Publié le 11 mars 2026 Mis à jour le 11 mars 2026
Dans une salle de simulation, un étudiant en formation paramédicale analyse un cas clinique complexe. Les données sont nombreuses : constantes biologiques, antécédents, symptômes. Avant même d’avoir formalisé ses premières hypothèses, il interroge un système d’aide à la décision. En quelques secondes, une synthèse apparaît, hiérarchisant les diagnostics possibles, suggérant des conduites à tenir, priorisant les risques. Le gain de temps est manifeste. La pertinence, souvent remarquable. L’outil ne remplace pas la décision, il l’oriente. Et c’est précisément là que commence la question...
L’intelligence artificielle s’intègre désormais aux pratiques cliniques et aux dispositifs de formation en santé :
L’essor des modèles génératifs a accéléré cette présence. Dans les environnements pédagogiques, ces outils promettent un accompagnement individualisé, une exposition élargie à des cas complexes, une rétroaction rapide et structurée. À première vue, l’IA apparaît comme un amplificateur de compétences.
Mais former à l’ère des systèmes d’aide à la décision ne consiste pas seulement à ajouter un outil à la panoplie pédagogique. C’est accepter que les conditions même du raisonnement clinique soient reconfigurées. Le raisonnement professionnel en santé ne se réduit pas à l’agrégation de données. Il suppose une capacité d’hypothétisation, une tolérance à l’incertitude, une confrontation au doute, une responsabilité assumée face à la décision prise. Il engage une subjectivité professionnelle construite dans l’effort d’interprétation.
Or, lorsqu’une suggestion algorithmique précède ou encadre l’analyse, l’ordre cognitif se modifie subtilement. L’hypothèse n’émerge plus uniquement de l’examen clinique ; elle peut être déclenchée, confirmée ou restreinte par la proposition de l’outil. Le risque n’est pas que l’algorithme se trompe: l’erreur est inhérente à toute pratique clinique. Le risque est plus discret : que l’effort de penser se réduise, que l’étudiant s’habitue à valider plutôt qu’à construire, que l’assistance devienne la matrice implicite de la décision.
Cette tension traverse aujourd’hui les formations des professions de santé. Les dispositifs numériques, loin d’être neutres, redistribuent les formes de pouvoir et les régimes de responsabilité. Comme l’ont montré les analyses de la technique chez Gilbert Simondon ou Ivan Illich, l’outil n’est jamais un simple prolongement instrumental : il configure un milieu. Il façonne les gestes, les attentes, les rythmes, et jusqu’aux modes de subjectivation professionnelle.
Dans un contexte réglementé où la décision engage la responsabilité civile, pénale et éthique du soignant, cette reconfiguration ne peut être ignorée.
La question n’est donc pas d’opposer innovation technologique et éthique du soin. Elle est de comprendre comment intégrer l’IA sans déplacer silencieusement le centre de gravité du jugement professionnel. Former avec l’IA ne doit pas signifier former sous l’IA. La différence est significative Dans le premier cas, l’outil soutient une réflexion explicite ; dans le second, il devient la référence implicite autour de laquelle s’organise la décision.
L’hypothèse défendue ici est la suivante : l’IA ne remplace pas la décision clinique, mais elle en transforme les conditions d’élaboration. En formation, le danger majeur n’est pas l’erreur algorithmique mais la délégation progressive du raisonnement. L’enjeu pédagogique consiste alors à concevoir des dispositifs capables de préserver l’effort d’hypothétisation, d’entretenir la capacité à douter, et de maintenir la pleine responsabilité du futur professionnel.
Peut-on apprendre à décider si l’on n’apprend plus à supporter l’incertitude ? L’IA renforce-t-elle la qualité du raisonnement clinique ou seulement sa vitesse apparente ? Et comment former des soignants autonomes dans un environnement où la suggestion algorithmique devient constante ?
Les systèmes d’aide à la décision clinique ne sont pas une nouveauté absolue. Dès les premières bases de données médicales informatisées, l’ambition était déjà de soutenir le praticien dans l’interprétation de données complexes. Ce qui change aujourd’hui, c’est l’ampleur et la plasticité de ces dispositifs. Les moteurs d’inférence statistique ont cédé la place à des architectures capables de synthétiser des corpus massifs, de générer des hypothèses différentielles, d’anticiper des risques ou de reformuler des raisonnements dans un langage pédagogique.
