Assistants de santé IA : la nouvelle porte d'entrée des soins de santé

Un patient se réveille avec des douleurs dorsales récurrentes et demande conseil à un assistant AI. L'application consulte son historique, repère une prescription antérieure et suggère de passer à un autre anti-inflammatoire. Votre molécule n'est pas mentionnée. Lorsque le patient consulte son médecin cet après-midi-là pour obtenir une ordonnance, le cadre est déjà posé.

L'adoption des assistants GenAI est déjà en cours, des deux côtés de la consultation. Sur les plus de 800 millions d'utilisateurs de ChatGPT, 200 millions soumettent chaque semaine des questions relatives à la santé. Les médecins ne sont pas différents : 76% utilisent l'IA dans la prise de décision clinique, plus de 60% vérifient les interactions médicamenteuses grâce à elle. Open Evidence, une IA clinique conçue pour les médecins, compte 65 000 nouveaux utilisateurs chaque mois.

En outre, l'offre d'assistants GenAI se développe très rapidement. En un seul trimestre, quatre des plus grandes entreprises technologiques ont lancé leurs propres assistants de santé à base d'IA: ChatGPT health pour OpenAI, MedgeMMA 1.5 et MedASR pour Google, Amazon One Medical's Health AI, et d'autres.

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

  • Premièrement, invisibilité de la marqueChaque médicament a deux noms, un nom de marque et un nom scientifique (la DCI). Lorsque le contenu d'une marque n'est pas bien indexé dans les sources où puisent les modèles d'IA, la réponse est par défaut la DCI. Interrogez la plupart des IA sur le soulagement des allergies et vous aurez plus de chances d'obtenir “cetirizine 10mg” qu'un nom de marque, ce qui pourrait permettre d'éviter des années d'investissement publicitaire en une seule réponse.
  • Deuxièmement, perte de contrôle de la narrationCes modèles ne se limitent pas aux preuves cliniques approuvées. Ils puisent dans Reddit, les forums de patients, les articles de blog, et synthétisent le tout en une seule réponse qui fait autorité. Comme les avertissements médicaux dans les résultats de l'IA ont chuté de 26,3% à moins de 1% entre 2022 et 2025, un utilisateur postant “ce médicament a fait disparaître ma peau en deux semaines” devient, après agrégation, quelque chose que l'IA présente comme une preuve quasi médicale.
  • Troisièmement, visibilité hors étiquetteLes médicaments sont approuvés pour un usage, des maladies, des populations et des lignes de traitement spécifiques. Tout le reste est “hors étiquette”, et les modèles d'IA ne font pas cette distinction. Un médicament anticancéreux approuvé pour le traitement de deuxième intention mais étudié pour le traitement de première intention ? Une IA peut le recommander en première intention.

Ensemble, la perte de contrôle narratif et la visibilité hors étiquette soulèvent une question réglementaire que l'industrie pharmaceutique ne peut ignorer. La FDA et l'EMA exigent déjà des fabricants qu'ils surveillent les informations sur les effets indésirables des médicaments sur l'ensemble de leurs canaux numériques, une obligation qui s'est progressivement étendue aux médias sociaux. Aucune autorité de régulation n'a encore décidé que les données de sortie de l'IA constituaient un canal surveillé. Mais l'extension logique est difficile à écarter.

GEO et RAG : où se décide la visibilité de votre produit en matière d'IA

Dans le cadre d'une recherche traditionnelle, vous êtes en concurrence pour obtenir une place sur une page de dix résultats. C'était le référencement. Aujourd'hui, deux nouveaux champs de bataille le remplacent, à un rythme rapide, et ils fonctionnent différemment.

Le premier est GEO (Generative Engine Optimization). C'est ainsi que vous apparaissez dans les LLM généralistes (ChatGPT, Gemini, Perplexity) et les nouveaux assistants de santé. Ces systèmes puisent dans le web ouvert et synthétisent le contenu en une seule réponse. Vous n'êtes pas en compétition pour un classement. Vous êtes en concurrence pour faire partie des deux ou trois sources citées par le modèle. Ce qui compte : un contenu indexé sur le web et lisible par une machine, tel que des pages d'éducation du patient, des questions-réponses, des résumés en langage clair, des résumés structurés avec une association cohérente entre la DCI et la marque.

