IA médicale : les résultats de Microsoft décryptés
Microsoft affirme que son IA diagnostique mieux les cas médicaux complexes que des généralistes. Découvrez ce que l’étude prouve — et ses limites.
Microsoft affirme que son IA dépasse les généralistes sur les cas complexes : ce que l'étude montre vraiment
Une IA qui pose des questions, demande des examens et construit un diagnostic en équipe, ça ressemble à une consultation médicale. Microsoft assure que son système MAI-DxO a correctement résolu 83 % de cas cliniques complexes simulés, contre 36 % pour des médecins généralistes travaillant seuls à partir de documents de référence. Le résultat, publié dans Science, est difficile à ignorer. Mais il ne prouve pas qu'une IA diagnostique aujourd'hui mieux qu'un médecin en cabinet ou à l'hôpital.
La nuance importante tient au cadre de l'évaluation : des cas difficiles tirés du New England Journal of Medicine, une simulation, et une comparaison avec des généralistes - pas avec des spécialistes, ni avec des équipes médicales. Autre point qui compte : une grande part du gain semble venir du modèle d'IA lui-même, tandis que l'orchestration de Microsoft apporte, en plus, un petit boost.
Pour comprendre ce que ça signifie vraiment, il faut donc regarder le protocole autant que le score, et se demander ce que serait (ou ne serait pas) un déploiement en conditions réelles. C'est précisément ce qui sépare une avancée de laboratoire d'un outil utilisable dans les soins.
Ce que l'étude de Microsoft a réellement mesuré
MAI-DxO est un système conçu pour coordonner plusieurs agents d'intelligence artificielle. L'idée n'est pas simplement de demander à un modèle de rendre un diagnostic tout de suite. Le système fait plutôt travailler la « démarche » en plusieurs étapes : questionner, former des hypothèses, demander des examens, puis confronter les résultats avant de conclure.
Sur le papier, ça évoque un panel de médecins. Dans la pratique, ce n'est pas une équipe médicale : ce sont des systèmes logiciels qui traitent les informations fournies et s'appuient sur des modèles. Leur échange n'équivaut pas à une validation indépendante par plusieurs professionnels de santé.
Un résultat impressionnant, obtenu sur des cas difficiles
Dans l'évaluation publiée dans Science, MAI-DxO atteint 83 % de diagnostics corrects sur des cas complexes. Les médecins généralistes et internistes du groupe de comparaison obtiennent 36 %, en travaillant individuellement avec accès à des documents de référence. Les cas viennent du New England Journal of Medicine et sont utilisés dans un cadre de simulation.
Ces chiffres suggèrent surtout ceci : les systèmes actuels peuvent être très performants sur certains problèmes cliniques quand l'information est fournie sous forme de dossiers de cas et quand ils suivent une démarche structurée. Ils ne disent rien, à eux seuls, sur la qualité globale des soins, la pertinence d'une consultation réelle, ou la capacité à suivre un patient sur la durée.
Le mode de comparaison compte aussi. Les cas choisis étaient suffisamment difficiles pour, en conditions réelles, relever souvent de spécialistes ou de réunions pluridisciplinaires. Or, ce sont des médecins généralistes et internistes (travaillant seuls) qui sont mis en face du système. Dire que MAI-DxO dépasse « les médecins » au sens large serait donc une lecture trop générale par rapport aux données.
Le contexte d'usage change l'interprétation
Une simulation permet de comparer des réponses avec des paramètres plutôt contrôlés. Mais elle ne capture pas tout ce qui rend le terrain compliqué : informations manquantes ou contradictoires, formulation imprécise des symptômes, antécédents incomplets, contraintes de temps, préférences du patient, ou encore nécessité de coordonner plusieurs services.
Dans un service d'urgences, par exemple, il ne suffit pas de proposer une explication plausible. Il faut aussi hiérarchiser les risques, repérer une détérioration, tenir compte des examens effectivement disponibles, et éviter tout retard de prise en charge. Un score sur des cas rétrospectifs ne répond pas à ces questions.
Microsoft a aussi évalué MAI-DxO sur des situations d'urgence. Les résultats indiquent un apport plus limité : avec GPT-5 comme avec GPT-5.5, le système coordonné n'améliore pas de façon nette, à la fois, la précision et le coût par rapport au modèle seul. Autrement dit, le gain n'est pas identique partout. Un outil peut aider sur des dossiers complexes, sans que cela se traduise forcément par un bénéfice équivalent dans tous les contextes hospitaliers.
Le rôle des modèles derrière MAI-DxO
L'approche de MAI-DxO est intéressante, mais il faut éviter de lui attribuer tout le mérite. Microsoft dit avoir testé son système avec des modèles venant de plusieurs acteurs : OpenAI, Google, Anthropic, Meta et DeepSeek. Les meilleurs résultats reviennent avec GPT-5 et GPT-5.5.
