Sur 610 conversations de santé mentale, validées par des cliniciens et extraites de HealthBench, vingt modèles d'IA viennent d'être évalués par des chercheurs de la division de psychiatrie numérique du Beth Israel Deaconess Medical Center. Le projet, HealthBench-Psych, publié sur arXiv, entend mesurer plus finement la sécurité et la qualité des assistants conversationnels en santé mentale — c'est-à-dire, ni plus ni moins, leur capacité à ne pas nuire dans un domaine où la nuance protège le patient. Reste, pour le clinicien, à décider ce qu'il en fait: la question n'est pas technique, elle touche à la posture, au cadre et à l'alliance thérapeutique.
Un référentiel plutôt qu'un palmarès
Selon les chercheurs à l'origine du projet, le corpus rassemble précisément 610 conversations validées par des cliniciens, et vingt modèles y sont passés au crible. Le jeu de données, le pipeline d'analyse, les réponses et les scores sont publiés conjointement. L'ambition affichée ne se limite donc pas à un classement de performances: rendre publics les critères d'évaluation, c'est permettre — et même exiger — un regard critique sur ce que ces systèmes font réellement de la parole de l'utilisateur. On passe ainsi d'une promesse marketing à un objet discutable, discuté entre pairs: ce n'est pas un mince progrès.
Ce que cela change, concrètement, dans la posture du thérapeute
Trois réflexes mériteraient d'être intégrés à la pratique, sans céder à la fascination technologique ni au rejet de principe.
D'abord, ouvrir l'entretien en demandant si la personne a recouru à un agent conversationnel — non pour disqualifier cette démarche, mais pour en repérer les effets de transfert. L'IA, en effet, ne manque jamais d'attention: elle est disponible, patiente, jamais en retard. Reconnaître ce que le patient y a cherché, et éventuellement trouvé, est un acte clinique à part entière.
Ensuite, distinguer ce qui, dans l'échange avec la machine, a pu produire un effet contenant d'un effet d'aplatissement — là où la complexité du vécu se trouve rabotée par des réponses trop lisses pour être justes. La nuance, ici, ne relève pas du style: elle touche à l'éthique.
Enfin, garder à l'esprit qu'un benchmark, aussi rigoureux soit-il, n'épuise jamais la fonction du cadre thérapeutique. Ce dernier engage une responsabilité humaine, inscrite dans un ordre déontologique, que nulle évaluation automatisée ne saurait reproduire. C'est précisément la limite que les patients avertis perçoivent, souvent avant nous.
Ce qu'il conviendrait de surveiller dans les mois qui viennent
La publication du corpus et des scores constitue une photographie, non un verdict définitif sur la « santé mentale » en général. Les critères de validation évolueront avec l'état des connaissances; les modèles évalués seront supplantés avant même que la profession n'ait eu le temps d'en débattre. La vigilance porterait donc moins sur le palmarès que sur l'usage que nous faisons, individuellement et en supervision, de ces résultats — et sur ce que nous acceptons, en tant que praticiens, de laisser à la machine, ou de lui reprendre.
Reste, en filigrane, une interrogation que ce type d'outil ne lèvera pas pour nous: qu'attendons-nous, exactement, d'une parole qui soigne? La question mérite d'être tenue ouverte — c'est même, probablement, l'une des rares postures véritablement thérapeutiques.