Découvrez l’interview exclusive de Gosia Warminska-Marczak, Directrice commerciale Éducation (DACH, Europe de l’Est et France) chez Elsevier. Elle explore la sous-représentation des femmes dans l’IA, les conditions nécessaires pour des outils d’IA médicale véritablement inclusifs, et comment la formation médicale peut intégrer l’IA sans perdre l’élément humain.
Quel rôle jouent aujourd’hui les femmes dans le développement de l’IA et de l’éducation en santé ? Sont-elles suffisamment représentées ?
Ce que les données révèlent sur la place des femmes dans l’IA
Les femmes jouent un rôle très important, mais je ne pense pas qu’elles soient bien représentées — et les chiffres le montrent clairement. Selon l’Organisation mondiale de la santé, les femmes représentent la majorité des salariés dans le secteur de la santé. Pourtant, lorsqu’on regarde qui construit réellement l’IA, le tableau est très différent.
Selon les données disponibles sur SheAI, les femmes n’occupent qu’environ 22 % des postes liés à l’IA à l’échelle mondiale, et moins de 14 % des postes de direction senior dans l’IA. D’après l’UNESCO, seulement 12 % des chercheurs en IA dans le monde sont des femmes.
En Europe spécifiquement, la part des femmes dans les emplois technologiques est passée de 22 % à 19 % depuis 2023, selon le Forum économique mondial. Et d’après l’Organisation internationale du travail, les rôles majoritairement occupés par des femmes sont presque deux fois plus exposés aux perturbations liées à l’IA.
Les femmes adoptent l’IA, mais ont-elles un pouvoir égal pour la façonner ?
Il y a aussi de bonnes nouvelles. Selon Deloitte, l’adoption de l’IA générative par les femmes aux États-Unis a triplé en un an — à un rythme plus rapide que chez les hommes. Les femmes s’engagent donc massivement avec l’IA. La vraie question est : avons-nous un pouvoir égal pour la façonner ?
“Si les données et la conception ne reflètent pas les femmes, les outils fonctionnent moins bien pour la moitié de la population. C’est pourquoi nous avons besoin des femmes au stade de la conception, pas seulement comme utilisatrices finales.”
Gosia Warminska-Marczak, Directrice commerciale Éducation chez Elsevier, juillet 2026
Qu’apporte une perspective féminine à la transformation numérique des soins de santé ? Existe-t-il encore des lacunes en matière de représentation et de diversité de genre ?
Pourquoi la diversité de genre dans la conception de l’IA est cruciale en santé
La perspective féminine apporte énormément, non seulement en termes d’équité mais aussi de qualité des outils. La santé est profondément genrée. Les maladies peuvent se manifester différemment chez les femmes et les hommes. Les réponses aux traitements diffèrent, tout comme les priorités de soin. Si les personnes qui conçoivent les outils d’IA ne sont pas représentatives, ces différences sont intégrées dès le départ et reproduites à grande échelle.
Les femmes apportent souvent une approche plus contextuelle et centrée sur la relation, ce qui compte beaucoup en contexte clinique. Il y a aussi l’expérience vécue en tant que patiente et la façon de naviguer dans le système de santé, qui influence la façon dont on pense l’utilisabilité et l’accessibilité.
Le fossé de genre en santé est documenté et significatif
Les lacunes sont documentées. Un rapport sur les inégalités de genre en santé en Europe a révélé que 22 % des femmes dans l’Union européenne estiment que les hommes sont mieux traités par le personnel médical, soit près d’1 femme sur 4. Et selon des recherches sur les biais, certains outils diagnostiques d’IA ont montré une précision moindre pour les femmes noires, en partie parce que les données des essais cliniques ont historiquement été biaisées en faveur des hommes.
Ce n’est donc pas théorique. Si les données et la conception ne reflètent pas les femmes, les outils fonctionnent moins bien pour la moitié de la population. C’est pourquoi nous avons besoin des femmes au stade de la conception, pas seulement comme utilisatrices finales.
Où en est l’utilisation de l’IA dans la formation médicale ? Est-ce déjà une réalité ou reste-t-il beaucoup de chemin à parcourir ?
