Quand l’IA répond, qu’apprennent les soignants ?

👉 Consulter le livre blanc « Quand l’IA répond, qu’apprennent les soignants ? »

Skilling, deskilling, never-skilling : les compétences de santé à l’épreuve de l’assistance

Une analyse pour les professionnels de santé, les enseignants et les décideurs. Corpus arrêté au 5 octobre 2026. Un outil propose le diagnostic, rédige le compte rendu, rappelle les interactions médicamenteuses et suggère la conduite à tenir. Le professionnel obtient une réponse plus vite. Parfois, une meilleure réponse. Mais une autre question reste ouverte : après plusieurs mois d’utilisation, saura-t-il mieux reconnaître une situation inhabituelle, expliquer sa décision et reprendre la main lorsque l’outil se trompe ? Imaginons une interne qui reçoit immédiatement une hypothèse diagnostique cohérente. Elle la lit, comprend l’explication et valide la proposition. A-t-elle appris à construire le raisonnement, à reconnaître une explication convaincante ou à suivre une réponse ? Ces apprentissages se ressemblent à l’écran. Ils ne préparent pas nécessairement à la même autonomie. Cette scène est hypothétique. Le problème qu’elle pose traverse désormais la littérature sur l’éducation médicale et la collaboration entre professionnels et IA. IAtus interroge l’écart entre une performance assistée et une compétence construite. IAtrogénique regarde les effets indésirables possibles d’un outil destiné à aider : dépendance, perte de pratique, apprentissage erroné ou supervision devenue purement formelle. L’enjeu concerne la sécurité du soin, la formation des nouvelles générations et la capacité des établissements à rester opérationnels lorsqu’une assistance devient indisponible ou inadaptée.

1. Quatre trajectoires de compétence, pas un seul effet de l’IA

Le vocabulaire mérite d’être clarifié avant de discuter les résultats. Le terme « non-skilling » peut servir de formulation générale. Never-skilling désigne plus précisément le risque de ne jamais construire un socle attendu. Il se distingue d’un reskilling, qui consiste à se former à un rôle différent, et d’un changement du contenu du métier qui peut rendre certaines compétences moins centrales. La Perspective de Ke et ses collègues, publiée dans Nature Medicine en mai 2026, formalise la distinction entre never-skilling, deskilling et mis-skilling. Les auteurs précisent que les preuves directes du never-skilling en formation médicale manquent encore ; leur alerte repose sur les théories de l’apprentissage et des signaux expérimentaux hors médecine. [1] Cette prudence donne une direction à la recherche : observer ce que les apprenants savent faire sans assistance, puis ce qu’ils conservent et transfèrent. Elle interdit de transformer un risque plausible en diagnostic collectif sur une génération de soignants. La revue de Natali et ses collègues examine, elle, les vulnérabilités possibles de l’examen clinique, du diagnostic différentiel, du jugement et de la communication. Elle associe analyse systématique et synthèse narrative et appelle à des études longitudinales. Une cartographie des risques fournit des hypothèses à tester ; elle ne mesure pas leur fréquence dans l’ensemble des métiers de santé. [2] Les quatre trajectoires peuvent coexister. Un pharmacien peut améliorer sa capacité à comparer des sources tout en sollicitant moins sa mémoire sur certaines interactions. Un interne peut progresser dans l’identification des limites d’un modèle et moins pratiquer la rédaction initiale de ses hypothèses. L’unité pertinente est souvent la tâche et la compétence concernée, avant le métier pris dans son ensemble.

2. La performance du binôme ne dit pas ce que l’humain a appris

Un résultat correct peut venir du professionnel, de l’outil ou de leur interaction. Une évaluation du résultat final doit donc être complétée par une évaluation de l’autonomie. En 2024, l’essai randomisé de Goh et ses collègues, publié dans JAMA Network Open, répartit 50 médecins entre accès à GPT-4 et ressources conventionnelles. L’accès au chatbot n’améliore pas significativement le raisonnement diagnostique sur les cas testés, malgré de meilleures performances du modèle évalué seul. [4] L’étude montre que l’accès à un modèle performant ne garantit pas une collaboration performante. Elle ne permet pas de conclure que les médecins ont perdu une compétence : elle mesure une performance pendant une session. Une autre étude, publiée dans Nature Medicine en 2025, apporte un résultat différent sur une autre tâche. 92 médecins sont randomisés pour résoudre des vignettes portant sur la prise en charge. L’assistance de GPT-4 augmente le score moyen de 6,5 points sur une échelle de 0 à 100 ; les participants assistés consacrent aussi, en moyenne, 119,3 secondes supplémentaires par cas. [5] Le bénéfice concerne ici un score de raisonnement en simulation, avec un coût temporel mesuré. Son transfert au soin réel et à la compétence durable reste à établir. Une correction éditoriale associée à la publication est signalée dans la bibliographie. Ces résultats peuvent coexister. Les questions, les tâches, les critères et les usages de l’outil diffèrent. Il serait trompeur d’en tirer une conclusion uniforme sur « les médecins et l’IA ». Le premier choix d’évaluation consiste à préciser ce qu’on veut améliorer : la réponse du jour, l’apprentissage de demain ou les deux.

