Dans « The Machine in Geneva’s Basement », Rifat Hossain plante le décor de l’impact potentiel de l’intelligence artificielle sur l’Organisation mondiale de la santé (OMS) avec une histoire. Un fonctionnaire du ministère interroge un assistant généraliste en pointant vers la bibliothèque ouverte de recommandations de l’OMS et obtient un protocole national exploitable avant le déjeuner. Si c’est possible, demande-t-il, pourquoi les États membres devraient-ils financer l’organisation?
Ce que la scène ne montre pas, c’est le moment quatre mois plus tard, quand ce protocole arrive dans un district où il ne convient pas, et que quelqu’un doit s’en rendre compte.
La valeur que l’OMS risque de perdre, c’est la capacité, répartie dans ses effectifs, de savoir quand une recommandation est erronée. Cette capacité s’épuise maintenant des deux côtés de la transaction à la fois, à Genève et dans le district. Ceci est écrit pour les personnes qui rédigent ces lignes et pour les bailleurs de fonds qui les lisent, parce que l’épuisement est financé comme une économie. Oui, la transformation provoquée par l’intelligence artificielle a tout à y voir. Mais les racines sont plus anciennes que l’arbre, et l’arbre a plusieurs branches.
D’où vient cet argument
En juillet 2025, au Sommet RAISE à Paris et à AI4Good à Genève, nous avons publié le Cadre IA4Health. Ses sept principes convergent vers une seule exigence : maintenir la capacité d’agir des personnes dans la prise de décision, renforcer plutôt que remplacer le leadership humain, préserver la sensibilité au contexte, et concevoir des systèmes d’apprentissage hybrides humain-IA plutôt que de simples outils. Sur cette base, nous avons construit un programme d’apprentissage par les pairs avec certificat dans lequel les responsables de la santé développent une stratégie IA, un plan de mise en œuvre et un cadre de gouvernance pour leur propre institution, puis le font examiner par des pairs travaillant dans des conditions comparables.
Nous n’avons pas conçu ce programme à partir d’une revue de littérature. Il est né de trois questions qui restaient sans réponse dans les espaces où l’on discute de l’IA en santé : comment les professionnels de la santé apprennent à travailler aux côtés de ces systèmes, quel type d’apprentissage rend la collaboration humain-IA réelle plutôt que rhétorique, et comment empêcher une fracture numérique de se transformer en fracture épistémique.
Cela nous place à trois endroits à la fois. Nous avons un lien direct avec le personnel de district et d’établissement, les personnes qui se retrouveront avec un document fluide mais erroné. Nous sommes dans les débats d’experts sur l’IA, sur l’IA dans l’éducation, et sur l’IA dans la santé mondiale, de Paris à Berkeley. Et nous avons appliqué les mêmes questions à notre propre organisation, en reconstruisant chaque système autour de la collaboration humain-IA. Tout ce qui suit sur la supervision, les garde-fous, et la différence entre une réponse et le chemin qui l’a produite, nous avons dû le construire, et le voir échouer, d’abord à petite échelle.
Le troisième choc arrive après la clôture du cycle budgétaire
Rifat Hossain recense deux chocs : financier et technologique. Il en existe un troisième, qui agit avec un décalage suffisamment long pour rester invisible dans tout cycle budgétaire.
Nolan Lovett l’appelle la tragédie des biens communs cognitifs, et j’ai écrit sur ce que cela signifie pour les professionnels de la santé. L’argument n’est pas que les travailleurs ne peuvent pas acquérir de nouvelles compétences. C’est qu’une profession peut perdre la capacité de former ses propres experts.
Les organisations n’ont jamais maintenu de parcours de développement par souci de gestion. Elles embauchaient des débutants parce que les débutants faisaient le travail de débutant, et l’expertise se régénérait comme effet secondaire. L’IA brise ce lien. Les économies sont réalisées maintenant, par l’organisation qui automatise. Le coût apparaît ailleurs : une pénurie de personnes capables de jugement indépendant, qui surviendra entre 2035 et 2045. Ce coût est réparti entre tous ceux qui devront embaucher un expert plus tard, et il survient bien après que quiconque puisse être tenu responsable de l’avoir causé.
