IA : les essais cliniques et le cinéma à l’heure de l’accélération

L’intelligence artificielle ne transforme pas les entreprises par un seul grand basculement, mais par une succession de tâches accélérées, affinées ou automatisées. Deux univers illustrent particulièrement ce mouvement au 17 janvier 2025 : la recherche clinique, où quelques mois gagnés peuvent compter pour la mise au point d’un traitement, et le cinéma, où les outils numériques peuvent alléger une partie du travail de postproduction. Dans les deux cas, la promesse est la même : mieux tirer parti de volumes considérables de données. Les responsabilités, elles, restent profondément différentes.

L’IA ne remplace ni l’évaluation médicale d’un médicament ni le jugement artistique d’un film. Elle fournit plutôt des outils de prédiction, de classement, de génération ou d’analyse. Son intérêt dépend donc autant de la qualité des données disponibles que de la manière dont les professionnels encadrent ses résultats.

Dans un essai clinique, où l’IA peut-elle réellement aider ?

Un essai clinique sert à évaluer un traitement chez l’être humain, selon un protocole défini à l’avance. Il faut notamment recruter des participants qui répondent à des critères précis, recueillir les données de façon fiable, surveiller les effets indésirables et analyser les résultats. Ce parcours s’étend traditionnellement sur plusieurs années, depuis les premières phases chez des volontaires jusqu’aux études plus larges destinées à confirmer l’efficacité et la sécurité d’un produit.

C’est dans cette chaîne complexe que l’IA peut intervenir. Des modèles informatiques peuvent parcourir de grandes quantités de données structurées ou de textes médicaux afin de repérer des profils correspondant aux critères d’inclusion d’une étude. Ils peuvent aussi aider les équipes à explorer les liens entre une molécule, une cible biologique et une maladie, ou à détecter plus tôt des incohérences dans les données collectées pendant le suivi des participants.

Le gain attendu n’est pas de contourner les étapes de vérification. Il consiste à réduire le temps consacré à des opérations répétitives et à mieux orienter les ressources vers les pistes les plus crédibles. Un algorithme peut, par exemple, signaler qu’un centre de recherche recrute moins vite que prévu, qu’un critère du protocole exclut trop de patients potentiels ou qu’un jeu de données mérite une revue humaine approfondie.

Du recrutement des patients à la découverte de médicaments

La sélection des participants est l’un des points les plus délicats. Une étude peut être ralentie lorsque les critères sont trop restrictifs, lorsque les malades concernés sont difficiles à identifier ou lorsque les centres investigateurs manquent de visibilité sur les personnes potentiellement éligibles. L’IA peut assister ce travail en analysant des données de santé, à condition que leur emploi soit autorisé, sécurisé et compréhensible pour les personnes concernées.

Elle est également mobilisée avant le début des essais, lors de la découverte de médicaments. Dans ce domaine, l’objectif est notamment de repérer parmi un très grand nombre de molécules celles qui ont le plus de chances d’agir sur une cible biologique donnée. Les modèles peuvent aider à prioriser les composés à synthétiser et à tester, ou à anticiper certaines propriétés utiles. Ils ne font toutefois pas disparaître la nécessité des expériences en laboratoire, puis des essais sur l’être humain.

Les analyses citées dans le secteur indiquent qu’environ 75 médicaments générés par IA ont été introduits dans des essais cliniques depuis 2015. Ce chiffre témoigne d’un changement d’échelle : l’IA ne se limite plus à des démonstrations de laboratoire. Il ne signifie pas pour autant que ces traitements sont tous efficaces, sûrs ou proches d’une commercialisation. Entrer en essai clinique constitue une étape importante, mais les échecs restent fréquents dans le développement pharmaceutique.

Cette nuance est essentielle pour comprendre la promesse économique de la technologie. Réduire le nombre de pistes peu convaincantes testées trop longtemps pourrait faire baisser certains coûts et raccourcir certains délais. Mais un modèle peut aussi reproduire les faiblesses des données sur lesquelles il a été entraîné. Si certaines populations sont insuffisamment représentées dans les données historiques, les prédictions risquent d’être moins pertinentes pour elles.

Pourquoi l’IA ne peut pas décider seule d’un traitement

L’IA excelle à établir des corrélations, à classer des informations et à produire des prédictions à partir d’exemples. Or, en médecine, une corrélation ne suffit pas à prouver qu’un traitement est bénéfique. Les chercheurs doivent notamment distinguer un signal prometteur d’un effet dû au hasard, vérifier le rapport entre bénéfices et risques, et établir que les résultats peuvent être reproduits.

L’enjeu porte aussi sur l’explicabilité. Lorsqu’un outil influence le recrutement d’un patient, l’interprétation de résultats ou la surveillance d’un risque, les équipes doivent pouvoir comprendre son rôle, contrôler ses performances et corriger ses erreurs. La décision clinique demeure celle des médecins et des investigateurs, tandis que l’autorisation d’un médicament relève des autorités sanitaires.