3. Deskilling : le signal concret de l’endoscopie

L’étude de Budzyń et ses collègues, publiée en 2025 dans The Lancet Gastroenterology & Hepatology, examine des coloscopies réalisées sans IA, avant et après l’introduction de l’assistance dans quatre centres polonais. Cette analyse est observationnelle et rétrospective. [3] La différence est de −6,0 points de pourcentage, avec un intervalle de confiance à 95 % de −10,5 à −1,6. L’intérêt de l’étude tient à la mesure de performance sans assistance après exposition à l’outil. Le taux de détection n’est toutefois ni la proportion d’adénomes manqués ni une mesure directe de cancers supplémentaires. Le protocole expose aussi à des facteurs de confusion. Le résultat constitue un signal de dépendance ou de modification du comportement à investiguer, sans établir une perte irréversible de compétence.

4. Biais d’automatisation : une erreur immédiate n’est pas une compétence perdue

Le biais d’automatisation décrit la tendance à accorder une place excessive à une proposition automatisée. Une personne compétente peut modifier une bonne décision après avoir lu une mauvaise recommandation. Cela peut se produire sans que son savoir ait durablement diminué. Dans une étude randomisée sur vignettes publiée dans JAMA, 457 cliniciens ont été randomisés et ont complété au moins une vignette. Une IA standard accompagnée d’explications augmente l’exactitude diagnostique de 4,4 points par rapport au niveau initial. Des prédictions systématiquement biaisées, sans explication, la réduisent de 11,3 points. Les explications testées ne corrigent pas significativement l’effet défavorable des prédictions biaisées. [6] Le résultat porte sur des cas d’insuffisance respiratoire et des explications fondées sur les images. Il invite à tester la capacité de contestation ; il ne démontre pas que toute explication est inutile. En mammographie, une expérience auprès de 27 radiologues utilise des suggestions présentées comme provenant d’une IA, dont certaines sont volontairement incorrectes. Des lecteurs de plusieurs niveaux d’expérience sont influencés ; les moins expérimentés sont davantage sensibles à certaines erreurs. [7] Une autre étude de Nature Medicine, portant sur 140 radiologues et 15 tâches, montre des effets hétérogènes de l’assistance. L’ancienneté, la spécialisation et l’expérience déclarée avec l’IA prédisent mal les bénéfices individuels. [8] Une formation utile peut placer le professionnel devant des propositions correctes, incomplètes et erronées, puis observer ses décisions. Une épreuve où le modèle a toujours raison teste surtout la capacité à exploiter l’aide. Elle teste peu la capacité à lui résister.

5. Never-skilling : supprimer l’effort peut supprimer une occasion d’apprendre

Pour un expert, une tâche routinière peut être une charge à alléger. Pour un étudiant, la même tâche peut constituer une occasion de construire des repères. Chercher les informations importantes, hiérarchiser les hypothèses, confronter des données discordantes et expliquer un choix sont des activités de formation. Si une réponse complète arrive avant ce travail, il faut vérifier que l’apprenant produit encore ces opérations. L’expérience de Bastani et ses collègues, publiée dans PNAS en 2025, illustre ce problème hors santé. Près de 1 000 lycéens en mathématiques utilisent soit une interface GPT-4 peu contrainte, soit un tuteur conçu avec des garde-fous pédagogiques, soit les ressources du groupe contrôle. L’assistance améliore les résultats pendant les exercices. Une fois l’outil retiré, le groupe utilisant l’interface peu contrainte obtient des notes inférieures de 17 % à celles du contrôle. Cette baisse est largement neutralisée dans le groupe tuteur, sans gain positif établi à l’examen. [9] Cette baisse relative de notes ne concerne pas des cliniciens. L’expérience montre surtout que le design pédagogique de l’assistance peut modifier l’apprentissage. Elle donne une hypothèse à tester en santé, avec les critères et contraintes de la formation clinique. Une piste consiste à demander une première analyse avant l’intervention du tuteur : quels éléments comptent, quelles hypothèses sont envisagées, quelle information manque ? L’IA intervient ensuite pour questionner, proposer un contre-exemple ou demander une justification. L’effort à préserver doit être choisi. Recopier longuement des données n’a pas la même valeur pédagogique que repérer une incompatibilité entre une prescription et le contexte clinique.

6. Mis-skilling : une réponse comprise peut devenir une erreur apprise

Le danger pédagogique d’une réponse fausse dépasse la décision du moment. Une explication plausible peut devenir un repère réutilisé dans d’autres situations. Exemple hypothétique : une étudiante apprend auprès d’un chatbot une règle simplifiée sur une interaction médicamenteuse. Le modèle omet les conditions qui rendent cette règle applicable. Elle retient la proposition et la reproduit plusieurs semaines plus tard, sans consulter le chatbot. Le contrôle de la première réponse et l’évaluation de la connaissance acquise répondent ici à deux besoins distincts. Pour repérer un mis-skilling, il faut examiner ce que l’apprenant explique ou applique ensuite, notamment sur un cas différent. [1] Nous proposons trois questions pédagogiques : Quelle information l’IA a-t-elle apportée ? Sur quelle source et dans quelles conditions peut-on la retenir ? Dans quelle situation proche deviendrait-elle fausse ou insuffisante ? • Quelle information l’IA a-t-elle apportée ? • Sur quelle source et dans quelles conditions peut-on la retenir ? • Dans quelle situation proche deviendrait-elle fausse ou insuffisante ? La troisième question vérifie la compréhension des frontières d’une règle. Elle est particulièrement utile lorsque l’outil formule une réponse générale et que le soin impose une décision contextualisée.

