la surveillance après déploiement.

D’autres organismes d’accréditation répondent à la même pression. La Joint Commission a lancé sa certification volontaire Responsible Use of AI in Healthcare en juin 2026.

Ce programme se concentre sur les organisations de santé mettant en œuvre l’IA. Ses cinq domaines comprennent la gouvernance, la gestion des données, la réduction des risques et des biais, la validation des performances, la transparence, l’éducation et la formation.

La Joint Commission précise que sa certification ne valide pas les produits d’IA individuels. Cette limite ressemble à la distinction établie par URAC entre la gouvernance organisationnelle et l’assurance au niveau des produits.

CARF International a adopté une autre approche. Sa norme sur l’IA exige des politiques écrites lorsque des programmes accrédités de santé et de services à la personne utilisent l’IA dans la prestation de services.

CARF demande une supervision humaine, un examen de la gouvernance, la divulgation, des protections de la vie privée, des définitions d’incidents, la formation du personnel et un examen des politiques au moins annuel. Sa norme est entrée en vigueur le 1er juillet 2026.

Ces programmes ne sont pas des concurrents identiques. URAC propose des parcours d’accréditation dédiés tant aux utilisateurs d’IA qu’aux développeurs. La Joint Commission centre sa certification sur les organisations de santé, tandis que CARF intègre une exigence liée à l’IA dans une accréditation de programme plus large.

Ensemble, ils montrent qu’un marché de l’assurance de gouvernance par des tiers est en train d’émerger. Les acheteurs auront davantage de certifications à comparer, mais devront aussi comprendre leurs différents périmètres.

Cela crée une pression sur les organisations qui ne disposent pas d’un cadre reconnu. Un fournisseur sans examen indépendant doit expliquer pourquoi ses contrôles internes offrent une assurance comparable.

Cela pousse également les organisations accréditées à maintenir des preuves après l’obtention de la distinction. Une certification peut réduire le scepticisme initial, mais un incident mal géré peut révéler la différence entre une gouvernance écrite et un contrôle opérationnel.

La visibilité dans Google News peut présenter l’accréditation à un public plus large. Les équipes d’approvisionnement devraient toutefois considérer le titre comme le début de leur diligence raisonnable, et non comme sa conclusion.

Le véritable enjeu est l’accréditation face aux preuves

La certification d’URAC peut vérifier l’existence d’un système de gouvernance, tandis que les acheteurs ont toujours besoin de preuves que ce système fonctionne sous pression clinique et opérationnelle.

Le principal opposant dans cette histoire n’est pas un organisme d’accréditation face à un autre. C’est la promesse d’une gouvernance indépendante face à la réalité de devoir prouver la sécurité et l’efficacité dans des usages précis.

L’accréditation organisationnelle est précieuse parce que de nombreuses défaillances de l’IA commencent par une responsabilité mal définie. Des équipes déploient des outils sans inventaires complets, seuils de performance, voies d’escalade ou règles d’approbation des mises à jour de modèles.

Un examen structuré peut révéler ces lacunes. Il peut exiger des dirigeants qu’ils identifient les personnes responsables, les cas d’usage approuvés, les processus de surveillance et les réponses documentées aux risques.

Cependant, un processus mature ne rend pas automatiquement un modèle précis. Il ne démontre pas qu’un système améliore les résultats, fonctionne équitablement entre les groupes de patients ou reste fiable après une mise à jour.

Ces questions nécessitent des preuves spécifiques au produit et au contexte. Un modèle utilisé pour une classification administrative exige une validation différente de celle d’un système influençant le diagnostic, les médicaments ou l’accès aux traitements.

Le cadre de la FDA couvre certains dispositifs médicaux intégrant l’IA, mais de nombreux systèmes administratifs et opérationnels ne relèvent pas de cette voie. L’accréditation peut combler des lacunes de gouvernance sans devenir un substitut au régulateur.

Cette distinction importe pour RediMinds, car ses cas d’usage déclarés comprennent des décisions administratives à fort enjeu. L’examen médical indépendant et l’autorisation préalable exigent des preuves défendables, des dossiers fiables et un jugement humain réel.

RediMinds affirme que ses systèmes amplifient le jugement humain plutôt que de le remplacer. Les acheteurs devraient transformer cette affirmation en questions vérifiables.

Qui examine les résultats de l’IA, et de combien de temps cette personne dispose-t-elle ? Les examinateurs peuvent-ils consulter les preuves originales ? L’interface facilite-t-elle le désaccord, et les dérogations sont-elles analysées afin de repérer les erreurs récurrentes ?

