Les assistants IA en santé : la nouvelle porte d'entrée du parcours de soin

Un patient se réveille avec un mal de dos persistant. Il demande à son assistant IA ce qu'il doit faire. L'application consulte son historique médical, repère une ancienne ordonnance et lui suggère de passer à un autre anti-inflammatoire. Votre molécule n’est même pas mentionnée. Lorsque ce patient consulte son médecin l'après-midi même pour obtenir une prescription, le cadre de sa réflexion est déjà posé.

L'adoption des assistants basés sur l'IA générative (GenAI) est déjà une réalité, des deux côtés du bureau de consultation. Sur les plus de 800 millions d'utilisateurs de ChatGPT, 200 millions soumettent chaque semaine des requêtes liées à la santé. Les médecins ne font pas exception : 76 % d'entre eux utilisent l'IA pour l'aide à la décision clinique, et plus de 60 % s'en servent pour vérifier les interactions médicamenteuses. Open Evidence, une IA clinique conçue spécifiquement pour les professionnels de la santé, enregistre 65 000 nouveaux utilisateurs chaque mois.

De plus, l'offre d'assistants GenAI se développe à un rythme fulgurant. En un seul trimestre, quatre des plus grands géants de la tech ont lancé leur propre assistant IA dédié à la santé :ChatGPT health pour OpenAI, MedgeMMA 1.5 et MedASR pour Google, ou encore Health AI d'Amazon One Medical.

Pour l'industrie pharmaceutique, alors que la recherche par IA devrait dépasser la recherche traditionnelle d'ici 2028 :

  • Premièrement, l'invisibilité des marques :chaque médicament possède deux noms, un nom de marque et un nom scientifique (la DCI ou Dénomination Commune Internationale). Lorsque le contenu d'une marque est mal indexé dans les sources utilisées par les modèles d'IA, la réponse propose par défaut la DCI. Demandez à la plupart des IA un remède contre les allergies, et vous obtiendrez plus probablement du « cétirizine 10 mg » qu'un nom de marque, balayant ainsi des années d'investissements publicitaires en une seule réponse.
  • Deuxièmement, la perte de contrôle du discours (« narrative control ») :ces modèles ne se limitent pas aux données cliniques officielles. Ils puisent leurs informations sur Reddit, les forums de patients ou des articles de blog, et synthétisent le tout dans une réponse unique au ton très affirmatif. Alors que la présence d'avertissements médicaux dans les réponses des IA est passée de 26,3 % à moins de 1 % entre 2022 et 2025, le témoignage d'un internaute affirmant « ce médicament a nettoyé ma peau en deux semaines » devient, après agrégation, une affirmation que l'IA présente presque comme une preuve médicale.
  • Troisièmement, la visibilité du « hors-AMM » (off-label) :les médicaments sont approuvés pour des usages, des pathologies, des populations et des lignes de traitement très précis. Tout le reste est considéré comme du « hors-AMM », une distinction que les modèles d'IA ne font pas toujours. Un traitement contre le cancer homologué en deuxième ligne mais étudié pour la première ligne ? Une IA pourrait très bien le recommander dès la première ligne.

Ensemble, la perte de contrôle du discours et la visibilité des usages hors-AMM soulèvent une question réglementaire que la pharma ne peut plus ignorer. La FDA et l'EMA imposent déjà aux fabricants de surveiller les informations sur les effets indésirables des médicaments sur leurs canaux numériques, une obligation qui s'est progressivement étendue aux réseaux sociaux. Bien qu'aucun régulateur n'ait encore décrété que les réponses générées par les IA constituaient un canal à surveiller, l'extension logique de cette règle semble difficile à écarter à terme.

GEO et RAG : là où se décide réellement la visibilité de votre produit sur l'IA

Avec la recherche traditionnelle, vous vous battiez pour obtenir une position sur une page de dix résultats : c'était l'ère du SEO (référencement naturel). Aujourd'hui, deux nouveaux terrains de jeu le remplacent rapidement, et leurs règles sont totalement différentes.

Le premier est le GEO (Generative Engine Optimization). C'est ce qui détermine votre apparition dans les LLM généralistes (ChatGPT, Gemini, Perplexity) et dans les nouveaux assistants de santé. Ces systèmes parcourent le web ouvert et synthétisent le contenu en une réponse unique. Ici, vous ne cherchez pas à être classé dans un classement de liens. Vous vous battez pour faire partie des deux ou trois sources citées par le modèle. Ce qui compte : un contenu indexé sur le web et lisible par les machines, comme des pages d'information pour les patients, des FAQ, des résumés en langage clair ou des synthèses structurées associant systématiquement la DCI et le nom de marque.

Le second est le RAG (Retrieval-Augmented Generation). C'est ce qui régit votre visibilité dans les outils cliniques spécialisés tels que Open Evidence ou ClinicalKey AI, utilisés par les médecins directement au moment de la prescription. Ces systèmes ne naviguent pas sur le web. Ils extraient l'information de bases de données médicales rigoureusement sélectionnées comme PubMed, Cochrane ou des recommandations de sociétés savantes. Ce qui importe ici : la qualité de la publication, l'exhaustivité des métadonnées PubMed et des résumés bien structurés.