Le second est le RAG (Retrieval-Augmented Generation). C'est ainsi que vous apparaissez dans des outils cliniques spécialisés comme Open Evidence ou ClinicalKey AI, utilisés par les médecins sur le lieu de soins. Ces systèmes n'effectuent pas de recherche sur le web. Ils puisent directement dans les bases de données médicales data telles que PubMed, Cochrane, les directives cliniques. Ce qui compte ici : la qualité de la publication, la métadata complète de PubMed, les résumés structurés.

Deux questions nous sont souvent posées : l'IA sait-elle si un médecin est influent ? Et peut-elle dire si une étude est bonne ? Réponse courte aux deux questions : en quelque sorte, mais pas comme le ferait un être humain.
L'IA ne vérifie pas les références d'un médecin et ne lit pas la méthodologie d'une étude. Elle prend 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 vérifié qui il était, mais parce qu'elle ne cesse de voir 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 examine la fréquence à laquelle l'étude est citée ailleurs, la notoriété de la revue et la facilité d'extraction du contenu. Un essai révolutionnaire enterré dans une revue peu connue avec un métadata incomplet peut ne jamais faire surface, alors qu'une étude plus petite dans une revue de premier plan avec un résumé bien structuré est citée partout. Pour l'industrie pharmaceutique, cela signifie que la visibilité de l'IA dépend autant de l'endroit où vous publiez et du signataire de l'article que de la qualité de la science elle-même.

Quels sont les changements pour les patients, les médecins généralistes et les spécialistes ?

Le patient est passé du clic sur des liens classés à l'action sur une réponse unique synthétisée par l'IA. En France, 60% des personnes ayant reçu une recommandation de santé de l'IA l'ont suivie, dont 17% sans consulter de médecin. Aujourd'hui, les patients arrivent déjà en consultation pré-informés, après avoir interrogé des LLM généralistes. Pour les produits en vente libre, le risque commercial est immédiat et direct : si votre marque n'est pas citée, elle n'existe pas au moment de la décision d'achat. Pour les produits de prescription, le risque est structurel : L'IA remodèle les attentes des patients en amont de la consultation.

Le médecin généraliste Les patients sont confrontés à des attentes formées par l'IA et à un rôle de plus en plus réduit dans les soins de routine. Le précédent de l'Utah a encore accéléré le changement structurel en devenant le premier État américain à autoriser les renouvellements d'ordonnance par l'IA pour 190 médicaments contre les maladies chroniques, à raison de $4 par renouvellement. Étant donné que les renouvellements d'ordonnance représentent environ 80% de l'ensemble des activités liées aux médicaments et que les prescriptions de routine sont automatisées, le médecin généraliste devient un gestionnaire d'exception et le point de contact le plus établi de l'industrie pharmaceutique se contracte.

Le spécialiste s'appuie de plus en plus sur les outils d'IA clinique comme filtre de première ligne avant de prescrire. Ce qu'ils font apparaître détermine ce qui est pris en considération. Ce qui ne fait pas surface n'existe pas. C'est pourquoi l'indexation des publications, telle que la métadata complète de PubMed, les résumés structurés, le placement dans les revues de premier plan, est le levier de visibilité le plus important pour la prise de décisions cliniques.

Ce qu'il faut faire

Diagnostiquer maintenant. Le point de départ consiste à comprendre où vous en êtes aujourd'hui.

L'interrogation de ChatGPT, Perplexity, Gemini, Open Evidence et, au fur et à mesure qu'ils deviennent accessibles, des assistants de santé, avec les dix principales questions posées par vos patients et vos médecins, révèle l'écart plus rapidement que n'importe quel audit interne. Par exemple, “quel est le meilleur traitement pour le diabète de type 2 avec un taux d'HbA1c supérieur à 8 ? La réponse mentionne-t-elle votre marque ou seulement la DCI ? Cite-t-elle votre essai pivot ou celui d'un concurrent ? Indique-t-elle le bon dosage ? Un produit bien cité dans le ChatGPT générique peut être totalement absent des recommandations personnalisées d'un assistant de santé si l'étude clinique structurée data est incomplète. L'analyse des lacunes qui en résulte est votre carte d'exposition.
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.

