Au-delà du sophisme des 0,001 % : intégrité architecturale et responsabilité réglementaire dans l'IA générative d'entreprise

L'industrialisation de l'intelligence artificielle générative a atteint un point d'inflexion critique où l'euphorie initiale des déploiements rapides cède la place aux réalités sobres du contrôle réglementaire et des limites techniques. En septembre 2024, le paysage de la responsabilité en matière d'IA a été fondamentalement modifié lorsque le procureur général du Texas a conclu un règlement historique avec Pieces Technologies, une entreprise d'IA axée sur la santé basée à Dallas.¹ Le cœur de l'action d'application portait sur l'affirmation de l'entreprise selon laquelle son logiciel de documentation clinique maintenait un « taux d'hallucination critique » inférieur à 0,001 %, une métrique que l'État alléguait comme à la fois inexacte et trompeuse.³ Cet incident ne représente pas seulement un échec marketing ; il constitue un diagnostic systémique des risques inhérents aux stratégies d'IA « fondées sur des wrappers » et met en évidence la nécessité d'une transition vers des solutions d'IA profonde qui privilégient l'intégrité architecturale plutôt que l'hyperbole statistique.

Pour les dirigeants d'entreprise et les architectes techniques, l'affaire Pieces Technologies fournit un plan directeur des normes évolutives de gouvernance de l'IA. Le logiciel en question a été déployé dans au moins quatre grands hôpitaux du Texas — dont Houston Methodist, Children's Health System of Texas, Texas Health Resources et Parkland Hospital & Health System — où il était utilisé pour résumer les dossiers des patients, rédiger des notes cliniques et suivre les obstacles à la sortie.⁴ Lorsque des systèmes d'IA sont intégrés dans de tels contextes à haut risque, la marge d'erreur n'est pas seulement une curiosité statistique, mais une question de sécurité clinique et d'intérêt public.¹ Ce livre blanc explore les dimensions techniques, juridiques et opérationnelles de cette mutation, en fournissant un cadre rigoureux pour que les entreprises évaluent, mettent en œuvre et surveillent des systèmes d'IA qui dépassent les simples abstractions d'API pour aller vers une intelligence vérifiable et profondément intégrée.

L'anatomie technique de l'affirmation des 0,001 pour cent

L'affirmation d'un taux d'hallucination inférieur à un sur 100 000 est mathématiquement et opérationnellement significative dans le contexte des grands modèles de langage (LLM). Les LLM sont fondamentalement des moteurs probabilistes qui prédisent des tokens sur la base de schémas appris plutôt que d'une logique déterministe. Le fondement mathématique de ce processus repose sur la probabilité conditionnelle d'une séquence, où la vraisemblance d'une sortie générée est le produit des probabilités de chaque token individuel de cette séquence.⁸ Cette relation peut s'exprimer ainsi :

Dans cette équation, représente le prompt d'entrée, est le -ième token généré, et représente les paramètres du modèle.⁸ Les hallucinations surviennent lorsque le modèle attribue une probabilité élevée à un token linguistiquement plausible mais factuellement incorrect compte tenu du contexte d'entrée. Mesurer ces erreurs avec la précision de 0,001 % exige un jeu de données « gold-standard » extraordinairement vaste et parfaitement annoté, qui n'existe actuellement pas pour le domaine hautement fragmenté et idiosyncrasique des résumés cliniques.⁴

L'enquête du procureur général du Texas a conclu que les métriques utilisées par Pieces Technologies pour promouvoir ses produits étaient « probablement inexactes », susceptibles d'induire en erreur les clients hospitaliers quant à la sécurité et à la précision des outils.⁴ Alors que l'entreprise a défendu son taux d'erreur en citant sa plateforme propriétaire « SafeRead » et l'utilisation d'une IA adversariale pour signaler les hallucinations, l'autorité de régulation s'est concentrée sur le manque de transparence quant à la façon dont ces métriques étaient définies et calculées.⁴ Cela met en évidence une tension fondamentale dans le secteur : les fournisseurs développent souvent des référentiels internes qui manquent de la rigueur et de l'indépendance requises pour une validation de niveau entreprise.¹