Dans les environnements de formation, cette évolution est particulièrement visible. Les plateformes de simulation intègrent des agents conversationnels capables de jouer le rôle de patients standardisés. Des outils génératifs proposent des analyses de cas, reformulent des comptes rendus, simulent des échanges interprofessionnels. Les étudiants peuvent interroger un système sur la plausibilité d’un diagnostic, demander une synthèse des recommandations ou explorer des scénarios alternatifs en quelques secondes.
Ces usages pédagogiques ne se confondent pas avec l’exercice réel du soin. En formation, l’outil peut être mobilisé comme support d’apprentissage, comme ressource d’exploration ou comme catalyseur de discussion. Pourtant, la frontière est poreuse. L’étudiant formé avec assistance sera le professionnel qui exercera avec assistance. Les habitudes cognitives acquises dans le cadre pédagogique ne s’effacent pas au moment de l’entrée en fonction. Autrement dit, la manière dont l’IA est intégrée en formation préfigure déjà une certaine configuration du jugement professionnel.
La promesse est séduisante : exposition à une diversité accrue de cas cliniques, rétroactions rapides, personnalisation des parcours, accès instantané à des recommandations actualisées. L’IA apparaît comme une amplification de la capacité analytique humaine. Elle élargit l’horizon informationnel et réduit la charge mnésique. Mais toute amplification transforme en même temps la structure de l’effort requis.
La puissance analytique de ces systèmes ne tient pas seulement à leur performance technique ; elle tient aussi à la manière dont ils sont perçus. L’algorithme bénéficie d’un capital symbolique particulier : il incarne la donnée massive, la statistique agrégée, l’objectivité supposée. Là où le raisonnement humain peut sembler fragile, situé, influencé par des biais cognitifs, la machine apparaît comme distante et rigoureuse.
Cette perception engendre un phénomène d’autorité algorithmique. La suggestion proposée par le système ne s’impose pas par contrainte explicite, mais par crédibilité implicite. L’étudiant, face à une liste hiérarchisée de diagnostics ou à une conduite à tenir argumentée, peut éprouver une difficulté à contester la proposition. Non parce qu’il en est incapable, mais parce que l’outil se présente comme la synthèse d’une rationalité supérieure.
L’effet est d’autant plus puissant que les environnements numériques tendent à naturaliser leurs recommandations. L’interface est fluide, la réponse rapide, la formulation assurée. Rien ne signale l’incertitude inhérente aux modèles probabilistes sous-jacents. La suggestion s’affiche comme une évidence. Ainsi se constitue un déplacement discret du centre de gravité décisionnel : l’hypothèse ne naît plus exclusivement de l’examen clinique, elle émerge dans le dialogue avec un dispositif technique.
Dans cette perspective, l’IA ne se contente pas d’assister ; elle cadre. Elle oriente l’attention vers certains éléments, en invisibilise d’autres, hiérarchise les possibles. Comme tout dispositif au sens foucaldien, elle organise un champ de visibilité et un régime de vérité. La décision humaine demeure formellement intacte, mais elle s’élabore dans un espace déjà structuré.
Dans les professions de santé, la décision engage une responsabilité individuelle forte, inscrite dans un cadre juridique et déontologique précis. Pourtant, l’introduction massive d’outils algorithmiques reconfigure la distribution effective du pouvoir décisionnel. Le savoir ne réside plus uniquement dans la mémoire et l’expérience du professionnel ; il est externalisé dans des bases de données, des modèles prédictifs, des systèmes propriétaires conçus par des acteurs industriels.
Cette externalisation soulève plusieurs questions. Qui comprend réellement les logiques internes de l’outil ? Qui maîtrise les critères de pondération, les jeux de données d’entraînement, les limites de validité ? L’étudiant, le formateur, le clinicien disposent rarement d’une transparence complète. L’outil est utilisé dans un régime de confiance partielle, souvent asymétrique.
Dans les dispositifs de formation, cette asymétrie est encore accentuée. Les étudiants découvrent des systèmes dont ils perçoivent les résultats sans en connaître les architectures. Ils apprennent à dialoguer avec une machine dont la logique demeure opaque. L’IA devient ainsi une technologie partagée : elle circule entre concepteurs, institutions, professionnels et apprenants, redistribuant subtilement les marges d’autonomie.
