Le développement d’applications d’IA en santé a longtemps reposé sur des équipes techniques, des compétences en programmation et des cycles de conception longs. Dans ce schéma, les cliniciens, pourtant au contact direct des problèmes de terrain, restaient le plus souvent utilisateurs ou prescripteurs, plus que concepteurs.
Un préprint publié par des chercheurs en IA appliquée à la santé propose une autre trajectoire.
Les auteurs décrivent un cadre de développement en cinq niveaux pour guider des projets d’IA initiés par des cliniciens, depuis l’identification d’un besoin jusqu’au déploiement et au suivi.
Leur thèse est que : les outils nécessaires à une innovation portée par les professionnels de santé sont désormais accessibles sans programmation traditionnelle, à condition de rester dans un cadre de déploiement responsable.
Cinq niveaux de complexité : le cadre présenté organise les outils selon un gradient d’engagement technique
- Au niveau 1, des plateformes comme Botpress et Voiceflow permettent de déployer en quelques minutes un chatbot clinique simple, sans connaissance en programmation. L’objectif est de rendre possible une première mise en œuvre rapide pour des cas d’usage ciblés.
- Le niveau 2 introduit le retrieval-augmented generation (RAG). Cette approche ancre les réponses de l’IA dans des documents cliniques fournis par l’utilisateur plutôt que dans les seules données d’entraînement du modèle. Les auteurs y voient un moyen de réduire les réponses inexactes et de mieux aligner l’outil avec des référentiels ou procédures locales.
- À partir des niveaux 3 à 5, le texte met en avant le vibe coding, défini comme la production de logiciels à partir d’instructions en langage naturel. Formalisé comme concept au début de l’année 2025, il sert de socle à des développements plus avancés sans exiger un apprentissage classique du code. Selon les auteurs, les compétences mobilisées par ce mode de développement (définition précise du problème, itération, jugement sur le risque) recoupent des capacités déjà exercées quotidiennement par les cliniciens.
Des workflows automatisés jusqu’aux systèmes multi-agents
- Le niveau 4 correspond aux outils d’orchestration de workflows, comme n8n et Zapier. Ils peuvent automatiser des chaînes complètes de processus cliniques ou administratifs, de la prise de rendez-vous au suivi après intervention, avec peu ou pas d’intervention humaine une fois le scénario configuré.
- Le niveau 5 couvre les systèmes multi-agents, destinés à des usages plus complexes : assistants diagnostiques capables de traiter des images, plateformes coordonnées pour l’administration hospitalière, ou encore environnements où plusieurs agents spécialisés coopèrent sur une même tâche. Le message du préprint est que ces architectures ne sont plus réservées à des équipes de développeurs, même si leur mise en œuvre reste plus exigeante.
Des risques qui déplacent le problème vers la gouvernance
Le préprint ne présente toutefois pas cette démocratisation comme un simple effet d’interface. Les auteurs rappellent plusieurs limites : hallucinations de l’IA, obligations de confidentialité, exigences réglementaires et besoin de validation avant déploiement.
Ils signalent aussi des risques de sécurité associés à certains outils agentiques, comme OpenClaw, lorsqu’ils sont mal configurés. Sont notamment mentionnés des risques d’exposition de données et d’attaques par prompt injection. Autrement dit, la baisse de la barrière technique ne supprime pas le besoin de contrôle ; elle déplace une partie de l’enjeu vers la supervision, les tests, l’architecture de sécurité et la responsabilité organisationnelle.
Au fond, le texte défend l’idée d’un passage du clinicien utilisateur au clinicien bâtisseur. Le cadre proposé, baptisé Clinician-Led Evidence-grounded AI Development, veut fournir une méthode reproductible pour structurer des projets d’IA conçus à partir des besoins du terrain.
Pour les acteurs de santé, l’enjeu consiste à encadrer les conditions qui permettent aux professionnels de développer des applications fiables. Les auteurs soulignent que si les barrières techniques ont diminué, le déploiement repose sur un usage prudent.
Référence : Aryender Singh, Balavignesh Senthilvel Palani, Sarthak Singh Tomar, Manu Rathee, Shefali Singla, Stalin Mathiyazhagan, “Clinician-Led Artificial Intelligence Innovation: A Practical Guide to Building Custom Healthcare Applications Without Traditional Programming”, JMIR Publications Preprints, 2026, DOI : 10.2196/preprints.95998.



