Aller au contenu
← Tous les articles
Cas8 min de lecture

Automatiser la documentation en santé : ce qu'on a appris

Raphaël Dionne
Raphaël Dionne
Avenor Innovations · Mars 2026
Une employée à un poste de travail couvert de papiers

Le secteur public de la santé gère des volumes considérables de documentation administrative. Le traitement, la classification et la rédaction de ces documents consomment un temps énorme, du temps qui pourrait servir aux personnes plutôt qu'aux dossiers. C'est un terrain idéal pour l'IA, mais aussi l'un des plus exigeants.

Pourquoi la santé n'est pas comme les autres secteurs

Automatiser dans un atelier manufacturier et automatiser dans un établissement de santé, ce n'est pas le même métier. En santé publique, trois contraintes changent tout.

  • La Loi 25. La protection des renseignements personnels n'est pas optionnelle. Chaque traitement doit être pensé pour la conformité dès la conception.
  • Des données sensibles. On ne déplace pas des informations confidentielles vers n'importe quel outil. L'architecture et l'hébergement comptent autant que le modèle.
  • L'enjeu humain. Une erreur de classification peut avoir des conséquences réelles. La validation humaine sur les décisions sensibles est non négociable.

Ce qui marche

Concrètement, l'IA est très efficace pour assister plutôt que remplacer, sur trois types de tâches : l'extraction d'information dans des documents non structurés, la classification et le routage vers le bon processus, et la rédaction de premières versions de rapports que des humains revoient ensuite.

Le bon modèle n'est pas que l'IA décide, mais que l'IA prépare et que l'humain valide. L'agent fait le travail répétitif de lecture et de mise en forme, la personne garde le jugement et la responsabilité. C'est ce qui rend l'automatisation acceptable, et adoptée, dans un milieu sensible.

Ce qui est plus difficile que prévu

  • La confiance. Les équipes doivent voir l'outil se tromper et être corrigé avant d'y faire confiance. Ça se gagne par étapes, pas par décret.
  • L'intégration aux systèmes existants. Le plus dur n'est pas le modèle d'IA, c'est de le connecter proprement et de façon sécuritaire aux outils déjà en place.
  • La traçabilité. Tout traitement doit être journalisé : qui a vu quoi, quand, et quelle décision a été prise. C'est exigeant, mais c'est ce qui rend le projet défendable.

Trois leçons à retenir

  • La conformité d'abord. Intégrez la Loi 25 et la sécurité dès la première ligne du projet, pas à la fin.
  • Human-in-the-loop par défaut. Sur les décisions sensibles, l'humain valide toujours.
  • Commencez par un flux, pas par tout. Un seul processus bien automatisé crée plus de valeur qu'une grande plateforme jamais finie.

Ces principes ne ralentissent pas le projet, ils le rendent possible. Dans le secteur public comme ailleurs, la valeur ne vient pas de la technologie la plus avancée, mais de la solution que les équipes utilisent vraiment, en toute confiance.

Écrit à partir du mandat mené au Commissariat aux plaintes et à la qualité des services de Santé Québec Capitale-Nationale – Universitaire, anciennement le CIUSSS de la Capitale-Nationale, publié avec son accord.

Vous travaillez dans le secteur public ou un milieu réglementé ? Réservez une rencontre exploratoire de 30 minutes pour discuter d'une approche conforme et concrète.

Ce qui suit a été livré

Ce que cet article avance, on l'a mis en production chez un client. Le cas raconte ce qui a été bâti, comment, et ce que ça a changé.

Commissariat aux plaintes et à la qualité des services, Santé Québec Capitale-Nationale – Universitaire
Santé publiqueLire l'étude de cas →