French

Le travail clinique et la recherche échouent rarement faute d’information introuvable ; ils échouent parce que nous ne parvenons pas à convertir l’information en résultats utilisables assez vite. La friction se niche dans les tâches intermédiaires : préparer une note de contexte pour une réunion de cas, transformer des notes éparses en un amendement de protocole cohérent, nettoyer des références avant une nouvelle soumission, ou rédiger un support patient à la fois lisible et exact. Ce qui rend l’idée d’un « ordinateur IA » nouvellement convaincante, c’est qu’il vise précisément ce tissu conjonctif du travail, et non la simple conversation. Perplexity décrit Computer comme un système unifié, basé sur le cloud, capable de « rechercher, concevoir, coder, déployer et gérer » des projets de bout en bout, en décomposant un objectif en sous‑tâches et en les aiguillant vers des composants spécialisés. Dans la description publique, il peut orchestrer le travail en parallèle sur 19 modèles, « en faisant correspondre chaque tâche au meilleur modèle », tout en se souvenant du contexte antérieur et en se connectant à des services externes. L’ambition est claire : transformer le navigateur en un espace de travail opérationnel où l’utilisateur exprime une intention et où le système exécute un travail multi‑étapes. L’attrait est facile à comprendre dans les processus réels. Nous pratiquons déjà une délégation contrainte au quotidien : nous confions des pans d’un projet à des stagiaires, assistants de recherche, administrateurs ou collègues, puis nous intégrons, vérifions et validons. Un système agentique promet un schéma analogue, mais à une vitesse et une échelle différentes. S’il fonctionne de manière fiable, il peut dégager du temps pour ce qui demeure obstinément humain : la présence thérapeutique, le jugement clinique sous incertitude, une supervision nuancée et l’interprétation soigneuse des données probantes. Cette tension s’accentue lorsque l’orchestration devient invisible. Si Computer décompose une tâche en étapes, choisit des outils et fusionne les résultats, alors la traçabilité devient essentielle : quelles sources ont été utilisées, quel modèle a généré quelle affirmation, et quel était le degré d’incertitude du système à chaque étape ? En recherche, ces détails conditionnent la reproductibilité d’une synthèse de la littérature ; en clinique, ils déterminent si une fiche d’information, une note de politique interne ou une aide à la documentation reste dans les limites de la pratique fondée sur les preuves. Plus le processus est autonome, plus nous avons besoin de systèmes qui rendent leur raisonnement lisible plutôt que simplement impressionnant. Une seconde tension tient à la provenance. En recherche, nous devons savoir quelles sources ont été mobilisées, comment les affirmations ont été dérivées et quelle incertitude subsiste, car la crédibilité d’une synthèse dépend d’un raisonnement traçable. En contexte clinique, la provenance importe tout autant, bien que moins souvent formalisée : nous devons savoir si un livrable s’appuie sur des lignes directrices, des essais de haute qualité, des politiques locales, ou de simples généralisations plausibles. Les outils agentiques peuvent compresser les étapes avec une telle efficacité qu’ils compressent aussi notre visibilité sur l’origine d’une conclusion. Le coût fait passer ces questions de la théorie aux décisions quotidiennes. À environ 240 $ par mois, il ne s’agit pas d’un abonnement impulsif pour la plupart des cliniciens ; c’est plutôt un arbitrage d’effectifs. Payer ce montant suppose implicitement que le temps gagné soit à la fois substantiel et fiable, et que le temps passé à vérifier les sorties ne regonfle pas insidieusement la charge de travail. En clinique, le « vrai coût » inclut non seulement l’argent, mais aussi la charge cognitive de supervision et le risque réputationnel d’erreurs. D’un point de vue pratique, les usages les plus sûrs à court terme sont ceux qui excluent les données identifiantes du système et maintiennent une vérification résolument humaine. Rédiger des gabarits psychoéducatifs non identifiants, créer des supports de formation pour les stagiaires, clarifier des procédures stagiaires, ou générer des plans détaillés de premier jet pour des documents de recherche peut être pertinent, à condition de traiter les sorties comme des brouillons et d’exiger une vérification des sources. Le profil de risque change nettement lorsqu’on se rapproche de détails de cas identifiants ou de recommandations cliniques très spécifiques, surtout dans de petites communautés ou des présentations rares où la ré‑identification est plus facile qu’on ne l’admet. Il faut aussi reconnaître une limite plus discrète que les chercheurs chevronnés connaissent bien : ces outils peuvent accélérer l’apparence de la production scientifique. Ils savent produire un cadrage cohérent, une prose convaincante et des synthèses soignées même lorsque la base de preuves est mitigée ou contestée. Le danger ne tient donc pas qu’aux « hallucinations » au sens spectaculaire du terme ; c’est aussi la surconfiance routinière, surtout sous la pression des délais, la fatigue ou des incitations institutionnelles qui privilégient la vitesse au détriment de la rigueur. Sur le plan éthique, traitons les systèmes agentiques comme une nouvelle couche de délégation professionnelle qui exige transparence et habitudes de documentation. Si l’IA a matériellement façonné un livrable qui éclaire les soins (une politique de clinique, un support patient, une note d’aide à la décision), la responsabilité du clinicien n’est pas réduite ; elle est reconfigurée. Nous devons à nos patients et collègues une posture disciplinée sur les données introduites dans le système, les sources mobilisées et la manière dont les affirmations ont été contrôlées. Cela s’aligne sur les cadres plus larges de gestion des risques liés à l’IA, qui insistent sur une gouvernance tout au long du cycle de vie : cartographier les défaillances probables, fixer des limites et construire des habitudes de vérification plutôt que de compter sur les bonnes intentions. Pour la suite, la question n’est pas de savoir si les « ordinateurs IA » deviendront plus courants ; ils le seront probablement. La vraie question est de savoir s’ils deviendront lisibles : des systèmes qui rendent leurs sources, leurs hypothèses et leurs limites suffisamment visibles pour des cultures cliniques et de recherche fondées sur l’auditabilité et la confiance. Si nous les adoptons avec discernement, en commençant par

