Sobriété numérique en santé : ce que les indicateurs actuels ne mesurent pas

Pourtant, les cadres français de pilotage de la sobriété numérique en santé, REEN, Score.DD, MaturiN’H, documentent encore imparfaitement l’intensité réelle des usages numériques : requêtes applicatives, inférences IA, production documentaire et flux associés aux parcours de soins.

Pour les directions générales et les DSI hospitalières, l’angle mort se déplace. La sobriété numérique ne se joue plus seulement dans le contenant ; elle se joue aussi, et de plus en plus, dans l’intensité des usages.

Un cadre français qui mesure encore mal les usages

La sobriété numérique en santé n’est plus un sujet vierge. La loi REEN de novembre 2021 a posé le cadre, la Convention de Planification écologique du système de santé 2023-2028 a fixé la trajectoire, et plusieurs outils opérationnels sont désormais disponibles.

L’Agence du Numérique en Santé a publié les travaux de son groupe de travail « Développement durable et sobriété numérique ». L’ANAP a refondu Mon Observatoire du Développement Durable en Score.DD, intégrant un volet dédié à la sobriété numérique. La DGOS porte MaturiN’H, référentiel d’évaluation de la maturité numérique des établissements de santé, dont l’évolution doit intégrer davantage les enjeux environnementaux des systèmes d’information hospitaliers.

Ce qui est aujourd’hui le mieux instrumenté reste la partie la plus visible : durée de vie du parc, taux de réemploi, bilan d’émissions de gaz à effet de serre, hébergement, stockage. Plusieurs établissements avancent déjà. Les Hospices Civils de Lyon ont structuré un plan de sobriété numérique transverse, avec une charte, des indicateurs de suivi, des formations internes et la réutilisation du matériel obsolète. Le CHU de Nantes a engagé un travail spécifique sur la réduction du stockage des messageries.

Mais ces démarches mesurent encore mieux ce que l’on possède que ce que l’on consomme en flux. L’usage clinique évolue plus vite que les outils de pilotage. Le risque est alors qu’un établissement puisse progresser dans sa conformité sans disposer d’une vision complète de son empreinte d’usage.

C’est cette dissociation entre indicateur affiché et impact réel qu’il faut désormais regarder en face.

L’IA générative révèle l’angle mort

Le déploiement de l’intelligence artificielle générative en clinique illustre cette dissociation avec netteté.
Les pages de DSIH témoignent ces dernières semaines de la généralisation des assistants rédactionnels, du lancement de solutions de documentation clinique fondées sur les LLM, ou encore du déploiement d’aides à la décision médicale.
La trajectoire est claire : inférence LLM continue, par praticien, par séjour, parfois par acte.

Le coût énergétique de ces inférences n’est pas un détail. Selon plusieurs estimations, une interaction avec une IA générative peut consommer plusieurs fois plus d’électricité qu’une recherche web classique, parfois autour d’un facteur dix selon les hypothèses retenues.

Il faut toutefois distinguer consommation électrique et empreinte carbone : l’impact réel dépend du mix énergétique, du lieu d’hébergement, de l’efficacité des infrastructures et des conditions d’exploitation. Mais sur des volumes hospitaliers, plusieurs milliers d’inférences quotidiennes une fois la dictée vocale, les assistants rédactionnels et les aides à la décision déployés à l’échelle, ces ordres de grandeur deviennent structurants.

Toutes les IA cliniques ne se valent pas pour autant. Une IA de classification, par exemple pour la détection de fracture sur radiographie ou la segmentation d’une lésion, repose sur des modèles spécialisés, entraînés une fois, dont l’inférence peut rester comparable à un calcul classique. À l’inverse, une IA générative qui résume un compte rendu ou propose un diagnostic différentiel mobilise un modèle de langage à chaque requête.

Dans certains cas, par exemple lorsqu’on compare un modèle spécialisé optimisé à un grand LLM généraliste, l’écart énergétique peut être très important, jusqu’à plusieurs ordres de grandeur selon les architectures et les volumes traités.

Choisir le bon outil pour le bon usage est donc, en soi, un acte de sobriété.

Comme le rappelait récemment Cédric Cartau dans ces colonnes à propos du DLP, le réflexe techno-solutionniste reste tenace : on additionne les outils, plutôt que de questionner l’usage.

Appliquée à l’IA générative en santé, la même logique conduit à un risque concret : déployer en parallèle des plans de sobriété numérique et des projets IA à inférence continue dont la consommation cumulée pourrait absorber, voire dépasser, une partie des gains obtenus côté matériel.

À ce jour, ces dimensions ne semblent pas faire l’objet d’indicateurs nationaux standardisés dans les principaux référentiels de pilotage hospitalier. La question, pour le DSI comme pour la direction générale, devient simple à formuler : comment piloter une variable que l’on ne mesure pas encore correctement ?

La pertinence des soins, premier levier d’usage

Il faut aussi inverser la chaîne causale.

La sobriété numérique en santé ne commence pas seulement dans la salle serveurs. Elle commence aussi dans la décision clinique.

Moins d’actes évitables produisent moins de comptes rendus, moins de stockage, moins de requêtes IA d’aide à la décision, moins d’audits, moins de traitements numériques en aval. Le rapport GT6 de l’ANS le pose explicitement : la pertinence des soins est un levier de sobriété numérique, parce qu’elle réduit mécaniquement le recours aux services numériques associés.