L’IA en formation médicale est déjà là, et l’adoption par les étudiants a explosé
C’est déjà en cours. Ce n’est pas le futur, c’est la réalité dans les salles de cours aujourd’hui. Les étudiants utilisent des outils d’IA que leurs établissements aient ou non des politiques formelles à ce sujet. Selon une étude américaine, l’adoption par les étudiants est passée de 24 % à 77 % entre 2024 et 2025. Aujourd’hui, elle se rapproche probablement de 100 % dans certaines régions du monde.
La question n’est plus « si », mais « comment » utiliser l’IA
Les outils sont là. Le grand débat n’est plus « si », mais « comment », comment utiliser ces outils de manière responsable et comment préserver la pensée critique. Pour moi, un principe ne peut pas changer : le médecin est en dernier ressort responsable du diagnostic et du traitement. Cette responsabilité ne peut pas être déléguée à une machine. L’IA peut soutenir le médecin, mais elle ne peut pas se substituer à cette responsabilité.
La formation médicale doit donc accomplir trois choses simultanément :
- Intégrer l’IA comme outil d’apprentissage
- Renforcer le raisonnement clinique
- Reconnaître que l’élément humain est plus important que jamais
L’enseignement formel de l’IA dans les facultés de médecine est très en retard
Voici le problème : la plupart des étudiants reçoivent encore très peu de formation formelle sur l’IA. La plupart des enseignants reconnaissent l’importance de l’IA, mais peu se sentent suffisamment compétents pour l’enseigner. Les étudiants utilisent ces outils quotidiennement, tandis que l’enseignement formel est très en retard. Combler ce fossé est l’une des tâches les plus urgentes pour les facultés de médecine aujourd’hui. Mais pour réussir cette prousse, c’est très compliqué car un grand nombre d’enseignant estiment ne pas avoir assez de temps pour assurer leur cours et se former en même temps. Pour répondre à cette problématique, il apparaît pourtant que les enseignants en santé doivent se former tout à long de leur vie.
Quels sont les facteurs clés qui garantissent la mise en œuvre d’une IA fiable en formation médicale ?
Une IA fiable commence par un contenu de confiance, revu par les pairs
Pour moi, tout se résume à quelques éléments. Le premier, c’est le contenu qui sous-tend l’outil. L’IA doit s’appuyer sur des contenus fiables et revus par des pairs. C’est là que les éditeurs et les établissements académiques ont un vrai rôle à jouer : la qualité de ce qui sort dépend de la qualité de ce qui entre. De ce point de vue, ClinicalKey Student et ClinicalKey Student Nursing sont des plateformes fantastiques de contenu car elle réunissent les meilleurs ouvrages (Gray’s Atlas d’anatomie Humaine, l’Atlas Netter d’anatomie humaine, les Référentiels des Collèges…), les meilleurs revues (Soins, la Revue de l’infirmière…) et les Traités EMC d’Elsevier.
Les hallucinations de l’IA en santé : bien plus qu’un simple désagrément
Le deuxième facteur est celui des hallucinations, c’est l’un des risques les plus importants. Un système peut générer quelque chose qui semble très assuré mais qui est tout simplement faux. Dans la vie courante, c’est gênant. Dans un contexte médical, cela peut être véritablement dangereux.
La littératie IA ne peut pas être une option
Le troisième facteur est la littératie IA. Je crois sincèrement que la littératie en matière d’IA doit devenir une compétence clinique fondamentale, et non un simple complément. Les étudiants doivent comprendre comment fonctionne l’IA, où elle échoue, comment questionner ce qu’elle produit et ne pas accepter une réponse simplement parce qu’elle a l’air professionnelle.
Ce que les institutions doivent faire : politiques et assurance qualité
Du côté institutionnel, deux facteurs supplémentaires sont essentiels. D’abord, des politiques claires définissant où l’IA est appropriée ou non. Ensuite, une véritable assurance qualité avant toute utilisation de l’IA dans l’enseignement. Nous n’introduirions jamais un dispositif médical sans le tester, nous devrions traiter l’IA exactement de la même façon.
Une IA fiable en formation médicale ne dépend pas d’un seul facteur. C’est une combinaison de contenus de confiance, de conscience des risques, d’utilisateurs compétents, de règles claires et de vérifications appropriées avant déploiement. Dans cette optique, les formateurs ont tout interêt à utiliser l’IA pour motiver et impliquer les étudiants pendant le cours et en dehors.