Lisez les propres chiffres de l’OMS à la lumière de ce mécanisme. Une réduction prévue de 30 % des postes P1 à P3. Les échelons supérieurs en baisse nette de 9 % tandis que D1 et D2 augmentent de 29 % et 31 %. Une main d’œuvre affiliée qui diminue d’un cinquième à un tiers selon le type de contrat. Hossain précise avec prudence que la pression budgétaire seule pourrait produire ces chiffres. Il a raison, et cette prudence n’aide en rien, car l’épuisement ne se soucie pas des motifs. Le schéma est le même, que la cause soit l’austérité ou l’automatisation.
Les données salariales couvrant des millions de travailleurs aux États-Unis montrent déjà une baisse relative de l’emploi de 16 % pour les 22 à 25 ans dans les professions les plus exposées à l’IA, tandis que l’emploi dans ces mêmes professions a augmenté de plus de 8 % pour les 35 à 49 ans. C’est au premier échelon que la disparition se manifeste en premier.
Le mécanisme d’évidage des tâches de Hossain aboutit à ce que les humains qui restent se concentrent sur le jugement et la responsabilité. C’est la partie de l’argument sur laquelle j’insisterais le plus fortement. Le jugement doit être produit en continu, par des parcours qui consistent principalement en travail de routine effectué par quelqu’un qui n’en est pas encore bon, sous supervision de quelqu’un qui l’est. Supprimez ce travail de routine et le parcours qui produit le jugement disparaît avec lui.
Arithmétique de l’IA : pouvons-nous prendre des décisions de santé publique sur un tirage à pile ou face ?
Le coup le plus fort de Hossain est sa réponse au problème de la substitution. L’OMS ne devrait pas chercher à surpasser la machine en coût. Elle devrait devenir l’organe qui certifie si les machines et les humains qui collaborent avec elles ont raison, ancrée dans une autorité de rassemblement qu’aucun ministère seul ne peut reproduire. Ricardo Baptista Leite, qui dirige HealthAI, l’agence genevoise qui aide les gouvernements à développer la capacité de réguler l’IA dans la santé, fournit le principe sous-jacent : l’innovation avance à la vitesse de la confiance.
Je suis d’accord avec cette direction, et nous pouvons déjà voir où le chemin actuel mène.
Commencez par l’arithmétique, car elle fixe le plancher pour tout le reste. Au Sommet IA agentic de Berkeley ce mois-ci, un chercheur de Vanguard a posé le chiffre devant quiconque prévoit de superviser des flux de travail agentic : 95 % de précision à chaque étape tombe en dessous de 60 % sur dix étapes. Un flux de travail qui semble excellent à chaque point est un tirage à pile ou face d’un bout à l’autre. Il n’existe aucune version de certification qui survive à cette dégradation en inspectant uniquement le résultat.
La certification est donc la fonction la plus exigeante en expertise que l’OMS possède, non la moins. Lovett donne un nom à la raison, le Lien de Validation : détecter une réponse plausible mais erronée nécessite exactement l’expertise que l’adoption de l’IA érode.
- La validation de surface repère le non-sens, les citations inventées et le mauvais formatage.
- La validation substantielle repère la recommandation qui est techniquement correcte et erronée pour ce district, cette saison, cette population.
Seule la seconde vaut la peine d’être payée, et seule la seconde nécessite une personne qui a fait le travail.
Dans la même salle à Berkeley, Emily Zhu de Scale AI a montré pourquoi le chiffre de précision n’est peut-être pas la bonne chose à mesurer. Dans un audit de qualité des soins de santé, l’agent devait identifier une insuffisance rénale aiguë à partir des valeurs de créatinine dans les données de laboratoire. Il a pris un raccourci et a lu les notes de diagnostic à la place. La réponse était souvent correcte. Le chemin n’était pas conforme, et aucune mesure de précision ne pouvait voir la différence.
Neil Lawrence, professeur DeepMind de Cambridge en apprentissage automatique et anciennement directeur de l’apprentissage automatique chez Amazon, a alors séparé les deux choses que Genève continue de confondre : la comptabilité est dans les chiffres, la responsabilité est dans l’autorité humaine et le jugement. Les machines font la première extrêmement bien. Elles ne peuvent pas être embarrassées, ne peuvent pas perdre un emploi, ne peuvent pas être mises en prison. Son avertissement sur la délégation décrit précisément ce qu’un mandat de certification ferait à un département technique aminci. Donnez à quelqu’un un système qu’il ne comprend pas et n’a jamais vu, exigez qu’il le signe, et vous avez construit un désastre avec une signature dessus.