Métriques de performance comparatives en IA clinique

Type de métrique	Définition standard	Affirmations dans l'affaire Pieces	Attente réglementaire
Taux d'hallucination critique	Pourcentage de sorties contenant des erreurs susceptibles d'entraîner un préjudice clinique.	<0,001 % (ou <1 pour 100 000).1	Étayé par un audit indépendant de tiers.11
Taux d'hallucination sévère	Pourcentage de sorties comportant des faits médicaux ou des diagnostics fabriqués.	<0,001 %.3	Divulgation claire de la « signification ou définition » de la métrique.1
Précision de la récupération	Ratio des documents pertinents récupérés sur le total des documents récupérés.	Non explicitement commercialisé en pourcentages.	Doit être divulgué s'il est utilisé pour revendiquer la précision.11
Fidélité / ancrage	Mesure dans laquelle la réponse est dérivée uniquement du contexte fourni.	Géré par une IA adversariale.9	Divulgation des méthodes utilisées pour calculer ces mesures.11

Déconstruction du cadre réglementaire : le règlement du procureur général du Texas

Le règlement, finalisé en septembre 2024, a été le premier de son genre à cibler une entreprise d'IA générative en santé pour des pratiques marketing trompeuses en vertu du Texas Deceptive Trade Practices–Consumer Protection Act (DTPA).¹ Il est important que les dirigeants d'entreprise reconnaissent que le procureur général n'a pas eu besoin d'une nouvelle législation spécifique à l'IA pour agir ; les lois existantes en matière de protection des consommateurs et de confidentialité ont suffi à traiter les allégations de fausses représentations.¹⁰

L'Assurance of Voluntary Compliance (AVC) conclue par Pieces Technologies impose une période de cinq ans de transparence et de divulgation renforcées.¹¹ Cet instrument juridique constitue un précédent important pour la façon dont les entreprises d'IA doivent interagir avec leurs clients et le public. L'une des exigences les plus critiques est que l'entreprise doit fournir des « divulgations claires et bien visibles » à tous les clients actuels et futurs concernant les « usages ou mésusages nuisibles ou potentiellement nuisibles connus ou raisonnablement connaissables » de ses produits.¹ Cela déplace la charge du risque de l'hôpital vers le fournisseur, obligeant ce dernier à identifier et à communiquer de manière proactive les limites de sa technologie.

En outre, le règlement exige que Pieces divulgue les données et modèles spécifiques utilisés pour entraîner ses produits, ainsi que la méthodologie employée pour calculer toute métrique de performance annoncée.¹ Ce niveau de transparence vise à garantir que le personnel clinique comprenne dans quelle mesure il peut s'appuyer en toute sécurité sur une documentation générée par l'IA pour les soins aux patients.¹⁰ Le règlement prévoit également l'alternative de retenir un auditeur indépendant de tiers pour vérifier ces métriques, une pratique susceptible de devenir une exigence standard pour les acquisitions d'IA à enjeux élevés.¹¹

Obligations clés au titre de l'Assurance of Voluntary Compliance (AVC)

Obligation	Description	Résultat recherché
Transparence des métriques	Divulguer les définitions et les méthodes de calcul pour tous les référentiels de précision.1	Empêcher l'utilisation de métriques de succès propriétaires ou trompeuses.
Divulgation des risques	Notifier les clients des usages nuisibles « connus ou raisonnablement connaissables ».2	Permettre une prise de décision éclairée par le personnel clinique et opérationnel.
Divulgations sur l'entraînement	Fournir une documentation sur les données d'entraînement et les types de modèles utilisés.1	Améliorer l'observabilité et l'explicabilité des modèles.
Suivi de la conformité	Répondre aux demandes d'information du procureur général dans un délai de 30 jours.12	Assurer le respect continu des termes du règlement pendant cinq ans.