Ce que montrent les données, c'est que le modèle sous-jacent pèse souvent davantage que l'orchestration - même si cette dernière peut améliorer le résultat. Pour les entreprises qui évaluent des solutions d'IA, c'est un point qui change la façon de lire les démonstrations : la performance peut venir du modèle de base, du processus autour, des données utilisées ou de leur combinaison. Le nom de la solution, à lui seul, ne permet pas de démêler ce qui vient de chaque couche.
L'orchestration apporte parfois un gain mesurable
Sur des cas complexes, GPT-5 utilisé seul, avec une consigne simple, affiche 78,9 % de réussite, pour un coût estimé à environ 8 400 dollars par cas. Avec MAI-DxO, la précision gagne environ quatre points et le coût baisse d'environ 3 000 dollars.
Avec GPT-5.5, le système fait passer le taux rapporté sur des cas complexes de 72 % à près de 87 %, pour un coût légèrement inférieur.
Là encore, l'effet n'est pas uniforme. Sur des cas d'urgences, GPT-5.5 tourne à environ 85 % avec ou sans orchestration, pour un coût proche. Sur un modèle moins performant comme Gemini 2.5 Flash, MAI-DxO fait monter le score de 46,4 % à près de 69 %. Le système semble donc particulièrement utile dans certains contextes : quand les cas sont difficiles, ou quand le modèle de départ est moins capable.
Ces chiffres ne doivent pas être convertis automatiquement en budget hospitalier. Les coûts indiqués correspondent à l'estimation du coût d'exécution de l'IA dans le protocole étudié. Ils ne résument pas tout ce qui compte ensuite (intégration, sécurité, supervision médicale, maintenance, gestion des données). Pour un établissement, le coût pertinent, c'est celui du système complet, pas seulement celui des appels à un modèle.
Une architecture n'efface pas les limites du modèle
Faire travailler plusieurs agents peut aider à structurer une recherche et à comparer des hypothèses. Mais ça ne garantit pas que les premières informations sont justes, que chaque étape est fiable, ou que les agents repèrent leurs propres erreurs. Et si plusieurs agents utilisent la même famille de modèles, ils peuvent partager les mêmes biais ou les mêmes « angles morts ».
La question à se poser n'est donc pas seulement : « combien d'agents ? ». Il faut examiner ce que produit chaque étape, comment les erreurs sont détectées, et si les gains tiennent sur d'autres modèles et d'autres types de patients. Il faut aussi vérifier que le processus reste suffisamment explicable pour le clinicien qui doit prendre la décision.
Pourquoi un bon score ne suffit pas pour soigner
Un taux de réussite élevé sur un jeu de cas montre qu'un système sait bien résoudre une tâche précise. Ça ne prouve pas automatiquement qu'il améliore les soins. Entre une étude et un usage clinique, il y a des validations à passer : qualité des données, sécurité, intégration au parcours, responsabilité médicale, et suivi dans le temps des effets sur les patients.
En santé, une erreur n'a pas le même impact selon la situation. Une fausse alerte peut entraîner des examens inutiles et augmenter l'anxiété. Un faux négatif peut retarder une prise en charge. D'où l'idée de mesurer autre chose que le « bon taux » : la gravité des erreurs, et la façon dont le système exprime l'incertitude.
L'évaluation en conditions réelles est l'étape décisive
Microsoft prévoit d'évaluer MAI-DxO avec Beth Israel Deaconess Medical Center, à Boston. D'après le dispositif décrit, les patients continuent de recevoir les soins habituels (triage, consultation, examens, traitement, décision de sortie). Les patients qui y consentent interagiront aussi avec le système, et les recommandations seront comparées à celles des médecins.
C'est plus proche d'un test opérationnel que d'une simple analyse de cas figés. Mais il faut le comprendre pour ce qu'il est : une évaluation, pas une autorisation de remplacer les médecins. Les équipes devront notamment clarifier comment les recommandations sont confrontées aux décisions cliniques, comment les désaccords sont gérés, et si l'outil modifie le temps passé ou le déroulé du parcours de soin.
Google a aussi annoncé une étude clinique autour de son assistant diagnostique AMIE avec Beth Israel, dans des consultations de soins urgents. Le fait que plusieurs grands acteurs cherchent à passer des benchmarks aux environnements de soin réels est compréhensible. Reste que les résultats devront être jugés avec le même niveau d'exigence, quelle que soit l'entreprise.
Les garanties à vérifier avant un déploiement
Pour un hôpital, une clinique ou un éditeur de logiciel médical, l'évaluation ne devrait pas se limiter à la précision moyenne. Un cadre de décision utile doit couvrir au minimum :
- Performance clinique : aide-t-il dans les situations prévues, et que se passe-t-il sur les cas atypiques ?
- Sécurité : quelles erreurs produit-il, quelle est leur gravité, et prévoit-on un repli vers un professionnel ?