Un certificateur qui ne peut que comparer les résultats ne certifie rien. Il doit être capable de lire le chemin. C’est une spécification de main d’œuvre, et elle pointe dans la direction opposée d’une réduction de 30 % aux échelons où les gens apprennent à lire les chemins.
Le parcours s’amenuise jusqu’à une indemnité journalière et un diaporama
Le classement d’exposition de Hossain est honnête sur son caractère qualitatif, et il tient. La production de documents, la traduction, le traitement et l’analyse des données sont les catégories les plus exposées. Elles représentent une grande part de ce pour quoi l’OMS paie le temps de son personnel et de ses consultants.
Il y a une raison structurelle à cela. Elle n’est pas flatteuse pour la façon dont la santé mondiale a organisé les connaissances. La pyramide est inversée. Les normes mondiales, les directives et les rapports standardisés sont très visibles et pauvres en contexte. C’est exactement ce qui les rend peu coûteux à générer. Les connaissances tacites de première ligne, ce que les agents de santé savent parce qu’ils sont là chaque jour, sont invisibles et fortement dépendantes du contexte. C’est ce qui les rend précieuses et les garde hors de chaque ensemble de données. Les résultats de l’OMS sont la couche la plus automatisable du système précisément parce qu’ils ont été conçus pour voyager sans contexte.
Ainsi, les gains de l’IA iront d’abord au sommet de cette pyramide. L’épuisement commencera au bas. En santé mondiale, le parcours de développement est stratifié plutôt qu’absent. Il y a une vraie régénération, gouvernée institutionnellement, au niveau des programmes nationaux. Politique de formation en service avec points de crédit, modules de gestion intermédiaire, programmes d’épidémiologie de terrain construits comme des apprentissages encadrés dont les anciens sont devenus les mentors de la promotion suivante. Le parcours s’amenuise en descendant. Quelque part au niveau du district et de l’établissement, il devient une indemnité journalière occasionnelle et un diaporama. Les propres facteurs d’exposition de Lovett s’affaiblissent à chaque palier de cette échelle. Intensité réglementaire, criticité en matière de sécurité, force des organismes capables d’appliquer les normes de développement. L’épuisement frappera le plus fort là où la gouvernance est la plus mince et où le moins de surveillance existe pour le remarquer.
Cette couche est aussi celle où les conditions épistémiques pour la validation sont les pires. Nous disons à l’agent de santé que ce qu’elle a observé n’est que du témoignage anecdotique. Nous plaçons l’expérience du praticien au bas de la hiérarchie des preuves. Nous demandons combien d’enfants elle a vaccinés et presque jamais ce qu’elle a remarqué à leur sujet. Une main d’œuvre systématiquement enseignée que sa propre observation ne compte pas comme connaissance ne remettra pas en question une machine éloquente. L’injustice épistémique épuise directement le bien commun. Elle supprime la seule vérification qui pourrait attraper l’erreur de la machine.
La menace de l’« IA sombre ». Tout le monde l’utilise, personne ne la révèle
Hossain note le contraste qui fait le plus mal. Un document de processus RH décrivant des organigrammes construits à la main et des feuilles de calcul, au sein d’une institution qui écrit simultanément les règles du monde pour l’IA en santé. Il lit le délai comme une prudence excessive face à une technologie sujette à la fabulation. Je le lirais comme un résultat prévisible du système de responsabilité.
Presque tout le monde dans ce secteur utilise déjà l’IA générative. Presque personne ne la révèle. La raison est le paradoxe de la transparence. Révélez votre utilisation et votre travail est dévalué, indépendamment de sa qualité. Cachez-la et portez seul le poids éthique. Dans une culture dirigée par les donateurs où l’écart est puni plus sûrement qu’il n’est récompensé, la réponse rationnelle est l’utilisation cachée. Le résultat visible est une bouillie générique.
Maintenant, ajoutez une restructuration qui supprime un cinquième de la main d’œuvre affiliée et 30 % des postes d’entrée à mi-carrière. Une organisation dans cette position demande à son personnel restant de documenter sa propre redondance. Aucun partenariat en matière de littératie en IA ne survit à cette incitation.
Ce qui changerait cela, c’est un havre de paix. Une déclaration explicite de ce que l’institution automatise, quel travail de développement elle protège de l’automatisation, et pourquoi. Publiée avant que les économies ne soient comptabilisées plutôt qu’après. J’ai dit, au prix de déplaire pour cela, que dire aux employés que l’IA ne vient pas pour leurs emplois est au mieux trompeur. Ce qui remplace ce faux confort est un plan établi. Quels emplois changent et comment les gens sont préparés au changement.