7. Skilling : l’IA peut former, à condition de mesurer ce qui reste

Le corpus comporte aussi des résultats encourageants et des résultats neutres. Une analyse équilibrée doit leur donner la même attention méthodologique. En pharmacie, Ali et ses collègues évaluent une préparation aux examens cliniques structurés avec des outils génératifs et du feedback. Après quatre semaines, 88 étudiants participent à l’examen, soit 44 par groupe. Les scores moyens sont de 12,98 contre 13,54 sur 30, sans différence significative ; aucune différence significative n’apparaît non plus sur l’anxiété mesurée. [10] Ce résultat ne démontre pas une équivalence générale. Il montre que cette intervention, dans ce contexte, n’a pas apporté de bénéfice détectable sur les critères étudiés. En formation infirmière, la revue systématique de Go et Lee, publiée en 2026, inclut sept études, dont cinq rapportent des améliorations significatives de résultats cognitifs et affectifs. Les effets à long terme et au niveau organisationnel restent peu évalués. [11] Ces travaux soutiennent l’exploration des tuteurs et agents conversationnels. Ils invitent à séparer la confiance, la satisfaction, les connaissances, le raisonnement et le changement effectif de pratique. La revue sur le cognitive offloading de Risko et Gilbert rappelle que l’externalisation d’une partie du traitement cognitif est un objet ancien de recherche. Elle décrit ses mécanismes et ses conséquences possibles, sans établir que déléguer une opération conduit nécessairement à une perte de compétence. [12] Les cas peuvent varier, les erreurs être discutées et les justifications comparées. L’autonomie se vérifie ensuite sur une tâche nouvelle, avec des critères annoncés à l’avance.

8. Mesurer six dimensions plutôt qu’un score unique

Nous proposons une grille commune pour lire les études et évaluer les dispositifs de formation. Cette grille est une proposition éditoriale, pas un instrument psychométrique validé. Un bon protocole doit préciser le niveau initial, les outils autorisés, le contenu de la formation et les conditions des tests. Il doit aussi considérer les écarts entre individus : un gain moyen peut masquer un bénéfice chez certains et une difficulté chez d’autres. Pour comparer dans le temps, les tests doivent éviter de confondre mémoire du cas et transfert du raisonnement. La supervision se juge aussi sur des comportements : demander une donnée manquante, consulter une autre source, suspendre la décision ou solliciter un collègue.

9. Former à l’IA dépasse largement la rédaction de prompts

Une requête bien formulée peut améliorer la réponse. Elle ne suffit pas à établir que l’outil convient à la tâche, que ses données sont adaptées ou que son résultat peut être utilisé pour ce patient. Dans une revue de portée publiée en 2022, Garvey et ses collègues identifient 3 476 références, mais seulement quatre études répondant à leurs critères sur les compétences des cliniciens utilisant l’IA. Le périmètre était limité aux études américaines et à une recherche arrêtée en mai 2020. [13] Ce constat historique montre combien la mesure des compétences humaines pouvait rester marginale face à l’évaluation des outils. Il ne décrit pas, à lui seul, le volume actuel de recherche. Le travail de Russell et ses collègues dans Academic Medicine propose six domaines et 25 sous-compétences : fondamentaux de l’IA, dimensions sociales et éthiques, rencontre clinique, évaluation des outils, organisation du travail et amélioration continue. Il s’agit d’un cadre élaboré à partir d’entretiens d’experts. [14] La revue systématique de Schuitmaker et ses collègues, publiée en 2025, rassemble 58 articles et relie compétences, relation de soin et responsabilités. Elle souligne aussi les incertitudes sur le temps nécessaire à la vérification et sur le « temps rendu » par l’IA. [15] Le groupe international auteur du cadre publié en septembre 2026 dans npj Digital Medicine apporte un complément récent pour structurer l’éducation à l’IA. Ce document formule des recommandations ; il faut en distinguer l’adoption pédagogique et l’efficacité mesurée. [26] Pour la pratique, nous retenons trois familles de compétences à articuler : Compétences du soin : recueillir les informations, raisonner, agir, communiquer et reconnaître ses limites. Compétences de supervision : identifier le domaine d’usage, contrôler les informations décisives, repérer une erreur et savoir interrompre l’assistance. Compétences collectives : définir les responsabilités, assurer la traçabilité, organiser la formation et réexaminer les usages après un incident ou une évolution de l’outil. • Compétences du soin : recueillir les informations, raisonner, agir, communiquer et reconnaître ses limites. • Compétences de supervision : identifier le domaine d’usage, contrôler les informations décisives, repérer une erreur et savoir interrompre l’assistance. • Compétences collectives : définir les responsabilités, assurer la traçabilité, organiser la formation et réexaminer les usages après un incident ou une évolution de l’outil. Une formation peut vérifier chacune avec des situations observables. La familiarité avec une interface reste un prérequis pratique ; la supervision clinique demande davantage. Les situations ci-dessous sont des exemples pédagogiques proposés, et non des résultats d’études :

10. L’IA agentique ajoute la supervision des actions

Un système qui fournit du texte et un système autorisé à exécuter une tâche demandent des contrôles différents. Le cadre From Agents to Governance, publié dans le Journal of Medical Internet Research en 2026, traite de cette évolution et propose une progression des compétences jusqu’à la gouvernance. Les enjeux concernent notamment le périmètre des permissions, le contexte du patient et la possibilité d’interrompre l’agent. [27] Exemple hypothétique : un agent prépare un document dans le dossier patient. Le professionnel doit comprendre ce qui a été produit, dans quel dossier, à partir de quelles informations et avec quel statut de validation. Si l’agent peut ensuite déclencher une action, le point de contrôle doit être placé avant l’étape ayant des conséquences. Notre recommandation est de former à la chaîne complète : entrée, interprétation, production, validation, action et correction. Un contrôle du texte final peut manquer une erreur de dossier, de permission ou de séquence.