À mesure que les systèmes d’IA entrent dans les flux cliniques, le vocabulaire doit devenir opérationnel plutôt que rhétorique. Un agent IA désigne un système logiciel piloté par modèle, capable de planifier et d’exécuter des tâches multi‑étapes orientées vers un but, y compris sélectionner des actions, utiliser des outils externes et réviser ses étapes en fonction des résultats. Autrement dit, c’est plus qu’une réponse de chatbot : c’est un exécuteur de flux de travail finalisés vers un objectif. Cette définition compte, car la confusion naît souvent lorsqu’on qualifie d’« agentique » tout système simplement fluide. Google DeepMind vient de publier un avertissement d’environ 42 pages sur les raisons pour lesquelles la plupart des « agences IA » échoueront dans le monde réel. En lisant Intelligent AI Delegation (publié le 12 février 2026), on y voit, exposé depuis les principes de base, le même constat. La conclusion, inconfortable, est simple : une grande partie de ce qui est vendu comme « agents » aujourd’hui ne survivra pas au contact du terrain. Non pas parce que ces systèmes ne savent pas écrire ou planifier, mais parce qu’ils ne savent pas déléguer comme l’exigent les systèmes réels. Et la thérapie est précisément l’endroit où cet écart devient visible très tôt. Voici ce qui pique : la plupart des agents actuels ne sont pas des agents au sens fort qu’on imagine. Ce sont des exécuteurs de tâches joliment emballés : on leur donne un objectif, ils le décomposent en étapes, appellent des outils et renvoient un résultat. C’est de l’automatisation puissante, qui peut réellement créer de l’efficacité pour des tâches à faible enjeu. Mais ce n’est pas de la délégation : c’est un pipeline plus élégant. Or, en santé, les « jolis pipelines » sont exactement la façon dont des risques cachés s’infiltrent dans la pratique quotidienne. Qu’entend‑on par « délégation » ? La délégation n’est pas monolithique. Elle peut signifier déléguer l’exécution (le système réalise des étapes que vous avez déjà choisies), déléguer le contrôle du flux de travail (il séquence les outils, gère les relances et les passages de main) ou déléguer le jugement (il décide quoi faire et quand, en interprétant le contexte et le risque). La plupart des systèmes vendus comme « agentiques » savent surtout exécuter et, parfois, piloter un flux de travail, pas déléguer au point que le jugement soit externalisé et que l’imputabilité bascule réellement. En thérapie, le danger survient quand, sans s’en rendre compte, on délègue le jugement tout en croyant n’avoir délégué que l’exécution. Le point, implacable, de DeepMind est que la vraie délégation ne consiste pas à morceler des tâches. Déléguer, c’est transférer de l’autorité, de la responsabilité, de l’imputabilité et de la confiance et le faire dynamiquement au fil des situations. Il ne s’agit donc pas seulement de demander : « Qui peut le faire le plus vite ? » mais « À qui peut‑on confier cela, sous ces contraintes, avec ces conséquences ? » Rares sont, aujourd’hui, les systèmes qui se comportent ainsi de bout en bout lorsque s’entremêlent multiplicité d’outils, données incertaines et véritables enjeux. Avant même de déléguer, le cadre proposé implique d’évaluer la capacité, le risque, le coût, la vérifiabilité et la réversibilité. Autrement dit, la question n’est pas « l’agent a‑t‑il accès à l’outil calendrier ? » mais « cette tâche est‑elle sûre à confier, pouvons‑nous en vérifier le résultat et pouvons‑nous annuler le tort si c’est erroné ? » C’est une manière très « clinique » de penser et c’est précisément pourquoi ce papier touche davantage les thérapeutes que les démos techniques. Notre travail assume déjà le risque, pas la perfection. La thérapie n’est pas qu’un travail informationnel ; c’est un travail relationnel, sous éthique, confidentialité et devoir de protection. Les patients ne vivent pas notre travail comme des « sorties » : ils l’éprouvent comme de la confiance, de la sécurité, du timing, de l’accordage et des limites. Donc, lorsqu’un système d’IA est présenté comme un « agent », la vraie question devient : que délègue‑t‑on, et qu’externalise‑t‑on sans le vouloir ? Si nous laissons un système dériver vers le jugement clinique, nous déléguerons peut‑être bien plus que prévu. Quand « l’agence » de l’IA échoue dans notre contexte, elle n’échoue pas par un non‑sens criant. Elle échoue en silence : une note se trouve subtilement déformée, un signal de risque est minimisé, un message au patient devient trop assuré, ou une phrase de plan de sécurité devient trop générique pour être sûre. La sortie peut paraître cohérente et professionnelle, parfois plus professionnelle que ce que nous écririons à 18 h et c’est précisément ce qui la rend dangereuse. La fluidité crée une fausse réassurance, et la fausse réassurance est un risque clinique. Limites actuelles des agents IA (surtout en flux de travail réels)

Au cours des deux dernières semaines, de nombreux cliniciens ont vu circuler des posts au sujet de Lotus Health AI, présenté comme un « médecin IA propulsé par de vrais médecins » : un service supervisé par des médecins, capable d’évaluer, de diagnostiquer, de prescrire et d’orienter, positionné comme gratuit, disponible en permanence et multilingue. L’entreprise a également annoncé une levée de fonds de série A de 35 M$, portant le financement total à 41 M$, co‑menée par Kleiner Perkins et CRV, et soutient qu’elle peut réduire le gaspillage administratif en rendant les médecins plus productifs, sans facturation à l’assurance. Du point de vue d’un thérapeute, la question centrale n’est pas de savoir si le marketing est convaincant, mais si cela devient une porte d’entrée fiable vers les soins de première intention, réduisant les frictions que la thérapie absorbe souvent : troubles du sommeil pris à tort pour une dépression, problèmes thyroïdiens/anémiques ressemblant à un burn‑out, effets secondaires médicamenteux déstabilisant l’humeur, et incertitude médicale alimentant panique et anxiété de santé. Dans le travail quotidien, la thérapie peut devenir le lieu où un système de santé fragmenté est « traité », émotionnellement, et parfois même sur le plan administrative, parce que les patients n’ont pas accès à des soins en temps utile ailleurs. Un bénéfice pratique, si Lotus fonctionne comme décrit, tient à la vitesse en tant que paramètre clinique, et pas seulement à la commodité. Une clarification médicale plus précoce peut rendre les interventions thérapeutiques plus précises et plus efficaces. Quand un patient dit : « Quelque chose ne va pas physiquement », nous validons et explorons les schémas ; pourtant, la démarche responsable consiste parfois à obtenir une évaluation médicale rapidement. La différentielle compte : si les symptômes sont physiologiques ou liés aux médicaments, le plan change ; s’ils sont portés par l’anxiété, il change différemment. Dans de nombreux systèmes, « bientôt » se transforme en plusieurs semaines, et la thérapie devient un espace d’attente pour une incertitude non résolue. Un canal de type soins primaires, disponible 24 h/24 et 7 j/7, qui passe en revue l’historique consolidé et oriente vers des soins en présentiel, pourrait réduire cet écart. Lotus se positionne explicitement au‑delà des conseils génériques d’un chatbot en impliquant des médecins certifiés