L'agent d'OpenAI remplit les dossiers d'assurance : Luna obtient 91,8% des points pour 8,5 cents
Pour obtenir l'accord d'un assureur sur une IRM, un employé de clinique recopie à la main les données du dossier médical dans un portail, car ces systèmes n'ont souvent pas d'API. OpenAI a appris à des agents à le faire en cliquant, un humain vérifiant le résultat final. Au test HealthAdminBench de Stanford, GPT-6 Luna obtient 91,8% des points pour 8,5 cents par tâche, contre 94,3% pour Astra, mais Luna coûte 98% de moins. Pour les tâches de routine à gros volume, le modèle le plus petit, associé à une vérification humaine, est le choix le plus rentable.
Traité par IA depuis OpenAI Blog ; édité par Hamidun News
Pour qu'un patient obtienne une IRM, la décision du médecin ne suffit pas : l'assureur doit approuver l'examen au préalable. Les données nécessaires se trouvent dans le dossier médical électronique (EHR), et un employé de la clinique les recopie à la main dans un portail distinct de l'assureur. Ces systèmes n'ont souvent pas d'API, si bien qu'il est impossible d'automatiser la tâche avec du code classique.
OpenAI propose de confier ce travail à des agents qui pilotent un ordinateur comme un humain : ils cliquent, saisissent du texte et passent d'une fenêtre à l'autre. Dans HealthAdminBench, un test indépendant conçu par des chercheurs de Stanford, qui évalue des tâches administratives typiques des cliniques, le modèle GPT-6 Luna a obtenu 91,8% des points disponibles pour 8,5 cents par tâche. Le modèle supérieur, GPT-6 Astra, atteint 94,3%, mais Luna coûte 98% de moins, soit environ 50 fois moins cher.
Si vous construisez une automatisation pour un secteur réglementé, c'est un exemple de la façon de choisir un modèle et de contrôler un agent.
À quoi cela ressemble avec l'exemple de l'IRM
OpenAI a monté une démo à partir de données synthétiques. Un patient écrit à son médecin pour une douleur lombaire. L'agent ouvre l'EHR et lit les comptes rendus de consultation, l'historique de kinésithérapie et les imagerie précédentes. Il prépare ensuite un brouillon de prescription d'IRM, une note de consultation et une réponse au patient, que le médecin relit. L'agent réutilise ces mêmes données pour préparer la demande d'autorisation préalable dans le portail de l'assureur. La vérification finale revient à un spécialiste des autorisations.
L'intérêt est que l'agent n'a pas besoin d'API. De nombreux portails d'assureurs et de systèmes cliniques anciens ne proposent pas d'intégrations, et c'est précisément là que le travail manuel prend le plus de temps.
Ce que montrent les tests
La partie clinique a été évaluée sur des tâches issues de la boîte de réception des médecins dans l'EHR. Ces tâches ont été conçues avec la participation de médecins. Elles exigent de comprendre l'historique d'un patient et de ne pas se perdre dans des interfaces complexes. Les experts ont évalué l'utilité du travail effectué et cherché si des erreurs, des omissions ou des actions de l'agent pouvaient nuire au patient. Sur 325 tâches vérifiées, 99% ont été jugées sûres. Sur 646 évaluations d'utilité, les médecins ont choisi « très utile » ou « extrêmement utile » dans 93% des cas.
Pour les tâches administratives (autorisations préalables, recours, commande de matériel médical), OpenAI s'est appuyée sur HealthAdminBench. Astra obtient 94,3% des points disponibles, Luna 91,8%. Les deux modèles ont été testés au niveau de raisonnement maximal. L'écart de qualité est d'environ 2,5 points de pourcentage, celui de prix de 98%. Pour un grand flux de demandes similaires, c'est un argument de poids en faveur du modèle le plus petit.
Ce que font déjà les partenaires
CVS Health utilise des agents pour l'envoi de documents, le traitement des orientations et l'appui aux consultations de spécialistes. Dans l'un des flux de travail, l'agent a résorbé en un week-end un arriéré d'envoi de documents accumulé sur plusieurs mois. Un autre prend en charge les étapes système pour des dizaines de milliers de consultations par jour. Pour le contrôle, CVS conserve des captures d'écran et des journaux d'actions, ajoute des étapes de vérification et garde un humain dans la boucle. L'entreprise publie aussi le code source de son Agent Kit, basé sur l'OpenAI Agents SDK : un modèle prêt à l'emploi pour des processus similaires.
Chez Cigna, les gestionnaires de cas devaient auparavant parcourir plus de dix systèmes cliniques et administratifs pour rassembler le contexte d'un client. Désormais, l'agent collecte en quelques secondes les informations sur la couverture, les médecins, les consultations et les demandes passées. Il s'est écoulé moins de huit semaines entre l'idée et la mise en service.