11. Les compétences sont aussi une responsabilité d’organisation

Dire au professionnel de vérifier est utile seulement si l’organisation lui donne les informations, les moyens et le temps nécessaires. Le rapport OMS de juin 2026 sur les référentiels de compétences numériques cartographie notamment les dimensions de soin, de données, de communication, de maîtrise technique et de professionnalisme. Il montre l’intérêt d’adapter les référentiels aux contextes professionnels et éducatifs. [16] L’Observatoire européen souligne en 2025 les besoins de formation encore insuffisamment couverts, notamment dans les domaines avancés comme l’IA, ainsi que les difficultés d’accès liées aux professions et à la langue. [17] L’analyse de Manca et Eslava pour l’OCDE examine près de 55,5 millions d’offres d’emploi en ligne, au Canada, au Royaume-Uni et aux États-Unis, entre 2018 et 2023. Ce corpus sert à étudier la demande de compétences numériques et d’IA dans les professions de santé. Le nombre d’annonces ne correspond pas à un décompte de professionnels ou d’emplois uniques. La demande employeur ne mesure pas non plus la compétence réelle des équipes. [18] Le rapport OCDE de 2024 sur les professionnels de santé replace les changements de rôles et de compétences dans les tensions du système. Celui de 2026 sur le passage à l’échelle articule formation, gouvernance, suivi et déploiement. [19–20] L’évaluation OMS de la préparation des systèmes européens traite également de la préparation des effectifs, à partir de l’enquête 2024–2025. [21] Une proposition de JAMIA Open souligne dès 2023 la nécessité d’organisations capables d’évaluer et de maintenir leurs outils, avec des routines et des ressources adaptées. [29] Pour un établissement, la compétence de supervision doit avoir un propriétaire opérationnel : qui forme, qui évalue, qui suit les difficultés et qui peut modifier l’organisation ? Elle ne peut reposer exclusivement sur une vigilance individuelle supposée disponible à toute heure.

12. En France : un socle numérique et une exigence de bon usage

L’arrêté du 10 novembre 2022, applicable aux étudiants entrant en formation à compter de la rentrée 2024, organise le socle numérique en cinq domaines : données de santé, cybersécurité, communication, outils numériques et télésanté. [23] Ce socle permet de situer les formations à l’IA dans une culture plus large de la santé numérique. Les savoirs de supervision propres à une tâche clinique doivent ensuite être explicités et évalués. Le guide de la HAS Premières clefs d’usage de l’IA générative en santé, publié en octobre 2025, propose A.V.E.C. : Apprendre, Vérifier, Estimer, Communiquer. Sa page a été actualisée en avril 2026. [22] Cette orientation peut être traduite en exercices : expliquer l’usage prévu, vérifier une donnée décisive, comparer la qualité de plusieurs sorties et partager une difficulté de manière traçable. Pour former, il faut passer d’une consigne générale à un comportement que l’on peut observer. Une attestation de formation renseigne sur un parcours suivi. Une épreuve en situation renseigne sur la capacité à mobiliser ce parcours. Les établissements ont intérêt à conserver les deux informations.

13. Leçon de l’aviation : organiser la reprise en main

La Perspective Flight rules for clinical AI, publiée en 2026 par des cliniciens et des spécialistes de sécurité aérienne, propose des principes transférables : suivi de la performance sans IA, développement du socle avant certaines formes d’assistance et entraînement à la reprise en main. Les auteurs soulignent que l’aviation fournit des principes, pas un modèle à copier intégralement. [25] Un scénario simulé peut faire apparaître un résultat incompatible avec les données, une source absente, une panne ou une situation hors domaine. L’équipe doit alors détecter le problème, choisir une solution de repli et transmettre les informations utiles. L’objectif n’est pas de retirer une assistance bénéfique à des patients pour tester les soignants. Les exercices doivent être choisis et encadrés selon le risque : simulation, cas pédagogiques, audit de pratique ou environnement de test. La capacité attendue dépend aussi du métier. Un utilisateur n’a pas à devenir développeur du modèle. Il doit connaître les limites qui affectent son action et les relais disponibles lorsque le contrôle dépasse ses compétences.

14. Former autrement : une progression proposée

Abdulnour, Gin et Boscardin consacrent une revue du New England Journal of Medicine à la supervision de l’usage de l’IA en formation clinique. Elle propose un cadre pédagogique pour articuler apprentissage et assistance ; elle ne constitue pas un essai démontrant une stratégie universellement efficace. [24] À partir du corpus, nous proposons une progression en quatre temps : 1. Construire un socle observable. L’apprenant réalise les opérations fondamentales de la tâche avec un niveau d’aide adapté. Le formateur sait ce qu’il est capable de produire avant l’assistance générative. 2. Comparer et justifier. L’IA intervient après une première analyse. L’apprenant explique les différences, identifie les informations manquantes et vérifie les points qui modifient la décision. 3. Apprendre la contestation. Des erreurs contrôlées sont introduites en simulation. L’apprenant doit les reconnaître, argumenter et décider s’il corrige, suspend ou escalade. 4. Réévaluer l’autonomie. Un cas nouveau permet de tester acquisition, transfert et, à distance, rétention. La quantité d’assistance peut être adaptée aux résultats. Ces étapes doivent respecter les spécificités du geste, de la décision et du niveau de formation. Une fréquence identique de tests pour toutes les tâches serait peu pertinente. Le programme doit annoncer ce qu’il protège : savoir indispensable, capacité de supervision ou procédure de continuité.

