IA médicale ⚡ OpenEvidence : 15 milliards
Découvrez OpenEvidence, IA médicale financée par la publicité : modèle, risques pour les soins, fiabilité IA clinique. Apprenez quoi vérifier avant d’adopter.
IA médicale : OpenEvidence vaut 15 milliards
OpenEvidence : l'IA médicale qui séduit les médecins et les investisseurs
Un médecin qui cherche une recommandation clinique n'a pas besoin d'un chatbot qui parle avec assurance. Il veut des sources pertinentes, des réponses vérifiables et assez de contexte pour savoir si elles s'appliquent à son patient. C'est sur cette promesse qu'OpenEvidence, une jeune entreprise américaine, a construit un moteur de recherche médical assisté par l'intelligence artificielle. D'après les chiffres communiqués par la société, l'outil aurait traité plus de 42 millions de requêtes en un mois et serait utilisé par près des deux tiers des médecins américains.
Cette adoption a aussi attiré presque un milliard de dollars d'investissements en dix-huit mois, avec une valorisation portée à 15 milliards de dollars. Reste une question plus délicate que celle de la performance : que se passe-t-il quand un outil présenté comme un support aux décisions de soins est financé par la publicité ? Entre gain de temps, exactitude des réponses, indépendance des recommandations et pression de la concurrence, voici les points à regarder avant de voir dans cette réussite un modèle à copier.
OpenEvidence : une adoption rapide dans un secteur prudent
Fondée en 2022 par l'entrepreneur Daniel Nadler et installée à Miami, OpenEvidence propose un moteur de recherche conversationnel destiné aux professionnels de santé. Le médecin formule une question en langage courant ; l'outil parcourt des publications médicales et des recommandations cliniques pour produire une réponse synthétique, orientée vers la pratique.
L'ambition n'est pas neuve : réduire le temps passé à retrouver et à interpréter l'information médicale. Ce qui change, c'est l'interface. Au lieu d'ouvrir plusieurs bases de données, de comparer des articles et de reformuler des requêtes, un professionnel peut démarrer par une question directe. Si l'outil affiche des références de façon claire, il devient une couche entre le praticien et une littérature parfois difficile à suivre au quotidien.
Selon des chiffres relayés par la presse et attribués à l'entreprise, de nombreux médecins américains auraient généré plus de 42 millions de requêtes sur un mois. OpenEvidence dit aussi avoir pénétré près des deux tiers du corps médical américain. Ces données donnent une indication sur l'adoption, mais elles doivent être lues correctement : une requête n'est pas, en soi, une décision clinique, et un compte actif n'implique pas forcément un usage régulier au chevet du patient.
Pourquoi un outil de recherche peut trouver sa place
Les médecins travaillent dans un environnement où les recommandations évoluent, où la production scientifique s'accumule et où le temps disponible reste limité. Une interface qui rend la recherche plus rapide peut donc répondre à un besoin réel.
Plusieurs médecins interrogés par le Financial Times ont dit avoir apprécié le gain de temps. C'est un signal utile, mais ce n'est pas une preuve, en soi, que les réponses sont toujours exactes, ni qu'elles améliorent les résultats de santé.
La nuance compte. L'utilité dépend de la qualité des sources, de la manière dont les résultats sont résumés, et de la capacité à afficher clairement les incertitudes. Une réponse rapide n'est un avantage que si le médecin peut retrouver les sources et vérifier qu'elles correspondent au cas traité.
OpenEvidence a aussi bénéficié d'un calendrier particulier. Wolters Kluwer, éditeur d'UpToDate, a lancé une version intégrant de l'IA en octobre 2025, près de deux ans après l'arrivée d'OpenEvidence. Cela ne veut pas dire que les acteurs historiques sont dépassés : leurs contenus éditoriaux sont déjà structurés, avec des processus de validation et une clientèle professionnelle. Mais ça montre qu'une interface nouvelle peut prendre de la place quand elle réduit une friction quotidienne.