qui relisent les recommandations et prescrivent lorsque c’est approprié. Un second bénéfice est indirect mais significatif : il pourrait améliorer la qualité et la cohérence des informations que les patients rapportent en thérapie. Beaucoup peinent à décrire clairement leurs symptômes en raison du stress, de la dissociation, d’un dysfonctionnement exécutif, d’un traumatisme ou de l’épuisement. Si une plateforme aide à organiser traitements, bilans et dossiers antérieurs en un récit plus clair, elle peut réduire la honte (« Je n’invente pas »), affiner la compréhension (« mes attaques de panique se regroupent autour des perturbations du sommeil ») et aider les thérapeutes à choisir des interventions plus précises (p. ex., exposition pour l’anxiété de santé versus orientation urgente face à des signaux d’alarme). Troisièmement, il existe des bénéfices de coordination et d’accès, même si les thérapeutes n’utilisent jamais la plateforme. Lorsque les patients peuvent obtenir renouvellements d’ordonnances, revues médicamenteuses et orientations avec moins d’obstacles, la thérapie est moins susceptible d’être déstabilisée par des facteurs évitables. Concrètement, cela peut signifier moins de séances consacrées au dépannage de l’accès et davantage de temps pour le cœur du travail thérapeutique : compétences, élaboration de sens, réparation de l’attachement, changement de comportements et intégration au niveau identitaire. Cela dit, les thérapeutes sont formés à repérer comment les outils peuvent s’intégrer à un cycle symptomatique. Un « médecin dans la poche » disponible en continu peut stabiliser certains patients, mais aussi alimenter la quête de réassurance chez d’autres, en particulier dans l’anxiété de santé, les vérifications de type spectre TOC, les attaques de panique, les tableaux de symptômes somatiques ou le balayage corporel lié au trauma. Même si les recommandations sont solides, les vérifications répétées peuvent malgré tout fonctionner comme évitement ou compulsion. L’objectif n’est pas de diaboliser l’outil, mais de l’intégrer à un plan de traitement avec un usage clair, limité dans le temps et cohérent avec les valeurs. Des questions de limites apparaissent également très vite. Si les patients s’appuient sur des soins médiés par application, les thérapeutes seront sollicités pour les interpréter : « Puis‑je m’y fier ? » « Que signifie ce diagnostic ? » « Pouvez‑vous leur écrire pour moi ? » Une posture aidante consiste à le traiter comme tout prestataire externe : aider les patients à clarifier leurs questions, à traiter l’impact et à décider des prochaines étapes, tout en évitant de faire de la médecine par procuration. Il importe aussi de rappeler que la portée de tout service numérique piloté par des médecins peut varier selon la juridiction, les licences et les règles de télémédecine ; ainsi, « disponible » ne signifie pas toujours « autorisé à traiter » comme les patients l’imaginent. Sur le plan éthique, le modèle économique compte, car la confiance est un ingrédient clinique. Si les patients soupçonnent que des parrainages ou des incitations commerciales influencent les recommandations (que ce soit vrai ou non), cela peut éroder la confiance dans le système de santé et se manifester en thérapie par du cynisme, de l’évitement ou du désespoir. Cela rend la transparence pratique plutôt que philosophique : qu’est‑ce qui est automatisé versus relu par un clinicien, et comment les conflits d’intérêts sont‑ils gérés dans le temps ? La confidentialité et l’intégrité des données sont tout aussi centrales. Même avec des garanties de sécurité solides, il est utile de raisonner concrètement : quelles données sont mises en lien, qui peut y accéder, quel consentement a été donné, que peut‑on supprimer et que pourrait‑on conserver. Les systèmes riches en données peuvent échouer de manières Nouvelles, par des violations, des usages abusifs ou un excès de confiance dans des dossiers incomplets; la posture la plus éthique reste donc une intégration prudente, un consentement explicite et de l’humilité. Globalement, je m’intéresse avec prudence

En tant que chercheurs, nous passons un temps surprenant à faire des choses qui ne sont pas, à proprement parler, de la recherche. Nous concevons des études, affinons des hypothèses, collectons et analysons des données, nous engageons dans la théorie… puis nous ouvrons PowerPoint ou Illustrator et entamons le patient travail de transformer méthodes et résultats en figures. Nous ajustons des flèches, réalignons des blocs, standardisons des polices, corrigeons des axes, et exportons plusieurs versions pour respecter les consignes de soumission. La science peut être rigoureuse, mais le passage du texte à des visuels prêts pour la publication est souvent inefficace et cognitivement épuisant. Dernièrement, nous nous sommes penchés sur PaperBanana, un outil d’IA « texte‑vers‑figure » qui vise clairement les chercheurs souhaitant accélérer la création de figures sans sacrifier la clarté académique. La promesse centrale est simple : transformer des descriptions de méthode en schémas méthodologiques structurés, et transformer des données en graphiques d’une manière fidèle à ce que nous avons réellement fait (et pas seulement « plausible » à l’œil). Le détail qui lui donne un côté plus « research‑first » que des générateurs d’images génériques, c’est l’idée d’une boucle fermée de travail : au lieu d’un rendu en un seul jet, l’outil cherche à ébaucher, vérifier et affiner, de sorte que la figure corresponde mieux à la logique de la méthode. Le « plus » ici, ce n’est pas d’obtenir une jolie figure en quelques secondes. La vraie valeur ajoutée, c’est l’itération à faible coût. Quand l’itération ne coûte pas cher, on arrête de « figer » trop tôt les figures. On peut générer plusieurs versions, les comparer et traiter la construction d’une figure comme l’écriture : brouillon → critique → révision. C’est là que la qualité s’améliore en general, non parce que l’IA est parfaite, mais parce que notre boucle de retour s’accélère et s’épuise moins. En parallèle, soyons honnêtes : Illustrae joue un autre jeu. C’est souvent le meilleur choix quand la tâche n’est pas seulement « créer un schéma », mais assembler un récit visuel complet : figures multipanneaux, posters, supports pédagogiques, et beaucoup de décisions de mise en page manuelles. Illustrae offre en général davantage de fonctionnalités et de flexibilité, avec plus d’options prêtes à l’emploi pour gérer variables, dispositions, itérations et ajustements visuels. Le compromis que beaucoup ressentent, c’est le coût : on le décrit souvent comme nettement plus cher (et/ou moins prévisible) qu’un abonnement simple pour chercheurs, ce qui peut constituer un frein pour les individus ou les petits laboratoires. À l’inverse, PaperBanana paraît plus minimaliste et centré sur la recherche. Pour les schémas de méthodes et les figures conceptuelles, surtout au stade de l’ébauche, il