15. La grille des six engagements pour un établissement

Cette grille est une recommandation éditoriale. Elle ne constitue ni une norme réglementaire ni une certification. Pour chaque engagement : contexte d’usage, outil et version, population concernée, preuve disponible, responsable nommé et prochaine réévaluation. Le projet devrait aussi observer la charge réelle : temps de contrôle, difficultés de correction, accès aux sources et sollicitations des superviseurs. Un dispositif peut produire de bons résultats tout en restant difficile à maintenir avec les moyens du service.

16. Ce qu’il faut désormais demander à la recherche

Les prochaines études devraient mesurer ensemble la qualité du résultat et l’évolution des capacités humaines. Nous proposons cinq priorités. Suivre des cohortes dans le temps. Mesurer le socle initial, l’exposition et les performances autonomes à plusieurs échéances permettra de distinguer fluctuations immédiates et érosion persistante. Comparer les formes d’assistance. Donner une réponse, demander une justification et apporter un feedback après une première tentative correspondent à des interventions différentes. Tester le transfert. Une connaissance durable doit pouvoir être mobilisée lorsque la présentation, le contexte ou les données changent. Inclure plusieurs professions et environnements. Les résultats d’étudiants ou de spécialistes en simulation doivent être examinés avant extrapolation aux pharmaciens, infirmiers, professionnels paramédicaux ou équipes de première ligne. Évaluer les conditions collectives. Temps, effectifs, interfaces, qualité des sources et disponibilité des superviseurs peuvent déterminer si les compétences sont réellement mobilisables. Une politique de formation à l’IA devrait annoncer le type de professionnel qu’elle veut rendre possible : capable d’utiliser une aide, de comprendre ce qui fonde sa décision, de reconnaître une limite et d’agir lorsque l’assistance ne suffit plus. Il faut aussi rendre ces exigences praticables. Former à la contestation sans autoriser la suspension d’un outil, demander une vérification sans accès aux sources ou attendre une reprise en main sans l’avoir exercée laisse les compétences attendues sur le papier. Pour IAtus, l’écart à surveiller est celui entre « j’obtiens une bonne réponse » et « je sais prendre une bonne décision ». Pour IAtrogénique, le risque apparaît lorsqu’un dispositif conçu pour soutenir le soin fragilise, à l’usage, la capacité de ceux qui doivent le superviser.

L’ambition est de construire une compétence qui bénéficie de l’IA et reste capable d’en juger les propositions. L’acquisition, le maintien et la supervision de cette compétence doivent devenir des résultats explicites des projets de santé numérique.

