Intelligence artificielle et transport sanitaire en 2026

L'intelligence artificielle appliquée au transport sanitaire souffre d'un problème de vocabulaire avant de souffrir d'un problème de technologie. L'essentiel de ce qui est vendu sous ce nom à une société d'ambulance relève de règles déterministes, explicables et anciennes : trier des équipages par distance, détecter un chevauchement d'horaires, repérer deux courses enchaînables. C'est utile, souvent très utile, mais ce n'est pas de l'apprentissage automatique. Cet article sépare les trois couches : ce que fait une heuristique, ce que fait un modèle, et ce que le droit autorise.

Il s'adresse aux dirigeants et aux régulateurs qui doivent arbitrer un investissement logiciel et qui, face à un argumentaire commercial, cherchent les bonnes questions plutôt que les bons mots. Il prolonge nos dossiers sur les kilomètres à vide, l'organisation du service de régulation et le cadre RGPD du transport sanitaire.

Ce que l'automatisation change vraiment dans une régulation

Trois familles de gains existent réellement dans une société de transport sanitaire, et deux d'entre elles ne nécessitent aucun modèle d'apprentissage. La première est l'aide à l'affectation. La deuxième est la construction d'un plan de journée. La troisième, la prévision de charge, est la seule qui relève franchement de l'apprentissage, et c'est aussi la plus difficile à évaluer de l'extérieur.

L'aide à l'affectation

À chaque nouvelle course, un moteur peut classer les équipages disponibles selon la distance au point de prise en charge, la charge déjà attribuée, la compatibilité du véhicule avec la mobilité demandée et le planning de l'équipe. Rien de tout cela n'a besoin d'être appris : ce sont des règles que l'on écrit, que l'on teste et que l'on explique. Le régulateur voit un classement justifié et tranche.

L'intérêt n'est pas de décider à sa place, c'est de lui éviter de refaire chaque jour le même arbitrage mécanique. Le temps récupéré se mesure en chronométrant la création puis l'affectation d'une course avant et après, sur un échantillon de courses comparables, comme nous le décrivons dans le dossier sur la charge administrative.

La construction d'un plan de journée

Proposer une répartition complète de la journée est un problème d'optimisation classique, avec des contraintes dures, comme la compatibilité véhicule ou l'absence de chevauchement, et des préférences souples, comme l'équilibre de charge entre chauffeurs. Là encore, le calcul peut être entièrement déterministe.

La prévision de charge

Anticiper le volume de la semaine suivante à partir de l'historique, de la saisonnalité et des séries récurrentes est le seul de ces trois usages où un modèle d'apprentissage apporte quelque chose qu'une règle simple n'apporte pas. C'est aussi le plus exposé au biais : un modèle entraîné sur l'historique d'une entreprise reproduit ses habitudes, y compris ses erreurs de dimensionnement. Les pics saisonniers en sont l'illustration la plus nette, qu'il s'agisse de la canicule ou du pic hivernal, dont le calendrier se décale d'une année sur l'autre. Une prévision doit donc être présentée avec son incertitude, jamais comme un chiffre sec.

Le biais mérite d'être compris concrètement, parce qu'il est contre-intuitif. Si votre entreprise a refusé, faute de véhicule disponible, une part des demandes reçues les mercredis matin, votre historique enregistre un volume faible ces jours-là. Un modèle entraîné dessus conclura que le mercredi matin est creux et recommandera d'y placer moins de moyens, ce qui vous fera refuser davantage de demandes, ce qui confirmera la prévision. La boucle se referme sur elle-même.

La parade est simple à énoncer et rarement mise en œuvre : conserver la trace des demandes refusées, avec leur motif, et les intégrer à la mesure de la demande. Le refus avec motif est une donnée de pilotage, pas un incident à oublier. C'est aussi le seul moyen de distinguer une baisse de demande réelle d'une baisse de capacité subie, distinction dont dépend toute décision d'investissement en véhicules. Les indicateurs à suivre pour objectiver ce point sont détaillés dans notre dossier sur le tableau de bord d'une société d'ambulance.

Ce que le moteur de plan du jour fait réellement, et pourquoi ce n'est pas de l'IA

Voici le détail de ce que calcule notre moteur, décrit sans le vocabulaire de l'intelligence artificielle, parce qu'il n'en relève pas. C'est un moteur de règles, et le dire permet de le juger sur pièces.

Il propose une journée entière selon quatre méthodes au choix : Équilibré, Habitudes, Trajets et Charge. La sortie prend la forme de propositions en pointillés, jamais appliquées d'office. Le régulateur valide globalement, par équipage ou course par course. Au delà de douze propositions, le bouton « Tout accepter » disparaît au profit d'une revue obligatoire : le produit refuse délibérément de laisser accepter en bloc un plan qui n'a pas été regardé.

La revue de plan est ordonnée par densité de décision plutôt que par ordre chronologique : d'abord les courses sans solution, avec leurs heures de pointe agrégées, ensuite les arbitrages, enfin le volume compressé. Quand les données d'entrée ont changé depuis le calcul, le plan signale qu'il a vieilli et propose un recalcul, au lieu de laisser croire qu'il est encore valide.