peut offrir des performances comparables, tout en restant plus abordable, ce qui compte énormément pour les laboratoires, les doctorants et les jeunes chercheurs. Il est aussi souvent présenté comme bâtissant sur NanoBanana Pro, réputé plus adapté aux visuels scientifiques structurés que des modèles d’images généralistes comme DALL·E 3 (du moins pour des sorties de type schéma, où la structure et les libellés priment sur le « style artistique »). Comparatif synthétique Copy table Outil Idéal pour Modèle tarifaire (en pratique) Prix public (USD, tel qu’indiqué) Prévisibilité du coût (1–5) Valeur pour chercheurs (1–5) Flexibilité / contrôle (1–5) Atouts Compromis Illustrae Posters, figures multipanneaux, pédagogie, mises en page complexes Abonnement + crédits Tarifs payants non publiés (devis) (illustrae.co) 2 4 5 Plus de fonctionnalités ; meilleur contrôle de la mise en page ; solide pour assembler et peaufiner de grands visuels Peut être nettement plus cher / moins prévisible ; le coût peut bloquer individus/petits labos ; nécessite tout de même une relecture experte pour éviter les dérives conceptuelles PaperBanana Schémas de méthodes, figures conceptuelles, ébauches rapides de visuels de recherche Abonnement + crédits À partir de 4,90 $/mois (facturation annuelle) pour 100 crédits ; 6,90 $/mois pour 400 ; 19,90 $/mois pour 1 500 (paperbanana.studio). Autre page « plans de crédits » listant 14,90 $/mois, 59,90 $/mois, 119,90 $/mois (paperbanana.org). 4 5 3 Minimaliste et orienté recherche ; ébauche rapide ; bon pour schémas de méthodes ; suffisamment abordable pour étudiants/labos Pas de véritable offre gratuite pour une exploration poussée (abonnement requis) ; les figures finales exigent une retouche humaine ; les politiques de confidentialité peuvent ne pas garantir explicitement l’exclusion des travaux non publiés de l’entraînement des modèles Les limites, là où « l’IA pour l’académique » devient utile… ou risquée: La relecture humaine reste essentielle, car si ces outils accélèrent l’ébauche, les figures finales exigent une expertise, précision des libellés, causalités implicites, sens statistique, et vérification que le schéma n’exagère pas ce que la méthode peut réellement soutenir. À cela s’ajoute une friction d’abonnement bien réelle: sans véritable palier gratuit, l’adoption devient un choix budgétaire plus qu’une simple expérimentation, surtout pour les étudiants. Enfin, la confidentialité demeure une zone d’ombre: à moins qu’un outil ne garantisse explicitement et fermement l’exclusion des articles ou figures non publiés de l’entraînement (et n’éclaircisse ses politiques de rétention), la prudence s’impose pour tout contenu sensible ou en prépublication. Et oui, on peut toujours s’appuyer sur des outils d’IA « classiques » comme Notebook ou NotebookLM pour résumer, structurer ou remanier des idées. Ils excellent pour les flux de travail textuels, mais ne sont pas conçus spécifiquement pour les besoins visuels des chercheurs ; ils sont en général moins précis sur les conventions des schémas scientifiques, ce qui augmente le risque d’inexactitudes visuelles ou conceptuelles subtiles par rapport à des outils dédiés aux figures académiques. Alors, le véritable « plus », c’est quoi ? Nous rachetons de l’attention. Pas seulement du temps : de l’attention. Si l’ébauche de figures devient assez rapide pour que l’on itère sans appréhension, nous pouvons réinvestir nos efforts là où la recherche progresse vraiment : des hypothèses plus claires, des méthodes plus nettes, une meilleure interprétation et des figures qui communiquent plutôt que de décorer. Le bon choix d’outil n’a rien à voir avec la mode : il tient à son adéquation

L’IA en santé n’est plus une idée abstraite. C’est une réalité en mouvement, que l’on voit désormais gagner en maturité, avec plus de sérieux et de structure. Pendant longtemps, la santé a été traitée comme un « cas d’usage possible » pour une IA généraliste. En pratique, elle a déjà été l’un des terrains les plus courants où l’on teste ces systèmes dans le monde réel. Les patients posent des questions après les heures de consultation, parce que l’anxiété n’obéit pas aux horaires de bureau. Les aidants tentent d’interpréter des résultats de laboratoire en attendant un rendez-vous de suivi. Les personnes vivant avec des maladies chroniques cherchent des explications en langage clair à des plans de traitement complexes. De leur côté, les cliniciens subissent une pression documentaire incessante et recherchent constamment des outils qui allègent la charge cognitive sans sacrifier la sécurité. La demande n’était pas hypothétique, elle était déjà là. Ce qui change aujourd’hui, c’est que les grandes entreprises de l’IA conçoivent des produits spécifiquement dédiés à la santé, en reconnaissant sans détour que la médecine n’est pas un domaine « taille unique ». Deux lancements rendent ce virage particulièrement visible : Claude for Healthcare et ChatGPT Health. On les évoque souvent ensemble, mais cliniquement et éthiquement, il ne faut pas les traiter comme interchangeables. Ils répondent à deux problèmes différents et à deux publics distincts, et cette distinction importe, car elle détermine la façon dont le risque se manifeste. ChatGPT Health se comprend avant tout comme un espace orienté vers le patient : un lieu où chacun peut connecter ses informations personnelles de santé ou de bien‑être et recevoir des explications, des résumés et du contexte dans un langage humain. Sa promesse, c’est la clarté. Le système de santé est saturé de jargon, de portails fragmentés et de consultations pressées ; un outil qui aide une personne à comprendre ses propres informations peut réduire la confusion et améliorer l’adhésion. Utilisé à bon escient, il peut soutenir de meilleures conversations avec les cliniciens, car les patients arrivent avec des questions plus précises et moins de débordement émotionnel. Mais cette force est aussi son risque le plus prévisible. Lorsqu’un système explique les choses avec aisance, on peut confondre fluidité et autorité clinique. Nous l’avons tous constaté : un ton assuré peut donner l’illusion de la certitude, même lorsque la situation sous-jacente demeure ambiguë. En santé, cet écart n’a rien de théorique, il influence des décisions bien réelles. Le défi de sécurité pour un outil tourné vers le patient ne se réduit donc pas à l’exactitude au sens étroit. Il s’agit de cadrer les attentes, de poser des frontières claires et d’ériger des garde‑fous pour empêcher que le « soutien informationnel » ne soit interprété comme un diagnostic ou une consigne médicale. Claude for Healthcare, à l’inverse, s’inscrit plus naturellement comme un outil d’entreprise et de flux de travail. L’enjeu n’est pas tant « demandez‑moi n’importe quoi » que « connectez‑moi au travail ». Les organisations de santé n’ont pas seulement besoin de réponses ; elles ont besoin d’appui opérationnel : interpréter et résumer des