L'usage précède souvent la gouvernance
Dans la pratique, l'adoption d'un outil numérique ne suit pas toujours un plan parfait. Un professionnel l'essaie, le trouve pratique, puis le recommande à d'autres. Ce bouche-à-oreille peut faire émerger un usage avant que les établissements aient fixé des règles communes d'achat, de sécurité ou de validation.
En santé, c'est particulièrement sensible. Utiliser un outil en individuel n'est pas pareil que l'intégrer dans un parcours de soins validé. Dans un premier cas, l'outil peut aider à explorer une question. Dans un second, il peut peser sur des pratiques standardisées, des décisions et la gestion des données. Plus le déploiement devient institutionnel, plus il faut clarifier qui est responsable, ce que l'on peut faire, et comment on contrôle.
Un modèle financé par la publicité, pas seulement par les abonnements
La croissance d'OpenEvidence tient aussi à son modèle économique. La plateforme est financée par des annonces publicitaires, et pas uniquement par des abonnements payés par les professionnels ou les établissements. Selon une personne proche de l'entreprise citée par le Financial Times, OpenEvidence aurait enregistré 100 millions de dollars d'achats publicitaires pour l'année, incluant des engagements présents et futurs. La même source évoquait des revenus publicitaires susceptibles d'atteindre 400 à 500 millions de dollars d'ici la fin 2026.
Ces montants doivent être compris comme des chiffres rapportés via une source proche de l'entreprise, et non comme des résultats financiers audités. Ils montrent toutefois que la publicité peut devenir un levier important pour un produit spécialisé, à condition de réunir une audience professionnelle jugée intéressante pour les annonceurs.
La publicité ne suffit pas à disqualifier le produit
Le financement publicitaire n'est pas, à lui seul, incompatible avec un outil médical. Il peut même réduire le coût d'accès pour les praticiens et financer le développement.
Mais le niveau d'exigence n'est pas celui d'un moteur grand public. La question n'est pas seulement « y a-t-il des annonces ? ». Il faut plutôt comprendre comment elles sont placées dans l'interface, comment elles s'articulent avec les résultats, comment elles sont sélectionnées et quelles données servent au ciblage.
Une annonce clairement séparée d'une réponse clinique n'a pas le même impact qu'une publicité qui pourrait être confondue avec une recommandation médicale. Les informations disponibles ne permettent pas de trancher sur le fonctionnement exact du système publicitaire d'OpenEvidence. Et c'est justement ce type de transparence qu'il faut demander, plutôt que supposer.
En pratique, un système de santé financé par la publicité devrait offrir des garanties claires et vérifiables. Par exemple :
- une séparation visuelle et fonctionnelle entre contenu sponsorisé et résultats cliniques ;
- l'identification explicite des annonces et de leurs annonceurs ;
- l'absence d'influence des annonceurs sur le classement ou la formulation des réponses médicales ;
- la documentation des critères de ciblage et des données utilisées ;
- des mécanismes de contrôle et de signalement accessibles aux professionnels.
Ce ne sont pas de simples détails de produit. Pour un médecin, la capacité à distinguer une information clinique d'un message commercial doit rester simple, et ne pas exiger une vigilance supplémentaire permanente.
Un arbitrage entre gratuité, confiance et indépendance
Un abonnement fixe rend le coût visible, mais peut exclure certains profils, notamment de petites structures ou des professionnels sans budget dédié. La publicité peut réduire cette barrière, tout en ajoutant une relation économique dans un domaine où l'apparence de neutralité compte.
Le bon choix dépend donc de la conception et de la gouvernance. Un modèle publicitaire peut fonctionner si les garde-fous sont solides, si les annonces ne brouillent pas les réponses et si les utilisateurs savent comment le service est rémunéré. À l'inverse, un modèle par abonnement n'est pas automatiquement vertueux : il doit aussi prouver la qualité des contenus, protéger les données et expliciter les limites.
