Tout le monde célèbre l'IA en médecine. Personne ne parle de ce qu'elle détruit.

Un radiologue qui ne sait plus lire une radio. Un médecin qui attend la réponse de l'algorithme avant de penser.

Ce n'est pas de la science-fiction. C'est ce que des chercheurs en sciences cognitives et des praticiens en exercice commencent à documenter discrètement, dans les couloirs des hôpitaux et les pages de revues spécialisées. L'intelligence artificielle, présentée comme le meilleur allié du soignant, pourrait bien être en train de lui voler quelque chose d'irremplaçable : son expertise durement acquise.

Le "deskilling" : un phénomène ancien, une ampleur inédite

Le deskilling — littéralement "dépossession de compétences" — n'est pas un concept né avec l'IA. Les économistes l'ont d'abord observé au XIXe siècle, lorsque la mécanisation de l'industrie a rendu obsolètes des savoir-faire artisanaux construits sur des décennies. Un tisserand expert devenait opérateur de machine. Sa main perdait sa mémoire.

Dans le domaine médical, ce phénomène existait déjà avant les algorithmes. L'arrivée des scanners a réduit la pratique de l'examen clinique minutieux. Les calculateurs de risques cardiovasculaires ont progressivement remplacé l'intuition clinique forgée par des milliers de consultations. Mais ces transitions étaient lentes, partielles, négociables.

Avec l'IA générative et les systèmes d'aide à la décision clinique, la dynamique change d'échelle. La vitesse de délégation cognitive n'a jamais été aussi rapide.

Trois mécanismes concrets par lesquels l'IA érode les compétences

1. L'atrophie par non-usage

Le cerveau humain fonctionne sur un principe brutal : ce qui n'est pas sollicité s'affaiblit. Un interne qui s'appuie systématiquement sur un algorithme de diagnostic différentiel pour chaque cas n'entraîne pas son raisonnement clinique. Il développe une dépendance fonctionnelle à l'outil, sans construire les schémas mentaux qui lui permettraient d'agir sans lui. Le risque ? Une génération de médecins parfaitement capables d'utiliser des outils, mais démunis face à une panne de système ou un cas hors normes.

2. L'automatisation de la validation, pas de la réflexion

Des études en psychologie cognitive montrent que lorsqu'un système d'aide affiche une suggestion, les utilisateurs — même experts — ont tendance à la valider plutôt qu'à formuler leur propre hypothèse d'abord. Ce biais, appelé automation bias, est bien documenté en aviation et en radiologie. Un radiologue qui examine une image après avoir vu la suggestion de l'IA ne fait plus le même travail cognitif que celui qui l'analyse à froid. Sa compétence perceptive, celle qui détecte l'anomalie subtile que l'algorithme manque, s'émousse.

3. La disparition du "savoir tacite"

Le philosophe Michael Polanyi l'a théorisé : une partie essentielle de l'expertise ne se transmet pas par les mots. C'est le coup d'œil du chirurgien expérimenté qui sait que ce tissu "ne se comporte pas normalement", la façon dont un urgentiste sent qu'un patient est "plus grave qu'il n'y paraît". Ce savoir tacite se construit par des milliers d'heures d'exposition directe, non médiée, à des situations cliniques réelles. Si l'IA filtre, trie et priorise en amont, elle prive les soignants juniors des expériences brutes nécessaires à cette construction.

Des exemples qui ne sont plus hypothétiques

En 2023, une étude publiée dans JAMA Network Open a mesuré les performances diagnostiques de médecins avec et sans assistance IA. Résultat contre-intuitif : avec l'IA, les moins expérimentés s'amélioraient marginalement, mais les plus experts commettaient davantage d'erreurs — happés par les suggestions erronées de l'algorithme.

Du côté de la chirurgie robotisée, des formateurs en chirurgie laparoscopique signalent que des internes entraînés sur des systèmes assistés ont du mal à revenir à des techniques manuelles de base lorsque la situation l'exige. L'outil a remplacé la compétence avant que la compétence ait eu le temps de se former.

Que faire ? Ce n'est pas un plaidoyer contre l'IA

Il serait absurde de rejeter des technologies qui sauvent des vies. Les systèmes d'IA détectent certains cancers précoces avec une précision supérieure à celle de nombreux spécialistes. Ce n'est pas le débat.

Le vrai enjeu est pédagogique et organisationnel. Quelques pistes concrètes émergent des travaux de recherche :

• Former d'abord, automatiser ensuite. Ne jamais introduire un outil d'aide à la décision avant que le praticien ait maîtrisé la compétence sous-jacente de façon autonome.
• Imposer des périodes de pratique "sans filet". Certaines équipes hospitalières réintroduisent des sessions de diagnostic sans accès aux outils numériques, comme des exercices de maintien de la forme clinique.
• Rendre l'IA transparente sur ses limites. Un système qui affiche sa marge d'incertitude oblige le clinicien à rester acteur du raisonnement, pas simple validateur.
• Repenser les indicateurs de formation. Évaluer non seulement la précision diagnostique, mais la capacité à raisonner sans assistance.

La vraie question derrière le deskilling

Au fond, le phénomène du deskilling pose une question que nos systèmes de santé évitent soigneusement : quel type de médecin voulons-nous former ? Un opérateur performant dans un environnement technologique stable ? Ou un praticien capable d'exercer son jugement dans l'incertitude, y compris quand les outils défaillent, quand le cas est atypique, quand l'algorithme n'a pas de réponse ?

L'IA peut être un amplificateur de compétence. Mais seulement si la compétence existe d'abord. Sans cette condition, elle risque d'être, silencieusement, un dissolvant.

— Reservoir Live