informations complexes à grande échelle, réduire les frictions administratives, soutenir la recherche et les processus internes, et s’intégrer aux systèmes existants sans transformer chaque tâche en un onglet et un identifiant supplémentaires. Si l’on est honnête sur ce qui épuise les cliniciens, une large part se situe ici, dans la documentation, les tâches administratives et l’effort sans fin pour retrouver encore et encore l’information au sein de workflows brouillons. C’est pourquoi les outils orientés workflow paraissent si attrayants : ils ciblent les points de pression qui fissurent réellement le système. Mais là encore, le risque est différent. Quand l’IA s’intègre au flux de travail, elle peut amplifier à la fois l’efficacité et l’erreur. Si une sortie est erronée et que personne ne la repère, la faute ne touche pas qu’une conversation : elle s’inscrit dans la documentation, se propage, se recopie et se normalise. Plus l’outil est « branché » au système, plus il devient essentiel de le concevoir pour la supervision et pas seulement pour la vitesse. C’est ici que la conformité dépasse le simple « à cocher ». Dès que ces systèmes manipulent des données de santé sensibles, la question n’est pas seulement « est‑il conforme à la HIPAA ? » ou « est‑il conforme au RGPD ? ». La vraie question est : comment la gouvernance des données fonctionnera‑t‑elle dans la vraie vie, avec de vraies personnes, sous une vraie pression temporelle ? La HIPAA (Health Insurance Portability and Accountability Act) et le RGPD (Règlement général sur la protection des données) sont des cadres différents, mais ils poussent tous deux vers la même discipline : des règles claires sur les données collectées, la raison de leur collecte, qui peut y accéder, combien de temps elles sont conservées et ce qu’il se passe en cas de problème. Et voici un point à ne pas édulcorer : la conformité n’est pas quelque chose qu’une entreprise peut entièrement « octroyer » à un utilisateur par une annonce produit. Même si un système est conçu pour être compatible HIPAA ou propose des fonctions de sécurité robustes, les organisations doivent encore le déployer de manière responsable. Cela implique des contrôles d’accès, des permissions fondées sur les rôles, des pistes d’audit, la formation du personnel, des politiques de rétention, une planification de réponse aux incidents, et des frontières limpides sur les données qui doivent, ou ne doivent pas, être saisies dans le système. Pour une IA tournée vers le patient comme ChatGPT Health, la confidentialité et le consentement doivent être particulièrement lisibles, car les patients ne mesurent pas toujours ce qu’ils partagent lorsqu’ils téléversent des documents, connectent des comptes ou collent des textes issus de portails. L’outil doit prévenir la sur‑divulgation accidentelle et rendre évident le moment où une question franchit la limite du « vous avez besoin d’un clinicien ». Pour une IA orientée workflow comme Claude for Healthcare, la charge se déplace vers les contrôles institutionnels

Si vous exercez depuis suffisamment longtemps, vous vous souvenez probablement à quel point vos premières années ont été façonnées par les aspects les moins glamour du métier. Notes, rapports, formulaires d’admission, messages de planification, cotation, et interminable mise au propre de la documentation. C’était épuisant, mais cela faisait aussi partie de l’apprentissage. Écrire nous obligeait à clarifier ce que nous observions, ce que nous pensions que cela signifiait, et pourquoi nous choisissions une prochaine étape particulière. Aujourd’hui, l’intelligence artificielle s’invite précisément à ce niveau de la vie clinique, en ergothérapie, orthophonie, psychologie et kinésithérapie. Pas de manière spectaculaire « les robots remplacent les thérapeutes », mais de manière pratique, au quotidien. L’IA peut rédiger de la documentation, résumer des textes longs, organiser l’information et générer des modèles de première intention. Cela change ce que les cliniques mesurent, ce que les responsables attendent, et ce que les cliniciens en début de carrière se sentent pressés de produire. De notre point de vue de cliniciens, le plus grand changement est que l’IA compresse certaines parties de la courbe d’apprentissage. Un nouveau diplômé peut produire très vite quelque chose de soigné, et parfois cette production soignée peut masquer le fait que le raisonnement clinique est encore en développement. Un paragraphe au ton assuré n’est pas la même chose qu’une formulation solide. Un plan bien rangé n’est pas un plan individualisé. Lorsque les charges de cas sont lourdes et le temps de supervision limité, il devient plus facile de confondre vitesse et compétence et c’est là que le risque grandit, discrètement. Ainsi, le seuil d’exigence à l’entrée évolue. Si les tâches routinières deviennent plus rapides, l’attente est que le clinicien apporte davantage de ce qui ne peut pas être automatisé. Un raisonnement clinique plus robuste apparaît plus tôt. Le jugement éthique cesse d’être un thème de formation annuel pour devenir une décision quotidienne, en particulier autour de la confidentialité, du consentement, des biais, et de ce qui ne doit jamais être saisi dans un outil public. La littératie numérique devient également une dimension du professionnalisme, non pas parce que nous devons être des experts techniques, mais parce que nous devons en comprendre assez pour utiliser les outils de manière responsable et en expliquer les limites. Nous pensons aussi qu’il est utile d’être très clair sur ce à quoi l’IA sert réellement en pratique. Elle peut soutenir la préparation, la structuration et l’efficacité. Elle peut nous aider à rédiger, à réfléchir et à organiser. Mais elle ne peut pas assumer la responsabilité. Nous devons toujours relire chaque sortie comme si nous devions en répondre. Nous devons toujours vérifier les sources lorsque des recherches sont résumées. Nous devons toujours adapter chaque plan à la personne en face de nous, car des recommandations génériques peuvent être subtilement inadaptées au contexte, à la culture, aux risques et aux objectifs d’un patient. Pour les superviseurs, propriétaires de cliniques et cliniciens seniors, une responsabilité parallèle existe. Si l’IA réduit le temps de documentation, nous devons décider intentionnellement où va ce temps. Il peut être réinvesti dans une réflexion plus approfondie, des discussions de consentement plus claires, des soins plus collaboratifs et un suivi renforcé. Ou il peut servir à caser davantage de séances tout en appelant cela de l’innovation. Une seule de ces options protège les soins centrés sur la personne, et une seule soutient le développement de cliniciens sûrs. Au bout du compte, nous ne voyons pas l’IA comme un substitut à la thérapie : elle en redéfinit le rôle. Les thérapeutes qui prospéreront seront ceux qui pensent avec clarté, utilisent les outils avec discernement et protègent ce qui