Les assureurs affirment que le codage par IA leur a coûté 1 Md$. Personne n'est tombé plus malade.

Un milliard de dollars a changé de mains, et les patients sont restés les mêmes

La Blue Cross Blue Shield Association affirme que les assureurs ont versé près d'1 milliard de dollars de plus que d'habitude en 2024-2025 à cause de la documentation hospitalière assistée par IA. Les hôpitaux ont déployé des logiciels qui analysent les dossiers patients et font ressortir des diagnostics secondaires que les codeurs humains avaient manqués. Plus de diagnostics sur une demande de remboursement, c'est un remboursement plus élevé. Ce qui n'a pas bougé, selon la BCBSA, c'est l'intensité des traitements. Son vice-président senior chargé de la science des données l'a dit sans détour : l'IA « identifie davantage d'affections facturables, pas des patients plus malades ». Les assureurs ont réagi en déployant leur propre IA pour refuser ces demandes.

Deux réserves avant d'échafauder une vision du monde là-dessus. La BCBSA est une association professionnelle représentant les organisations qui signent les chèques ; sa description de la facturation hospitalière est donc le récit d'une partie intéressée, pas un audit neutre. Et le chiffre a atteint une large diffusion via une publication très partagée sur X du compte Hedgie le 27 septembre, plutôt que par une méthodologie publiée que l'on pourrait examiner de près. Considérez ce chiffre comme une affirmation assortie d'un motif. Le mécanisme qui la sous-tend, lui, est bien réel et mérite d'être compris.

Comment un logiciel trouve un diagnostic que le médecin n'a pas facturé

L'essentiel de ce qui se passe dans un hôpital est consigné en texte libre : notes d'admission, observations infirmières, comptes rendus de sortie, commentaires de laboratoire. La facturation, elle, fonctionne avec des codes structurés. Des codeurs humains lisent un échantillon de ce texte et le traduisent. Ils ne peuvent pas tout lire, et on n'a jamais attendu cela d'eux.

Une facture hospitalière n'est pas un tarif forfaitaire. Son prix dépend en partie de la gravité documentée de l'état du patient : une affection secondaire consignée à côté du motif principal d'hospitalisation (un problème métabolique, une maladie chronique, une complication) peut faire passer le même épisode de soins dans un palier de gravité mieux rémunéré. Le travail clinique ne change pas. La facture, si.

Les modèles de langage excellent précisément dans la tâche qui sépare ces deux faits : tout lire, signaler tout ce qui pourrait être codé. C'est l'un des rares déploiements d'IA en entreprise dont le retour sur investissement est net, immédiat et mesurable, ce qui explique justement sa diffusion rapide. Côté assureur, l'outil miroir lit les demandes entrantes et signale celles dont la gravité documentée paraît non étayée. Même technologie, signe opposé.

Le signal : le premier cas de ROI de masse de l'IA est un jeu d'adversaires

La plupart des dépenses d'IA en entreprise sont encore justifiées par des chiffres mous : temps gagné, hausse de productivité, tickets évités. L'IA du cycle de revenus est différente. Le retour se matérialise dans le grand livre en un trimestre, ce qui en fait l'un des rares cas d'usage véritablement prouvés du marché. C'est là que le bât blesse. Le ROI le plus clair de l'IA en entreprise à ce jour vient d'un transfert d'argent entre deux parties, pas de la création de quoi que ce soit.

Les deux camps peuvent avoir rationnellement raison et le système n'en sortir que plus mal en point. L'outil de l'hôpital se rentabilise. L'outil de l'assureur se rentabilise. Les éditeurs sont payés par les deux. Le coût combiné, selon l'argument de la source, retombe sur les primes. C'est le schéma à surveiller partout où deux contreparties partagent un contrat et un processus de contestation : achats, réclamations de fret, découverte de pièces en contentieux, assurance sous toutes ses formes. Dès qu'un camp automatise, l'autre n'a pas le choix.

Notez aussi ce que l'argument de la BCBSA implique en matière de détection. Sa preuve n'est pas que les diagnostics ont été inventés : c'est que la gravité documentée a augmenté alors que les traitements, non. Ce test de divergence est facile à exécuter à grande échelle, et c'est le modèle que tout régulateur ou auditeur utilisera en premier.

Les questions à vous poser

• Si le ROI d'un fournisseur provient entièrement de la poche de votre contrepartie, que devient ce ROI quand la contrepartie automatise elle aussi, et ce scénario figure-t-il dans l'analyse de rentabilité que vous avez validée ?
• Votre IA de documentation peut-elle démontrer que les affections signalées sont corrélées à un changement de traitement, et pas seulement à un changement de remboursement ?
• Qui supporte l'exposition juridique lorsqu'un diagnostic repéré par l'IA est jugé ultérieurement non étayé : l'éditeur, le codeur qui a accepté la suggestion, ou le clinicien dont les notes ont servi de source ?
• Côté refus, quel est le taux d'infirmation en appel des refus automatisés, et quelqu'un mesure-t-il ceux que les patients ne contestent jamais ?
• La BCBSA publie-t-elle une méthodologie pour le chiffre de 1 Md$, ou vous demande-t-elle de prendre pour argent comptant un chiffre émis par une partie intéressée ?

À surveiller ensuite

Surveillez si le test de divergence (gravité documentée en hausse alors que l'intensité des traitements reste stable) s'impose comme norme d'audit réglementaire ou de payeur, plutôt que de rester un argument d'association professionnelle. Dès que cette comparaison devient un déclencheur formel de contrôle, tout hôpital qui utilise une IA de documentation devra avoir une réponse à lui opposer, et le marché de ces outils sera repricé du jour au lendemain.