- Intégration : l'outil s'insère-t-il dans le dossier patient et dans le travail des équipes, sans créer une charge disproportionnée ?
- Gouvernance : qui accède aux données, qui surveille le système, et qui reste responsable de la décision finale ?
En Europe, la protection des données de santé doit aussi être prise en compte dès la conception. Le RGPD fixe un cadre strict pour le traitement des données personnelles, avec des obligations qui varient selon l'usage, les acteurs et le rôle du système. Autrement dit : une démonstration concluante ne règle pas d'un coup le consentement, la sécurité ou la responsabilité.
Les enjeux pour Microsoft et les systèmes de santé
Microsoft présente MAI-DxO comme une brique d'une ambition plus large : construire une « superintelligence médicale », définie comme une capacité à dépasser les meilleurs systèmes de santé dirigés par des humains, notamment pour le raisonnement et la coordination sur tout le parcours de soins. C'est une ambition. Mais ce qui compte, c'est la traduction concrète : passer de tâches isolées (répondre, proposer un diagnostic) à des outils intégrés au travail des professionnels et au fonctionnement des systèmes de santé.
L'entreprise travaille aussi avec la Mayo Clinic sur l'entraînement d'un modèle de fondation dédié à la santé, dont la sortie est annoncée pour l'année suivante. L'objectif affiché est de combiner modèles, documentation clinique et outils d'imagerie pour aider à la décision. Mustafa Suleyman évoque des progrès importants « dans les prochaines années », notamment sur l'analyse des dossiers médicaux et la prédiction de leur évolution. En clair : c'est une projection de l'entreprise, pas une preuve déjà observée en pratique.
L'intérêt économique dépend de l'usage, pas de la démo
Le besoin d'expertise médicale existe, et les systèmes de santé manquent souvent de temps et de capacité. Une IA peut aider à organiser l'information, repérer des signaux utiles ou préparer une décision. Mais la valeur économique ne viendra pas automatiquement d'un meilleur score sur un test.
Un établissement trouve un outil utile s'il améliore un processus mesurable, sans transférer le coût sur les équipes. Cela peut vouloir dire réduire le temps passé à parcourir un dossier, aider à prioriser certains cas, ou améliorer la continuité entre services. À l'inverse, une IA qui génère plus de recommandations à vérifier, multiplie les alertes ou impose une nouvelle interface peut pénaliser le travail au quotidien - même si, sur le plan technique, son raisonnement est solide.
La vraie question opérationnelle est simple : quel problème précis l'outil résout, pour quel professionnel, à quel moment du parcours, avec quel indicateur de résultat ? Sans réponse claire, une expérimentation risque d'évaluer surtout la nouveauté de la technologie, pas son utilité.
Une feuille de route pragmatique pour les organisations
Les acteurs de santé peuvent avancer par étapes, sans confondre prudence et inertie :
- Définir un cas d'usage étroit. Commencer par une tâche clairement délimitée, avec un utilisateur identifié et un risque maîtrisable.
- Établir une référence humaine pertinente. Comparer à des professionnels qui font réellement cette tâche, pas à un groupe choisi pour donner un contraste favorable.
- Tester sur des données représentatives. Inclure les variations de patients, d'établissements et de qualité des dossiers observées en pratique.
- Mesurer les effets du processus complet. Suivre la qualité des décisions, les erreurs, le temps des équipes, les coûts d'intégration et les conséquences pour les patients.
- Prévoir la supervision et l'arrêt. Définir qui peut contester une recommandation, comment un incident est signalé, et à quelles conditions l'outil est suspendu.
Cette approche ne garantit pas que le projet sera rentable ou cliniquement utile. Elle réduit toutefois le risque de généraliser trop vite un système difficile à retirer ensuite. En santé, l'expérimentation doit être assez réelle pour apprendre, et assez contrôlée pour ne pas faire porter aux patients le coût d'une mauvaise surprise.
Conclusion
L'étude de Microsoft apporte un signal intéressant : une IA peut obtenir de bons résultats sur des cas médicaux complexes, et l'orchestration en plusieurs étapes peut parfois améliorer la précision ou réduire le coût d'exécution. Mais tout ne dépend pas de l'orchestration : le modèle sous-jacent compte beaucoup, les gains varient selon les situations, et on ne peut pas encore conclure à une amélioration des soins en conditions réelles.
Pour les établissements et les professionnels, le prochain jalon n'est pas un score toujours plus spectaculaire. Le vrai test, c'est une évaluation indépendante dans des parcours réels : bénéfices, erreurs, charge de travail, et risques pour les patients. Avant d'adopter une IA médicale, partez du problème clinique à résoudre, puis vérifiez que l'outil améliore réellement la décision ou le parcours de soin.
Pour consulter le compte rendu à l'origine de cette analyse, vous pouvez lire l'article de TechCrunch sur MAI-DxO.