Il ne s’agit pas d’y voir une dépossession pure et simple. L’outil peut renforcer la vigilance, suggérer des diagnostics, prévenir des erreurs. Mais il transforme la manière dont la décision se construit. L’autorité ne disparaît pas ; elle se déplace. Le professionnel reste juridiquement responsable, tandis que l’outil influence silencieusement l’élaboration du jugement.
Ainsi, l’IA clinique se présente comme une puissance analytique indéniable, capable d’enrichir l’apprentissage et de soutenir la décision. Elle élargit l’accès au savoir, accélère la synthèse et ouvre des perspectives inédites en formation.
Mais cette puissance s’accompagne d’une séduction cognitive. L’autorité algorithmique, la fluidité des interfaces, la rapidité des réponses modifient les conditions mêmes de l’effort intellectuel. Ce qui est facilité peut aussi être délesté. Ce qui est assisté peut devenir anticipé.
La question n’est donc plus seulement celle de la performance de l’outil, mais celle de l’habitude qu’il installe. À partir de quel moment l’assistance cesse-t-elle d’être un soutien pour devenir une béquille ? À quel seuil la consultation devient-elle dépendance ? C’est précisément ce glissement, discret mais structurant, qu’il convient désormais d’examiner : celui de la délégation cognitive progressive du raisonnement clinique.
Si l’IA amplifie la capacité d’analyse, elle transforme également la nature de l’effort cognitif requis. Toute assistance modifie l’équilibre entre ce qui est produit par le sujet et ce qui est fourni par le dispositif. En formation, cet équilibre est déterminant : apprendre à exercer une profession de santé ne consiste pas seulement à accéder à des réponses pertinentes, mais à construire un jugement capable de se soutenir lui-même. Lorsque l’assistance devient constante, le risque n’est pas l’erreur technique ; il est l’érosion progressive de l’autonomie intellectuelle.
Le raisonnement clinique s’inscrit traditionnellement dans un modèle hypothético-déductif : face à une situation donnée, le professionnel formule des hypothèses, recueille des données complémentaires, élimine des possibilités, affine son diagnostic et justifie sa décision. Ce processus n’est ni linéaire ni mécanique. Il est traversé par l’incertitude, par des tensions interprétatives, par des ajustements successifs.
La formation en santé repose précisément sur l’apprentissage de cette dynamique. L’étudiant apprend à supporter le doute, à accepter de ne pas savoir immédiatement, à différer la conclusion tant que les éléments ne sont pas suffisamment consolidés. Cette capacité à habiter l’incertitude n’est pas un défaut provisoire ; elle est une compétence structurante. Elle conditionne la prudence, l’esprit critique, la vigilance face aux biais.
Or, lorsque l’outil algorithmique propose d’emblée une hiérarchisation des hypothèses ou une conduite à tenir plausible, l’expérience du doute peut être raccourcie. L’incertitude n’est plus vécue comme un espace à explorer, mais comme un intervalle à combler rapidement. Le raisonnement devient validation plutôt que construction. L’étudiant confronte sa pensée à une suggestion externe avant même d’avoir pleinement élaboré sa propre analyse.
Ce déplacement est subtil. Il ne supprime pas le raisonnement, mais il en modifie la temporalité et l’intensité. L’effort d’hypothétisation peut s’amenuiser, non par incapacité, mais par habitude d’assistance.
La délégation cognitive ne se décrète pas ; elle s’installe par accumulation de micro-ajustements. Plusieurs mécanismes peuvent être identifiés.
Ces mécanismes ne relèvent pas d’une déficience individuelle. Ils sont liés à la configuration même du dispositif. Comme l’a montré la philosophie de la technique, l’environnement technique façonne les gestes et les attentes. La délégation cognitive est rarement consciente ; elle résulte d’une adaptation progressive au milieu.
Dans les professions réglementées, la décision clinique engage une responsabilité pleine et entière. Le professionnel ne peut se retrancher derrière un outil. Juridiquement, moralement, déontologiquement, il demeure l’auteur de la décision.
Pourtant, la présence constante d’une assistance algorithmique peut produire un effet paradoxal : la responsabilité reste formelle, mais le sentiment d’être seul à décider s’atténue. La décision apparaît comme co-produite par le système. En cas de doute, l’argument « l’outil le suggérait » peut s’imposer, au moins intérieurement, comme une justification.
