Quand l’IA rencontre la science pour de vrai
Les Laboratoires Pierre Fabre viennent d’annoncer qu’ils explorent l’IA pour lancer une nouvelle génération d’études cliniques en dermo-cosmétique. Et vous savez quoi ? Pour une fois, je suis enthousiaste face à une annonce “IA dans la santé”. Pas parce que c’est révolutionnaire sur le papier, mais parce que c’est exactement le genre d’usage où l’IA peut vraiment changer la donne sans tomber dans le bullshit marketing.
Laissez-moi vous expliquer pourquoi cette news mérite votre attention, alors que 90% des annonces “IA + santé” sont du vent.
Le problème des études cliniques que personne ne vous dit
Ayant travaillé sur des projets d’analyse de données médicales, je sais exactement où le bât blesse dans les études cliniques traditionnelles en dermo-cosmétique :
Le recrutement est un cauchemar. Trouver les bons profils de peau, avec les bonnes conditions, dans les bons délais, c’est comme chercher une aiguille dans une botte de foin. L’IA peut screener des milliers de candidats en quelques heures en croisant des dizaines de critères.
L’analyse des résultats est archaïque. On parle de photos de peau, de mesures d’hydratation, de texture, de rides. Faire ça manuellement, c’est lent, subjectif, et horriblement coûteux. Computer vision + LLM ? Game changer total.
Le suivi patient est approximatif. Entre deux rendez-vous cliniques, vous comptez sur le patient pour être honnête sur son utilisation du produit. Spoiler : ils mentent. Pas par malice, juste parce que la mémoire humaine est faillible.
Ce que l’IA peut vraiment apporter (et ce qu’elle ne peut pas)
Voici où je pense que Pierre Fabre va (ou devrait) utiliser l’IA :
Analyse d’images dermatologiques automatisée. Claude peut analyser des photos de peau et détecter des patterns invisibles à l’œil nu. J’ai déjà testé ça sur des cas d’acné : en lui fournissant des photos avant/après avec des prompts structurés, Claude peut quantifier l’amélioration de manière beaucoup plus objective qu’un dermato qui regarde 50 photos à la suite un vendredi soir.
Exemple de prompt que j’utiliserais :
Analyse ces deux photos de peau (avant/après 4 semaines de traitement).
Critères à évaluer :
1. Nombre approximatif de lésions d'acné
2. Rougeur globale (échelle 1-10)
3. Texture de peau (lisse/irrégulière)
4. Zones de pigmentation
5. Brillance/sébum visible
Fournis une notation chiffrée pour chaque critère et un score d'amélioration global.Génération de protocoles personnalisés. Au lieu d’avoir 3 groupes standard (placebo, dose A, dose B), l’IA peut suggérer des protocoles adaptés au profil de chaque participant. Type de peau, historique médical, exposition solaire, routine cosmétique actuelle… Claude peut croiser ces variables et proposer des groupes de test beaucoup plus fins.
Détection des abandons d’étude. En analysant les réponses des participants (questionnaires, fréquence d’utilisation déclarée, ton des retours), un LLM peut prédire qui va abandonner l’étude avant qu’il ne le fasse. Ça permet d’intervenir, d’ajuster le protocole, ou au minimum de planifier des recrutements compensatoires.
Là où ça peut foirer (et ça va foirer)
Mais attention, je ne suis pas naïf. Voici les pièges dans lesquels Pierre Fabre (et d’autres) vont probablement tomber :
Confondre corrélation et causalité. L’IA va trouver des patterns partout. “Les gens qui utilisent le produit le soir ont 23% de meilleurs résultats.” Super. Sauf que peut-être que les gens qui l’utilisent le soir sont aussi ceux qui suivent mieux les protocoles en général. Claude n’a aucun sens causal. C’est à vous de l’avoir.
Biais de données d’entraînement. Si vos datasets de peau sont majoritairement caucasiens (spoiler : c’est le cas de 90% des datasets dermatologiques), votre IA sera merdique pour analyser les peaux noires ou asiatiques. Et là, vous passez de “innovation” à “scandale éthique” en deux temps trois mouvements.