À côté du plan, un suggesteur de courses retour affiche des fantômes d'enchaînement directement sur le fil du jour : un équipage dépose un patient vers telle heure, une autre course part à deux kilomètres de là. La suggestion s'assigne ou s'ignore, avec possibilité d'annuler. Le compteur de kilomètres à vide économisés du rapport d'activité est calculé sur les suggestions réellement acceptées, pas sur les suggestions émises : c'est une différence de méthode qui change tout, parce qu'elle interdit de gonfler le chiffre en produisant plus de propositions. La méthode de mesure du taux de kilomètres à vide est détaillée dans notre pilier consacré au sujet.

Pour évaluer ce moteur, nous avons rejoué une journée témoin : les courses réelles d'une journée de pilote, replacées dans le moteur, pour comparer sa proposition à ce que la régulatrice avait effectivement fait. C'est un protocole d'évaluation, pas une preuve commerciale, et nous n'en publions pas de score : un résultat obtenu sur une journée d'une seule entreprise ne se généralise pas, et le présenter comme une performance serait exactement le travers que cet article dénonce.

L'intelligence artificielle a-t-elle le droit de décider en transport sanitaire ?

Pas seule, dès lors que la décision produit des effets significatifs sur une personne. L'article 22 du RGPD reconnaît le droit de ne pas faire l'objet d'une décision fondée exclusivement sur un traitement automatisé produisant des effets juridiques ou affectant significativement la personne. Dans une société de transport sanitaire, la personne concernée est d'abord le salarié.

Le volet salarié

Un moteur qui répartit les courses détermine, de fait, la charge de travail, l'amplitude et les déplacements de chaque équipage. Le laisser appliquer son plan sans intervention humaine ferait basculer l'organisation du travail dans une décision entièrement automatisée. C'est la raison pour laquelle une validation humaine obligatoire est une garantie juridique autant qu'un choix d'ergonomie. Le même raisonnement s'applique aux données de position : la géolocalisation d'un véhicule est la géolocalisation de son conducteur, un sujet que nous traitons dans le dossier géolocalisation certifiée.

Le volet européen

Le règlement (UE) 2024/1689 (nouvel onglet), dit règlement sur l'intelligence artificielle, classe les systèmes selon leur niveau de risque et impose des obligations de transparence croissantes. Son calendrier d'application est échelonné et a fait l'objet d'ajustements : plutôt que d'en donner ici une date qui pourrait être périmée à votre lecture, nous renvoyons au texte consolidé sur EUR-Lex. Le point stable, lui, ne bouge pas : un système d'aide à la décision doit être présenté comme tel à celui qui l'utilise.

La ligne rouge de la donnée de santé

C'est la frontière la plus concrète et la moins comprise. Un logiciel de dispatch manipule des adresses, des horaires, une mobilité requise et un nom. Il ne manipule pas de pathologie, pas de motif médical, pas de numéro de sécurité sociale. Dès qu'il lit une prescription de transport, il change de régime : la prescription est un document médical, et son contenu est une donnée de santé, avec les obligations d'hébergement et de sécurité correspondantes.

C'est pourquoi la lecture automatique du bon de transport, souvent présentée comme le cas d'usage le plus évident de l'IA en transport sanitaire, est aussi le plus engageant. Nous l'avons bloquée dans notre produit pour cette raison précise, en attendant un avis juridique préalable. Un éditeur qui la propose n'est pas nécessairement en faute, mais il doit pouvoir répondre en une phrase à la question de l'hébergement.

Cinq questions à poser à un éditeur qui vend de l'intelligence artificielle

Ces questions ne demandent aucune compétence technique. Elles se posent par écrit et les réponses se comparent d'un fournisseur à l'autre.

1. Sur quelles données votre modèle est-il entraîné ? Si la réponse est « il n'est pas entraîné », vous avez affaire à une heuristique. Ce n'est pas disqualifiant, c'est souvent préférable, mais le mot IA devient alors abusif.
2. La décision est-elle applicable sans validation humaine ? Si oui, demandez comment l'article 22 du RGPD est traité.
3. Le motif du transport ou la prescription entrent-ils dans le traitement ? Si oui, la question suivante devient obligatoire.
4. Où sont hébergées les données, et sous quel régime ? L'hébergement de données de santé relève d'une certification spécifique. Un éditeur qui manipule des prescriptions sans pouvoir en parler doit vous alerter.
5. Qu'affichez-vous quand le modèle se trompe ? Un système honnête montre son incertitude et permet de revenir en arrière. Un système qui ne se trompe jamais dans la démonstration se trompera chez vous.

La colonne de droite mérite une précision : elle ne dit pas que ces produits sont mauvais, elle dit que ces phrases ne permettent pas d'en juger. Un gain chiffré devient exploitable dès qu'il est accompagné de la méthode qui l'a produit, du périmètre mesuré et de la période d'observation.

À partir de quelle taille un modèle a-t-il de quoi apprendre ?