Ce phénomène rejoint l’éthique de la responsabilité développée par Hans Jonas : plus la puissance technique augmente, plus l’exigence de responsabilité s’intensifie. L’IA accroît la capacité d’analyse ; elle devrait donc renforcer la vigilance éthique. Mais si cette puissance s’accompagne d’une dilution subjective de la décision, le risque est inverse : décider sans se sentir pleinement décideur.
En formation, cette tension est cruciale. Apprendre à exercer une profession de santé, c’est intégrer que la décision finale repose sur soi, dans un contexte d’incertitude irréductible. Si l’assistance algorithmique est vécue comme une garantie implicite, la construction de cette responsabilité peut être fragilisée. L’étudiant risque d’associer la qualité de sa décision à la conformité avec la suggestion technique plutôt qu’à la solidité de son raisonnement.
La délégation cognitive n’est donc pas seulement un enjeu pédagogique ; elle est un enjeu éthique. Elle interroge la manière dont les futurs professionnels se perçoivent comme sujets responsables dans un environnement algorithmique.
Le risque de délégation cognitive ne signifie pas qu’il faille renoncer à l’IA en formation. Il révèle plutôt une exigence nouvelle : concevoir des dispositifs capables de maintenir l’effort de pensée, d’expliciter le raisonnement et de renforcer la responsabilité plutôt que de l’atténuer.
Si l’assistance peut devenir béquille, elle peut aussi devenir levier, à condition d’être intégrée dans une architecture pédagogique consciente de ses effets. La question n’est plus seulement de savoir comment utiliser l’IA, mais comment former à un raisonnement augmenté sans qu’il soit diminué.
C’est donc vers la conception de dispositifs exigeants, articulant usage critique et métacognition explicite, qu’il convient désormais de se tourner.
Si l’IA reconfigure les conditions du raisonnement clinique et expose au risque de délégation cognitive, la réponse ne peut être ni l’exclusion ni l’usage naïf. L’enjeu pédagogique consiste à transformer l’assistance en objet d’apprentissage. Former au raisonnement augmenté suppose de concevoir des dispositifs où l’outil n’abrège pas l’effort de pensée, mais le met en tension, le révèle, l’exige.
Il ne s’agit plus seulement d’enseigner avec l’IA, mais d’enseigner le rapport à l’IA. Cette nuance est décisive.
Un premier principe pédagogique consiste à préserver des espaces de raisonnement non assisté. L’étudiant doit pouvoir expérimenter la construction autonome d’hypothèses, l’exploration progressive des données, l’incertitude assumée. L’IA ne doit pas être la porte d’entrée réflexe du cas clinique.
Concrètement, cela suppose d’organiser des séquences contrastées : analyse initiale sans assistance, formalisation argumentée des hypothèses, puis confrontation secondaire aux propositions algorithmiques. Ce décalage temporel est structurant. Il permet à l’étudiant de mesurer les écarts, d’identifier les convergences et de comprendre les divergences.
L’objectif n’est pas de placer l’outil en compétition avec le raisonnement humain, mais de rendre visible la dynamique cognitive propre à chacun. L’IA devient alors un miroir critique plutôt qu’une béquille. Elle révèle les angles morts, questionne les intuitions, enrichit la discussion sans court-circuiter l’élaboration initiale.
Cette alternance contribue également à maintenir la confiance épistémique. L’étudiant apprend qu’il peut produire une analyse pertinente avant toute assistance. L’outil vient ensuite amplifier ou questionner cette analyse, non la remplacer.
La simple utilisation d’un système d’aide ne suffit pas à former à son usage critique. Il est nécessaire d’instituer des temps d’explicitation spécifiques : des débriefings centrés non seulement sur la décision clinique, mais sur l’interaction avec l’outil.
Dans ces séquences, plusieurs questions peuvent être explorées :
L’objectif est double. D’une part, développer une littératie algorithmique adaptée aux professions réglementées : comprendre que l’IA fonctionne sur des corrélations probabilistes et non sur une compréhension contextuelle pleine. D’autre part, renforcer la métacognition clinique : être capable d’expliquer pourquoi l’on accepte, modifie ou rejette la proposition.
Ce débriefing algorithmique transforme l’outil en objet d’analyse. Il désacralise la suggestion technique sans la disqualifier. Il rappelle que toute proposition, humaine ou algorithmique, doit être soumise à l’examen critique.
