Anima sur GPT-6 et GPT-Live réduit de 75% l'attente téléphonique dans les cliniques

La startup britannique Anima, une plateforme pour cliniques qui compte plus de 14 millions de patients, 1000+ cliniques et 800 000 dossiers par mois, a bâti trois produits sur les modèles d'OpenAI : l'agent d'accueil vocal Andi sur GPT-Live, une chaîne d'analyse des documents entrants sur GPT-6 et le service de notes cliniques Scribe sur GPT 5.6 Luna. Selon l'entreprise, l'attente au téléphone est passée de 40–50 à 10 minutes, soit une baisse d'au moins 75%. Le débit de traitement des documents a été multiplié par 2 à 3, et le temps médian de résolution d'un dossier s'établit autour de 3,5 heures.

Une voix tenue en laisse courte

Andi répond aux appels des patients et recueille leur anamnèse. Le modèle de langage n'est pas seul à piloter la conversation. Le policy engine propriétaire d'Anima conduit le dialogue selon des scénarios déterministes, validés cliniquement. Le modèle n'improvise pas sur les questions médicales : il opère à l'intérieur d'une structure imposée.

GPT-5.4 mini entre ensuite en jeu : il sélectionne le questionnaire adapté. L'historique médical ainsi constitué arrive dans le tableau de bord de la clinique sous forme de dossier structuré, qu'un médecin ou un administrateur consulte et traite. La répartition des rôles est pragmatique. Le modèle vocal, coûteux, gère la conversation en direct ; le modèle compact assure une classification rapide ; les règles de sécurité vivent dans du code classique, où elles peuvent être vérifiées et auditées.

Dans les enquêtes d'Anima, 86% des patients ont déclaré qu'ils réutiliseraient Andi. Détail inattendu : les plus satisfaits comptent des personnes de 80–90 ans. Le directeur général Shun Pang l'explique ainsi : l'agent vocal est « infiniment patient et très poli ».

800 000 codes SNOMED et aucun fine-tuning

Le produit Documents, basé sur les modèles GPT-6, extrait des courriers entrants l'expéditeur, le destinataire, le type de document et les dates des événements. Une chaîne en plusieurs étapes associe ensuite le document au bon patient, choisit les codes cliniques et propose au collaborateur l'action suivante.

Le codage est le point le plus délicat. Selon Michael Skupien, responsable de l'équipe d'ingénierie, il existe environ 800 000 codes SNOMED possibles. Seule une petite partie est utilisée régulièrement, mais les cabinets ne choisissent pas tous les codes de la même manière. Anima n'oblige pas les cliniques à configurer le système et n'entraîne pas de modèle séparé pour chaque client. Le comportement s'adapte par in-context learning : le modèle reçoit dans son contexte les exemples et les préférences du cabinet concerné.

D'un point de vue économique, cela signifie un seul jeu de modèles pour tous les clients, sans zoo de poids, de pipelines d'entraînement ni de gestion de versions. Les coûts se déplacent vers les tokens de contexte, mais l'onboarding d'une nouvelle clinique ne demande aucun travail de ML. Cette approche repose sur une propriété des modèles : ils doivent suivre les instructions de façon stable. C'est précisément pour cette raison, selon Skupien, que le choix s'est porté sur OpenAI. Shun Pang ajoute que l'équipe a comparé des modèles fermés et ouverts, en évaluant l'intelligence, l'intelligence par dollar et la contrôlabilité.

Résultat chiffré : les cabinets qui traitaient environ 15 documents par heure en font maintenant 30–45, et les meilleures cliniques 45–60. Des arriérés de plus de 100 000 documents ont, selon Pang, été résorbés en quelques jours.

Récapitulatif : produits, modèles et métriques

• Andi, administrateur IA sur GPT-Live : prise d'appels, recueil des symptômes, attente téléphonique ramenée de 40–50 à 10 minutes (baisse de 75% et plus). • GPT-5.4 mini : choix du questionnaire adapté après le dialogue.

• Documents sur GPT-6 : extraction de l'expéditeur, du destinataire, du type et des dates, rattachement au patient, choix des codes SNOMED, proposition de l'étape suivante. • Scribe sur GPT 5.6 Luna : notes à partir de la transcription de la consultation, lettres d'orientation et messages aux patients générés à partir du même contexte.

• Échelle : 14 millions de patients, 1000+ cliniques, 800 000+ dossiers par mois, expansion aux États-Unis et en Australie. • Vitesse : temps médian de résolution d'un dossier d'environ 3,5 heures, la plupart des dossiers étant clos en 24 heures. • Documents : 15 par heure avant le déploiement, 30–45 après, 45–60 pour les meilleures cliniques.

• Notes et courriers : notes prêtes en quelques secondes au lieu de plusieurs minutes, lettres d'orientation au lieu de 5–15 minutes. • Satisfaction : 86% des patients interrogés utiliseront Andi de nouveau.

Ce qu'il faut retenir pour votre stack

Ce cas illustre un schéma d'architecture transposable au-delà du secteur médical. Gardez la logique critique, c'est-à-dire les parcours de dialogue et les actions autorisées, dans un moteur de règles déterministe. Faites appel au modèle là où il faut du langage et de l'extraction de sens. Confiez les tâches à des modèles de classes différentes : la voix et l'analyse documentaire complexe vont aux modèles haut de gamme, le choix du questionnaire revient à la version mini.

Si vous avez de nombreux clients aux règles différentes, commencez par l'in-context learning plutôt que par un fine-tuning individuel. C'est moins cher à maintenir, mais cela exige un budget pour le contexte long et un contrôle strict du respect des instructions. Enfin, dans les trois produits d'Anima, l'humain reste dans la boucle : le médecin vérifie le dossier, la note et le courrier. Le gain vient de la rapidité de préparation, pas de la suppression de la vérification. À garder en tête : tous les chiffres de cet article proviennent de l'entreprise elle-même et n'ont pas été vérifiés de manière indépendante.