IA en santé : la France dépend des outils américains

Depuis dix ans, la France investit environ 2 milliards d’euros par an dans l’IA en santé et plus largement dans la HealthTech. Pourtant, aucun champion mondial du numérique en santé n’a émergé chez nous. Pendant ce temps, l’Allemagne et le Royaume-Uni ont structuré leur marché et vu naître BioNTech, Siemens Healthineers ou Ada Health.

En réalité, le problème ne vient pas d’un manque d’idées. Il est structurel. Nous finançons des prototypes et des preuves de concept, mais nous ne finançons pas ce qui transforme une technologie en actif industriel : la conformité réglementaire dès le départ, l’interopérabilité et la maîtrise des dépendances technologiques.

Pourquoi la France ne crée pas de champion de l’IA en santé

Par conséquent, beaucoup de nos startups disparaissent dans la « vallée de la mort », cette phase délicate où il faut passer du prototype à la croissance. D’autres survivent, mais en s’appuyant sur des briques technologiques américaines qu’elles n’ont jamais eu les moyens d’auditer.

Ainsi, nous produisons des outils séduisants sur le plan technique, mais fragiles sur le plan industriel. De plus, ils ne sont pas souverains, puisque leurs composants critiques dépendent d’acteurs étrangers.

L’appel à manifestation d’intérêt « IA aux Urgences », lancé en 2025, illustre parfaitement ce problème. En effet, il réunit presque tous les défauts de notre modèle d’innovation publique.

L’AMI « IA aux Urgences » : un calendrier trop court pour évaluer

La DGOS lance cet appel le 20 juin 2025¹. Les établissements ont alors jusqu’au 31 juillet pour déposer leur dossier. Ensuite, les lauréats reçoivent leur réponse le 22 août, et les expérimentations démarrent dès le 1er septembre. Elles doivent s’achever le 31 mars 2026, tandis que le bilan final est attendu au plus tard le 31 décembre 2026.

Au total, 147 candidatures arrivent sur la table. Finalement, 74 établissements sont retenus pour 78 projets, soit un taux de sélection proche de 50 %.

Cependant, dès décembre 2025, plusieurs hôpitaux annoncent déjà la « généralisation » de ces outils. Les expérimentations n’ont alors que trois mois. Une question simple se pose donc : comment généraliser un dispositif dont la preuve clinique n’existe pas encore ?

Autrement dit, on annonce des succès avant de mesurer les résultats. Cette inversion expose les établissements à deux risques. D’une part, un risque juridique, car leur responsabilité peut être engagée en cas d’incident lié à un système non validé. D’autre part, un risque financier, puisqu’ils investissent dans des solutions que l’évaluation finale pourrait condamner.

Un petit budget pour un coût réel élevé

Le budget annoncé pour l’AMI tourne autour de 2 à 5 millions d’euros, soit environ 20 000 euros par projet. Or, cette somme ne couvre même pas l’hébergement HDS, l’intégration ou la sécurité.

Des coûts directs entre 15 et 29 millions d’euros

En revanche, les hôpitaux supportent des dépenses bien plus lourdes. Par exemple, l’intégration par la DSI coûte entre 150 000 et 300 000 euros par établissement. Pour 74 sites, la facture atteint donc 11,1 à 22,2 millions d’euros.

À cela s’ajoute le temps médical. Chaque établissement mobilise environ 200 heures, soit 14 800 heures au total, ce qui représente près de 1,5 million d’euros. Au bout du compte, les coûts directs se situent entre 15,6 et 28,7 millions d’euros.

Des coûts cachés encore plus lourds

Par ailleurs, trois coûts indirects pèsent sur les établissements. D’abord, les équipes DSI délaissent d’autres chantiers critiques, comme la cybersécurité NIS2 ou la migration vers le cloud. Ensuite, les intégrations rapides et peu documentées créent une dette technique sans plan de maintenance. Enfin, faute de retour d’expérience public, les mêmes erreurs se répèteront au prochain cycle. Selon nos estimations, ces coûts indirects dépassent de deux à trois fois les coûts directs.

L’IA en santé française dépend des technologies américaines

Aujourd’hui, aucune liste publique ne précise quels établissements ont reçu quels montants, pour quels projets et avec quels fournisseurs. Pourtant, dans la plupart des projets de ce type, les briques critiques viennent des États-Unis.

En effet, la reconnaissance vocale repose souvent sur Whisper d’OpenAI². De même, l’analyse du texte s’appuie sur GPT-4, Claude ou des modèles équivalents, tandis que l’hébergement passe par AWS ou Azure. Aucun de ces composants n’est européen, et les hôpitaux ne peuvent en auditer aucun.

De plus, nos propres audits le confirment. Sur une trentaine d’audits MedTech menés en 2025 pour Bpifrance et des acteurs privés, environ 80 % des failles de résilience venaient de dépendances non souveraines et non documentées.

Il ne s’agit donc pas d’un simple détail technique, mais d’un risque systémique. Par exemple, une hausse brutale des tarifs ou une décision géopolitique suffirait à bloquer des outils devenus essentiels dans les services de soins.