Comment définir une IA véritablement inclusive (qui prend en compte la diversité) dans le contexte de la formation médicale ?
Une IA inclusive requiert des données d’entraînement qui reflètent tous les patients
Tout commence à la source, avec les données d’entraînement. Ces données doivent refléter la pleine diversité des patients réels (différents sexes, ethnies, âges et géographies) car un outil ne peut apprendre que de ce qu’il a vu.
On ne peut pas corriger un biais qu’on ne mesure pas
Il y a une règle à laquelle je reviens toujours : on ne peut pas corriger un biais qu’on ne mesure pas. Les données désagrégées par sexe et par origine ethnique doivent devenir la norme, pas l’exception. C’est seulement ainsi que l’on peut voir où se situent les problèmes.
L’étape suivante est l’audit des biais. Cela devrait être une exigence avant le déploiement, pas quelque chose que l’on vérifie après coup, une fois que l’outil d’IA est déjà utilisé pour former des étudiants.
Le contenu pédagogique lui-même doit s’appuyer sur des cas patients diversifiés : différents âges, ethnies, géographies, comme je l’ai mentionné.
Des équipes diversifiées pour construire des outils d’IA : une nécessité
Enfin, il y a les équipes. Nous avons besoin d’équipes diversifiées pour construire ces outils (des femmes, des cliniciens issus de contextes différents, des formateurs de différents systèmes de santé) car les enjeux sont élevés. Une IA biaisée en formation médicale ne produit pas seulement un outil inéquitable : elle forme la prochaine génération de médecins à des schémas biaisés. Si nous faisons fausse route, nous enseignons cette erreur à des milliers de futurs médecins. C’est pourquoi l’inclusion n’est pas facultative.
“Les défis sont importants, mais je reste optimiste. Si nous impliquons les bonnes personnes et maintenons l’élément humain au centre, l’IA peut véritablement améliorer la façon dont nous formons les futurs médecins.”
Gosia Warminska-Marczak, Directrice commerciale Éducation chez Elsevier, juillet 2026
Quels sont les principaux défis liés à l’utilisation de l’IA dans la formation des futurs professionnels de santé ?
Étudiants et enseignants doivent comprendre les limites de l’IA
Je vais les regrouper en quelques domaines. Le premier est la littératie numérique et IA. Les étudiants et les enseignants doivent aller au-delà de l’utilisation de l’IA comme un meilleur moteur de recherche et vraiment développer une compréhension de ses limites. L’intêret de faire lire les étudiants en santé est majeur pour enrichir leurs connaissances et leur pensée critique.
La dépendance excessive à l’IA risque d’affaiblir le raisonnement clinique
Le deuxième défi est la préservation de la pensée critique. Il y a un vrai risque de dépendance excessive. Si les étudiants utilisent l’IA pour court-circuiter le processus de raisonnement, ils sautent le travail mental qui construit véritablement l’expertise. Ce raisonnement prend du temps, mais c’est ainsi qu’on devient un bon médecin.
L’IA ne peut pas enseigner l’empathie et nous ne devons pas la négliger
Le troisième défi est, à mes yeux, très important : la dimension humaine. L’empathie, la communication, la sensibilité culturelle, la présence authentique avec un patient, l’IA ne peut pas enseigner ces choses, et il y a un risque que nous les dépriiorisions simplement parce qu’elles sont plus difficiles à mesurer.
Le quatrième défi est celui de l’éthique : vie privée des données, responsabilité et connaissance des limites. Beaucoup de ces questions sont encore en cours d’élaboration et les formateurs doivent les naviguer avec soin.
Accès et équité : l’IA va-t-elle creuser les inégalités existantes ?
Le dernier défi est celui de l’accès et de l’équité. Les outils d’IA coûtent de l’argent et nécessitent des infrastructures et tous les établissements ou pays n’ont pas un accès égal. Il y a un danger que l’IA creuse les inégalités existantes.
Les défis sont donc importants, mais je reste optimiste. Si nous impliquons les bonnes personnes et maintenons l’humain au centre, l’IA peut véritablement améliorer la façon dont nous formons les futurs médecins.