Les biens communs ne sont pas condamnés à la tragédie quand il y a une communauté
La prescription de Hossain et la mienne diffèrent d’un mot. Il demande à l’OMS de passer de producteur à gardien, puis décrit ce rôle surtout comme de la certification. Garder un bien commun, au sens d’Elinor Ostrom, veut dire quelque chose de plus précis. Des règles faites par les gens qui dépendent de la ressource. Une surveillance partagée. Des conséquences mesurées. Une résolution locale des conflits. La certification est un outil parmi d’autres. Ce n’est pas le système entier.
L’OMS n’a pas besoin d’inventer cela. Les institutions de bien commun existent déjà et n’ont jamais été décrites ainsi. Des ministères avec une politique de formation continue. Des conseils de réglementation qui lient l’éducation continue au renouvellement de la licence. Des réseaux d’anciens de l’épidémiologie de terrain qui ont déjà montré qu’une communauté peut reproduire sa propre capacité.
L’économie unitaire permet maintenant d’étendre le bien commun vers le bas de la pyramide. Cela n’a jamais été possible quand l’assistance technique était le seul mécanisme. 4 300 agents de santé au Nigéria ont produit plus de 400 analyses des causes profondes en quatre semaines. Ils ont découvert que leurs causes supposées étaient fausses. Plus de la moitié ont continué à collaborer après la fin du financement. Cela s’est produit quand nous avons travaillé avec l’ANRPHCDA et l’UNICEF, à environ 90 % de coût unitaire inférieur et sept fois plus vite que l’assistance technique conventionnelle. L’examen par les pairs selon un référentiel fonctionne comme un apprentissage de la validation réelle, ce sur quoi la certification s’appuie. Il atteint des personnes que le budget de mentorat n’allait jamais atteindre.
Dans notre propre maison, à la Fondation Apprendre Genève, la même logique s’applique aux machines. Claude Cardot, notre premier collègue IA agent, a une description de rôle. Un superviseur. Un champ d’action délimité. Aucune autorité pour envoyer quelque chose à l’externe sans examen humain. Dans notre pipeline Insights, une porte de vérification a refusé de publier deux rapports terminés parce que 17 citations ne pouvaient pas être appariées caractère par caractère par rapport aux exports bruts. Des portes, pas des lignes directrices. Une norme qui vit comme une instruction pour un modèle sera un jour signalée comme satisfaite par le modèle lui-même.
Pour quiconque décide où va la prochaine tranche d’argent pour l’IA en santé, c’est le test qui vaut la peine d’être appliqué. Non pas si un système produit de bons résultats. Mais si les personnes qui devront le contredire sont toujours en train d’être formées. Les budgets de certification qui financent des outils et coupent les postes où la validation s’apprend achètent une signature, pas une protection.
Le responsable du ministère qui rédige avant le déjeuner n’est pas la menace pour l’OMS. Hossain a raison de refuser ce cadrage. Un protocole produit dans l’après-midi n’enlève l’autorité à personne. Ce qui l’enlèverait, c’est l’année où personne dans son district n’a été préparé assez pour voir que le brouillon est faux. Et où personne qui le soupçonne n’a le statut pour le dire à haute voix.