demeure profondément humain : la relation, le rythme et le jugement éthique. Cela signifie aussi utiliser l’IA de manière responsable : garder les informations des patients anonymisées/dé‑identifiées dès que possible, et privilégier des systèmes locaux et hors ligne (sur l’appareil ou sur un serveur interne sécurisé) plutôt que d’envoyer des données vers des outils en ligne. Si un outil cloud est utilisé, ce ne doit être qu’avec un consentement éclairé explicite, des limites strictes sur ce qui est saisi, et une explication transparente de l’itinéraire des données, des personnes qui peuvent y accéder et de la manière dont elles sont stockées. Si l’IA nous offre quelque chose qui mérite d’être conservé, c’est du temps pour faire davantage de ce que seuls les cliniciens peuvent faire. Ressources • World Health Organization. (2021). Ethics and governance of artificial intelligence for health: WHO guidance (ISBN 9789240029200). World Health Organization. https://www.who.int/publications/i/item/9789240029200• NHS England. (2025, April 27). Guidance on the use of AI-enabled ambient scribing products in health and care settings (Version 2). NHS England. https://www.england.nhs.uk/long-read/guidance-on-the-use-of-ai-enabled-ambient-scribing-products-in-health-and-care-settings/• American Speech-Language-Hearing Association. (n.d.). Generative Artificial Intelligence (AI) for clinicians in audiology and speech-language pathology. https://www.asha.org/practice/generative-artificial-intelligence-for-clinicians/• American Physical Therapy Association. (2024, September 23). Ethical and effective integration of artificial intelligence across physical therapist practice, education, and research [Policy]. https://www.apta.org/apta-and-you/leadership-and-governance/policies/ethical-and-effective-integration-of-artificial-intelligence-across-physical-therapist-practice-education-and-research• Krebs, K., Montagne, L., & Rodakowski, J. (2025, August 2). Generative Artificial Intelligence for OT practitioners: Easy as ABC and 123. OT Practice, 30(8). https://www.aota.org/publications/ot-practice/ot-practice-issues/2025/generative-artificial-intelligence-for-ot-practitioners-easy-as-abc-and-123

La thérapie a toujours comporté une forme d’incertitude maîtrisée, et en tant que psychologues et professionnels de la santé mentale, nous savons combien de compétences il faut pour travailler à l’intérieur de cette incertitude sans chercher à « résoudre » une personne trop vite. Nous écoutons, évaluons, élaborons une formulation, choisissons un point de départ fondé sur les données probantes, puis nous apprenons avec le patient ce qui fonctionne réellement. Même lorsque nous pratiquons avec rigueur, la phase initiale peut ressembler à de l’essai‑erreur : quelques semaines pour tester si cette structure, ce rythme et cette approche conviennent vraiment à cette personne. Pour des patients déjà épuisés ou à risque, ce délai compte. L’IA commence à réduire cette période de « découverte » en utilisant des données personnelles, partagées uniquement avec consentement explicite, afin de soutenir des décisions plus précoces et plus précises. Plutôt que de nous appuyer surtout sur l’auto‑évaluation rétrospective (« Comment s’est passée votre semaine ? »), nous pouvons ajouter des signaux du monde réel issus des téléphones et des dispositifs portés : durée et régularité du sommeil, activité et temps sédentaire, rythme quotidien, temps passé à domicile versus à l’extérieur, et changements de routine ou de lien social. Dans certains contextes spécialisés, cliniciens et chercheurs explorent aussi des données cérébrales (par exemple, mesures IRM ou EEG) pour enrichir l’information sur les circuits et patterns neuronaux susceptibles d’être liés aux profils symptomatiques ou à la réponse au traitement. L’objectif n’est pas de remplacer le jugement clinique, mais de le renforcer. Le changement pratique consiste à passer d’un instantané à l’admission à une image vivante de la semaine du patient. L’auto‑rapport est essentiel, mais la mémoire est imparfaite et les symptômes peuvent brouiller le rappel. Les données passives et semi‑passives peuvent révéler des schémas que les patients ressentent souvent sans pouvoir les nommer aisément. Si un patient dit aller « bien », alors que son sommeil se fragmente et que son niveau d’activité baisse régulièrement, nous disposons d’un point d’entrée compatissant pour approfondir. Si l’anxiété grimpe de façon fiable à certains moments et dans certains contextes, nous pouvons cesser de la traiter comme aléatoire et commencer à la traiter comme prévisible. C’est ici que l’IA aide : elle peut analyser de larges séries temporelles désordonnées et détecter des relations qui échapperaient aux humains, ce qui tend à précéder une baisse d’humeur, ce qui prédit l’irritabilité, ou quelle combinaison d’isolement et de perturbation du sommeil précède des pulsions d’automutilation. Voyez‑la comme une table de correspondance entre signaux et hypothèses cliniques. Une variabilité du sommeil peut indiquer une capacité réduite de régulation émotionnelle et une vulnérabilité à la rechute. Une baisse de l’activité peut pointer vers l’évitement et l’anhédonie, suggérant une activation comportementale ou une action guidée par les valeurs. Des changements de routine brusques peuvent signaler une rupture interpersonnelle, de la honte ou des préoccupations de sécurité. Les données ne posent pas de diagnostic ; elles nous aident à poser de meilleures questions plus tôt et à affiner plus vite le plan. Vous avez également évoqué une idée tournée vers l’avenir : combiner des examens cérébraux avec des données de smartphone et d’appareils portés pour estimer la meilleure intervention avant d’entamer un long parcours d’essais et erreurs. Cette voie est prometteuse, mais elle exige de la prudence. Certains modèles peuvent prédire la réponse au traitement en contexte de recherche, mais ils ne se généralisent pas forcément à d’autres populations, appareils et à la complexité du monde réel. Utilisés de façon éthique, ces outils doivent fonctionner comme une aide à la décision, un second avis, et jamais comme un décideur automatique. L’un des bénéfices les plus immédiats concerne le timing. Une classe grandissante d’outils vise à offrir un soutien au moment où les symptômes sont les plus susceptibles de culminer (souvent décrits comme des interventions au bon moment). La thérapie hebdomadaire enseigne des compétences, mais l’épreuve réelle est la capacité des patients à y accéder à 23 h lorsqu’ils sont épuisés, pendant un trajet quand la panique monte, ou juste après un conflit quand les impulsions s’intensifient. Si les données montrent un schéma fiable, perturbation du sommeil suivie d’agitation le lendemain, ou isolement suivi de ruminations nocturnes, les soutiens numériques peuvent être calés sur la fenêtre de risque : un bref rappel d’ancrage, un rappel de plan d’adaptation, ou un