Over-reliance sur l’IA. Le jour où un chercheur va dire “Claude a dit que ce produit est efficace, donc on lance”, on aura un problème. L’IA doit être un outil d’aide à la décision, pas le décideur. Nuance cruciale que beaucoup d’entreprises ne comprennent pas.
Ce que je ferais à leur place
Si j’étais consultant pour Pierre Fabre (je ne le suis pas, au cas où ce ne soit pas clair), voici ce que je recommanderais :
Commencer petit et mesurable. Un seul use case. Par exemple : “Réduire le temps d’analyse des photos de peau de 70%.” C’est mesurable, c’est concret, ça génère du ROI immédiat. Pas besoin de révolutionner toute la R&D en même temps.
Garder l’humain dans la boucle. Chaque analyse IA doit être validée par un dermatologue. Au début, 100% des analyses. Puis progressivement, seulement les cas limites. Mais jamais 0%.
Être transparent sur les limites. Si l’IA ne marche que sur certains types de peau, dites-le. Si elle a une marge d’erreur de 15%, dites-le. La confiance se construit sur la transparence, pas sur la survente.
Utiliser Claude (ou équivalent) pour la documentation. Un truc que personne ne fait : utiliser l’IA pour documenter en temps réel les décisions de l’étude. Chaque choix de protocole, chaque ajustement, chaque observation. Claude peut transformer des notes de labo bordéliques en rapports structurés. Ça paraît con, mais ça sauve des mois de travail au moment de la publication.
Pourquoi c’est important pour vous, même si vous n’êtes pas dans la cosméto
Ce que fait Pierre Fabre, c’est un modèle pour n’importe quel secteur qui fait de la R&D avec des données complexes :
- Agroalimentaire : études de goût, analyses sensorielles, tests de conservation
- Automobile : tests de crash, analyses de comportement des matériaux
- Textile : résistance des tissus, études de confort
- Pharma : bon, là c’est évident
Le pattern est le même : beaucoup de données, besoin d’objectivité, coûts énormes de l’approche manuelle.
Si vous travaillez dans un de ces secteurs et que vous ne testez pas l’IA pour vos études, vous avez 2-3 ans de retard. Maximum.
Mon verdict
Pour une fois, une entreprise française n’annonce pas qu’elle “explore l’IA” pour faire joli dans les slides. Pierre Fabre a un vrai use case, dans un vrai secteur où l’IA peut apporter une vraie valeur.
C’est rare. C’est précieux. Et si ça marche, ça va créer un précédent que d’autres vont suivre.
Mon seul conseil : restez concrets, restez humbles, et surtout, gardez des humains pour valider. L’IA qui analyse la peau, c’est génial. L’IA qui décide toute seule de lancer un produit sur le marché, c’est terrifiant.
Ce que vous pouvez tester dès maintenant
Vous n’êtes pas un labo pharmaceutique ? Pas grave. Vous pouvez quand même utiliser ce principe.
Si vous faites des études de marché, des tests utilisateurs, des analyses de feedback clients : balancez tout ça à Claude. Structurez vos données (même vaguement), et demandez-lui de trouver des patterns.
Exemple concret :
Voici 200 avis clients sur notre nouvelle application.
Identifie les 5 problèmes qui reviennent le plus souvent.
Pour chaque problème, donne-moi :
- Le nombre d'occurrences
- La gravité perçue (faible/moyenne/haute)
- Des citations exactes représentativesÇa vous prendra 2 minutes. Manuellement, ça vous prendrait 3 heures et vous rateriez la moitié des trucs.
C’est exactement ce que fait Pierre Fabre, juste à une échelle industrielle. Le principe reste le même : utiliser l’IA pour voir ce que l’humain ne voit pas, pas pour remplacer l’humain.
Allez, testez ça cette semaine. Et si vous bossez chez Pierre Fabre et que vous voulez échanger sur vos résultats, je suis preneur.