À propos de l’illustration accompagnant cet article : Intitulée « L’intelligence artificielle et la tragédie du bien commun cognitif », cette image évoque la possible perte, par l’OMS, de la capacité humaine qui fonde son autorité en matière d’orientation: la capacité à déterminer quand une réponse plausible est erronée. Des serveurs et des câbles envahissent une salle conçue pour la délibération, la collaboration et la prise de décision. L’emblème est toujours là. Les personnes ont disparu. Ce qui s’est épuisé, ce sont les biens communs cognitifs: cette capacité humaine partagée à reconnaître quand les connaissances normatives ne correspondent pas à un district, une population ou un moment précis. Collection de la Fondation Apprendre Genève © 2026
Références
- Aldana, E. (2026, 1-2 août). Remarques au Sommet de l’IA agentique, Université de Californie, Berkeley. Dans R. Sadki, On ne peut pas envoyer un agent IA en prison : les citations les plus inquiétantes du Sommet de l’IA agentique à Berkeley. La Fondation Apprendre Genève. https://www.learning.foundation/2026/08/10/you-cannot-send-an-ai-agent-to-jail-the-best-quotes-from-the-agentic-ai-summit-in-berkeley/
- Brynjolfsson, E., Chandar, B., & Chen, R. (2025). Canaris dans la mine de charbon : six faits sur les effets récents de l’intelligence artificielle sur l’emploi. Stanford Digital Economy Lab. https://digitaleconomy.stanford.edu/publications/canaries-in-the-coal-mine/
- Hardin, G. (1968). La tragédie des biens communs. Science, 162(3859), 1243-1248. https://doi.org/10.1126/science.162.3859.1243
- Hossain, K. R. (2026, 6 août). La machine dans le sous-sol de Genève. Health Policy Watch. https://healthpolicy-watch.news/author/khondkar-rifat-hossain/
- Labrique, A. (2026, juillet). Remarques au Sommet mondial de l’IA pour le bien, Genève. Rapporté dans K. R. Hossain (2026), La machine dans le sous-sol de Genève, Health Policy Watch. https://healthpolicy-watch.news/author/khondkar-rifat-hossain/
- Lovett, N. (2026). La tragédie des communs cognitifs : comment l’IA pourrait perturber la régénération de l’expertise professionnelle. Human Resource Development Review. Publication en ligne anticipée. https://doi.org/10.1177/15344843261470602
- Nordström, A. (2026, juillet). Réformer l’OMS : cinq pistes pour le prochain Directeur général. Think Global Health. https://www.thinkglobalhealth.org/article/reforming-who-five-considerations-for-the-next-director-general
- Ostrom, E. (1990). Gouverner les communs : l’évolution des institutions pour l’action collective. Cambridge University Press. https://doi.org/10.1017/CBO9780511807763
- Sadki, R. (2025). Intelligence artificielle, responsabilité et authenticité : production de connaissances et pouvoir dans les crises de santé mondiale. https://doi.org/10.59350/w1ydf-gd85
- Sadki, R. (2025). L’économie de l’intelligence artificielle et le défi de l’équité. https://doi.org/10.59350/redasadki.20984
- Sadki, R. (2025). Un cadre de santé mondiale pour l’intelligence artificielle comme collègue de travail au service de l’apprentissage en réseau et de l’action locale. https://doi.org/10.59350/gr56c-cdd51
- Sadki, R. (2025). Ce que le rapport 2025 sur l’état de l’IA signifie pour la santé mondiale et l’action humanitaire. https://doi.org/10.59350/dpjw3-vgp93
- Sadki, R. (2025). Pourquoi l’apprentissage entre pairs est essentiel pour survivre à l’ère de l’intelligence artificielle. https://doi.org/10.59350/redasadki.21123
- Sadki, R. (2026). Le développement du personnel de santé à l’ère de l’intelligence : une tragédie des communs cognitifs ? La Fondation Apprendre Genève. https://www.learning.foundation/2026/08/09/health-workforce-development-in-the-age-of-intelligence-a-tragedy-of-the-cognitive-commons/
- Sadki, R. (2026). On ne peut pas envoyer un agent IA en prison : les citations les plus inquiétantes du Sommet de l’IA agentique à Berkeley. La Fondation Apprendre Genève. https://www.learning.foundation/2026/08/10/you-cannot-send-an-ai-agent-to-jail-the-best-quotes-from-the-agentic-ai-summit-in-berkeley/
- Nations Unies. (2025, 1er décembre). Projet de budget-programme révisé pour 2026 : déclaration du Secrétaire général. Rapporté dans K. R. Hossain (2026), La machine dans le sous-sol de Genève, Health Policy Watch. https://healthpolicy-watch.news/author/khondkar-rifat-hossain/
- Organisation mondiale de la santé. (2025). Ressources humaines : rapport annuel (EB156/48). https://apps.who.int/gb/ebwha/pdf_files/EB156/B156_48-en.pdf
- Organisation mondiale de la santé. (2025). Actualisation des ressources humaines : tableaux, décembre 2025. Cité dans K. R. Hossain (2026), La machine dans le sous-sol de Genève, Health Policy Watch. https://healthpolicy-watch.news/author/khondkar-rifat-hossain/
- Organisation mondiale de la santé. (2025). Budget-programme 2026-2027 (résolution WHA78). https://www.who.int/about/funding