Le sophisme du modèle wrapper et le virage vers l'IA profonde

L'incident Pieces Technologies expose la fragilité inhérente du modèle « wrapper » dans les environnements d'entreprise. Un modèle wrapper désigne typiquement une application logicielle qui envoie les prompts de l'utilisateur à une API de modèle fondationnel (telle que GPT-4 d'OpenAI) et affiche la réponse renvoyée avec un traitement ou un ancrage spécifiques au domaine réduits au minimum.¹⁶ Bien que cette approche permette une entrée rapide sur le marché, elle manque des garde-fous techniques nécessaires pour atténuer les hallucinations, les fuites de données et les attaques par injection de prompts.¹⁸

En revanche, les solutions d'IA profonde intègrent le modèle dans le tissu de données central de l'entreprise, en employant des techniques telles que la génération augmentée par récupération (RAG), le réglage fin sur des corpus spécifiques au domaine, et une supervision humaine dans la boucle (HITL) multi-niveaux.⁸ Veriprajna se positionne comme un fournisseur de ces solutions profondes, reconnaissant que le « mur de refactoring » empêche souvent les LLM génériques de maintenir le contexte dans des flux de travail d'entreprise complexes.¹⁹ Par exemple, des études ont montré que 65 % des développeurs rapportent que l'IA « perd le contexte pertinent » lors de tâches de refactoring complexes, ce qui conduit à l'introduction de bogues subtils ou d'incohérences architecturales.¹⁹

Les risques du modèle wrapper sont amplifiés dans le secteur de la santé, où la complexité des dossiers médicaux électroniques (EHR) et la nuance de la communication clinique peuvent accroître la propension aux hallucinations.⁹ Un simple appel d'API à un modèle polyvalent ne peut pas tenir compte de l'historique longitudinal d'un patient ni du style d'écriture spécifique d'un médecin.²¹ Pour atteindre les niveaux de précision requis pour la sécurité clinique, les systèmes doivent utiliser une « IA sculptée », qui adapte les modèles à l'unité, à la spécialité, voire au niveau du médecin individuel.⁵ Cela exige une orchestration sophistiquée de multiples modèles et de graphes de connaissances cliniques pour valider le contenu par rapport aux dossiers patients en temps réel.⁹

Comparaison des risques : intégration wrapper vs IA profonde

Facteur de risque	Profil du modèle wrapper	Profil de la solution d'IA profonde
Rétention du contexte	Limitée par la fenêtre de tokens du modèle et l'absence de mémoire externe.	Renforcée par la RAG et le stockage vectoriel à long terme.19
Empoisonnement des données	Vulnérable aux entrées manipulées provenant de sources externes.18	Atténué par l'assainissement des entrées et des jeux d'entraînement curés.18
Contrôle des hallucinations	S'appuie sur les garde-fous génériques du modèle fondationnel.	Met en œuvre la détection adversariale et des graphes de connaissances cliniques.9
Sécurité / conformité	Implique souvent le transit des données vers des fournisseurs tiers.	Prend en charge des déploiements d'IA souveraine au sein d'infrastructures locales.23

Cadres d'évaluation pour l'IA à enjeux élevés

Pour dépasser la « défaillance silencieuse » des mises en œuvre d'IA — où les investissements n'atteignent discrètement pas les résultats attendus faute d'impact mesurable — les entreprises doivent adopter des cadres d'évaluation rigoureux.²⁴ La prolifération rapide de l'IA générative a dépassé le développement de métriques standard, conduisant à une dépendance à des métriques techniques fondamentales telles que la sensibilité et la spécificité, qui peinent souvent à capturer l'impact clinique réel.²⁵

Le Med-HALT (Medical Domain Hallucination Test) est l'un de ces référentiels conçus spécifiquement pour les LLM en santé. Il va au-delà des simples scores de précision pour évaluer à la fois les hallucinations fondées sur le raisonnement et celles fondées sur la mémoire, au moyen d'un jeu de données multinational dérivé d'examens médicaux.²⁷ Par exemple, le « False Confidence Test » (FCT) de Med-HALT évalue si un modèle peut juger de la validité d'une réponse « correcte » suggérée au hasard, testant sa capacité à résister à la surconfiance face à la désinformation.²⁷ De même, le test « None of the Above » (Nota) met les modèles au défi d'identifier quand les options fournies sont incorrectes, une compétence critique pour éviter les hallucinations « forcées ».²⁸

Une autre approche complète est le FAIR-AI (Framework for the Appropriate Implementation and Review of AI) en santé. Ce cadre organise l'évaluation clinique en domaines tels que la validation, l'équité, l'utilité et la transparence.²⁵ Il impose la création d'une « étiquette IA » qui consolide l'information pour les utilisateurs finaux, garantissant que le clinicien utilisant l'outil comprenne ses origines et ses modes de défaillance connus.²⁵ Cette transparence structurelle est la pierre angulaire d'un déploiement responsable de l'IA.