Autrement dit : le modèle de revenus fait partie du produit. Dans un outil utilisé pour éclairer des décisions de santé, la confiance ne vient pas seulement d'une interface pratique. Elle dépend aussi de la façon dont les intérêts commerciaux sont encadrés, et de ce qui est expliqué aux utilisateurs.
Fiabilité clinique : l'outil aide à chercher, il ne décide pas
L'essor d'OpenEvidence arrive alors que des chercheurs s'interrogent sur la précision de ce que produisent certains systèmes d'IA médicale. Le risque n'est pas propre à cette entreprise : un modèle génératif peut produire un texte convaincant, tout en omettant une nuance importante, en s'appuyant sur une source discutable ou en résumant mal un résultat. En pratique clinique, une erreur bien formulée peut être plus difficile à repérer qu'une réponse manifestement incohérente.
La question utile n'est donc pas « l'IA est-elle précise ? ». Elle est trop vague. Il faut demander : précise pour quelle tâche, quel profil de patient, quelle spécialité, et avec quel niveau de risque ? Une synthèse destinée à orienter une recherche n'a pas le même statut qu'une recommandation utilisée pour prescrire un traitement ou écarter un diagnostic.
La vérification des sources doit faire partie du flux
Pour utiliser un assistant clinique avec discernement, un professionnel doit pouvoir examiner ce qui soutient la réponse. Cela implique des références consultables, des dates visibles, une distinction entre recommandations établies et données plus émergentes, ainsi qu'une présentation correcte des désaccords scientifiques.
Même avec ces éléments, le modèle ne remplace pas le jugement clinique. Il ne connaît pas l'ensemble du dossier, les préférences du patient, les contraintes locales, ni toutes les variables pertinentes. Le médecin reste responsable de l'interprétation et de la décision. La valeur du système se situe surtout dans la réduction du temps de recherche et dans l'accès plus rapide à des sources : pas dans une délégation aveugle de l'acte médical.
Une évaluation sérieuse devrait tester le système sur les tâches réellement visées, et pas seulement sur des exemples de démonstration. Elle devrait inclure des situations ambiguës, des données manquantes, différentes spécialités, et des questions dont la réponse a évolué dans le temps. Et il faut mesurer les erreurs en fonction de leur gravité : une petite imprécision dans une recherche exploratoire n'entraîne pas les mêmes conséquences qu'une information erronée susceptible de modifier un traitement.
Les garde-fous ne s'arrêtent pas à l'exactitude
L'évaluation technique ne couvre pas tout. Il faut aussi regarder la confidentialité, la sécurité, les biais dans la représentation des contenus et la capacité à retracer ce qui a été utilisé. Les données saisies peuvent-elles contenir des informations permettant d'identifier un patient ? Sont-elles conservées, réutilisées ou accessibles à des tiers ? Les réponses et les sources peuvent-elles être auditées a posteriori ?
En Europe, les établissements doivent aussi analyser les obligations applicables selon l'usage réel de la solution. Le Règlement général sur la protection des données encadre notamment le traitement des données personnelles, dont les données de santé. Le règlement européen sur l'intelligence artificielle impose aussi des exigences, selon la qualification et le contexte d'utilisation du système. Un produit accessible en ligne n'est pas, à lui seul, une preuve de conformité.
Pour un établissement, l'adoption devrait donc s'accompagner d'un dossier clair : finalité de l'outil, catégories de données utilisées, conditions contractuelles, validation clinique, formation des professionnels et procédure pour remonter les incidents. Le déploiement peut commencer par un usage limité et supervisé, puis s'étendre seulement si les résultats et les contrôles le justifient.
Ce que le marché européen peut retenir
La trajectoire d'OpenEvidence montre qu'il existe une demande pour des outils qui rendent la recherche médicale plus rapide et plus accessible. Elle ne prouve pas que la publicité est le meilleur modèle, ni que toute solution d'IA médicale doit devenir un assistant conversationnel.
