Thomas Cole, The Arcadian or Pastoral State, 1836
Usages crédibles, niveaux de vigilance et retours de déploiement.
Cette section ne présente pas l'IA comme une promesse abstraite. Elle part d'un cas publié dans Références en Santé au Travail : l'utilisation d'un grand modèle de langage comme second lecteur de préconisations médicales, avec un protocole, des critères et des limites explicites.
L'article L'intelligence artificielle en santé au travail : évaluation de son potentiel pour renforcer la précision et la clarté des préconisations médicales propose un exemple concret d'usage prudent : l'IA n'écrit pas à la place du médecin, elle aide à repérer les défauts de formulation avant envoi à l'employeur.
Lire l'article sur le site de l'INRSContexte des chiffres. Dans la base antérieure, 3 776 préconisations sur 4 217 ont fait l’objet d’un consensus multidisciplinaire ; 2 947, soit 78 %, présentaient au moins un défaut. Dans l’échantillon comparatif de 385 préconisations, l’étude rapporte 74,6 % de concordances, 10,5 % de discordances justifiées, 13,2 % de discordances par excès, 1,5 % de discordances par défaut et aucune hallucination.
Le cas d'usage le plus robuste est la relecture structurée des préconisations médicales selon cinq critères : imprécision, doute sur le caractère obligatoire, informations hors annexe 4, inaptitude déguisée ou changement de poste excessif, rupture du secret médical.
Apport pratique : sécuriser la clarté, la proportionnalité et la confidentialité avant transmission à l'employeur. Lire l'article TF 335Le modèle doit rester un outil d'assistance. Il peut signaler une ambiguïté, proposer une alerte ou inviter à reformuler, mais la décision médicale, la contextualisation du poste et la responsabilité de l'avis restent du ressort du médecin du travail.
Principe : supervision humaine, traçabilité, anonymisation, vérification systématique.Dans l'étude, le modèle tend à surdétecter les anomalies : 13,2 % de discordances par excès. Cette sévérité peut être acceptable pour une relecture de sécurité, mais elle impose une validation humaine afin d'éviter une médecine du travail trop défensive ou trop standardisée.
Lecture opérationnelle : un faux positif est acceptable s'il ouvre une réflexion ; il devient problématique s'il automatise la décision.Les usages sont présentés ici comme une échelle plutôt que comme une liste d'outils : de l'aide documentaire à faible risque jusqu'aux usages cliniques ou organisationnels qui appellent une évaluation formelle.
Ce niveau concerne les tâches où l'IA aide à lire, classer, résumer ou reformuler sans manipuler de données de santé identifiantes et sans produire d'effet direct sur un salarié.
Ce niveau concerne les usages proches du cœur de métier, comme la relecture de préconisations, la préparation d'une fiche d'entreprise, l'aide au DUERP ou la formation par cas simulés.
Ce niveau touche aux données personnelles, au suivi médical, aux signaux faibles collectifs ou à l'analyse de projets IA déployés dans les entreprises. Le bénéfice peut être important, mais le risque d'atteinte aux droits, à la confidentialité ou à l'autonomie est réel.
Ce que ça fait : transformer une veille dispersée en notes courtes et actionnables pour les équipes. L'outil peut résumer un article, extraire les implications pour un SPST, comparer plusieurs recommandations et proposer une liste de points à surveiller. Garde-fou : chaque affirmation doit renvoyer à une source vérifiable ; la synthèse doit distinguer clairement le fait établi, l'interprétation et l'avis éditorial.
Ce que ça fait : améliorer la clarté d'un courrier, d'une synthèse d'action en milieu de travail, d'un compte rendu ou d'un support de formation. L'IA peut aider à supprimer les ambiguïtés, réduire le jargon, neutraliser les formulations stigmatisantes et rendre le message plus opérationnel. Garde-fou : ne jamais introduire d'information médicale nouvelle ni laisser l'outil modifier le sens métier du message.
Ce que ça fait : décliner directement le cas publié dans le TF 335 : contrôle de la précision, de la temporalité, du caractère applicable, de l'absence d'information hors annexe 4, du risque d'inaptitude déguisée et du respect du secret médical. Sortie attendue : une alerte argumentée avec les critères concernés, pas une réécriture automatique ni une décision. Garde-fou : validation finale par le médecin du travail, car le contexte réel du poste peut justifier une formulation que l'IA juge trop sévèrement.
Ce que ça fait : organiser les observations terrain anonymisées en dangers, expositions, populations concernées, mesures existantes, lacunes et pistes de prévention. L'outil peut aider à homogénéiser les fiches d'entreprise ou à préparer une contribution au DUERP. Garde-fou : l'IA ne remplace ni la visite terrain, ni l'analyse du travail réel, ni la discussion collective avec l'employeur, les représentants du personnel et l'équipe pluridisciplinaire.
Ce que ça fait : générer des vignettes cliniques, QCM, exercices de raisonnement, simulations d'entretien ou cas de maintien en emploi. C'est particulièrement utile pour entraîner les internes, IDEST, IPRP et préventeurs à repérer les pièges : secret médical, formulation des préconisations, proportionnalité des aménagements. Garde-fou : tous les scénarios doivent être relus par un expert, car un cas plausible peut rester juridiquement ou médicalement faux.
Ce que ça fait : repérer des motifs récurrents dans des données agrégées : expositions répétées, verbatims anonymisés, demandes fréquentes, signaux RPS, difficultés de maintien en emploi. Intérêt : aider le SPST à passer d'une accumulation de cas individuels à une lecture collective de prévention. Garde-fou : pas de scoring individuel, pas de surveillance nominative, minimisation stricte des données et gouvernance médicale documentée.
