Au WIRED Health à Londres le 16 avril, le chirurgien Ara Darzi — directeur de l'Institute of Global Health Innovation à l'Imperial College London — a décrit ce qu'il a appelé « le premier vrai point d'inflexion » dans la crise de la résistance aux antibiotiques. Les infections résistantes causent plus d'un million de morts par année à l'échelle mondiale, pis contribuent à près de 5 millions de plus, selon les chiffres cités dans la couverture de Wired. Un rapport de The Lancet de 2024 a projeté que les infections résistantes pourraient causer 40 millions de morts d'ici 2050. Les diagnostics traditionnels — la mise en culture de bactéries à partir d'un échantillon pour déterminer quel antibiotique va marcher — prennent deux à trois jours, pis c'est du temps que les patients atteints de sepsis n'ont pas : chaque heure de traitement retardé, le risque de mort augmente de 4 à 9 %. Pendant qu'on attend, les médecins devinent quels antibiotiques prescrire.

L'IA change cette équation sur trois axes. Premièrement, le diagnostic. Darzi a cité des systèmes IA qui frappent une précision au-dessus de 99 % sans infrastructure de labo additionnelle — c'est la clause « sans infra additionnelle » qui compte pour le déploiement dans des milieux à faibles ressources, où l'OMS estime qu'une infection signalée sur trois est déjà résistante en Asie du Sud-Est pis en Méditerranée orientale, pis une sur cinq en Afrique. Deuxièmement, la découverte de médicaments. Le NHS britannique travaille avec Google DeepMind sur un système IA qui, dans une démo, a identifié des mécanismes de résistance inconnus jusqu'à là en 48 heures, fissurant un mystère que des chercheurs de l'Imperial avaient passé une décennie à essayer de résoudre. Troisièmement, l'expérimentation à l'échelle : couplé à un labo automatisé, des modèles deep learning peuvent rouler des centaines d'expériences en parallèle 24/7 pis cribler des milliards de structures moléculaires en quelques jours, pendant que de l'IA générative est utilisée pour le design de candidats-médicaments.

L'histoire économique, c'est la plus dure. La raison pour laquelle y a peu de nouveaux antibiotiques dans le pipeline, c'est que le marché punit la seule version réussie du produit : un nouvel antibiotique qui marche devrait être utilisé le moins possible pour retarder la résistance, ça veut dire faible volume de ventes, ça veut dire faible ROI pour le pharma, ça veut dire sous-investissement en R&D. Le cadrage de Darzi — « un manque d'incitatifs veut dire que l'innovation pourrait ne pas atteindre les patients » — c'est la version polie de dire que la moitié découverte du problème se règle par l'IA plus vite que la moitié économie de déploiement se règle par n'importe qui. L'IA peut trouver des molécules candidates; l'IA peut pas régler le fait que les compagnies pharma font pas d'argent sur les antibiotiques rarement prescrits, que les hôpitaux paient pas assez pour des kits de diagnostic rapide pour amortir leur développement, ou que les pays à bas revenu avec les taux de résistance les plus hauts peuvent pas se payer l'équipement de labo dont l'IA dépend.

Pour les builders, trois choses concrètes. Premièrement, la promesse « diagnostics IA sans infra de labo additionnelle », c'est exactement la frontière de déploiement à surveiller. Si tu bâtis en IA médicale, les produits qui vont atteindre les patients vont être ceux qui marchent sur du hardware existant (téléphones, microscopie de base, kits point-of-care) — pas ceux qui demandent un séquenceur à 200 000 $ par clinique. Deuxièmement, la comparaison DeepMind/NHS « 48 heures vs 10 ans », c'est le cadrage durable. L'IA compresse certaines lignes de temps de recherche par des ordres de grandeur, mais juste sur les problèmes où le goulot était la recherche exhaustive plutôt que la validation expérimentale. La validation est encore lente, chère pis limitée par les humains; budgète tes projets de recherche pilotés par IA en conséquence. Troisièmement, la critique des incitatifs s'applique largement : n'importe quel outil IA dont la valeur est la plus haute justement quand il est le moins utilisé (diagnostics de maladies rares, réponse à incidents de sécurité, monitoring d'infrastructure) fait face au même problème de paiement mal aligné. Bâtis cette conversation dans ton modèle d'affaires dès le jour un — achats gouvernementaux, licences par abonnement, prix basés sur les résultats — parce que l'efficacité de l'outil à elle seule déverrouillera pas le budget.