Ce qu'elle montre surtout, c'est qu'un produit ciblé sur un problème fréquent peut se diffuser vite, même dans un secteur qui se montre traditionnellement prudent, dès lors que l'usage répond à un bénéfice immédiat.
Pour les entreprises européennes de la santé numérique, la leçon n'est pas de copier l'interface ou la manière de facturer. Le point de départ, c'est le travail réel des professionnels : quelles informations cherchent-ils, quand, avec quelles contraintes, et où les parcours dérapent ? Une fonctionnalité d'IA vaut quelque chose seulement si elle améliore ce flux sans ajouter une couche supplémentaire de vérification, démesurée et difficile à tenir.
Évaluer un outil avant de le déployer
Un établissement, un éditeur ou un professionnel peut structurer son évaluation autour de cinq questions :
- Quel problème précis l'outil résout-il ? Gagne-t-il du temps sur une tâche identifiée, ou ajoute-t-il seulement une interface conversationnelle ?
- Quelles preuves soutiennent son utilité ? Les tests reflètent-ils les patients, les spécialités et les conditions d'usage locales ?
- Comment vérifier une réponse ? Les références sont-elles accessibles, pertinentes et suffisamment récentes ?
- Quels intérêts économiques interviennent ? Les annonces, les abonnements ou les partenariats peuvent-ils influencer la présentation des informations ?
- Qui répond en cas de problème ? Les responsabilités, les limites et les procédures d'incident sont-elles définies ?
Cette grille évite deux erreurs symétriques : rejeter toute IA parce qu'elle n'est pas parfaite, puis déployer trop vite parce que c'est pratique, avant de comprendre comment les données sont gérées, comment la qualité clinique est contrôlée, et ce qui manque en transparence.
Les grands modèles ne résolvent pas automatiquement le problème
OpenEvidence doit aussi composer avec la concurrence d'acteurs comme OpenAI et Anthropic, qui développent des offres dans la santé. Leur capacité d'investissement et leurs modèles généralistes pèsent dans la balance. Mais la puissance d'un modèle ne suffit pas à créer un produit clinique fiable.
Il faut des sources adaptées, une interface pensée pour le travail médical, des évaluations conçues pour les usages réels, des mécanismes de gouvernance, et une intégration compatible avec les pratiques des établissements. Un assistant généraliste peut impressionner techniquement, sans pour autant répondre aux exigences du contexte de soins. Et un outil spécialisé peut s'avérer plus utile s'il rend ses preuves et ses limites plus lisibles.
La concurrence se jouera donc autant sur la confiance opérationnelle que sur la qualité des réponses. En santé, un système un peu moins rapide mais vérifiable, auditable et compréhensible peut être plus utile qu'une solution plus spectaculaire, mais opaque.
Conclusion : la confiance est le véritable produit
OpenEvidence a identifié un besoin concret : aider les médecins à retrouver plus vite une information médicale utile. Son adoption et sa valorisation à 15 milliards de dollars montrent que ce besoin peut soutenir une entreprise à grande échelle. Mais la croissance ne répond pas, à elle seule, aux questions décisives : exactitude des réponses, place des annonces, protection des données.
Pour les professionnels et les établissements, le bon réflexe n'est ni l'enthousiasme automatique ni le rejet de principe. Il faut définir une tâche limitée, tester l'outil dans des conditions réalistes, vérifier les références, examiner le modèle économique et encadrer l'usage des données. Si ces conditions ne sont pas réunies, la facilité d'usage ne suffit pas.
La suite pour OpenEvidence - et pour les autres acteurs de l'IA médicale - sera de montrer que la confiance peut tenir au-delà de la première adoption. Avant d'intégrer un assistant dans vos pratiques, utilisez une grille d'évaluation comme celle ci-dessus : ce qui peut être aidé par la machine, ce qui doit rester vérifié, et ce qui ne doit jamais être délégué.