Composants essentiels du cadre d'évaluation Med-HALT

Modalité de test	Objectif	Mécanisme
Raisonnement : fausse confiance	Détecter la surconfiance dans de mauvaises réponses.27	Présenter une question avec une réponse incorrecte mais « suggérée ».
Raisonnement : fausses questions	Traiter de manière appropriée les requêtes absurdes.27	Tester avec des questions médicales fabriquées ou logiquement impossibles.
Mémoire : PMID vers titre	Vérifier le rappel factuel à partir des données d'entraînement.27	Fournir un identifiant PubMed et demander le titre exact de l'article.
Mémoire : titre vers lien	Évaluer la précision de la génération de liens / sources.27	Fournir un titre et demander l'URL ou le DOI vérifiable.
Raisonnement : test Nota	Identifier l'absence d'information correcte.27	Fournir une question à choix multiples où l'option correcte est « None of the Above. »

Atténuation avancée : IA adversariale et supervision humaine dans la boucle

La défense présentée par Pieces Technologies face aux allégations du procureur général du Texas s'est centrée sur son utilisation d'une « IA adversariale et collaborative » associée à des systèmes de supervision humaine dans la boucle (HITL).⁵ Bien que le taux revendiqué ait été contesté, la stratégie consistant à utiliser un modèle d'IA pour en contrôler un autre est un composant clé de l'architecture d'IA profonde. Cela implique un module de détection adversariale (ADM) qui analyse les résumés générés pour identifier les écarts entre la sortie de l'IA et les données cliniques sous-jacentes.⁹

Dans la plateforme « SafeRead » de Pieces, les résumés signalés par l'ADM sont transmis à des médecins board-certified pour examen et correction.⁹ Cela crée un modèle de sécurité à niveaux où les sorties à haut risque ne sont jamais présentées à l'utilisateur final sans validation humaine. L'analyse technique de ce système a montré que l'ADM était 7,5 fois plus efficace pour identifier les hallucinations cliniquement significatives que l'échantillonnage aléatoire.⁹ Cela suggère qu'un ADM correctement configuré est un composant essentiel pour faire évoluer en toute sécurité la documentation clinique générée par l'IA.

Cependant, l'efficacité des systèmes HITL dépend du « temps de remédiation effective » — la vitesse à laquelle une erreur signalée peut être corrigée. Pour les résumés analysés par Pieces, le temps de remédiation médian était de 3,7 heures.⁹ Dans un contexte de soins aigus, ce délai peut être acceptable pour les notes d'évolution, mais pourrait être catastrophique pour l'aide à la décision en temps réel. Cela met en évidence la nécessité pour les entreprises de hiérarchiser leurs cas d'usage d'IA en fonction du risque et de la vitesse d'intervention requise.

Le cadre des niveaux de sécurité de l'IA (ASL) pour la santé

Niveau	Description	Exemple de cas d'usage	Exigence de supervision
ASL 1-2	Tâches à faible impact avec un risque minimal pour la sécurité ou la confidentialité.	Rédaction d'e-mails administratifs ou planification.31	Audits périodiques et contrôles standard de confidentialité des données.
ASL 3	Impact modéré ; assiste les décisions cliniques ou opérationnelles.	Assistants de documentation pour les notes d'évolution.31	Revue obligatoire par le clinicien et journaux de transparence.25
ASL 4	Impact élevé ; influence les soins directs aux patients ou la sécurité.	Score de risque prédictif pour la réadmission ou la rechute.31	Sorties explicables et validation par supervision humaine dans la boucle.31
ASL 5	Impact critique ; interaction autonome avec les patients.	Chatbots pour l'intervention de crise ou la thérapie.31	Protocoles d'escalade et garde-fous stricts sur le périmètre d'usage.31