RETROUVEZ LE SUJET DEVELOPPE DANS UN FLIPBOOK DE 60 PAGES

Cliquez là

Références documentaires

Les références sont données avec leur statut. Un cadre d’experts ou un rapport de politique publique oriente l’action ; son existence ne démontre pas l’efficacité clinique ou pédagogique d’une mesure. Ke Y et al. AI-induced never-skilling in medical education. Nature Medicine, 2026;32:1997–2006. Perspective, publiée le 22 mai 2026. DOI 10.1038/s41591-026-04438-y. Résumé et notice consultés ; texte intégral sous accès restreint. Natali C, Marconi L, Dias Duran LD, Cabitza F. AI-induced Deskilling in Medicine: A Mixed-Method Review and Research Agenda for Healthcare and Beyond. Artificial Intelligence Review, 2025;58:356. Revue mixte. DOI 10.1007/s10462-025-11352-1. Budzyń K et al. Endoscopist deskilling risk after exposure to artificial intelligence in colonoscopy: a multicentre, observational study. Lancet Gastroenterology & Hepatology, 2025;10:896–903. Analyse observationnelle rétrospective. DOI 10.1016/S2468-1253(25)00133-5. Manuscrit accepté. Goh E et al. Large Language Model Influence on Diagnostic Reasoning: A Randomized Clinical Trial. JAMA Network Open, 2024;7:e2440969. Essai randomisé sur cas. DOI 10.1001/jamanetworkopen.2024.40969. Goh E et al. GPT-4 assistance for improvement of physician performance on patient care tasks: a randomized controlled trial. Nature Medicine, 2025;31:1233–1238. Essai sur vignettes. DOI 10.1038/s41591-024-03456-y. Résumé et figures décrites dans la notice consultés. Correction éditoriale associée : DOI 10.1038/s41591-025-03586-x ; contenu de la correction non examiné intégralement. Measuring the Impact of AI in the Diagnosis of Hospitalized Patients: A Randomized Clinical Vignette Survey Study. JAMA, 2023. Étude randomisée sur vignettes. Article original. Automation Bias in Mammography: The Impact of Artificial Intelligence BI-RADS Suggestions on Reader Performance. Radiology, 2023. Expérience de lecture. DOI 10.1148/radiol.222176. Heterogeneity and predictors of the effects of AI assistance on radiologists. Nature Medicine, 2024;30:837–849. Étude de performance assistée. DOI 10.1038/s41591-024-02850-w. Résumé et éléments de résultats consultés. Bastani H et al. Generative AI without guardrails can harm learning: Evidence from high school mathematics. PNAS, 2025;122:e2422633122. Expérience hors santé. DOI 10.1073/pnas.2422633122. Correction sur auteurs/affiliations : DOI 10.1073/pnas.2518204122. Ali M, Rehman S, Cheema E. Impact of artificial intelligence on the academic performance and test anxiety of pharmacy students in objective structured clinical examination: a randomized controlled trial. International Journal of Clinical Pharmacy, 2025;47:1034–1041. DOI 10.1007/s11096-025-01876-5. Résumé original consulté. Go J, Lee Y. The effectiveness of AI-based conversational agents in nursing education: A systematic review. Nurse Education in Practice, 2026;91:104728. DOI 10.1016/j.nepr.2026.104728. Résumé original consulté. Risko EF, Gilbert SJ. Cognitive Offloading. Trends in Cognitive Sciences, 2016;20:676–688. Revue théorique et empirique, hors champ spécifique des LLM. DOI 10.1016/j.tics.2016.07.002. Résumé consulté. Garvey KV et al. Considering Clinician Competencies for the Implementation of Artificial Intelligence-Based Tools in Health Care: Findings From a Scoping Review. JMIR Medical Informatics, 2022;10:e37478. DOI 10.2196/37478. Résumé original consulté. Russell RG et al. Competencies for the Use of Artificial Intelligence-Based Tools by Health Care Professionals. Academic Medicine, 2023;98:348–356. Étude qualitative et référentiel. DOI 10.1097/ACM.0000000000004963. Résumé et description du cadre consultés. Schuitmaker L, Drogt J, Benders M, Jongsma K. Physicians’ required competencies in AI-assisted clinical settings: a systematic review. British Medical Bulletin, 2025;153:ldae025. DOI 10.1093/bmb/ldae025. OMS. Competency frameworks and standards for digital health: a landscape analysis. 14 juin 2026, 41 pages. Rapport fondé sur une revue narrative. Notice officielle. Présentation officielle consultée. Observatoire européen des systèmes et des politiques de santé. Closing the digital skills gap in health care: Identifying core digital skills and competencies and education and training opportunities for health professionals in the European Union. 1er mai 2025. Présentation officielle. Manca F, Eslava D. Digital and AI skills in health occupations: What do we know about new demand? OCDE, Artificial Intelligence Papers no 36, 28 mai 2025. Document de travail, analyse d’offres d’emploi et de l’exposition des métiers. DOI 10.1787/5fbd42ab-en. Résumé et éléments du rapport consultés ; les opinions exprimées sont celles des auteurs. Almyranti M et al. Artificial Intelligence and the health workforce: Perspectives from medical associations on AI in health. OCDE, Artificial Intelligence Papers no 28, 20 novembre 2024. DOI 10.1787/9a31d8af-en. Résumé officiel consulté. OCDE. Scaling Artificial Intelligence in Health. 2026. Rapport de politique publique. DOI 10.1787/a436e12d-en. Présentation et synthèse officielles consultées. OMS Europe. Artificial intelligence is reshaping health systems: state of readiness across the European Union. 