La présence d’un humain quelque part dans le processus ne garantit pas une supervision efficace. Le biais d’automatisation peut conduire les évaluateurs à accepter les résultats d’un système, surtout lorsque la charge de travail est élevée ou que les explications semblent formulées avec assurance.

Pour SandsRx, les acheteurs devraient demander quelles fonctions étaient incluses dans le périmètre accrédité. Ils devraient distinguer les décisions cliniques de l’automatisation administrative, du traitement des données, des communications et du soutien aux flux de travail.

Ils devraient aussi demander comment la pharmacie identifie les incidents. Une politique d’incident définie de manière étroite pourrait saisir les violations de sécurité tout en passant à côté d’erreurs mineures répétées qui engendrent des retards pour les patients.

Guidehealth présente un autre contexte. Les systèmes de gestion des soins combinent souvent des informations issues des demandes de remboursement, des dossiers cliniques, des outils de planification et des communications avec les patients. La gouvernance doit tenir compte des données incomplètes et des conséquences d’un classement erroné des patients.

Un acheteur devrait examiner si la surveillance couvre uniquement les performances techniques ou également les résultats opérationnels. Un système peut fonctionner comme prévu tout en générant une charge de travail inéquitable, des prises de contact manquées ou des recommandations déroutantes.

Les normes d’URAC mettent l’accent sur l’amélioration de la qualité, ce qui fournit un mécanisme permettant de répondre à ces éléments. La question décisive est de savoir si les organisations publient suffisamment de détails pour que des observateurs externes puissent évaluer ce mécanisme.

Les informations publiques sur les trois accréditations ne permettent pas d’établir quels systèmes précis ont été examinés, quelles mesures de performance ont été évaluées, ni en quoi les conclusions de l’accréditation différaient selon les bénéficiaires.

Cette absence n’invalide pas la certification. Les évaluations d’accréditation reposent souvent sur des éléments opérationnels non publics. Néanmoins, la divulgation limitée restreint ce que les clients et les patients peuvent en déduire.

Un label d’accréditation utile devrait aider les acheteurs à poser de meilleures questions. Il devient moins utile lorsqu’il est traité comme une simple validation mettant fin à toute enquête supplémentaire.

C’est là que le cadre de gestion des risques liés à l’IA du NIST offre une comparaison utile. Il structure la gestion des risques liés à l’IA autour de la gouvernance, de la cartographie, de la mesure et de la gestion des risques.

Ces activités sont continues. Elles exigent que les organisations comprennent le contexte, sélectionnent des mesures pertinentes, répondent aux constats et réexaminent leurs hypothèses à mesure que les systèmes évoluent.

Le programme d’URAC suit une logique de cycle de vie similaire dans le secteur de la santé. Son avantage réside dans une évaluation sectorielle menée par un organisme d’accréditation établi. Sa limite est que l’assurance au niveau de l’organisation reste plus large que les preuves au niveau du produit.

Les premiers bénéficiaires adressent donc deux messages au marché. Ils ont achevé un examen externe significatif de leur gouvernance, et ils restent responsables de démontrer chaque déploiement important.

Google News réduit cette nuance à un titre sur les premières accréditations. Les acheteurs du secteur de la santé ne peuvent pas se permettre la même simplification dans leurs contrats ou leurs comités d’examen.

Ce que l’accréditation ne prouve pas

Les accréditations n’établissent ni l’efficacité clinique, ni la conformité réglementaire, ni l’équité des modèles, ni la sûreté des performances dans tous les environnements.

URAC énonce clairement cette limite. Son accréditation ne certifie pas la conformité légale ou réglementaire, et elle ne certifie pas la sûreté ni l’efficacité des systèmes d’IA.

Cette limite devrait figurer dans tout compte rendu responsable de ces accréditations. Sans elle, les lecteurs peuvent confondre une certification de gouvernance avec l’approbation d’un algorithme ou d’un résultat clinique.

La première incertitude concerne le périmètre. Les annonces publiques nomment les organisations accréditées, mais fournissent peu de détails sur les systèmes, unités opérationnelles, sites et cas d’usage examinés.

Le périmètre détermine le sens. Une organisation peut exploiter de nombreux modèles dans plusieurs flux de travail, tandis qu’une évaluation d’accréditation couvre des processus de gouvernance définis ou un périmètre organisationnel sélectionné.

Les acheteurs devraient demander une déclaration formelle de périmètre. Ils devraient demander quelles entités, opérations, listes d’inventaire d’IA et étapes de déploiement étaient incluses.

La deuxième incertitude concerne les preuves de performance. Les normes de gouvernance peuvent imposer aux organisations de surveiller leurs systèmes, mais les acheteurs ont encore besoin des mesures et seuils réels.

