Microsoft a publié jeudi dans Science une étude qui fera date — et qu'il faut lire jusqu'aux limites. Son système MAI-DxO, un orchestrateur qui simule un panel de médecins, a diagnostiqué correctement 83,2 % de 304 cas complexes issus des conférences clinico-pathologiques du New England Journal of Medicine. Des généralistes travaillant seuls, avec des manuels et Internet, ont trouvé 36,1 % de ces diagnostics. Sur 325 cas d'urgences, le système atteint 80,3 %, contre 46,8 % pour les médecins.
Mustafa Suleyman, PDG de Microsoft AI, parle d'un pas vers la « superintelligence médicale ». Le communiqué de l'entreprise n'hésite pas : « plus de deux fois plus précis que des médecins utilisant des manuels et Internet, et près de quatre fois plus précis lorsqu'ils diagnostiquent sans ces ressources ». Les chiffres sont réels. La comparaison, elle, mérite d'être regardée de près.
Comment fonctionne MAI-DxO
MAI-DxO — pour Microsoft AI Diagnostic Orchestrator — n'est pas un modèle de langage de plus. C'est un chef d'orchestre. Il fait tourner plusieurs agents qui jouent chacun un rôle : proposer des diagnostics, choisir les questions à poser au patient, décider quels examens commander, challenger la thèse dominante, surveiller le coût. Les agents débattent sur plusieurs tours, révisent leur avis à mesure que les résultats arrivent, et le système agrège leurs conclusions.
Le point important : l'orchestrateur est « model-agnostic ». Il peut fonctionner avec les modèles d'OpenAI, Google, Anthropic, Meta, xAI, DeepSeek ou Llama. Microsoft a testé plusieurs combinaisons. Ses meilleurs résultats sont obtenus avec GPT-5 et GPT-5.5, deux modèles d'OpenAI — un détail que le communiqué met moins en avant.
Le banc d'essai
Pour évaluer le système, Microsoft a construit SDBench, un benchmark interactif. Il transforme 304 cas du NEJM et 325 admissions aux urgences de la base MIMIC-IV-ED en consultations étape par étape. Le médecin — ou l'IA — part d'un résumé court, puis doit demander des informations à un « gardien » qui ne révèle les résultats que si on les lui demande. Chaque question, chaque examen a un coût estimé. Le score final combine précision et dépense.
Ce protocole est plus réaliste qu'un QCM médical. Il ne l'est pas assez pour trancher la question de la supériorité clinique. Les cas du NEJM sont choisis pour leur difficulté pédagogique ; ils ne représentent pas la patientèle ordinaire. Les admissions aux urgences, elles, sont issues d'un seul hôpital, Beth Israel Deaconess, à Boston. Et l'échange se fait par texte : pas d'imagerie, pas de tracé, pas de lame de pathologie.
Ce que disent les chiffres
- Cas complexes (NEJM) : 83,2 % pour MAI-DxO avec GPT-5, à 5 431 dollars en moyenne par cas. 36,1 % pour les généralistes avec références (4 725 dollars), 22,3 % sans (3 049 dollars). Le meilleur médecin du panel atteint 51,8 %.
- Urgences (MIMIC-IV-ED) : 80,3 % pour le système, à 4 979 dollars. 46,8 % pour les médecins, à 3 400 dollars. Le meilleur médecin atteint 62,5 %.
- Configurations économes : 80,9 % à 2 241 dollars, 79,6 % à 1 303 dollars. En mode « précision maximale », 84,5 % à 8 945 dollars.
- Stratégie : MAI-DxO pose en moyenne 25,5 questions avant de commander son premier examen, contre 5,6 pour les médecins. Il prend l'histoire du patient au sérieux avant de sortir la carte bleue.
Le modèle fait-il tout ?
C'est la question que le communiqué évite. TechCrunch a fait le calcul : GPT-5 utilisé seul, avec une consigne courte, atteint 78,9 % sur les cas complexes, à environ 8 400 dollars par cas. MAI-DxO réduit la facture d'environ 3 000 dollars, mais n'ajoute que quatre points de précision. Sur les urgences, l'apport est quasi nul.
Avec GPT-5.5, le gain est plus net : 72 % pour le modèle seul, près de 87 % avec l'orchestrateur, à un coût légèrement inférieur. Mais là encore, aucun gain sur les urgences. Et avec Gemini 2.5 Flash, un modèle plus faible, MAI-DxO fait passer la précision de 46,4 % à 69 %. Conclusion : l'orchestration aide surtout les modèles moyens et les cas difficiles. Elle ne transforme pas un modèle en oracle.
Les limites que l'étude reconnaît
Les auteurs sont plus prudents que leur communiqué. Ils rappellent que la comparaison porte sur des médecins généralistes travaillant seuls, pas sur des spécialistes ou des équipes pluridisciplinaires. Or les cas du NEJM sont précisément ceux que l'on confie à des spécialistes. « Nous nous attendons à ce que l'écart se réduise face à des spécialistes », écrivent-ils. Le benchmark est textuel, idéalisé, sans les hésitations, les oublis ou les données manquantes d'une vraie consultation. Il mesure le diagnostic, pas le traitement, la sécurité ni l'état du patient à la sortie.
Microsoft le reconnaît à demi-mot. « Il faut une validation clinique », admet Mustafa Suleyman dans The Verge. « C'est un saut, mais c'est une étape majeure. » L'entreprise prévoit une étude à Beth Israel Deaconess, et travaille avec la Mayo Clinic sur un modèle de fondation pour la santé, prévu pour l'année prochaine.
Un benchmark, pas un produit
Le vrai apport de l'étude est peut-être SDBench. Microsoft va l'ouvrir pour certains cas du NEJM, avec le gardien, le juge et l'estimation des coûts. Les chercheurs pourront tester d'autres modèles, contester les résultats, améliorer le protocole. C'est ainsi que la science avance : pas en proclamant la « superintelligence », mais en publiant de quoi la vérifier.
En attendant, MAI-DxO n'est pas un médecin. C'est un outil de recherche, testé sur des cas passés, dans un cadre contrôlé. Il montre qu'une IA peut mener une enquête diagnostique étape par étape, poser les bonnes questions et économiser des examens. Il ne montre pas qu'elle peut remplacer un spécialiste au chevet d'un patient. La nuance est moins spectaculaire que le titre de Microsoft. Elle est plus utile.