Une équipe de chercheurs de la Yale School of Medicine vient de publier un nouvel outil d'évaluation conçu pour optimiser l'intelligence artificielle dans la prise de décision clinique. Intitulé MedicalAgentsBench, ce benchmark répond à un débat majeur au sein du développement des grands modèles de langage : quelle architecture est la plus adaptée aux scénarios médicaux complexes, celle qui s'appuie sur une équipe de plusieurs modèles interagissant entre eux ou celle d'un modèle unique doté d'un raisonnement interne profond ? Dans la pratique médicale, les décisions relèvent traditionnellement de comités multidisciplinaires. Pour imiter cette dynamique, les chercheurs ont développé deux approches distinctes. La première, dite externalisée, orchestre plusieurs modèles spécialisés qui échangent et négocient avant de formuler une réponse. La seconde, dite internalisée, utilise un seul modèle formé par apprentissage par renforcement pour structurer sa réflexion étape par étape avant de répondre. Les tests précédents sur les systèmes d'intelligence artificielle peinent à différencier ces architectures, car les modèles atteignent souvent un plafond de performance sur les examens standardisés ou se contentent de mémoriser des réponses au lieu de raisonner véritablement. Pour pallier ces limites, l'équipe de Mark Gerstein, en collaboration avec les chercheurs principaux Yanjun Daniel Shao et Xiangru Robert Tang, a conçu MedicalAgentsBench. Publié dans la revue Patterns, cet outil repose sur huit ensembles de données médicales existantes afin de générer plus de huit cents questions complexes exigeant une réflexion multicouche. L'objectif est d'évaluer la capacité réelle des systèmes à déduire des solutions plutôt qu'à réciter des connaissances acquises lors de leur entraînement. Les résultats de ces tests révèlent qu'aucune des deux méthodes ne surpasse systématiquement l'autre. Au contraire, elles s'avèrent complémentaires. L'intégration d'agents externes au sein de modèles à raisonnement interne améliore significativement leurs performances sur les tâches médicales exigeantes. Cette découverte offre une feuille de route claire pour les développeurs souhaitant créer des outils d'assistance clinique plus robustes et plus précis. Au-delà de l'évaluation pure, ce benchmark répond à un enjeu concret du secteur de la santé. Les établissements hospitaliers ne peuvent pas recourir directement aux modèles publics pour des questions de confidentialité des données des patients. MedicalAgentsBench leur fournit désormais un cadre de test fiable pour mesurer l'efficacité et le coût de leurs propres systèmes avant leur déploiement. En facilitant la conception d'architectures hybrides et sécurisées, cet outil accélère l'intégration responsable de l'intelligence artificielle dans les protocoles de soin modernes.