Pour un système d’aide clinique, ces mesures pourraient inclure la sensibilité, la spécificité, la calibration et les performances selon les groupes démographiques. Les systèmes administratifs nécessitent des mesures liées aux erreurs, aux retards, aux dérogations, aux plaintes et à la charge de travail en aval.

Une mesure sans seuil offre peu de protection. Les organisations devraient définir quel niveau de dégradation déclenche une enquête, une utilisation restreinte, un retour en arrière ou une suspension.

La troisième incertitude concerne les changements après l’accréditation. Les systèmes d’IA peuvent évoluer par des mises à jour de modèles, de nouveaux pipelines de données, des prompts modifiés, des intégrations et des changements de comportement des utilisateurs.

Une organisation a besoin de règles claires pour déterminer quand un changement exige une nouvelle validation. Les acheteurs devraient également savoir si les changements importants doivent être signalés à l’organisme d’accréditation.

La quatrième incertitude est la transparence. L’accréditation peut examiner des éléments confidentiels, mais les patients et les clients ont toujours besoin d’explications accessibles sur les domaines où l’IA est utilisée.

La norme de CARF traite explicitement de la divulgation aux personnes recevant des services. URAC inclut également la transparence tout au long du cycle de vie de l’IA, bien que les détails de mise en œuvre dépendent de l’organisation accréditée.

Une divulgation utile devrait expliquer le rôle du système sans submerger les patients de langage technique. Elle devrait aussi fournir un moyen de poser des questions, de demander des corrections, de déposer des plaintes ou d’obtenir un réexamen humain.

La cinquième incertitude concerne l’indépendance après une accréditation. L’accréditation est une évaluation périodique, tandis que le risque opérationnel se développe quotidiennement.

Les équipes de surveillance internes peuvent être incitées à éviter de retarder un lancement ou de faire remonter un problème. Une gouvernance efficace nécessite des canaux de signalement protégés et des dirigeants disposés à arrêter les systèmes qui ne respectent pas les critères définis.

Les audits externes peuvent soutenir cette structure, mais ils ne peuvent pas observer chaque résultat. Les organisations ont toujours besoin d’employés de première ligne capables de reconnaître les défaillances et de les signaler sans sanction.

La sixième incertitude est de savoir si l’accréditation améliore les résultats. Les accréditations établissent une conformité à des normes de gouvernance, et non un lien causal avec de meilleurs soins, moins d’erreurs ou des décisions plus équitables.

Au fil du temps, URAC peut renforcer le marché en publiant des conclusions agrégées. Les exemples pourraient inclure des lacunes courantes de gouvernance, des catégories d’incidents, des améliorations de la surveillance ou des changements apportés durant l’accréditation.

Une telle publication n’exigerait pas de révéler des informations sur les patients ni des modèles propriétaires. Elle aiderait les acheteurs à comprendre ce que l’évaluation détecte et comment les organisations accréditées s’améliorent.

Une lecture sceptique devrait également éviter l’erreur inverse. L’absence de mesures publiques sur les modèles ne prouve pas que les bénéficiaires manquent de preuves ou de contrôles efficaces.

La conclusion appropriée est plus restreinte. Les informations publiques étayent une affirmation concernant des pratiques de gouvernance évaluées, tandis que les performances des produits et les résultats des déploiements nécessitent des preuves distinctes.

C’est particulièrement important lorsqu’une certification devient un élément de marketing. Les documents commerciaux peuvent raccourcir un langage prudent sur l’accréditation jusqu’à ce que « IA gouvernée » sonne comme « IA sûre ».

Les documents d’approvisionnement devraient préserver cette distinction. Les contrats peuvent exiger des rapports de performance, la notification des incidents, des droits d’audit, des contrôles des changements et une coopération lors des plaintes de patients.

Ils peuvent également préciser les responsabilités lorsqu’un fournisseur fournit un modèle mais que l’organisation de santé contrôle la conception du flux de travail. La responsabilité partagée ne doit pas devenir une responsabilité diluée.

La gouvernance de l’IA dans la santé ne fonctionne que lorsque quelqu’un peut répondre de l’ensemble de la chaîne. L’approvisionnement des données, le comportement du modèle, la conception de l’interface, la formation des utilisateurs et les décisions en aval font tous partie de cette chaîne.

Les trois bénéficiaires ont désormais l’occasion de montrer à quoi ressemble cette responsabilité. Des études de cas détaillées rendraient les accréditations plus instructives que le seul titre de Google News.