micro‑exercice qui reconnecte l’instant à la formulation que vous avez élaborée ensemble. Au mieux, ces outils jouent le rôle de pont entre les séances, pas de dispositif de surveillance. Ces avancées pourraient aussi élargir l’accès dans un contexte de pénurie de professionnels. Tout le monde ne peut pas suivre des séances régulières, et beaucoup n’accèdent aux soins qu’en situation de crise. Des soutiens numériques soigneusement conçus peuvent offrir une continuité sur mesure à ceux qui peinent à accéder aux services, tout en conservant à la thérapie son caractère humain, relationnel et collaboratif lorsque les séances ont lieu. Les limites éthiques sont non négociables. Les données personnelles doivent reposer sur l’adhésion explicite (opt‑in), être limitées à une finalité déterminée et faciles à mettre en pause ou à arrêter. L’approche la plus sûre est le minimalisme : ne collecter que ce qui répond à une question clinique. Dans de nombreux cas, nous n’avons pas besoin de contenus privés (messages, audio, contacts) ; nous avons besoin de schémas (sommeil, activité, routine) et de brefs check‑ins. Dans la mesure du possible, l’information doit être anonymisée ou dé‑identifiée (suppression des noms, dates de naissance, adresses exactes, coordonnées, numéros de dossier et tout identifiant unique) afin qu’elle ne puisse raisonnablement pas être rattachée à une personne. La même logique s’applique aux IA génératives utilisées pour la rédaction clinique ou le soutien : pour protéger la confidentialité, elles devraient idéalement être locales (installées et exécutées sur un appareil ou un serveur interne sécurisé) plutôt que d’envoyer des informations patient vers un système en ligne. Si un outil cloud est utilisé, ce ne doit être qu’avec un consentement éclairé explicite, des limites claires sur les données saisies,

Nous le remarquons sans cesse : quand les cliniciens parlent d’« utiliser l’IA », ils décrivent en réalité deux approches très différentes, même quand ils emploient le même outil. Et la confusion se cristallise souvent autour d’un mot : automatisation. Beaucoup entendent « automatisation » et imaginent un remplacement froid de la thérapie, ou bien pensent que c’est grosso modo la même chose que la collaboration. En pratique, l’automatisation en clinique est plus simple et plus concrète que cela. Ce n’est pas « l’IA qui fait la thérapie ». C’est le clinicien qui délègue des étapes répétables du flux de travail, puis qui supervise la production comme il le ferait avec un·e assistant·e ou un·e stagiaire. En mode procédural, l’IA devient un substitut d’exécution. On demande, elle répond ; on colle, on envoie. Le résultat sert l’efficacité : textes plus rapides, formulations plus rapides, structures plus rapides. Cela peut réellement alléger la charge, surtout les jours où l’on porte plusieurs cas tout en essayant de documenter, planifier et communiquer clairement. Mais le mode procédural comporte un risque intégré : il peut court-circuiter l’étape où l’on se demande « Quelle affirmation vient d’être faite, et ai‑je réellement les données cliniques pour la soutenir ? » En thérapie, où le travail est à forts enjeux et dépend fortement du contexte, sauter cette étape n’est jamais anodin. Le mode collaboratif est différent. Ici, l’IA est traitée comme un partenaire de réflexion qui nous aide à affiner ce que nous savons déjà. Nous fournissons le contexte, les contraintes et les objectifs, et nous évaluons activement puis révisons ce qui revient. Le bénéfice n’est pas seulement la Vitesse, c’est la qualité. À mesure que les objectifs deviennent plus complexes, le travail ne disparaît pas ; il se déplace vers la formulation, la supervision et le jugement. Ce déplacement est essentiel, car il reflète ce qu’est déjà une bonne thérapie. La valeur centrale n’est pas de « faire des tâches ». La valeur centrale, c’est de choisir ce qui compte, de rester fidèle à la formulation, et de vérifier si ce que nous faisons aide réellement ce client, ici et maintenant. Avec cette clarté, la question « où l’automatisation a‑t‑elle sa place ? » devient plus simple : l’automatisation a sa place autour de la séance, pas au cœur de la relation thérapeutique. Elle soutient le travail répétitif qui épuise silencieusement les cliniciens, pour que vous arriviez avec davantage de focus et de présence. Concrètement, cela commence souvent par la gestion des courriels : proposer des brouillons pour la prise de rendez‑vous, les messages de cadrage et de limites, les premiers contacts, les suivis, ou la coordination avec les parents ou les écoles. L’IA peut vous fournir un brouillon propre très vite, mais le clinicien protège toujours le ton, la confidentialité et le cadre thérapeutique avant tout envoi. L’automatisation peut aussi soutenir les parcours d’évaluation, surtout dans leurs volets mécaniques comme la cotation et l’organisation du rapport. Elle peut aider à mettre en forme des tableaux, à structurer les sections de manière cohérente, et à rédiger des descriptions neutres un gain de temps sans prétendre « interpréter ». De même, elle peut vous aider à préparer des questions : générer des questions d’anamnèse, des invites de check‑in, ou des questions de réflexion entre les séances, adaptées à votre modèle et aux objectifs du client. Cela ne remplace pas le jugement clinique ; cela vous offre simplement un échafaudage plus clair pour recueillir l’information et suivre le changement. Autre levier à fort impact : la préparation de séance. Si vous fournissez un bref résumé non identifiant de la séance précédente, l’IA peut aider à élaborer un plan focalisé : thèmes à revisiter, hypothèses à tester, rappels de ce qui a été convenu, et pistes de questions ou d’interventions alignées sur votre orientation. L’objectif n’est pas de « scénariser la thérapie », mais de réduire la charge mentale liée au fait de reconstruire le fil pour démarrer la séance ancré. Plus sensible, mais parfois très utile, est l’usage de l’automatisation autour de l’enregistrement et de la documentation des séances (uniquement avec consentement explicite et au sein d’un système respectueux de la confidentialité). L’IA peut aider à produire des transcriptions, relever des thèmes, et proposer une trame de note ou un résumé. Cela doit toutefois rester supervisé : l’IA peut manquer une nuance, mal interpréter un sens, ou formuler trop fortement. En documentation clinique, l’exactitude et la responsabilité priment sur la vitesse ; le clinicien vérifie donc toujours ce qui est écrit, en particulier concernant le risque, les plans de sécurité, et toute affirmation diagnostique ou médicale. Enfin, l’automatisation peut soutenir ce que beaucoup de cliniciens souhaitent faire mais peinent à maintenir régulièrement : comparer les progrès dans le temps. Qu’il s’agisse de mesures d’issue, d’évaluations de séance, d’objectifs, de suivi des tâches entre les séances, ou de repères narratifs, l’IA peut aider à