2026, 47 pages, WHO/EURO:2026-12707-52481-81471. Notice officielle. Présentation officielle consultée. HAS. Premières clefs d’usage de l’IA générative en santé. Octobre 2025 ; page mise à jour le 15 avril 2026. Guide de pratiques. Page officielle et documents. France. Arrêté du 10 novembre 2022 relatif à la formation socle au numérique en santé des étudiants en santé. Texte réglementaire. Légifrance. Abdulnour REE, Gin B, Boscardin CK. Educational Strategies for Clinical Supervision of Artificial Intelligence Use. New England Journal of Medicine, 2025;393:786–797. Revue pédagogique. DOI 10.1056/NEJMra2503232. Notice et présentation consultées ; texte intégral non accessible lors de cette recherche. Ong AY et al. Flight rules for clinical AI: lessons from aviation for human-AI collaboration in medicine. npj Digital Medicine, 2026;9:201. Perspective. DOI 10.1038/s41746-026-02410-1. Publication initiale indiquée au 31 janvier ; version of record au 5 mars 2026. A global framework for artificial intelligence education in medicine: international working group recommendations. npj Digital Medicine, septembre 2026. Recommandations d’un groupe international. DOI 10.1038/s41746-026-03197-x. Notice et présentation consultées ; détail du cadre non repris faute de lecture intégrale. From Agents to Governance: Essential AI Skills for Clinicians in the Large Language Model Era. Journal of Medical Internet Research, 2026;28:e86550. Cadre proposé. DOI 10.2196/86550. Résumé et passages accessibles consultés. Health Education England. The Topol Review: Preparing the healthcare workforce to deliver the digital future. Février 2019. Rapport historique de cadrage. Site officiel. Référence de contexte, sans données contemporaines sur les LLM. Clinical use of artificial intelligence requires AI-capable organizations. JAMIA Open, 2023;6:ooad028. Proposition organisationnelle. DOI 10.1093/jamiaopen/ooad028. • Ke Y et al. AI-induced never-skilling in medical education. Nature Medicine, 2026;32:1997–2006. Perspective, publiée le 22 mai 2026. DOI 10.1038/s41591-026-04438-y. Résumé et notice consultés ; texte intégral sous accès restreint. • Natali C, Marconi L, Dias Duran LD, Cabitza F. AI-induced Deskilling in Medicine: A Mixed-Method Review and Research Agenda for Healthcare and Beyond. Artificial Intelligence Review, 2025;58:356. Revue mixte. DOI 10.1007/s10462-025-11352-1. • Budzyń K et al. Endoscopist deskilling risk after exposure to artificial intelligence in colonoscopy: a multicentre, observational study. Lancet Gastroenterology & Hepatology, 2025;10:896–903. Analyse observationnelle rétrospective. DOI 10.1016/S2468-1253(25)00133-5. Manuscrit accepté. • Goh E et al. Large Language Model Influence on Diagnostic Reasoning: A Randomized Clinical Trial. JAMA Network Open, 2024;7:e2440969. Essai randomisé sur cas. DOI 10.1001/jamanetworkopen.2024.40969. • Goh E et al. GPT-4 assistance for improvement of physician performance on patient care tasks: a randomized controlled trial. Nature Medicine, 2025;31:1233–1238. Essai sur vignettes. DOI 10.1038/s41591-024-03456-y. Résumé et figures décrites dans la notice consultés. Correction éditoriale associée : DOI 10.1038/s41591-025-03586-x ; contenu de la correction non examiné intégralement. • Measuring the Impact of AI in the Diagnosis of Hospitalized Patients: A Randomized Clinical Vignette Survey Study. JAMA, 2023. Étude randomisée sur vignettes. Article original. • Automation Bias in Mammography: The Impact of Artificial Intelligence BI-RADS Suggestions on Reader Performance. Radiology, 2023. Expérience de lecture. DOI 10.1148/radiol.222176. • Heterogeneity and predictors of the effects of AI assistance on radiologists. Nature Medicine, 2024;30:837–849. Étude de performance assistée. DOI 10.1038/s41591-024-02850-w. Résumé et éléments de résultats consultés. • Bastani H et al. Generative AI without guardrails can harm learning: Evidence from high school mathematics. PNAS, 2025;122:e2422633122. Expérience hors santé. DOI 10.1073/pnas.2422633122. Correction sur auteurs/affiliations : DOI 10.1073/pnas.2518204122. • Ali M, Rehman S, Cheema E. Impact of artificial intelligence on the academic performance and test anxiety of pharmacy students in objective structured clinical examination: a randomized controlled trial. International Journal of Clinical Pharmacy, 2025;47:1034–1041. DOI 10.1007/s11096-025-01876-5. Résumé original consulté. • Go J, Lee Y. The effectiveness of AI-based conversational agents in nursing education: A systematic review. Nurse Education in Practice, 2026;91:104728. DOI 10.1016/j.nepr.2026.104728. Résumé original consulté. • Risko EF, Gilbert SJ. Cognitive Offloading. Trends in Cognitive Sciences, 2016;20:676–688. Revue théorique et empirique, hors champ spécifique des LLM. DOI 10.1016/j.tics.2016.07.002. Résumé consulté. • Garvey KV et al. Considering Clinician Competencies for the Implementation of Artificial Intelligence-Based Tools in Health Care: Findings From a Scoping Review. JMIR Medical Informatics, 2022;10:e37478. DOI 10.2196/37478. Résumé original consulté. • Russell RG et al. Competencies for the Use of Artificial Intelligence-Based Tools by Health Care Professionals. Academic Medicine, 2023;98:348–356. Étude qualitative et référentiel. DOI 10.1097/ACM.0000000000004963. Résumé et description du cadre consultés. • Schuitmaker L, Drogt J, Benders M, Jongsma K. Physicians’ required competencies in AI-assisted clinical settings: a systematic review. British Medical Bulletin, 2025;153:ldae025. DOI 10.1093/bmb/ldae025. • OMS. Competency frameworks and standards for digital health: a landscape analysis. 14 juin 2026, 41 pages. Rapport fondé sur une revue narrative. Notice officielle. Présentation officielle consultée. • Observatoire européen des systèmes et des politiques de santé. Closing the digital skills gap in health care: Identifying core digital skills and competencies and education and training opportunities for health professionals in the European Union. 1er mai 2025. Présentation officielle. • Manca F, Eslava D. Digital and AI skills in health occupations: What do we know about new demand? OCDE, Artificial Intelligence Papers no 36, 28 mai 2025. Document de travail, analyse d’offres d’emploi et de l’exposition des métiers. DOI 10.1787/5fbd42ab-en. Résumé et éléments du rapport consultés ; les opinions exprimées sont celles des auteurs. • Almyranti M et al. Artificial Intelligence and the health workforce: Perspectives from medical associations on AI in health. OCDE, Artificial Intelligence Papers no 28, 20 novembre 2024. DOI 10.1787/9a31d8af-en. Résumé officiel consulté. • OCDE. Scaling Artificial Intelligence in Health. 