Deux questions nous sont souvent posées : l'IA sait-elle si un médecin est influent ? Et peut-elle évaluer la qualité d'une étude ? La réponse courte est : oui, d'une certaine manière, mais pas du tout comme un humain le ferait.
L'IA ne vérifie pas les diplômes d'un médecin et ne décortique pas la méthodologie d'une étude. Elle utilise des raccourcis. Si le nom d'un médecin apparaît fréquemment dans la littérature médicale publiée, l'IA le citera davantage, non pas parce qu'elle a validé sa légitimité, mais simplement parce qu'elle rencontre souvent son nom. Il en va de même pour les études : l'IA n'évalue pas la taille de l'échantillon ou la rigueur statistique. Elle regarde à quelle fréquence l'étude est citée ailleurs, la notoriété de la revue scientifique et la facilité d'extraction du contenu. Un essai clinique révolutionnaire mais publié dans une revue de second plan avec des métadonnées incomplètes risque de ne jamais remonter, tandis qu'une étude plus modeste publiée dans une revue prestigieuse avec un résumé bien structuré sera citée partout. Pour l'industrie pharmaceutique, cela signifie que la visibilité sur l'IA dépend tout autant du lieu de publication et des auteurs de l'article que de la qualité intrinsèque de la science.

Ce qui change pour les patients, les généralistes et les spécialistes

Le patient ne clique plus sur une liste de liens : il agit désormais sur la base d'une réponse unique synthétisée par l'IA. En France, 60 % des personnes ayant reçu une recommandation de santé par une IA l'ont suivie, et 17 % l'ont fait sans consulter de médecin. Aujourd'hui, les patients arrivent déjà en consultation pré-informés après avoir interrogé des LLM généralistes. Pour l'automédication (OTC), le risque commercial est direct et immédiat : si votre marque n'est pas citée, elle n'existe pas au moment de la décision d'achat. Pour les produits sur ordonnance, le risque est structurel : l'IA redéfinit les attentes des patients bien en amont de la consultation.

Le médecin généraliste fait face à des patients aux attentes façonnées par l'IA, alors même que son rôle dans les soins de routine tend à se réduire. Le précédent de l'Utah (États-Unis) a accéléré cette mutation structurelle en devenant le premier État américain à autoriser le renouvellement d'ordonnances par IA pour 190 médicaments de maladies chroniques, pour un coût de 4 $ par renouvellement. Sachant que le renouvellement d'ordonnances représente environ 80 % de l'activité liée aux médicaments et que ces prescriptions de routine s'automatisent, le généraliste devient un recours pour les cas complexes, réduisant ainsi le point de contact historique le plus solide pour la pharma.

Le médecin spécialiste s'appuie de plus en plus sur des outils d'IA clinique comme premier filtre avant de prescrire. Ce que ces outils mettent en avant oriente la décision thérapeutique. Ce qu'ils ignorent n'existe tout simplement pas. L'indexation des publications (exhaustivité des métadonnées PubMed, résumés structurés, publication dans des revues de premier plan) devient donc le levier de visibilité le plus crucial là où se prennent les décisions cliniques.

Ce qu'il faut faire

Établir un diagnostic dès maintenant. Le point de départ consiste à comprendre où vous vous situez aujourd'hui.

Interroger ChatGPT, Perplexity, Gemini, Open Evidence et, dès qu'ils seront accessibles, les assistants de santé dédiés, avec les dix questions les plus fréquentes de vos patients et médecins, révélera vos lacunes bien plus rapidement que n'importe quel audit interne. Par exemple : « Quel est le meilleur traitement pour un diabète de type 2 avec une HbA1c supérieure à 8 % ? » La réponse mentionne-t-elle votre marque ou uniquement la DCI ? Cite-t-elle votre étude pivot ou celle d'un concurrent ? Le dosage indiqué est-il correct ? Un produit très bien cité sur la version gratuite de ChatGPT peut être totalement absent des recommandations personnalisées d'un assistant médical si ses données cliniques structurées sont incomplètes. L'analyse des écarts qui en résulte constituera votre cartographie des risques. Des plateformes comme Profound ou Evertune peuvent aider à systématiser ce suivi sur les différents outils. Ce type d'audit initial produit des indicateurs actionnables à un coût quasi nul.
Des plateformes telles que Profound ou Evertune peuvent aider à systématiser le suivi entre les plateformes. Ce type d'audit de base produit des signaux exploitables à un coût proche de zéro.

Optimiser votre contenu existant sous 6 mois. Dans la plupart des cas, le problème n'est pas le manque de contenu, mais son formatage. Restructurer vos actifs existants peut améliorer les taux de citation par l'IA jusqu'à 40 %.

Cependant, tout ne doit pas être optimisé : les notices officielles approuvées et les essais publiés peuvent être reformatés en toute sécurité, tandis que la recherche hors-AMM peut présenter des risques de conformité réglementaire si elle devient trop visible sans garde-fous. Il est donc indispensable d'associer très tôt les Affaires Médicales et Réglementaires pour définir ces limites.