Réalités stratégiques du ROI de l'IA d'entreprise : la règle des 5 %

La promesse de l'IA générative est souvent découplée de sa réalité économique. La recherche indique que, si l'investissement des entreprises est massif, seules 5 % des sociétés obtiennent une valeur métier mesurable à l'échelle.¹⁹ Ces « leaders » se différencient en se concentrant sur la qualité des données et la refonte de la main-d'œuvre plutôt que sur la seule capacité technique.¹⁹ Ils suivent une règle « 70:20:10 » pour la mise en œuvre : 10 % de l'effort est consacré à l'algorithme, 20 % à la pile technologique, et 70 % à la transformation organisationnelle.¹⁹

Pour des entreprises comme Veriprajna, la valeur réside dans le comblement de cet écart. Cela implique un virage vers une IA pilotée par plateforme, dont il a été démontré qu'elle réduit les coûts par cas d'usage jusqu'à 15 %.²⁴ Une approche plateforme permet une gouvernance unifiée, prévenant la création d'« îlots d'IA » qui accroissent la complexité et le risque.²⁴ En outre, la décision « acheter vs construire » est critique ; les entreprises qui achètent des outils d'IA spécialisés auprès de fournisseurs ont un taux de réussite de 67 %, tandis que celles qui tentent de construire des outils internes à partir de zéro n'y réussissent que 33 % du temps.¹⁹ Cela suggère que la valeur d'entreprise de l'IA se débloque non pas par la création de nouveaux modèles, mais par l'intégration profonde de modèles spécialisés existants dans des flux de travail gouvernés.

Différenciateurs de ROI : leaders vs retardataires de l'IA

Facteur	Leaders (les 5 %)	Retardataires (les 95 %)
Stratégie de données	Investissement lourd dans la qualité et la gouvernance des données avant la mise à l'échelle.19	Mise à l'échelle de modèles sur des données « désordonnées » ou en silos.19
Métriques de succès	Axées sur les résultats métier et l'impact sur le P&L.19	Axées sur la capacité technique et le volume de pilotes.19
Stratégie de main-d'œuvre	Refonte extensive des rôles et des flux de travail.19	Concentration sur la fluidité / formation à l'IA seule, sans changement de rôles.23
Modèle d'intégration	Plateformes modulaires cloud-native avec des principes secure-by-design.23	Projets d'IA fragmentés et isolés avec une supervision incohérente.24

Conclusion : une feuille de route pour une mise en œuvre résiliente de l'IA

Le règlement du procureur général du Texas avec Pieces Technologies marque la fin de l'ère spéculative de l'IA dans la santé et les secteurs d'entreprise à haut risque. Il établit une norme juridique et technique claire : si vous commercialisez la précision, vous devez pouvoir la définir, la calculer et l'étayer avec transparence.¹ Pour l'entreprise, cela impose un éloignement des wrappers LLM génériques et un virage vers des solutions d'IA profondes et intégrées qui privilégient la sécurité et la vérifiabilité.

Pour y parvenir, les organisations devraient mettre en œuvre les impératifs stratégiques suivants :

●​ Établir une stratégie d'évaluation multi-niveaux : utiliser des cadres comme Med-HALT et FAIR-AI pour évaluer la performance des modèles par rapport aux besoins cliniques et opérationnels spécifiques au domaine.²⁵

●​ Opérationnaliser la transparence : développer des « étiquettes IA » ou des fiches de modèle pour chaque outil déployé, en divulguant les données d'entraînement, la version du modèle et les modes de défaillance connus à l'utilisateur final.²⁵

●​ Intégrer des contrôles adversariaux : mettre en œuvre des modules de détection indépendants qui valident les sorties de l'IA par rapport aux données de « vérité terrain » de l'entreprise, telles que les dossiers EHR ou les grands livres financiers.⁹

●​ Prioriser la supervision humaine : maintenir une exigence stricte de supervision humaine dans la boucle pour tous les cas d'usage à haut risque, en veillant à ce que les cliniciens ou experts du domaine restent l'autorité finale sur les décisions influencées par l'IA.²⁰

●​ Adopter une gouvernance au niveau plateforme : dépasser les pilotes isolés pour aller vers une plateforme d'IA unifiée qui applique les normes d'entreprise en matière de qualité, d'interopérabilité et de security-by-design.²³

En embrassant ces principes, les entreprises peuvent naviguer dans le paysage réglementaire en évolution tout en capturant le potentiel transformateur de l'IA générative. L'objectif n'est plus seulement de générer du texte, mais de générer de la valeur qui soit sûre, durable et soutenue par une intégrité technique rigoureuse. Veriprajna est prêt à guider ses partenaires dans cette transition, en veillant à ce que leurs mises en œuvre d'IA ne soient pas seulement « hautement précises » dans le marketing, mais démontrablement résilientes dans la pratique.