Former au raisonnement augmenté implique également de repenser les modalités d’évaluation. Si l’on évalue uniquement la conformité d’une décision à une réponse attendue, l’outil algorithmique peut devenir un raccourci efficace. En revanche, si l’évaluation porte sur la qualité de l’argumentation, sur la traçabilité du raisonnement et sur la capacité à expliciter les incertitudes, la posture cognitive change.
Dans une approche par compétences, la décision n’est qu’un élément du processus. Ce qui importe est la manière dont elle est construite et justifiée. Intégrer des critères d’évaluation portant sur l’explicitation du raisonnement, sur l’identification des alternatives écartées, sur la prise en compte des limites de l’outil, permet de maintenir l’exigence intellectuelle.
Il devient pertinent d’évaluer la capacité à interroger l’IA elle-même : l’étudiant est-il capable de formuler une demande pertinente ? De détecter une incohérence ? De contextualiser la réponse dans la singularité du patient ? Cette dimension critique doit être reconnue comme une compétence professionnelle à part entière.
Ainsi, le raisonnement augmenté ne consiste pas à penser plus vite grâce à l’outil, mais à penser plus lucidement avec lui. L’IA devient un partenaire cognitif dont l’usage exige discernement et responsabilité.
Concevoir des dispositifs exigeants est une condition nécessaire, mais non suffisante. L’alternance raisonnée, le débriefing algorithmique et l’évaluation centrée sur la justification doivent s’inscrire dans un cadre institutionnel clair.
Former à un raisonnement augmenté implique de clarifier les responsabilités, de définir des règles de traçabilité et d’expliciter les attentes éthiques. L’exigence pédagogique ne peut rester implicite ; elle doit être soutenue par des principes partagés et des dispositifs encadrés.
Autrement dit, la question n’est plus seulement celle des scénarios d’apprentissage, mais celle de la gouvernance de l’IA en formation. C’est à cette articulation entre responsabilité individuelle et cadre institutionnel qu’il convient désormais de s’attacher.
Former au raisonnement augmenté ne peut reposer uniquement sur la qualité des scénarios pédagogiques. Dans les professions de santé, la décision engage une responsabilité juridique, déontologique et éthique qui excède le cadre de la salle de simulation. L’intégration de l’IA en formation appelle donc une clarification institutionnelle explicite. Sans cadre, l’autonomie professionnelle risque de s’éroder silencieusement. Avec un cadre structurant, elle peut au contraire être consolidée.
L’enjeu n’est pas de contrôler les usages pour les restreindre, mais de les rendre lisibles, discutables et assumés.
Dans l’exercice des professions de santé, la responsabilité de la décision demeure personnelle. Aucun algorithme, aussi performant soit-il, ne peut être juridiquement tenu pour auteur d’un acte clinique. Cette évidence formelle doit être réaffirmée en formation. L’outil peut éclairer, suggérer, alerter mais il ne décide pas.
Or, l’environnement numérique tend à brouiller cette distinction. Lorsque la suggestion algorithmique est présentée comme hautement fiable, la tentation est grande de la considérer comme norme implicite. L’étudiant peut progressivement assimiler la conformité à la recommandation technique à une forme de sécurité décisionnelle.
Le rôle de l’institution est ici déterminant. Il lui revient de rappeler que l’IA est un outil d’aide et non une autorité. Cela suppose d’expliciter dans les référentiels et règlements de formation la place de ces dispositifs : ni interdits, ni prescrits, mais intégrés dans une logique d’usage critique.
Clarifier « qui décide » revient aussi à clarifier « qui répond ». L’apprenant doit comprendre que la responsabilité finale lui incombera, y compris lorsqu’il aura mobilisé une assistance algorithmique. Cette conscience ne doit pas être anxiogène mais structurante. Elle fonde l’identité professionnelle.
L’une des transformations majeures induites par l’IA concerne la traçabilité du processus décisionnel. Si un outil a été mobilisé dans l’élaboration d’une hypothèse ou d’une conduite à tenir, cette interaction doit pouvoir être explicitée.
En formation, intégrer cette exigence revient à apprendre aux étudiants à documenter leur démarche :
Cette pratique de traçabilité ne vise pas à surveiller, mais à développer une conscience réflexive. Elle oblige à distinguer ce qui relève de l’analyse personnelle et ce qui a été suggéré par le dispositif. Elle renforce la métacognition et prépare à un exercice professionnel transparent.
