Le travail clinique et de recherche échoue rarement parce que nous ne pouvons pas localiser l'information; il échoue parce que nous ne pouvons pas convertir l'information en extrants utilisables assez rapidement. La friction vit dans l'entre-deux tâches : préparer un mémoire d'information pour une conférence de cas, transformer des notes dispersées en un amendement cohérent au protocole, nettoyer les citations avant une nouvelle présentation, ou rédiger un document à la fois lisible et précis pour le patient. Ce qui est tout récemment convaincant à propos de l'idée d'un "ordinateur AI" est qu'il vise ce tissu conjonctif de travail, pas simplement à la conversation.
La perplexité décrit l'ordinateur comme un système unifié basé sur le cloud qui peut "rechercher, concevoir, coder, déployer et gérer" des projets de bout en bout, briser un objectif en sous-tâches et les acheminer à travers des composants spécialisés. Dans la description publique, il peut orchestrer le travail à travers 19 modèles en parallèle, « faire correspondre chaque tâche au meilleur modèle », tout en se rappelant le contexte antérieur et la connexion aux services externes. L'ambition n'est pas subtile : il s'agit de transformer le navigateur en un espace de travail opérationnel où l'utilisateur spécifie l'intention et le système effectue le travail en plusieurs étapes.
L'attraction est facile à comprendre dans les flux de travail réels. Nous pratiquons déjà chaque jour une délégation restreinte : nous attribuons des parties d'un projet à des stagiaires, des assistants de recherche, des administrateurs ou des collègues, et nous intégrons, vérifions et adhérons. Un système agentique promet un modèle similaire, mais à une vitesse et une échelle différentes. S'il agit de manière fiable, il peut créer du temps pour ce qui reste obstinément humain : présence thérapeutique, jugement clinique sous l'incertitude, supervision nuancée, et interprétation soigneuse des preuves.
Cette tension devient plus nette lorsque l'orchestration est invisible. Si l'ordinateur décompose une tâche en étapes, choisit les outils et fusionne les résultats, alors la provenance compte : quelles sources ont été utilisées, quel modèle a généré quelle revendication, et quelle était l'incertitude du système à chaque étape ? Dans la recherche, ces détails déterminent si une synthèse de la littérature est reproductible; dans les milieux cliniques, ils déterminent si un document, une note de politique ou une aide documentaire restent dans les limites de la pratique fondée sur des données probantes. Plus le flux de travail est autonome, plus nous avons besoin de systèmes qui rendent leur raisonnement lisible plutôt que simplement impressionnant.
Une seconde tension est la provenance. Dans la recherche, nous devons savoir quelles sources ont été utilisées, comment les allégations ont été dérivées et quelle incertitude subsiste, parce que la crédibilité d'une synthèse dépend d'un raisonnement traçable. Dans les milieux cliniques, la provenance est tout aussi importante, mais moins souvent officialisée : nous devons savoir si un résultat est fondé sur des lignes directrices, des essais de haute qualité, des politiques locales ou simplement des généralisations plausibles. Les outils agentsiques peuvent comprimer les étapes si efficacement qu'ils compressent aussi notre visibilité dans l'endroit d'où vient une conclusion.
Le coût amène ces questions de la théorie à la prise de décision quotidienne. A peu près $240 par mois, ce n'est pas un abonnement impulsif pour la plupart des cliniciens; il est plus proche d'un compromis de personnel. Payer ce montant suppose implicitement que le temps économisé est à la fois important et fiable, et que le temps que nous passons à vérifier la sortie ne re-gonfle pas silencieusement la charge de travail. En milieu clinique, le « coût réel » comprend non seulement l'argent, mais aussi le fardeau cognitif de la surveillance et le risque de réputation des erreurs.
Du point de vue de la pratique, les utilisations à court terme les plus sûres sont celles qui maintiennent les données identifiables hors du système et maintiennent la vérification fermement humaine. La rédaction de modèles psychopédagogiques non identifiés, la création de matériel de formation pour les stagiaires, la transformation des procédures internes en langage plus clair ou la production de plans de premier passage pour les documents de recherche peuvent être judicieuses, à condition que nous traitions les extrants comme des ébauches et que nous insistions sur la vérification des sources. Le profil de risque change fortement lorsque nous nous dirigeons vers des détails de cas identifiables ou des recommandations cliniques très précises, en particulier dans les petites collectivités ou dans des présentations rares où la réidentification peut être plus facile que nous le souhaitons.
Nous devons également reconnaître une limitation plus discrète que les chercheurs expérimentés reconnaissent : ces outils peuvent accélérer apparence de bourses d'études. Ils peuvent produire un cadrage cohérent, une prose persuasive et une synthèse ordonnée même lorsque la base de données est mélangée ou contestée. Le danger n'est donc pas seulement une « hallucination » au sens général; c'est une surconfiance routinière, particulièrement sous la pression des délais, la fatigue ou des incitations institutionnelles qui récompensent la rapidité de la prudence.
Éthiquement, nous devons considérer les systèmes d'agents comme une nouvelle couche de délégation professionnelle qui exige la transparence et les habitudes de documentation. Si l'IA a façonné matériellement un résultat qui informe les soins (une politique de clinique, un document de patient, une note de soutien à la décision), la responsabilité du clinicien n'est pas réduite; elle est reconfigurée. Nous devons aux patients et aux collègues une position disciplinée sur les données entrées dans le système, sur les sources sur lesquelles nous nous sommes fondés et sur la façon dont les allégations ont été vérifiées. Cela est conforme aux cadres plus généraux de risques liés à l'IA, qui mettent l'accent sur la gouvernance du cycle de vie : cartographier les échecs probables, fixer les limites et établir des habitudes de vérification plutôt que de compter sur de bonnes intentions.
En ce qui concerne l'avenir, la question n'est pas de savoir si les « ordinateurs AI » deviendront plus courants; ils le seront probablement. La question la plus importante est de savoir s'ils deviennent lisible: systèmes qui rendent leurs sources, leurs hypothèses et leurs limites suffisamment visibles pour les cultures cliniques et de recherche qui dépendent de l'auditabilité et de la confiance. Si nous les adoptons de manière réfléchie, en commençant par des tâches à faible risque, en mesurant le temps économisé par rapport au temps passé à vérifier et en maintenant des limites strictes autour de données sensibles, nous pouvons traiter ces outils comme des assistants plutôt que des autorités, et préserver l'intégrité de notre travail tout en réduisant les frictions évitables.