Ouvrages cités

1. AI Firm Reaches Settlement With Texas Attorney General Over Misleading Accuracy Claims, consulté le 6 février 2026, https://www.bakerdonelson.com/ai-firm-reaches-settlement-with-texas-attorney-general-over-misleading-accuracy-claims

2. Rising AI Enforcement: Insights From State Attorney General ... - Sidley, consulté le 6 février 2026, https://www.sidley.com/en/insights/newsupdates/2024/12/rising-ai-enforcement-insights-from-state-attorney-general-settlement-and-us-ftc-sweep

3. Takeaways From Texas AG's Novel AI Health Settlement - Troutman Pepper Locke, consulté le 6 février 2026, https://www.troutman.com/insights/takeaways-from-texas-ags-novel-ai-health-settlement/

4. Texas attorney general, generative AI company settle over accuracy allegations, consulté le 6 février 2026, https://www.healthcaredive.com/news/texas-attorney-general-ken-paxton-settles-pieces-technologies-generative-ai-accuracy/727699/

5. Pieces Pioneers “Sculpted AI” for Health Systems using Amazon Bedrock, consulté le 6 février 2026, https://www.piecestech.com/media/pieces-pioneers-sculpted-ai-for-health-systems-using-amazon-bedrock

6. Pieces Pioneers "Sculpted AI" for Health Systems using Amazon Bedrock - PR Newswire, consulté le 6 février 2026, https://www.prnewswire.com/news-releases/pieces-pioneers-sculpted-ai-for-health-systems-using-amazon-bedrock-301987253.html

7. Texas attorney general, healthcare gen AI company settle ..., consulté le 6 février 2026, https://www.fiercehealthcare.com/ai-and-machine-learning/texas-ag-pieces-technologies-settle-allegations-inaccurate-generative-ai

8. LLM Hallucination Detection and Mitigation: Best Techniques - Deepchecks, consulté le 6 février 2026, https://www.deepchecks.com/llm-hallucination-detection-and-mitigation-best-techniques/

9. System to Classify, Detect and Prevent Hallucinatory Error in Clinical ..., consulté le 6 février 2026, https://cdn.prod.website-files.com/6697ef98eaaeed02377be5ef/678060c7be019cd6a113ebbc_Pieces%20Technical%20Paper%20V11.13-combined.pdf

10. Lessons From Texas' Healthcare Generative AI Investigation - Securiti, consulté le 6 février 2026, https://securiti.ai/lessons-from-texas-healthcare-generative-ai-investigation/

11. Texas Attorney General Reaches Novel Generative AI Settlement ..., consulté le 6 février 2026, https://www.orrick.com/en/Insights/2024/09/Texas-Attorney-General-Reaches-Novel-Generative-AI-Settlement

12. Texas Attorney General Settles with Healthcare AI Firm Over False Claims on Product Accuracy and Safety | Privacy World, consulté le 6 février 2026, https://www.privacyworld.blog/2024/09/texas-attorney-general-settles-with-healthcare-ai-firm-over-false-claims-on-product-accuracy-and-safety/

13. Texas Attorney General Settles Deceptive Marketing Allegations ..., consulté le 6 février 2026, https://www.manatt.com/insights/newsletters/client-alert/texas-attorney-general-settles-deceptive-marketing

14. Top 5 Tools to Evaluate RAG Performance in 2026 - Maxim AI, consulté le 6 février 2026, https://www.getmaxim.ai/articles/top-5-tools-to-evaluate-rag-performance-in-2026/

