L’intelligence artificielle (IA) ne remplace pas les radiologues, malgré les progrès spectaculaires des modèles d’IA en imagerie médicale. Depuis la sortie de CheXNet en 2017, capable de détecter la pneumonie avec une précision supérieure à celle d’un panel de radiologues certifiés, des dizaines de start-ups comme Annalise.ai, Lunit, Aidoc ou Qure.ai ont développé des outils capables de diagnostiquer des centaines de pathologies avec une performance supérieure aux humains sur des tests standardisés. Certains modèles, comme IDx-DR, sont même approuvés pour fonctionner sans lecture humaine. En 2025, plus de 700 dispositifs d’IA radiologique sont homologués par la FDA, représentant trois quarts des appareils médicaux d’IA approuvés. Pourtant, la demande pour les radiologues ne faiblit pas. En 2025, les programmes américains de formation en radiologie ont offert un record de 1 208 postes, une hausse de 4 % par rapport à 2024, tandis que les taux de postes vacants atteignent des niveaux historiques. Le salaire moyen des radiologues aux États-Unis s’élève à 520 000 dollars, soit une augmentation de 48 % depuis 2015. Trois raisons expliquent ce paradoxe : d’abord, les performances des modèles chutent considérablement en conditions réelles d’hôpital, notamment à cause de la variabilité des équipements, des protocoles d’acquisition ou des données non représentatives (souvent biaisées envers les hommes, les adultes ou les groupes ethniques majoritaires). Ensuite, les régulateurs et assureurs maladie restent réticents à autoriser ou à rembourser des systèmes autonomes, craignant les erreurs massives et les litiges. Enfin, les radiologues ne passent qu’une minorité de leur temps à interpréter des images : la majorité de leur travail consiste à communiquer avec les cliniciens, accompagner les patients, former du personnel ou ajuster les protocoles d’imagerie. Les modèles actuels sont spécialisés dans des tâches très ciblées : un modèle ne détecte qu’un seul signe (par exemple, des nodules pulmonaires), et une analyse complète nécessite l’usage de dizaines de modèles distincts. Même avec des centaines de modèles approuvés, ils couvrent seulement une faible partie des examens réels, concentrés sur des pathologies comme le cancer du sein, le cancer du poumon ou les AVC. Les images complexes comme les échographies, variables selon les angles, restent difficiles à traiter. De plus, les performances en conditions réelles sont souvent bien inférieures à celles observées en laboratoire, avec des baisses de performance pouvant atteindre 20 points de pourcentage. L’histoire du système d’aide au diagnostic mammographique (CAD) illustre ce fossé : approuvé en 1998, il a conduit à une augmentation des biopsies sans améliorer la détection du cancer. Les radiologues ont trop dépendu des alertes, même quand elles étaient erronées, et ont ignoré des lésions en l’absence de signal. En 2018, Medicare a cessé de rémunérer les examens avec CAD, jugé inefficace. Les barrières réglementaires et d’assurance persistent : les outils autonomes doivent prouver qu’ils refusent les images de mauvaise qualité, ce qui reste difficile. Et les assureurs refusent généralement de couvrir les erreurs d’IA, souvent en incluant des clauses d’exclusion explicites. Seul IDx-DR, avec une garantie de responsabilité de l’éditeur, peut fonctionner en autonomie. Enfin, l’effet de Jevons s’applique : plus les examens sont rapides et moins chers, plus ils sont utilisés. Depuis la numérisation des images, l’utilisation moyenne par patient a augmenté de 60 % entre 2000 et 2008, sans réduction du personnel. L’IA, comme la numérisation avant elle, accroît la productivité, mais augmente aussi la demande. En conclusion, les modèles d’IA en radiologie sont puissants, mais leur adoption est freinée par des contraintes techniques, réglementaires et humaines. Le résultat n’est pas la disparition des radiologues, mais une transformation de leur rôle : plus de coordination, de communication, de supervision. L’IA n’efface pas les métiers, elle les redéfinit. Ce constat s’applique à de nombreux métiers à forte valeur cognitive, où les humains restent indispensables pour gérer la complexité, le contexte et les responsabilités éthiques.