Cette inversion n’est pas théorique. Les Hospices Civils de Lyon en offrent une illustration intéressante. Au-delà de leur plan de sobriété numérique formalisé, les HCL ont inauguré en mars 2026, à l’hôpital Louis Pradel, un Hub prévention cardiovasculaire et métabolique. Plus de cent vingt patients y ont été accueillis sur les six premiers mois.

Le dispositif articule consultations, ateliers et suivi à domicile sur six mois, avec une équipe pluridisciplinaire associant cardiologues, diététiciens, psychologues, addictologues et spécialistes de l’activité physique adaptée.

Lu sous l’angle environnemental, ce dispositif peut aussi être lu comme un levier potentiel de sobriété numérique, à condition que son impact soit mesuré. Chaque événement cardiovasculaire évité peut signifier un séjour hospitalier évité, des examens d’imagerie évités, des comptes rendus évités, des prescriptions évitées, et l’ensemble du numérique d’aval qui en découle.

La cohérence entre stratégie clinique de prévention et plan SI durable n’est donc pas seulement additive. Elle peut devenir structurelle, si elle est objectivée par des indicateurs partagés.

L’implication en matière de gouvernance est nette. La sobriété numérique sort du périmètre exclusif de la DSI. Elle devient un objet d’arbitrage entre la direction médicale, la CME, la direction de la qualité et la direction générale.

Le DSI ne peut pas porter seul une variable dont une partie importante se décide en amont, dans la pertinence des actes prescrits.

Pour les industriels et les éditeurs, le signal devient direct. L’éco-conception logicielle, qui recouvre la sobriété des modèles, l’optimisation des inférences et la gestion fine du stockage, a vocation à devenir un critère explicite des appels d’offres hospitaliers, au même titre que la conformité MDR ou l’interopérabilité Ségur, et à s’intégrer progressivement aux référentiels comme MaturiN’H.

La valeur d’une solution e-santé en 2026 ne se mesure plus seulement à son utilité clinique. Elle intègre aussi sa contribution à la trajectoire de sobriété d’usage de l’établissement qui l’accueille.

Vers un standard de mesure de la sobriété d’usage

Mesurer ce qui compte vraiment suppose de définir ce qu’on cherche à réduire.

Trois objets émergent comme candidats à un instrument partagé :

• l’intensité d’usage du SI par séjour ;
• l’inférence IA clinique cumulée par service, par usage ou par établissement ;
• le ratio entre actes pertinents et actes évitables documentés.

Aucun de ces indicateurs n’est aujourd’hui stabilisé dans Score.DD ni dans les référentiels associés. Leur construction appelle une co-construction entre l’ANS, l’ANAP, la HAS, les fédérations hospitalières, les conférences de CME, les sociétés savantes, les DSI et les industriels.

Ce ne sera pas simple.

L’intensité d’usage du SI devra distinguer les connexions utiles, les documents produits, les volumes stockés, les appels API, les requêtes IA et les usages réellement contributifs au soin.

L’inférence IA clinique devra être mesurée sans devenir un outil de surveillance individuelle des praticiens. Une approche agrégée, par service ou par cas d’usage, serait plus robuste et plus acceptable.

Le ratio entre actes pertinents et actes évitables devra rester prudent, car la pertinence clinique dépend du contexte, de l’incertitude diagnostique, des recommandations disponibles et du risque médico-légal.

Mais sans cet étage de mesure, la sobriété numérique restera surtout un objet de conformité. Avec lui, elle peut devenir un levier de transformation.

La question, pour les directions hospitalières et les industriels qui structurent leur offre, n’est donc plus seulement de savoir si la sobriété d’usage va s’imposer. Elle est de savoir qui en posera les premiers standards.

Sources

• ADEME-Arcep, Évaluation de l’impact environnemental du numérique en France, 2022.
• ADEME, Évaluation environnementale des équipements et infrastructures numériques en France, mars 2024.
• Loi n° 2021-1485 du 15 novembre 2021 visant à réduire l’empreinte environnementale du numérique en France, dite loi REEN.
• Convention de Planification écologique du système de santé 2023-2028.
• Agence du Numérique en Santé, Rapport du GT6 « Développement durable et sobriété numérique en santé ».
• ANAP, Score.DD, refonte de Mon Observatoire du Développement Durable, intégration d’un volet sobriété numérique.
• DGOS, Programme MaturiN’H, référentiel d’évaluation de la maturité numérique des établissements de santé.
• Agence Internationale de l’Énergie, Electricity 2024 – Analysis and forecast to 2026.
• Luccioni S. et al., AI Energy Score, Hugging Face, 2024, étalonnage de la consommation énergétique des modèles d’IA générative.
• LeMagIT, « Faire une IA générative moins énergivore — l’exemple de Workday », 2024.
• DSIH, Cartau C., « Le DLP, ou l’archétype du techno-solutionnisme béat », 20 avril 2026.
• DSIH, Derrouch P., « Assistants rédactionnels IA à l’hôpital : un vrai gain de temps ? », 23 mars 2026.
• DSIH, « Speech Processing Solutions dévoile Philips SpeechLive Health, un nouvel assistant IA conçu pour la documentation clinique moderne », 25 mars 2026.
• DSIH, Dubois D., « Recoflow, le nouveau service d’aide à la décision de VIDAL », 20 mars 2026.
• APMnews, « Plus de 120 patients accueillis en six mois dans le Hub prévention HCL », 22 avril 2026.
• Hospices Civils de Lyon, communications relatives au plan de sobriété numérique et au Hub prévention cardiovasculaire et métabolique.
• Alcimed, « Comment réduire l’empreinte carbone du numérique en santé ? », février 2026.