Ce que ça fait : examiner en amont les effets probables d'un outil d'IA déployé par une entreprise adhérente : intensification, perte d'autonomie, surveillance, transformation des collectifs, conflits de valeurs, insécurité professionnelle. Intérêt : positionner le SPST comme acteur de prévention primaire des risques liés à l'IA. Garde-fou : solliciter la médecine du travail avant le déploiement, pas après les premiers effets délétères.
Ce que ça fait : préparer un suivi longitudinal, résumer un dossier complexe, retrouver des éléments utiles ou aider à structurer une consultation. Pourquoi c'est sensible : ce niveau peut impliquer des données de santé, des informations sociales, des restrictions d'aptitude ou des éléments de vie privée. Garde-fou : environnement maîtrisé, contrat explicite, absence de réutilisation des données, contrôle médical strict et possibilité de renoncer à l'outil si le bénéfice réel n'est pas démontré.
Gagner du temps sur les tâches rédactionnelles, homogénéiser certains contrôles qualité, rendre les préconisations plus claires, aider les équipes à accéder plus vite aux sources, préparer des supports pédagogiques et structurer les démarches de prévention.
Le bon usage est celui qui augmente la capacité d'analyse de l'équipe sans déplacer la responsabilité médicale vers l'outil.
Entrer des données identifiantes dans un outil non maîtrisé, générer automatiquement des avis médicaux, laisser l'IA décider d'une aptitude, utiliser des scores opaques pour prioriser les salariés ou déployer un outil sans analyse préalable du travail réel.
Le risque n'est pas seulement l'erreur technique ; c'est aussi l'usage organisationnel qui intensifie le travail, réduit l'autonomie ou brouille les responsabilités.
Chaque usage est analysé avec la même grille : tâche exacte, données nécessaires, bénéfice attendu, risques, niveau de supervision, critères d'arrêt et indicateurs de qualité.
Décrire précisément le problème métier : relire une préconisation, produire une synthèse sourcée, préparer une formation, analyser un projet IA. Aucun outil ne devrait être choisi avant cette étape.
Comparer les réponses de l'IA à une référence humaine, mesurer les erreurs, les omissions et les faux positifs, puis documenter les cas où l'outil ne doit pas être utilisé.
Tracer les usages, recueillir les retours des professionnels, réévaluer régulièrement le modèle et prévoir un arrêt du dispositif si les performances ou les conditions de sécurité changent.
Au-delà des démonstrations et des scores, les effets se lisent dans l’organisation, les emplois, les compétences, les arbitrages et les retours en arrière.
Au-delà des scores, une question compte pour la prévention : que se passe-t-il quand des entreprises déploient réellement l'IA ? Les premiers retours sont contrastés : certaines réorganisations l’invoquent, certaines entreprises réintroduisent davantage d’intervention humaine, et des rapports préliminaires décrivent un écart important entre expérimentation et impact financier. Ces signaux intéressent directement la santé au travail : emploi, charge, autonomie, qualité et insécurité.
Ces chiffres ne disent pas que l'IA « ne marche pas », mais que sa valeur dépend de l'organisation, de la tâche et de la place laissée au travail réel.
Trois situations documentées résument le spectre observé : l'IA invoquée pour licencier, la sur-automatisation corrigée, et le décalage général entre pilotes et résultats.
Cette entreprise de veille médiatique annonce en septembre 2023 un projet de PSE visant 217 postes sur 383, dans le contexte d’une automatisation accrue. Après les observations de l’administration, notamment sur l’information du CSE et l’évaluation des conséquences du projet, la première procédure est abandonnée en octobre 2023. L’entreprise indique alors qu’un nouveau projet pourrait être présenté.
Lecture santé au travail : la maturité du projet, son motif économique, l’information-consultation et l’évaluation des conséquences sur le travail doivent être documentés sans réduire l’analyse au seul mot « IA ».Klarna a présenté en 2024 son assistant conversationnel comme traitant une charge de travail équivalente à celle d’environ 700 agents à temps plein. Cette déclaration ne signifie pas que 700 salariés auraient été directement licenciés par l’outil. En 2025, l’entreprise recommence à recruter pour renforcer la qualité du service et privilégie davantage un modèle hybride.
Lecture santé au travail : ce cas illustre la nécessité de mesurer la qualité, les escalades, la charge résiduelle et les effets sur les métiers, plutôt que le seul volume traité.Un rapport préliminaire du projet MIT NANDA observe que la grande majorité des systèmes intégrés examinés n’avaient pas encore produit d’impact financier mesurable. Les auteurs mettent notamment en avant : intégration aux flux de travail, qualité des données, boucles de correction. À cela s'ajoute une « taxe de vérification » — le temps passé à contrôler une réponse fluide mais parfois fausse.
Lecture santé au travail : sans intégration, données propres et supervision, le gain affiché peut être annulé par la charge de vérification.Suppressions de postes, réorganisations, intensification, perte de sens ou insécurité de l'emploi sont des facteurs de risques psychosociaux au sens du rapport Gollac. Les retours de terrain confirment que ces effets se jouent en amont, dès la décision de déploiement.
C'est précisément là que la santé au travail a une place : objectiver les effets sur le travail réel avant, et non après, les premières difficultés.
Les échecs les plus visibles viennent d'un même réflexe : remplacer plutôt qu'augmenter, et déployer sans évaluer. Les trajectoires qui tiennent dans la durée combinent IA sur les tâches répétitives, humain sur les décisions sensibles, et mesure continue des erreurs.
C'est la même logique que celle proposée en pratique sur ce site : définir la tâche, tester sur cas réels, puis déployer avec journalisation et retour terrain.