2026. Rapport de politique publique. DOI 10.1787/a436e12d-en. Présentation et synthèse officielles consultées. • OMS Europe. Artificial intelligence is reshaping health systems: state of readiness across the European Union. 2026, 47 pages, WHO/EURO:2026-12707-52481-81471. Notice officielle. Présentation officielle consultée. • HAS. Premières clefs d’usage de l’IA générative en santé. Octobre 2025 ; page mise à jour le 15 avril 2026. Guide de pratiques. Page officielle et documents. • France. Arrêté du 10 novembre 2022 relatif à la formation socle au numérique en santé des étudiants en santé. Texte réglementaire. Légifrance. • Abdulnour REE, Gin B, Boscardin CK. Educational Strategies for Clinical Supervision of Artificial Intelligence Use. New England Journal of Medicine, 2025;393:786–797. Revue pédagogique. DOI 10.1056/NEJMra2503232. Notice et présentation consultées ; texte intégral non accessible lors de cette recherche. • Ong AY et al. Flight rules for clinical AI: lessons from aviation for human-AI collaboration in medicine. npj Digital Medicine, 2026;9:201. Perspective. DOI 10.1038/s41746-026-02410-1. Publication initiale indiquée au 31 janvier ; version of record au 5 mars 2026. • A global framework for artificial intelligence education in medicine: international working group recommendations. npj Digital Medicine, septembre 2026. Recommandations d’un groupe international. DOI 10.1038/s41746-026-03197-x. Notice et présentation consultées ; détail du cadre non repris faute de lecture intégrale. • From Agents to Governance: Essential AI Skills for Clinicians in the Large Language Model Era. Journal of Medical Internet Research, 2026;28:e86550. Cadre proposé. DOI 10.2196/86550. Résumé et passages accessibles consultés. • Health Education England. The Topol Review: Preparing the healthcare workforce to deliver the digital future. Février 2019. Rapport historique de cadrage. Site officiel. Référence de contexte, sans données contemporaines sur les LLM. • Clinical use of artificial intelligence requires AI-capable organizations. JAMIA Open, 2023;6:ooad028. Proposition organisationnelle. DOI 10.1093/jamiaopen/ooad028. Origine de la veille : collection Raindrop de Pharmageek « JOB TALENT SKILLS », notamment « DESKILLING LEARNING », « IA HEALTH WORKFORCE » et « PROMPT SKILLS », complétée par une recherche web de sources scientifiques et institutionnelles. Le dossier documentaire associé conserve les liens repérés, les doublons identifiés et les publications réservées pour approfondissement. Lemarcis de Decker Laure Antoine Hamel Béatrice COCHENER-LAMARD Carole Planes Cédric Annweiler Denis Angoulvant Fabrice Muscari Florence Le Jeune Georges LEONETTI Gilbert Massard Gilles Rode Isabelle Laffont Jean Dellamonica David Dellamonica Antoine Tesniere Marc Maynadié marie-france SERONDE Marie-Laure Charkaluk Matthieu Resche-Rigon Olivier Palombi Pierre Wolkenstein Pierre-Michel Llorca Sabine Sarnacki Remi SABATIER Barbara Mathian Patrick Callier Fabrice DENIS Stéphane ZUILY Vincent Deramecourt bertrand courtioux Christiane Forestier Claude Dussart Daniel Cussac David Balayssac Delphine Carbonnelle Denis Sarrouilhe Esther Kellenberger JANOIR Claire Jean-Louis Beaudeux Jean-Marc Chillon Jean-François Bergmann Lhassane Ismaili Jean-Paul Borg loic Favennec marc Pallardy Nicolas SEVENET Pascal Odou Pascale Schumann-Bard Raphaël E. Duval Richard Le Naour Vincent Montet vincent lisowski Walid R. Alexis Astruc, MD, MPH Annie CHICOYE Aymery Constant Bénédicte BOYER BEVIERE Claire BOURSIER Clémence Thébaut David Communal EL MEHDI KAIL, Ph.D Florian Bernard Hicham BOUHLAL Jean-Bernard Mabire Julie Devictor Marc Bronsztajn Mohsen KERKENI Pierre Troisfontaines Stephane Rican Stéphane Sanchez Thomas DAVERGNE Valerie Kokoszka Vincent Rialle Adrien UGON Ahed ALBOODY Akram Redjdal Alex HAMARD, PhD Ali Reza Jalali Anna Niarakis Antoine Courmont Anuradha Kar Atanas G. Atanasov Aurélie GIRARD Benjamin Monnery Bernard Srour, PharmD, PhD, HDR Caroline Mascret cecile le gal fontes Cédric DENIS-REMIS Charles Antoine Christophe Antoine Christophe Bisson, Ph.D. Christophe Martin Claire de Bisschop Cynthia Fleury-Perkins Daniel Céfaï Dominique Crié Dominique Desjeux Dr Guillaume KREUTTER Elad Yom-Tov Francis LeBlanc Francisco Serra Franck Mouthon François Lhoste Frederic Bizard gerald bronner Gérald Kierzek, MD, PhD, MPH Fabien GUEZ Gurvan Hermange Hayfa ZGAYA-BIAU Henri Bergeron Henri ISAAC Henrique Martins Laurent Bosquet Lina Williatte Lonni Besançon Ludivine ADLA Lydia Morlet-Haïdara Magali Vivier Manel Laroum Marc Cavazza Marie-Eve Laporte Marion Trousselard Marius Bertolucci Mathieu Guerriaud Maurice-Pierre PLANEL Alaedine Slimani Alban Marteau Alexandre Mons Alexandre Salzmann Angélica Cavalcante Galvão Anne Bertaud Audrey Spica Jean-Christophe Zerbini ♦️David PETAUTON♦️ Céline Griener Elsa CREAC'H Jean-Baptiste Lapeyrie Jean-Christophe TURBATTE , PhD Jean-François BAUMANN Jérôme Wojciekowski Joana U. Julie MESSIER Julien PLAGNES Laurent JOUBERT Line Choquet Yann-Mael Le Douarin Mael Priour Manon Rocroy Margaux BUGUET Mehdi ZINE Nathaëlle Renaud Nathalie Baudiniere Nelsa LOURO Nicolas BILLAUDÉ Nicolas Riss Nolwenn François Olivier Joviado Pierre-Emmanuel Monnet Thierry Dart William Azis Yohann Poiron Thomas Fatôme Viviane Bost Yves-Marie Lagron Christian SAOUT Corinne Collignon Estelle Piotto Aymeric Perchant Baptiste Pluvinage Benoit Houzé Camille Oms Carine QUINOT Claire Vigier David Sainati Dr.Jacques LUCAS emmanuel clout Giovanna Marsico Lise ALTER Louisa Stüwe Louise Pihouée Manon Egnell, PhD Stephanie RIST Stephanie Schramm Stéphane MULLIEZ Alexandre Vallée Carine Wolf-Thal l Caroline GERAIN Cecile Botti-Lugand Colin Battisti Pierrick BEDOUCH PASCAL STACCINI Benoit Lequeux David Smadja Emmanuel Andrès François-Xavier CORBIN Vincent Thomas Vincent Vuiblet Xavier Apolinarski