Ensuite, les documents à forte valeur ajoutée peuvent être réorganisés sous forme de questions-réponses (FAQ) pour épouser la façon dont les patients et les assistants de santé traitent l'information. Par exemple, transformer une étude clinique de 30 pages en une page structurée répondant à la question : « Quelle est l'efficacité de l'atorvastatine pour le cholestérol élevé ? »

Pensez également à vérifier l'exhaustivité de vos métadonnées PubMed. Des métadonnées incomplètes restent la raison principale pour laquelle d'excellentes études demeurent invisibles pour les outils d'IA clinique.

Enfin, associer systématiquement la DCI et le nom de marque sur l'ensemble des contenus indexés aide les modèles d'IA à lier les deux notions, plutôt que de se rabattre uniquement sur le nom scientifique par défaut.

Structurer la gouvernance sous 1 an. Le périmètre de veille doit s'élargir : il ne s'agit plus seulement de surveiller ce que vous publiez, mais ce que l'IA dit de vous, que ce soit sur les LLM généralistes, les outils d'IA clinique ou les assistants de santé.

Des tests trimestriels sur les revendications de vos produits, leurs indications et leurs données de tolérance permettent de détecter rapidement les dérives de l'algorithme (les « hallucinations »). Il est judicieux de définir des seuils d'alerte : par exemple, si une IA recommande un anticoagulant à un dosage double de celui approuvé, cela doit déclencher une procédure d'examen immédiate par les Affaires Médicales et Réglementaires.

Il est tout aussi utile de classer vos contenus selon leur niveau de visibilité pour l'IA. Certains peuvent être rendus totalement accessibles en toute sécurité, comme vos notices approuvées ou vos essais cliniques publiés. D'autres peuvent être indexés mais nécessitent un encadrement rigoureux, à l'image des données de vie réelle (RWE) qui pourraient être mal interprétées hors contexte. Enfin, certains éléments doivent rester totalement hors de portée de l'IA, comme les données d'essais en cours ou les résultats préalables à une approbation qui ne sont pas encore prêts à être interprétés par le public.

Les entreprises qui mettent en place ce cadre dès aujourd'hui auront une longueur d'avance lorsque la réglementation se durcira, plutôt que de devoir y réagir dans l'urgence.

Conclusion : Le récit s'écrit dès aujourd'hui

La visibilité sur l'IA en santé n'est pas une simple tendance de mode, c'est une transformation profonde des infrastructures d'accès à l'information.

  • Les habitudes de citation s'auto-entretiennent : les premiers arrivés construisent un avantage historique que les retardataires devront payer très cher pour rattraper.
  • Les outils cliniques basés sur le RAG deviendront l'interface dominante des spécialistes d'ici trois ans.
  • Le modèle de l'Utah pourrait s'exporter à l'international, réduisant durablement le rôle de premier contact du médecin généraliste.
  • Les assistants de santé dédiés créent un nouvel intermédiaire permanent entre le patient et le médecin, ainsi qu'entre la marque et le prescripteur.

Par où commencer ? Suivez la chaîne d'influence plutôt que l'utilisateur final.

  • Pour les produits sur ordonnance : le médecin reste le décideur ultime. Garantir que vos preuves cliniques sont facilement trouvables sur les plateformes RAG, les LLM généralistes et les assistants de santé est aujourd'hui le levier le plus direct pour influencer les décisions de prescription.
  • Pour les produits OTC (sans ordonnance) : l'IA remplace le rayon de la pharmacie comme premier point de découverte du produit. Si la réponse de l'IA recommande de la « cétirizine 10 mg » au lieu de votre marque, le patient achètera le générique le moins cher. Dans une catégorie qui repose sur les volumes et la valeur de la marque, c'est ainsi que des parts de marché entières s'évaporent.

Selon la nature de votre portefeuille, ces deux chantiers peuvent être menés de front ou de manière séquentielle, mais aucun ne devrait attendre.

 

Sources d'information:

  • OpenAI, “Introducing ChatGPT Health”, janvier 2026
  • Fierce Healthcare / Sermo, “Physician Use of AI in Clinical Decision-Making”, via American Hospital Association, octobre 2024
  • GV (Google Ventures), annonce de la série B d'OpenEvidence, 2025
  • Sharma A., Alaa A., Daneshjou R., “Medical Disclaimers in Large Language Model Outputs”, npj Digital Medicine, octobre 2025.
  • Galeon D., “Un adulte français sur trois a déjà interrogé une IA sur sa santé”, Galeon, 2025
  • Aggarwal P., Murahari V., Rajpurohit T. et al, “GEO : Generative Engine Optimization,” KDD 2024, Université de Princeton / IIT Delhi
  • ECRI, “Top 10 Health Technology Hazards for 2026”, janvier 2026.
  • PharmaGEO, “Brand vs. INN Visibility Across Major LLM Platforms”, 2025
  • Indegene / Tarun Mathur, “From SEO to GEO : Se rééquiper pour l'ère du contenu sans clic”, novembre 2025