Agissez sur votre capital existant dans les 6 mois. Dans la plupart des cas, il ne s'agit pas d'un manque de contenu, mais d'un problème de formatage. Le reformatage des actifs existants peut améliorer les taux de citation de l'IA jusqu'à 40%.

Cela dit, tout ne doit pas être optimisé : l'étiquetage approuvé et les essais publiés peuvent généralement être reformatés en toute sécurité, tandis que la recherche hors étiquette peut présenter un risque de conformité si elle est rendue plus visible sans garde-fous. Il est judicieux que les services des affaires médicales et de la réglementation délimitent cette frontière dès le départ.

À partir de là, les ressources de grande valeur peuvent être restructurées sous forme de questions-réponses qui reflètent la manière 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 contre l'hypercholestérolémie ?”

L'exhaustivité de PubMed metadata mérite d'être vérifiée. Une métadata incomplète reste la raison la plus fréquente pour laquelle de bonnes études restent invisibles dans les outils d'IA clinique.

L'association cohérente de l'INN et de la marque dans l'ensemble du contenu indexé aide également les modèles d'intelligence artificielle à apprendre à associer les deux plutôt que d'utiliser par défaut le nom scientifique.

Mettre en place une gouvernance dans un délai d'un an. Le périmètre de surveillance doit s'étendre de ce que vous publiez à ce que l'IA dit de vous, à travers les LLM généralistes, les outils d'IA cliniques et les assistants de santé.

Des tests trimestriels sur les allégations, les indications et la sécurité des produits data permettent de détecter rapidement les dérives. Il est utile de définir des seuils d'escalade ; par exemple, une IA recommandant un anticoagulant à une dose deux fois supérieure à la dose approuvée devrait déclencher un examen immédiat par le service des affaires médicales et réglementaires.

Il est également utile de classer le contenu en fonction du niveau de visibilité de l'IA. Certains contenus peuvent être consultés sans risque, comme votre étiquette approuvée ou vos essais cliniques publiés. D'autres peuvent être indexés mais doivent être encadrés avec soin, comme les données du monde réel qui pourraient être mal interprétées en l'absence de contexte. D'autres enfin doivent rester totalement hors de portée de l'IA, comme l'essai en cours data ou les résultats de pré-approbation qui ne sont pas prêts à être interprétés par le public.

Les organisations qui mettent en place ce cadre dès maintenant sont susceptibles de prendre de l'avance lorsque la réglementation se consolide, plutôt que de réagir à celle-ci.

Conclusion : Le récit est déjà en cours d'écriture

La visibilité de l'IA dans les soins de santé n'est pas une tendance, c'est un changement d'infrastructure.

  • Les modèles de citation, une fois établis, s'additionnent : les premiers arrivés construisent un avantage que les retardataires paieront pour combler.
  • Les outils cliniques basés sur le RAG deviendront l'interface dominante pour les spécialistes d'ici trois ans.
  • Le modèle de l'Utah peut s'étendre à l'échelle mondiale, comprimant en permanence le point de contact du médecin généraliste.
  • Les assistants de santé dédiés créent un nouvel intermédiaire permanent entre le patient et le médecin, et entre la marque et le prescripteur.

Par où commencer : suivre la chaîne d'influence et non l'utilisateur final.

  • Pour les produits de prescription, le médecin reste le point de décision. S'assurer que vos preuves cliniques sont accessibles aux plateformes RAG, aux LLM généralistes et aux assistants de santé est le levier le plus direct sur le comportement de prescription disponible aujourd'hui.
  • Pour les produits en vente libre, l'IA remplace l'étagère comme premier point de découverte du produit, et si la réponse dit “cetirizine 10mg” au lieu de votre marque, le patient achète le générique le moins cher. Dans une catégorie fondée sur le volume et la prime de marque, c'est ainsi que les parts de marché disparaissent.

En fonction de votre portefeuille, ces deux voies peuvent fonctionner en parallèle ou être séquencées, mais aucune ne doit 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