résumer les évolutions depuis la ligne de base, repérer des motifs au fil des séances, et proposer un court bilan « ce qui s’améliore / ce qui coince / ce qu’on ajuste ensuite ». L’outil organise et met en évidence les tendances ; vous décidez de ce qu’elles signifient et de la prochaine étape clinique. Tout cela ne fonctionne que si nous restons vigilants sur les données et la confidentialité. Nous évitons d’entrer des informations identifiantes, sauf dans un système approuvé et conforme à la protection de la vie privée. Nous ne traitons pas la sortie de l’IA comme une verité, en particulier pour le diagnostic, l’évaluation du risque, les sujets liés à la médication, ou toute assertion médicale. Et nous gardons le rôle du clinicien explicite : l’IA peut générer du langage, des options et de la structure, mais nous apportons le jugement, l’éthique et la responsabilité. C’est aussi pourquoi de nombreux cliniciens sont attirés par l’idée de faire tourner un modèle génératif privé en local sur leur ordinateur, hors ligne, afin que les données ne quittent pas l’appareil. Même dans ce cas,

Si nous avons déjà essayé de rédiger un véritable manuscrit après une journée entière de travail de recherche, nous savons que le problème n’est généralement pas l’absence d’idées. Nous en avons. Le problème, c’est que l’écriture académique exige une forme spécifique de stabilité mentale. Nous devons tenir le fil, garder la structure en tête, suivre les définitions avec précision et construire un argument cohérent alors que notre esprit est déjà saturé de réunions, de supervision, d’échéances de financement, de nettoyage de données, de commentaires de relecteurs et de la série ininterrompue de micro‑décisions qui accompagnent la conduite des études. C’est pourquoi l’annonce de Prism par OpenAI a retenu notre attention pour une raison étonnamment pragmatique. L’outil semble conçu pour réduire la surcharge dans le processus d’écriture, non pas en rédigeant l’article à notre place, mais en rendant l’environnement moins fragmenté et plus propice à une attention soutenue. OpenAI présente Prism comme un espace de travail gratuit, dans le cloud, natif LaTeX, dédié à la rédaction scientifique et à la collaboration, avec un assistant IA intégré au flux de travail du document. Et cette expression, intégré au flux de travail, compte. Beaucoup d’entre nous écrivent encore dans une configuration en patchwork. Le brouillon vit à un endroit, les références ailleurs, les PDF dans des dossiers que nous jurons être organisés, les tableaux dans des feuilles de calcul, les figures dans des outils séparés, et des règles de mise en forme qui semblent mouvantes. Si nous utilisons l’IA, elle se trouve souvent sur le côté, dans une fenêtre distincte, sans réelle conscience de ce que contient le document. Prism propose autre chose. Un espace unique où la rédaction, la révision, la compilation et la collaboration cohabitent, pour éviter de changer constamment de contexte et perdre notre élan. Cela ressemble moins à de l’automatisation qu’à une véritable infrastructure pour la recherche. Quelque chose qui nous aide à préserver l’intégrité de l’argumentation tandis que nous consacrons notre énergie limitée à ce qui compte vraiment : les méthodes, la logique, l’interprétation et la discipline qui consiste à ne pas surestimer nos résultats. Nous apprécions aussi que Prism semble viser les problèmes pratiques, certes peu glamour, qui minent silencieusement la productivité. La collaboration, les commentaires, l’aide à la relecture, l’assistance aux citations et les fonctions liées au flux de travail documentaire ne sont pas tape‑à‑l’œil, mais ce sont précisément ces frictions qui nous font fermer l’ordinateur en nous disant qu’on s’y remettra demain, parce que l’inertie administrative dévore ce qu’il reste de notre attention. Et si nous avons déjà co‑signé un article, nous savons combien de temps se perd en contrôle de versions, en fusion d’annotations et en vérification de ce qu’est « la version actuelle ». Un espace de travail partagé dans le cloud peut réduire cette surcharge en réunissant écriture et collaboration au même endroit. C’est ici que l’angle « chercheur » intervient. Les chercheurs sont formés à suivre la nuance, l’incertitude et les limites de ce que les données peuvent réellement étayer. Beaucoup d’entre nous écrivent bien lorsque nous avons l’espace pour réfléchir. Mais la recherche accorde rarement à l’écriture la priorité absolue. Elle se fait dans des heures volées, entre analyses, enseignement, gestion de projet et demandes de financement. Cela change ce que « technologie utile » signifie. Nous n’avons pas seulement besoin d’un outil qui génère du texte. Nous avons besoin d’un outil qui nous aide à rester orientés pour transformer des résultats en contributions claires, publiables, enseignables et utiles. Prism pourrait soutenir ce type de travail, en particulier pour les chercheurs qui publient, enseignent, encadrent des doctorants ou collaborent entre institutions et qui ont besoin d’un processus d’écriture moins chaotique. S’il réduit réellement la friction, il pourrait aider davantage d’entre nous à terminer ce que nous commençons, non pas parce que l’outil a de meilleures idées que nous, mais parce qu’il aide à protéger la continuité de notre pensée. En même temps, il faut dire tout haut ce que l’on pense tout bas. Un flux d’écriture plus fluide ne signifie pas automatiquement une meilleure science. L’IA peut nous aider à paraître cohérents et académiques et cela peut être utile, mais c’est aussi là que réside le risque, car une prose soignée peut dissimuler un raisonnement faible. Donc, si nous utilisons Prism, traitons‑le comme un assistant très rapide. Il peut réduire la friction et nous aider à exprimer ce que nous voulons dire, mais il n’est pas la source de vérité. Nous restons responsables du raisonnement, des affirmations, des références et de l’intégrité du travail. Et, bien sûr, Prism n’est pas le seul outil disponible. La plupart d’entre nous ont déjà utilisé d’autres outils d’IA, ainsi que des logiciels spécialisés de rédaction et de gestion bibliographique qui font avancer notre flux de travail. Ce qui donne à Prism une allure différente, du moins telle qu’il est décrit, c’est la promesse d’un espace de travail intégré et le fait qu’il soit gratuit. S’il tient ne serait‑ce que la moitié de cette promesse, nous avons sincèrement hâte d’en explorer davantage. Notre conclusion est simple. Prism paraît prometteur parce qu’il vise les véritables points douloureux de l’écriture scientifique : le passage incessant d’un contexte à l’autre, la corvée de mise en forme, les frictions de la collaboration et la charge cognitive nécessaire pour maintenir la cohérence d’un document complexe dans le temps. Pas de magie. Pas de remplacement de l’expertise. Mais peut‑être le type d’outil de productivité le plus adapté aux chercheurs, celui qui nous aide à garder le fil.