Délais de ROI réalistes et coûts d'adoption cachés

Un éditeur d'IA en radiologie fait la démonstration d'un modèle qui repère les nodules pulmonaires suspects sur les scanners thoraciques en moins de deux secondes. L'hôpital signe. Dix-huit mois plus tard, l'outil tourne, mais le tableau de ROIROIReturn on Investment : le rapport entre le profit net et le coût d'un investissement. Un ROI de 300 % signifie que chaque dollar investi en rapporte 3.Voir la définition complète → est toujours dans le rouge. Personne n'a menti pendant la démo. L'inférenceinférenceLe moment où un modèle d'IA entraîné se met au travail : il reçoit une donnée nouvelle et produit une réponse, une prédiction ou un contenu.Voir la définition complète → en deux secondes était réelle. Ce que la démo passait sous silence, ce sont les dix-sept autres mois : nettoyage des données, intégration au PACS, scepticisme des radiologues, et une facture de monitoring qui ne s'arrête jamais.

Cette leçon porte sur cet écart. En biotech et medtech, le ROI de l'IA arrive généralement en années, pas en trimestres, et les raisons sont structurelles, pas le signe d'un mauvais produit.

Pourquoi le délai s'allonge

Dans ce secteur, la valeur de l'IA est conditionnée par quatre choses que les démos logicielles escamotent : des données fiables, des workflows à reconstruire, des humains qui doivent croire au résultat, et des modèles qui dérivent dès qu'ils rencontrent la réalité.

Chacun de ces éléments est un centre de coûts avant de devenir un bénéfice. Prenons-les dans l'ordre.

1. La curation des données est le vrai projet

Un « modèle entraîné » dans une démo a été entraîné sur les données propres de quelqu'un d'autre. Vos données sont plus sales.

Exemple concret : un hôpital veut déployer un outil d'IA de prédiction du sepsis. Le sepsis est une réponse à une infection qui met la vie en danger et où la détection précoce compte. Le modèle a besoin de cas historiques labellisés. Mais l'heure de survenue du sepsis dans le dossier patient informatisé (EHR, le dossier médical numérique) est consignée de façon inconsistante, codée différemment selon les services, et parfois renseignée a posteriori par les cliniciens plusieurs heures plus tard. Avant qu'un modèle ne tourne, quelqu'un passe des mois à définir la « survenue » et à réconcilier les dossiers.

Ordre de grandeur, largement cité dans la pratique data science et pas un chiffre absolu : la préparation des données consomme 60 à 80 % de l'effort d'un projet d'IA. Dans la santé régulée, tablez sur le haut de la fourchette.

Le standard d'interopérabilité des EHR dont on vous parlera est HL7 FHIR (Fast Healthcare Interoperability Resources), une spécification ouverte et gratuite. FHIR aide, mais il ne rend pas vos labels historiques corrects.

2. C'est dans la refonte des workflows que le coût se cache

Un résultat d'IA qui ne s'insère pas dans le workflow existant est ignoré.

Exemple : une IA de dépistage de la rétinopathie diabétique (la rétinopathie est une atteinte oculaire liée au diabète) est autorisée par la FDA et précise. Mais si l'assistant médical de la clinique doit se connecter à un portail séparé, charger les images à la main et attendre, l'outil ajoute de la friction. L'adoption s'effondre. La solution passe par de l'ingénierie d'intégration : pousser les résultats directement dans le dossier existant, déclencher automatiquement la bonne prescription de suivi.

Cette refonte est souvent le plus gros coût caché, et elle figure rarement dans le devis de l'éditeur.

3. La confiance des cliniciens est une ligne budgétaire, lente

Les cliniciens n'adoptent pas l'IA parce qu'elle est précise. Ils l'adoptent parce qu'ils lui font confiance entre leurs mains, sur leurs patients.

Construire la confiance est un travail concret : déploiements en shadow (l'IA tourne silencieusement en parallèle des cliniciens pendant des mois, ses sorties étant comparées mais non suivies d'action), cliniciens champions qui se portent garants de l'outil, et règles d'escalade claires pour les cas où l'IA se trompe. Budgétez du temps de personnel pour tout cela.

Un outil qui « fonctionne » techniquement peut encore échouer si les radiologues passent outre chaque alerte. La fatigue d'alerte, où trop d'alertes à faible valeur amènent le personnel à toutes les ignorer, est un mode d'échec documenté de l'aide à la décision clinique.

4. Le monitoring ne s'arrarrL'Annual Recurring Revenue (ARR) est le revenu normalisé et prévisible qu'une entreprise par abonnement attend de ses contrats actifs sur une année.Voir la définition complète →ête jamais

C'est le coût que les éditeurs préfèrent omettre. Les modèles dérivent.

La dérive signifie que la précision du modèle se dégrade à mesure que la réalité change : un nouveau modèle de scanner, une évolution de la population de patients, un nouveau dosage biologique. En 2026, les régulateurs américains attendent de vous que vous l'anticipiez. La FDA (Food and Drug Administration) dispose d'un cadre de Predetermined Change Control Plan, qui permet aux fabricants de spécifier à l'avance comment un modèle sera mis à jour et surveillé. En Europe, les dispositifs médicaux basés sur l'IA relèvent du règlement sur les dispositifs médicaux (MDR), et les systèmes d'IA à risque plus élevé sont aussi couverts par l'AI Act européen, dont les obligations entrent en application progressivement jusqu'en 2026 et 2027.

Le monitoring est un coût opérationnel récurrent : personnel, dashboards, revalidation. Traitez-le comme un abonnement que vous ne pourrez jamais résilier.