Trois signaux qui montreront si le modèle d’URAC compte

L’accréditation n’acquerra une valeur durable que si elle modifie le comportement des acheteurs, produit des preuves visibles de supervision et s’adapte lorsque les systèmes accrédités évoluent.

Le premier signal est l’adoption dans les achats. Les systèmes de santé, les régimes d’assurance maladie, les pharmacies et les partenaires technologiques devraient commencer à demander l’accréditation URAC ou des preuves de gouvernance équivalentes.

Cette évolution renforcerait le jugement central de cet article. Elle montrerait qu’un examen indépendant de la gouvernance réduit l’incertitude lors de la sélection des fournisseurs.

Le signal devrait être concret. Les acheteurs pourraient ajouter l’accréditation aux appels d’offres, raccourcir les évaluations de gouvernance pour les fournisseurs accrédités ou exiger des contrôles comparables des entreprises ne possédant pas cette certification.

L’adoption dans les achats mettrait également à l’épreuve l’interopérabilité entre les programmes d’assurance. Les acheteurs doivent décider si URAC, Joint Commission, CARF, les évaluations fondées sur l’ISO et les évaluations internes répondent à des exigences qui se chevauchent.

Si chaque acheteur mène toujours la même évaluation approfondie depuis le début, l’accréditation n’a pas réduit les frictions. Elle peut rester utile, mais son influence commerciale serait limitée.

Le deuxième signal est la preuve publique fournie par Guidehealth, RediMinds et SandsRx. Chaque organisation devrait préciser le périmètre accrédité et décrire comment la gouvernance affecte un flux de travail réel.

Une étude de cas utile identifierait l’usage de l’IA, les rôles humains responsables, les risques surveillés, le seuil de réponse et une amélioration apportée grâce à la supervision.

Elle n’aurait pas besoin d’exposer des données de patients ni du code propriétaire. Elle devrait fournir suffisamment de détails pour montrer que la certification va au-delà des documents de politique.

Pour RediMinds, cela pourrait concerner un flux de travail d’examen médical prêt pour l’audit et des dérogations humaines documentées. Pour SandsRx, cela pourrait concerner l’automatisation pharmaceutique avec une escalade claire des incidents.

Pour Guidehealth, des éléments utiles pourraient porter sur la priorisation des soins, la qualité des données ou l’examen par le personnel. Ce sont des exemples du niveau de détail nécessaire, et non des affirmations sur des systèmes non divulgués.

Des preuves visibles renforceraient la confiance dans l’accréditation IA d’URAC. Une ambiguïté persistante affaiblirait la capacité des clients à comparer les bénéficiaires à des organisations non accréditées.

Le troisième signal est la manière dont l’accréditation traite les changements de système et les incidents. La gouvernance de l’IA devient crédible lorsque les organisations rencontrent une mise à jour importante, une baisse de performance, une tendance dans les plaintes ou un usage inattendu.

Les observateurs devraient surveiller si les entreprises accréditées divulguent les changements majeurs et démontrent une nouvelle validation. Ils devraient également surveiller si URAC met à jour ses normes ou publie des orientations fondées sur l’expérience du terrain.

Les premières accréditations constituent un début, et non une base de preuves mature. Leur importance dépend de ce qui se passe après l’annonce célébrant leur attribution.

Un modèle solide créera des obligations continues. Les organisations maintiendront des inventaires, examineront les changements, surveilleront les résultats, enquêteront sur les incidents et documenteront les actions correctives.

Un modèle faible deviendra un badge statique figurant dans les documents commerciaux. La différence deviendra visible à travers les exigences d’achat, les études de cas et les réponses à une véritable pression opérationnelle.

Les lecteurs découvrant cette histoire via Google News devraient donc garder le titre en proportion. URAC a créé un nouveau signal de gouvernance crédible et nommé ses trois premiers bénéficiaires.

Les accréditations ne tranchent pas la question de savoir si un système d’IA spécifique est exact, équitable, juridiquement conforme ou bénéfique sur le plan clinique. Elles établissent que des processus organisationnels ont fait l’objet d’un examen indépendant au regard des normes d’URAC.

Il s’agit d’un progrès significatif, car l’IA dans la santé a besoin d’institutions responsables, et pas seulement de meilleurs modèles. Cela reste également incomplet, car les patients vivent l’expérience de systèmes, de décisions et d’erreurs particuliers, plutôt que de cadres de gouvernance abstraits.

La prochaine question revient aux acheteurs, aux cliniciens, aux régulateurs et aux organisations accréditées elles-mêmes. Utiliseront-ils cette certification pour exiger des preuves mesurables, ou la laisseront-ils devenir un substitut aux questions plus difficiles ?