Dans un contexte où les environnements numériques conservent des traces, l’absence d’explicitation peut devenir problématique. Former à documenter l’usage de l’IA, c’est anticiper les exigences futures de qualité et de responsabilité.
Pour que ces principes ne demeurent pas théoriques, ils doivent être inscrits dans un cadre partagé. L’élaboration d’une charte pédagogique de l’IA en formation en santé constitue un levier structurant.
Une telle charte pourrait reposer sur quelques principes directeurs :
L’institution joue ici un rôle de garant. Elle doit former ses équipes pédagogiques, définir des lignes directrices, intégrer ces enjeux dans les projets d’établissement et les référentiels de compétences. L’absence de cadre laisse place à des usages hétérogènes, parfois contradictoires, qui fragilisent la cohérence de la formation.
Protéger l’autonomie professionnelle ne signifie pas isoler le futur soignant des technologies contemporaines. Cela signifie créer un environnement où l’usage de ces technologies est pensé, discuté et régulé. L’autonomie ne s’oppose pas au cadre ; elle s’y construit.
Ainsi, la question de l’IA en formation ne se limite ni à la performance des outils ni à la qualité des scénarios pédagogiques. Elle engage une architecture complète : responsabilité individuelle, traçabilité des décisions, gouvernance institutionnelle.
Mais même le cadre le plus rigoureux ne dispense pas d’une exigence personnelle La responsabilité ne se décrète pas; elle s’incarne. Après avoir examiné la puissance de l’assistance, le risque de délégation et les conditions d’un encadrement institutionnel, demeure une interrogation plus fondamentale : comment préserver, chez le futur professionnel, la capacité à douter, à argumenter et à assumer pleinement sa décision dans un monde où l’algorithme est omniprésent ?
C’est à cette question, celle du sens et de l’autonomie du jugement, que la conclusion de cet article entend désormais revenir.
L’intelligence artificielle n’est ni une rupture absolue ni une simple continuité technique. Elle s’inscrit dans l’histoire longue des instruments qui accompagnent la décision médicale, mais elle en modifie l’intensité, la vitesse et la profondeur. En formation comme en pratique, elle ne remplace pas le jugement clinique : elle en redessine les conditions.
Ce déplacement est décisif. L’enjeu n’est pas de savoir si l’IA est fiable - aucune pratique humaine ne l’est parfaitement - mais de comprendre ce qu’elle fait au raisonnement de celui qui l’utilise. Lorsque la suggestion précède l’hypothèse, lorsque l’interface cadre l’attention, lorsque la réponse est disponible avant même l’effort d’élaboration, le rapport au doute se transforme. Or, c’est dans la confrontation au doute que se forge la compétence clinique.
Former à l’ère des systèmes d’aide à la décision suppose donc un choix pédagogique clair : refuser que l’assistance devienne la matrice implicite du jugement. Cela implique d’organiser l’alternance entre raisonnement autonome et confrontation algorithmique, d’instituer des temps de débriefing critique, d’évaluer la qualité de l’argumentation plutôt que la seule conformité du résultat. Cela exige également un cadre institutionnel explicite, garantissant la primauté du jugement professionnel, la traçabilité des usages et la responsabilité assumée.
L’autonomie ne consiste pas à décider sans outils. Elle consiste à décider en connaissance de cause, en assumant les médiations techniques mobilisées. Dans les professions de santé, cette autonomie est indissociable de la responsabilité. Aucun algorithme ne portera la charge morale d’un choix clinique. Le professionnel, lui, le fera.
Peut-on apprendre à décider si l’on n’apprend plus à douter ? Cette question traverse l’ensemble de la réflexion. L’IA peut renforcer la qualité du raisonnement clinique, en révélant des angles morts, en élargissant les possibles, en stimulant la discussion. Mais elle peut aussi en accélérer la surface sans en approfondir la structure. La vitesse apparente ne garantit pas la solidité intérieure.
Il ne s’agit donc ni de céder à l’enthousiasme technophile, ni de s’abriter dans une posture de défiance. Il s’agit de reconnaître que nous formons aujourd’hui des professionnels appelés à exercer dans un environnement "algorithmisé" et que leur compétence ne sera pas seulement technique, mais réflexive. Leur responsabilité ne sera pas diminuée par la puissance des outils, elle en sera accrue
Former au raisonnement augmenté, c’est finalement former à une double vigilance : vigilance face aux biais humains, mais aussi vigilance face aux suggestions algorithmiques. C’est apprendre à utiliser l’IA sans s’y dissoudre. C’est maintenir la capacité à suspendre, à interroger, à argumenter, même lorsque la réponse semble déjà donnée.