Les mêmes erreurs que le dispositif PECAN

Le dispositif PECAN devait accélérer le remboursement des innovations numériques. Il offre donc un bon point de comparaison³. Or, en 2024-2025, 56 % des dossiers ont été suspendus pour des raisons administratives. Par ailleurs, seulement 20 % environ ont obtenu une reconnaissance de progrès thérapeutique.

Les causes de ces échecs sont bien connues. D’abord, la preuve clinique reste insuffisante. Ensuite, les porteurs de projet ne démontrent pas le bénéfice pour l’organisation des soins. Enfin, des lacunes persistent sur la conformité, qu’il s’agisse des certificats, de l’hébergement HDS ou du marquage CE.

Malheureusement, l’AMI « IA aux Urgences » reproduit exactement ces faiblesses. On y retrouve la généralisation sans preuve solide, l’absence de modélisation organisationnelle et le flou sur la conformité.

Trop d’institutions, pas assez de coordination

En 2025, de nombreux organismes publient en même temps leurs propres recommandations sur l’IA en santé. C’est le cas de la HAS, de l’ANS⁴, de la CNIL⁵, de l’ANAP, des administrations centrales et des stratégies interministérielles.

Par conséquent, un hôpital qui veut bien faire doit lire, croiser et interpréter tous ces textes. Ce n’est qu’ensuite qu’il peut en tirer quelques décisions concrètes. Faute de coordination, la régulation devient du bruit, et le pilotage se transforme en exercice d’interprétation permanent.

De plus, l’AMI « IA aux Urgences » ne s’aligne clairement ni sur la HAS, qui évalue pourtant les innovations via PECAN, ni sur le règlement européen sur l’intelligence artificielle publié au Journal officiel de l’UE. Enfin, il ne prévoit aucun cadre public pour restituer les résultats.

Ce que font l’Allemagne et le Royaume-Uni

Allemagne : évaluer avant de payer

Outre-Rhin, le système DiGA repose sur un principe simple : le remboursement reste provisoire tant que l’outil n’a pas prouvé son bénéfice. Les éditeurs disposent ainsi de douze mois pour produire des preuves cliniques et organisationnelles indépendantes. S’ils échouent, ils perdent le remboursement. D’ailleurs, l’autorité allemande des médicaments publie la liste des applications admises dans son répertoire officiel des DiGA. Grâce à ce modèle, des acteurs industriels solides ont pu émerger et exporter.

Royaume-Uni : la rigueur du NICE

De son côté, le NICE, l’institut britannique d’évaluation en santé, juge chaque technologie selon son rapport coût-efficacité, mesuré en QALY⁶. Ses critères sont publics et ses études indépendantes. Certes, le cycle d’évaluation prend du temps. Néanmoins, il garantit que l’argent public finance des solutions qui améliorent vraiment la prise en charge.

Trois mesures pour une IA en santé souveraine

Pour sortir de cette impasse, la France peut agir sur trois leviers. Premièrement, elle doit conditionner tout financement public à la transparence sur les dépendances technologiques. Chaque projet devrait aussi présenter un plan crédible pour les maîtriser ou en changer.

Deuxièmement, l’audit de conformité et de résilience doit devenir un critère central d’éligibilité, et non une formalité de dernière minute. 

Troisièmement, les pouvoirs publics doivent publier tous les résultats des expérimentations qu’ils financent. Cela inclut les objectifs, les coûts réels, les résultats obtenus et la décision finale de généraliser ou d’abandonner.

Conclusion : passer du pilote à la filière industrielle

La France a les moyens, les talents et l’ambition. Toutefois, sans discipline industrielle, ses investissements ne produiront que des pilotes sans lendemain.

L’AMI « IA aux Urgences » résume bien ce système : des millions dépensés, des généralisations annoncées avant toute évaluation et une dépendance technologique mal maîtrisée. Le risque est donc clair. La filière française de l’IA en santé pourrait rester un laboratoire d’idées dont profiteront surtout les géants américains.

Pourtant, des solutions existent. Par exemple, la France pourrait suivre cinq indicateurs concrets : le chiffre d’affaires à l’export, le ratio entre subventions et ventes, les emplois industriels créés, la souveraineté des achats publics et le gain organisationnel. Avec ces repères, elle transformerait ses investissements en véritable leadership industriel.

Et votre organisation, où en est-elle ?

Vos projets sont-ils prêts à répondre aux exigences de conformité et de résilience ? Par ailleurs, comment mesurez-vous votre impact industriel, au-delà des subventions ? Enfin, avez-vous identifié vos dépendances technologiques critiques ?

Notes

1. Ministère de la Santé, Direction générale de l’offre de soins (DGOS) : sante.gouv.fr
2. OpenAI, présentation du modèle Whisper : openai.com
3. Haute Autorité de santé, dispositif PECAN : has-sante.fr
4. Agence du numérique en santé : esante.gouv.fr
5. CNIL, recommandations sur l’IA : cnil.fr
6. Wikipédia, définition du QALY : fr.wikipedia.org

Liens ancrés dans le texte : règlement européen sur l’IA (EUR-Lex), répertoire DiGA du BfArM, NICE.