15. Texas Attorney General Obtains Settlement of Alleged False and Misleading Statements About Healthcare Artificial Intelligence Product Accuracy - Quarles, consulté le 6 février 2026, https://www.quarles.com/newsroom/publications/texas-attorney-general-obtains-settlement-of-alleged-false-and-misleading-statements-about-healthcare-artificial-intelligence-product-accuracy

16. AI Fire Daily - Rss, consulté le 6 février 2026, https://media.rss.com/ai-fire-daily/feed.xml

17. Impact Measurement Platforms Market in China | Report - IndexBox - Prices, Size, Forecast, and Companies, consulté le 6 février 2026, https://www.indexbox.io/store/china-impact-measurement-platforms-market-analysis-forecast-size-trends-and-insights/

18. Engaging with artificial intelligence | Cyber.gov.au, consulté le 6 février 2026, https://www.cyber.gov.au/business-government/secure-design/artificial-intelligence/engaging-with-artificial-intelligence

19. Enterprise AI ROI Analysis Report: What Actually Works in 2025 | by Xue Langping, consulté le 6 février 2026, https://ai.plainenglish.io/enterprise-ai-roi-analysis-report-what-actually-works-in-2025-87b6f35a7841

20. Reducing Hallucinations in Large Language Models for Healthcare - Cognome, consulté le 6 février 2026, https://cognome.com/blog/reducing-hallucinations-in-large-language-models-for-healthcare

21. Pieces Technologies Unveils Pieces in Your Pocket, consulté le 6 février 2026, https://www.piecestech.com/products/pieces-in-your-pocket

22. Puzzle Solved: How GenAI Improves Clinical Documentation - Healthcare Huddle, consulté le 6 février 2026, https://www.healthcarehuddle.com/p/puzzle-solved-genai-improves-clinical-documentation

23. The State of AI in the Enterprise - 2026 AI report | Deloitte US, consulté le 6 février 2026, https://www.deloitte.com/us/en/what-we-do/capabilities/applied-artificial-intelligence/content/state-of-ai-in-the-enterprise.html

24. Build vs. Buy: Expert Guidance on Scaling Enterprise AI | Kore.ai + BCG Whitepaper, consulté le 6 février 2026, https://www.kore.ai/whitepaper/bcg-beyond-ai-islands

25. A practical framework for appropriate implementation and review of ..., consulté le 6 février 2026, https://pmc.ncbi.nlm.nih.gov/articles/PMC12340025/

26. AI for IMPACTS Framework for Evaluating the Long-Term Real-World Impacts of AI-Powered Clinician Tools: Systematic Review and Narrative Synthesis - PMC, consulté le 6 février 2026, https://pmc.ncbi.nlm.nih.gov/articles/PMC11840377/

27. Med-HALT: Medical Domain Hallucination Test for Large Language Models - GitHub, consulté le 6 février 2026, https://github.com/medhalt/medhalt

28. Medical Hallucination in Foundation Models and Their Impact on Healthcare - arXiv, consulté le 6 février 2026, https://arxiv.org/html/2503.05777v2

29. MedVH: Toward Systematic Evaluation of Hallucination for Large Vision Language Models in the Medical Context - NIH, consulté le 6 février 2026, https://pmc.ncbi.nlm.nih.gov/articles/PMC12363988/

30. Pieces Technologies Awarded $2M From National Cancer Institute, Part of the National Institutes of Health, to Advance Use of Conversational AI to Improve the Care of Cancer Patients, consulté le 6 février 2026, https://www.piecestech.com/media/pieces-technologies-awarded-2m-from-national-cancer-institute-part-of-the-national-institutes-of-health-to-advance-use-of-conversational-ai-to-improve-the-care-of-cancer-patients

31. AI Safety in Healthcare: Applying the ASL Framework to Responsible Innovation - Netsmart, consulté le 6 février 2026, https://www.ntst.com/blog/2025/ai-safety-in-healthcare

32. Are You Generating Value from AI? The Widening Gap | BCG, consulté le 6 février 2026, https://www.bcg.com/publications/2025/are-you-generating-value-from-ai-the-widening-gap

33. E-Briefings – Volume 22, No. 2, March 2025 - The Governance Institute, consulté le 6 février 2026, https://www.governanceinstitute.com/page/EBriefings_V22N2Mar2025