Dans un monde assisté, décider demeure un acte humain. Et c’est précisément cet acte qu’il nous appartient, en formation, de protéger.
Illustration: IAg et formation des professions de santé
Générée par l'IA (Canva) - Flavien Albarras
Références
Agius, S., Magri, C., & Cassar, V. (2025). A Cognitive Task Analysis for Developing a Clinical Decision Support System for Emergency Triage. Journal of Emergency Nursing, 51(6), 1028-1045.e4. https://doi.org/10.1016/j.jen.2025.05.013
Aroulandom, F. (2025). Intelligence artificielle et profession infirmière : Anticiper, comprendre et accompagner une transformation inévitable. Sages-Femmes, 24(5, Supplement), S59‑S60. https://doi.org/10.1016/j.sagf.2025.07.115
Auriault, P. (2014). Comprendre l’imagerie médicale avec Gilbert Simondon. Repéré à https://philosophie.ac-amiens.fr/IMG/pdf/Simondon_Auriault-2.pdf
Académie Nationale de Médecine. (2024). Systèmes d’IA générative en santé : Enjeux et perspectives (Rapport 24-03). Paris, France : Académie Nationale de Médecine. Repéré à https://www.academie-medecine.fr/wp-content/uploads/2024/03/Rapport-Systemes-dIA-generative-en-sante.pdf
Bleher, H., & Braun, M. (2022). Diffused responsibility : Attributions of responsibility in the use of AI-driven clinical decision support systems. Ai and Ethics, 2(4), 747‑761. https://doi.org/10.1007/s43681-022-00135-x
Digital Promise. (2024). AI literacy: A framework to understand, evaluate, and use emerging technology. Washington, DC : Digital Promise. https://digitalpromise.org/2024/06/18/ai-literacy-a-framework-to-understand-evaluate-and-use-emerging-technology/
Elsevier Masson. (2023). Le raisonnement clinique infirmier. Paris, France : Elsevier Masson. Présentation en ligne : https://www.elsevier.com/fr-fr/connect/le-raisonnement-clinique-infirmier
Florey, S. (2023). Reconfiguration du littéraire par le numérique : Quelles potentialités didactiques ? Revue de recherches en littératie médiatique multimodale, 18, 39‑55. https://doi.org/10.7202/1108693ar
Gazquez-Garcia, J., Sánchez-Bocanegra, C. L., & Sevillano, J. L. (2025). AI in the Health Sector : Systematic Review of Key Skills for Future Health Professionals. JMIR Medical Education, 11(1), e58161. https://doi.org/10.2196/58161
Giroud, N. (2026). Utilisation de l’IA en formation infirmière. La revue de l’infirmière, (317), 34‑37. https://www.em-consulte.com/article/1788851/utilisation-de-l-ia-en-formation-infirmiere
Hoyelle-Pierre, S., & Jaillet, A. (2024). L’apprentissage du raisonnement clinique infirmier par la simulation en formation initiale pour la qualité et l’efficience des soins. Revue internationale des technologies en pédagogie universitaire / International Journal of Technologies in Higher Education, 21(1), 37‑54. https://doi.org/10.18162/ritpu-2024-v21n1-03
Inserm. (2024). Intelligence artificielle et santé. Paris, France : Inserm. https://www.inserm.fr/dossier/intelligence-artificielle-et-sante/
Izquierdo-Condoy, J. S., Arias-Intriago, M., Tello-De-la-Torre, A., Busch, F., & Ortiz-Prado, E. (2025). Generative Artificial Intelligence in Medical Education : Enhancing Critical Thinking or Undermining Cognitive Autonomy? Journal of Medical Internet Research, 27, e76340. https://doi.org/10.2196/76340
Montagna, M., Chiabrando, F., Lorenzo, R. D., Querini, P. R., & Students, M. (2025). Impact of Clinical Decision Support Systems on Medical Students’ Case-Solving Performance : Comparison Study with a Focus Group. JMIR Medical Education, 11(1), e55709. https://doi.org/10.2196/55709
OCDE. (2022). Perspectives de l’OCDE sur l’éducation numérique 2021 : Repousser les frontières avec l’IA, la blockchain et les robots. OECD Digital Education Outlook, 2021. https://doi.org/10.1787/d5fe6bd0-fr