Il faut enfin protéger des informations particulièrement sensibles : antécédents médicaux, résultats biologiques, données génétiques, parfois données issues d’objets connectés. Le recours à l’IA ne dispense donc ni de la minimisation des données utilisées ni de mesures de sécurité adaptées. La vitesse ne peut être un argument pour abaisser les garanties accordées aux participants.

Au cinéma, des scénarios aux effets visuels

Dans l’industrie cinématographique, l’IA intervient à plusieurs moments, mais avec une finalité différente. Les studios peuvent analyser des données sur les films précédents, les habitudes de visionnage ou des caractéristiques de scénarios afin d’estimer l’intérêt potentiel d’un projet pour certains publics. Ces outils peuvent contribuer à éclairer des choix de production ou de marketing, notamment en aidant à répartir les dépenses publicitaires selon les profils de spectateurs visés.

Cette analyse ne prédit cependant pas avec certitude le succès d’une œuvre. Un film dépend de nombreux facteurs difficiles à réduire à des données : l’interprétation des acteurs, la mise en scène, le bouche-à-oreille, le contexte de sortie ou la réception critique. Un algorithme peut dégager des tendances dans le passé, pas garantir l’émotion ou la portée culturelle d’un récit à venir.

Les effets visuels constituent un terrain d’adoption plus direct. L’apprentissage automatique peut accélérer des opérations de détourage, de suivi d’objets, de nettoyage d’image ou de composition. Certaines tâches qui exigeaient auparavant de longues manipulations image par image peuvent ainsi être préparées plus vite. Les équipes conservent toutefois un rôle central : elles définissent l’intention visuelle, contrôlent les artefacts, corrigent les erreurs et assurent la cohérence entre les plans.

Les outils génératifs ouvrent aussi des possibilités pour produire des esquisses, des éléments graphiques, des dialogues ou des pistes musicales. Leur usage soulève immédiatement une question de création : qui a fourni les œuvres, les images ou les voix ayant servi à entraîner le système, et dans quelles conditions ? Dans un secteur fondé sur le droit d’auteur et le travail des artistes, l’efficacité ne peut être dissociée de la rémunération, du consentement et de l’attribution des créateurs.

Deux secteurs, une même logique de données

La santé et le cinéma n’ont ni les mêmes objectifs ni les mêmes règles. Pourtant, ils partagent une logique industrielle : utiliser l’IA pour parcourir rapidement des données trop nombreuses pour être traitées intégralement à la main, puis laisser des spécialistes interpréter et valider le résultat.

La frontière entre ces usages n’est pas totalement étanche. Les techniques de vision par ordinateur, de traitement du langage et de simulation sont employées dans de nombreux domaines. Mais un outil similaire n’implique pas des conséquences similaires. Une erreur dans une recommandation de film peut coûter une campagne mal ciblée. Une erreur dans la sélection ou l’analyse d’un essai clinique peut affecter la qualité de la recherche et la sécurité des participants.

Données, biais et droits : les conditions d’un usage responsable

Dans les essais cliniques, la protection des données personnelles est une condition de départ. Les entreprises doivent être en mesure d’expliquer quelles informations sont utilisées, dans quel objectif, avec quelles garanties et pendant combien de temps. Elles doivent également s’assurer que les modèles ne favorisent pas involontairement certains groupes de patients au détriment d’autres.

Au cinéma, les préoccupations se concentrent notamment sur le droit d’auteur, les conditions de travail et l’usage de l’image ou de la voix. Les professionnels peuvent craindre que l’automatisation fragilise certains métiers, en particulier dans les tâches de préparation et de postproduction. L’autre scénario est celui d’un déplacement du travail : moins de manipulation répétitive, davantage de supervision, de correction et de direction créative. La réalité dépendra des outils choisis et du partage de la valeur qu’ils produisent.

En Europe, l’entrée en vigueur de l’AI Act en août 2024 ouvre un cadre dont les obligations s’appliqueront progressivement. Son principe est d’adapter les exigences au niveau de risque des systèmes. Pour les entreprises, l’enjeu ne se limite donc pas à adopter des logiciels performants : il faut documenter leurs usages, définir qui en est responsable et maintenir un contrôle humain à la hauteur des conséquences possibles.

Ce qu’il faut surveiller

La prochaine étape ne sera pas seulement technique. Dans la pharmacie, il faudra observer si les outils d’IA permettent effectivement de concevoir de meilleurs essais, de recruter plus équitablement et de réduire les impasses coûteuses sans créer de nouveaux biais. Le nombre de médicaments entrant en essais cliniques donnera une indication de l’activité du secteur, mais les résultats cliniques et les décisions des autorités sanitaires resteront les véritables critères.

Dans le cinéma, les questions porteront sur l’intégration concrète des outils aux méthodes de production, sur la place laissée aux créateurs et sur les règles de rémunération et d’autorisation. Les studios chercheront à réduire délais et coûts, tandis que les artistes défendront la valeur de leur travail et le contrôle de leurs œuvres.

Dans les deux secteurs, l’IA peut accélérer l’innovation. Son adoption durable dépendra moins de la seule puissance des modèles que de leur fiabilité, de la qualité des données, de la transparence des décisions et de la confiance des patients, des professionnels et du public.