Un exemple de ROI chiffré

Rendons le délai concret. Tous les chiffres ci-dessous sont des estimations illustratives à visée pédagogique, pas des devis d'éditeurs ni des données de marché.

Imaginez un hôpital de taille moyenne déployant un outil d'IA qui réduit le temps de compte rendu des radiologues sur les radiographies thoraciques.

Hypothèse de bénéfice (illustrative) :

• 100 000 radiographies thoraciques par an
• L'IA économise en moyenne 30 secondes de temps radiologue par examen
• 100 000 x 30 secondes = 3 000 000 secondes = environ 833 heures-radiologue économisées par an

Côté coûts, étalés dans le temps :

Le bénéfice (833 heures) ne commence à s'accumuler qu'aux alentours du mois 12, une fois l'outil en production et adopté. Les coûts lourds tombent entre les mois 1 et 14. Donc la position de trésorerie cumulée reste négative pendant environ l'année 1, parfois l'année 2, avant que le bénéfice récurrent ne dépasse le coût récurrent.

La leçon : la démo vous a vendu les 30 secondes. Les 833 heures sont réelles, mais elles arrivent en fin de parcours, et la courbe de retour ne remonte qu'après le paiement des coûts cachés.

Voici une façon minimale de modéliser le calendrier, et pas seulement le total :

# Illustrative only. Numbers are teaching estimates, not real quotes.
hours_saved_per_year = 833
value_per_hour = 150  # coût chargé illustratif du temps de radiologue

annual_benefit = hours_saved_per_year * value_per_hour  # ~124,950

# Coûts par année (illustratifs)
year1_costs = 300000   # curation + intégration + licence + monitoring
year2_costs = 90000    # licence + monitoring uniquement
year3_costs = 90000

cumulative = -year1_costs + 0  # bénéfice pas actif avant ~le mois 12
cumulative += annual_benefit - year2_costs  # année 2
cumulative += annual_benefit - year3_costs  # année 3
print(round(cumulative))  # négatif jusqu'à ce que le bénéfice dépasse les coûts d'installation

L'intérêt de ce bout de code n'est pas le résultat exact. C'est que bénéfice et coût tombent sur des années différentes, donc un chiffre de ROI sur une seule année est trompeur.

🎬 [VIDEO: "The AI hype cycle in healthcare" - youtube.com - un panorama réaliste des raisons pour lesquelles les déploiements d'IA clinique prennent plus de temps que promis par les éditeurs]

Comment mettre à l'épreuve la promesse d'un éditeur

Quand un éditeur annonce un ROI en « un trimestre », posez ces cinq questions :

1. Sur quelles données avez-vous entraîné le modèle, et en quoi diffèrent-elles des nôtres ? (Attention au distribution shift.)
2. Quel est le périmètre d'intégration, et qui le paie ?
3. À quoi ressemble la période de déploiement en shadow avant que nous agissions sur les sorties ?
4. Quel est le plan de monitoring et de revalidation, et combien coûte-t-il par an ?
5. Quelle est votre voie réglementaire, autorisation FDA ou marquage CE sous MDR, et la mise à jour du modèle reste-t-elle dans le cadre d'un plan de contrôle des changements approuvé ?

Si les réponses sont vagues, le délai de ROI est plus long qu'annoncé.

Là où les délais réalistes paient vraiment

Tous les cas d'usage de l'IA n'ont pas la même forme de ROI. Quelques schémas grossiers à intérioriser :

Retour plus rapide (des mois, pas des années) : IA administrative et back-office, comme l'automatisation des dossiers d'accord préalable ou la rédaction de la documentation clinique. Charge réglementaire plus faible, moins de barrières de confiance, ROI plus net.

Retour plus lent (des années) : aide à la décision clinique, IA en imagerie diagnostique, et tout ce qui touche à une décision thérapeutique. Coût de validation plus élevé, exigences de confiance plus profondes, monitoring plus lourd.

Le plus long et le plus risqué : l'IA dans la découverte de médicaments. Des sociétés comme Recursion et Insilico Medicine utilisent l'IA pour identifier des candidats-médicaments, mais le gain dépend d'essais cliniques pluriannuels à fort taux d'échec. L'IA peut raccourcir la découverte précoce, mais elle ne peut pas raccourcir les essais de phase 3 ni l'examen réglementaire. Le ROI se mesure ici sur l'ensemble du cycle de développement du médicament, souvent une décennie.

Alignez vos attentes de ROI sur la catégorie de cas d'usage. Un administrateur hospitalier qui attend une patience de type découverte de médicaments pour un outil de documentation sous-investira, et celui qui attend la vitesse d'un outil de documentation d'un modèle diagnostique sera déçu.

Points clés

• Budgétez les 90 % cachés. La curation des données, l'intégration au workflow et la construction de la confiance coûtent généralement plus que la licence d'IA. Les démos chiffrent les 10 % faciles.
• Le monitoring est une ligne budgétaire permanente. La dérive des modèles est garantie. Prévoyez un coût récurrent et du personnel pour la revalidation, et alignez cela sur les plans de contrôle des changements de la FDA ou les obligations du MDR et de l'AI Act européens.
• Le ROI arrive en fin de parcours. Les coûts lourds tombent entre les mois 1 et 14 ; les bénéfices s'accumulent ensuite. Jugez la courbe de retour sur 2 à 3 ans, pas sur un trimestre.
• Alignez le délai sur le type de cas d'usage. L'IA administrative se rembourse vite, l'IA clinique plus lentement, la découverte de médicaments le plus lentement, conditionnée par des calendriers d'essais qu'aucun modèle ne peut compresser.
• Interrogez l'éditeur. Provenance des données, périmètre d'intégration, période shadow, coût de monitoring et voie réglementaire révèlent le véritable horizon de ROI.