Position et recommandations du Conseil national de l’Ordre des infirmiers relatives à l’utilisation de l’intelligence artificielle par les infirmiers. (s. d.). Ordre national des infirmiers. Consulté 8 mars 2026, à l’adresse https://www.ordre-infirmiers.fr/position-et-recommandations-du-conseil-national-de-l-ordre-des-infirmiers-relatives-a-l-utilisation
Patel, V. L. (2023). Reducing cognitive load in clinical decision support systems. HL7 Clinical Burden Working Group. Version PDF: https://confluence.hl7.org/download/attachments/104568480/VLPatel-HL7%20WG--Clinical%20Burden-Dec%2011-2023-Final.pdf?version=1&modificationDate=1702318635272&api=v2
Sim, I., Gorman, P., Greenes, R. A., Haynes, R. B., Kaplan, B., Lehmann, H., & Tang, P. C. (2001). Clinical Decision Support Systems for the Practice of Evidence-based Medicine. Journal of the American Medical Informatics Association : JAMIA, 8(6), 527‑534. https://doi.org/10.1136/jamia.2001.0080527
UNESCO. (2023). Guidance for generative AI in education and research. Paris, France : UNESCO. Version française : https://www.unesco.org/fr/digital-education/artificial-intelligence
Webster, C. S., Taylor, S., & Weller, J. M. (2021). Cognitive biases in diagnosis and decision making during anaesthesia and intensive care. BJA Education, 21(11), 420‑425. https://doi.org/10.1016/j.bjae.2021.07.004
Zintchem, R., Ngono Zintchem, M. A., Ngae, D., Tembe-Fokunang, E. A., & Ntungwen Fokunang, C. (2025). Intelligence artificielle générative et apprentissage du raisonnement clinique infirmier : Revue de portée, proposition d’une approche « socioconnectriste ». Recherche et Avancées en Sciences Infirmières, (2). https://doi.org/10.25965/reasci.606
Déclaration d’utilisation de l’IA — ChatGPT et Perplexity ont été utilisés comme outils d’assistance pour : (a) l’aide à la revue bibliographique (repérage/tri d’articles et structuration des pistes de lecture), (b) la reformulation de certains passages afin d’en améliorer la clarté et la fluidité, (c) la correction orthographique. L’IA n’a pas produit d’arguments ni de données sans validation : toutes les références ont été vérifiées et aucune citation n’a été inventée. Le contenu, les analyses et les interprétations restent de ma seule responsabilité.
Le fil RSS de Thot Cursus - Besoin d'un lecteur RSS ? FeedBin , Feedly , NewsBlur
Les messages de Thot sur BlueSky
Vous pourriez aussi aimer:
Cette autoformation propose un tour d’horizon de ces technologies et de quelques pistes d’intégration en éducation.
Répertoire des services de partage et d'entraide. Cool !
On y propose de l’entraide, des potins, de l'animation sociale ou communautaire, bien sur, mais aussi des services et des produits locaux. Les gens proposent ce qu’ils savent faire de mieux. Par exemple, leurs repas mijotés, leur aide pour peinturer, leur remorque pour dépanner, leur présence pour nourrir le chat, etc. Voici donc les meilleurs sites et apps pour renforcer la toile de nos relations sociales.
Partager ses lieux coup de cœur avec Mapstr
Il nous est tous arrivé de visiter des endroits locaux ou en voyage que nous recommandons à quiconque nous connaissons. Que ce soit des musées, des restaurants, des bars et autres, nous tenons un genre de carnet personnel d'adresses. Et si nous pouvions le conserver et même le partager avec des proches? C'est ce que propose Mapstr.
Le vrai risque de l’IA : la stupidité, pas la rébellion
Dans de nombreuses histoires de science-fiction, l’intelligence artificielle finit souvent par devenir l’antagoniste de l’humanité et elle tente de l’éliminer. Ce scénario serait-il possible ?
Partager ses lieux coup de cœur avec Mapstr
Il nous est tous arrivé de visiter des endroits locaux ou en voyage que nous recommandons à quiconque nous connaissons. Que ce soit des musées, des restaurants, des bars et autres, nous tenons un genre de carnet personnel d'adresses. Et si nous pouvions le conserver et même le partager avec des proches? C'est ce que propose Mapstr.