C'est la question que personne ne pose au vendeur, et c'est pourtant celle qui décide de la valeur réelle du produit. Un modèle d'apprentissage a besoin d'exemples. Une entreprise de trois véhicules qui réalise une quinzaine de courses par jour produit quelques milliers de courses par an, dont une partie est répétitive parce qu'elle correspond à des séries récurrentes.

Sur ce volume, un modèle de prévision de charge apprend surtout la régularité des séries, c'est à dire exactement ce qu'un calendrier de transports récurrents contient déjà explicitement. Le gain marginal de l'apprentissage par rapport à une simple lecture du planning des séries est alors faible, voire nul. La question n'est donc pas « ai-je les moyens de l'IA », mais « ai-je le volume qui la rend supérieure à une règle ».

Trois signaux indiquent qu'une heuristique suffit encore. Vos courses sont majoritairement récurrentes et connues à l'avance. Votre zone d'activité est restreinte et vos temps de trajet sont stables. Vos équipages sont peu nombreux, donc le nombre de combinaisons d'affectation reste petit. À l'inverse, une flotte large sur un territoire étendu, avec une part importante de courses non programmées, est le terrain où l'apprentissage commence à produire ce qu'une règle ne produit pas.

Cette lecture par la taille vaut aussi pour l'organisation. Une société qui mutualise sa régulation avec d'autres transporteurs change de volume et donc de régime, un point développé dans notre dossier sur les modèles d'organisation du service de régulation.

Comment tester un moteur d'affectation avant de signer

Les démonstrations commerciales se déroulent sur des données préparées, où le moteur a nécessairement raison. Le seul test qui vaut consiste à lui donner une journée que vous connaissez par cœur et à comparer sa proposition à ce que vous avez réellement fait. Voici le protocole, qui se mène en une demi-journée et ne demande aucun outil particulier.

1. Choisissez une journée passée représentative, ni la plus calme ni la plus catastrophique. Une journée de milieu de semaine, avec un volume ordinaire et au moins un imprévu, donne le bon niveau de difficulté.
2. Reconstituez les données d'entrée telles qu'elles étaient le matin, pas telles qu'elles ont fini : les courses connues à l'ouverture, les équipages présents, les véhicules disponibles, les absences déjà saisies. Le piège classique est de fournir au moteur des informations que le régulateur n'avait pas encore.
3. Faites tourner le moteur et figez sa proposition avant de la comparer. Notez le nombre de courses laissées sans solution, c'est l'indicateur le plus honnête : un moteur qui place tout est un moteur qui a assoupli une contrainte quelque part.
4. Comparez course par course avec ce qui a réellement eu lieu. Les écarts intéressants ne sont pas ceux où le moteur perd, mais ceux où il gagne pour une mauvaise raison, par exemple en ignorant une préférence d'équipage que personne ne lui a déclarée.
5. Rejouez la journée avec un imprévu injecté : une course urgente à onze heures, ou un véhicule immobilisé. Un moteur utile recalcule et signale que le plan a vieilli. Un moteur décoratif propose la même chose qu'avant.

Deux règles rendent ce test concluant. La première : ne le faites pas avec le commercial à côté de vous, faites-le avec votre régulateur, qui est le seul à savoir pourquoi telle course est allée à tel équipage. La seconde : gardez la trace écrite du résultat. Elle vous servira six mois plus tard, quand il faudra décider de renouveler, et elle constituera votre point de comparaison si vous évaluez un second fournisseur.

Ce protocole a un effet secondaire utile. En reconstituant les données d'entrée du matin, on découvre souvent que la moitié des informations dont le moteur aurait eu besoin n'était pas dans le système, mais dans la tête du régulateur ou sur un papier. C'est un diagnostic gratuit de votre propre organisation, et il vaut souvent plus que le verdict rendu sur le logiciel.

Ce que SanteMobile ne fait pas, et pourquoi

Par souci de cohérence avec ce qui précède, voici la liste des fonctionnalités souvent associées à l'IA en transport sanitaire que notre produit ne fournit pas aujourd'hui.

• Lecture automatique du bon de transport, pour la raison de données de santé exposée plus haut
• Score de risque de rendez-vous manqué : nous ne calculons aucune probabilité de no-show, et le sujet est traité par des leviers organisationnels dans notre dossier no-show ambulance
• Détection d'anomalie de facturation : aucun flux de facturation ne transite par la plateforme, l'export des courses au format CSV/XLSX est repris dans votre logiciel de facturation agréé
• Envoi de SMS aux patients : les notifications passent par l'application, pas par la messagerie
• Trace du consentement au transport partagé : le plan du jour propose bien des regroupements de patients assis, avec les plafonds du décret 2025-202 appliqués par des règles et non par un modèle, mais l'accord ou le refus du patient n'est pas tracé dans la plateforme

Ce que nous fournissons, à l'inverse, est décrit plus haut et vérifiable en démonstration. Ce qui est en chantier figure sur notre feuille de route, sans calendrier annoncé quand nous n'en avons pas.

Vous évaluez un logiciel de régulation et vous voulez faire la part entre ce qui est calculé et ce qui est raconté ? Essayez la démo, puis rejoignez la bêta SanteMobile pour voir le moteur proposer sur vos propres courses, puis se tromper.