Abridge prépare des agents pour l'hospitalisation. Le médecin demande de l'aide pour lever les obstacles à la sortie du patient, et les agents s'occupent en parallèle de l'accès aux médicaments et de l'organisation des soins à domicile, en combinant le travail sur les interfaces avec des appels et des messages. Ambience a mis l'accent sur la maîtrise de l'agent. Si le dossier contient une ambiguïté, l'agent s'arrête et interroge le médecin, et il n'envoie la demande qu'après confirmation. La clinique définit les actions autorisées, peut mettre l'agent en pause à tout moment et dispose d'un journal détaillé étape par étape pour l'audit.
Limites et enseignements pratiques
Les chiffres sur la sécurité et l'utilité proviennent d'une évaluation menée par OpenAI, et la démo repose sur des données synthétiques. Même 99% de tâches sûres signifie qu'environ trois tâches sur 325 se sont révélées douteuses, et en médecine, un tel reliquat ne peut pas être ignoré.
Ces capacités sont accessibles via l'API OpenAI, ChatGPT for Healthcare et ChatGPT for Clinicians. Les produits proposent un accès par rôle, la configuration des validations et des journaux d'audit. Les données des organisations ne servent pas à entraîner les modèles de base. Pour traiter des données de santé protégées au titre de la loi HIPAA (la loi américaine sur le secret médical), les organisations doivent utiliser des services couverts par un accord BAA avec OpenAI et activer les paramètres de sécurité et de conservation requis.
Pour les développeurs et les product managers, l'essentiel n'est pas le clic sur les boutons en lui-même, mais le dispositif de contrôle qui l'entoure : arrêt en cas d'incertitude, journal des actions, restriction des accès et vérification humaine. Ce schéma convient à tout domaine réglementé où il n'y a pas d'API et beaucoup de routine. Avec sa faible facture, Luna montre que pour les tâches à gros volume, il est souvent plus rentable de choisir le modèle le plus petit et de consacrer les économies aux vérifications.
- 18 nov. 2026Dans 94% des sélections B2B, la synthèse IA n'affiche presque pas les sites des entreprises elles-mêmes
- 18 nov. 2026MoEngage branche des agents IA sur ses API existantes : le CTR des push de Glance bondit de 38%
- 18 nov. 2026Tencent Hy4 flash obtient 2,79 sur 4 contre 2,81 pour Haiku 5.5 et coûte 18 fois moins cher par tâche
- 18 nov. 2026Cinq IA, un seul bug : deux l'ont corrigé, trois ont cassé davantage de choses
Questions clés sur cet article
Que sait-on sur à quoi cela ressemble avec l'exemple de l'IRM ?
OpenAI a monté une démo à partir de données synthétiques. Un patient écrit à son médecin pour une douleur lombaire. L'agent ouvre l'EHR et lit les comptes rendus de consultation, l'historique de kinésithérapie et les imagerie précédentes. Il prépare ensuite un brouillon de prescription d'IRM, une note de consultation et une réponse au patient, que le médecin relit. L'agent réutilise ces mêmes données pour préparer la demande d'autorisation préalable dans le portail de l'assureur.
Que sait-on sur Ce que montrent les tests ?
La partie clinique a été évaluée sur des tâches issues de la boîte de réception des médecins dans l'EHR. Ces tâches ont été conçues avec la participation de médecins. Elles exigent de comprendre l'historique d'un patient et de ne pas se perdre dans des interfaces complexes. Les experts ont évalué l'utilité du travail effectué et cherché si des erreurs, des omissions ou des actions de l'agent pouvaient nuire au patient. Sur 325 tâches vérifiées, 99% ont été jugées sûres.
Que sait-on sur Ce que font déjà les partenaires ?
CVS Health utilise des agents pour l'envoi de documents, le traitement des orientations et l'appui aux consultations de spécialistes. Dans l'un des flux de travail, l'agent a résorbé en un week-end un arriéré d'envoi de documents accumulé sur plusieurs mois. Un autre prend en charge les étapes système pour des dizaines de milliers de consultations par jour. Pour le contrôle, CVS conserve des captures d'écran et des journaux d'actions, ajoute des étapes de vérification et garde un humain dans la boucle.
Ship AI Faster with Founders, Engineers & Weekly Architecture Reviews
Inside Vibe Club (hamidun.com/club) — weekly live masterminds with Zhemal Khamidun, Tech Radar, full LMS access, and 370+ production Claude Code skills.
L'essentiel de l'IA — une fois par semaine
Sept actus qui ont vraiment compté, choisies à la main. Sans bruit ni communiqués.
C'est fait ! Vérifiez votre boîte mail pour la confirmation.