Pourquoi je fais plus confiance à l’IA qu’à mon médecin (et pourquoi je me trompais de cible)

• Pourquoi j’ai arrêté de croire les professionnels sur parole ?
• Est-ce que je fais vraiment confiance à une machine qui hallucine ?
• Comment un informaticien perd 80 kg là où les diététiciens ont échoué en deux semaines ?
• Sommes-nous condamnés à devenir nos propres chercheurs pour ne pas nous faire balader ?

TL;DR — Pour ceux qui n’ont pas le temps (Le Résumé Exécutif)

Si vous n’avez que deux minutes devant vous, voici la synthèse brute de ma réflexion. Point barre.

1. Je me suis trompé de titre : Au début, je pensais faire plus confiance à l’Intelligence Artificielle qu’aux professionnels de santé ou de la nutrition. En creusant, j’ai compris que c’était un faux combat. Je ne crois pas en l’IA : je crois au consensus scientifique et aux chercheurs à la pointe de leur domaine.
2. Le problème, c’est l’intermédiaire humain : Entre le chercheur qui publie une méta-analyse sur PubMed et nous, il y a le praticien de terrain (médecin, diététicien). C’est ce maillon qui pose problème. Par manque de temps, de fatigue cognitive, ou pire, par dogmatisme et croyances personnelles, beaucoup de praticiens racontent des conneries obsolètes (du type : « arrêtez les glucides après 16 heures » ou « un yaourt grec, c’est aussi mauvais qu’un gâteau industriel »).
3. La physique ne ment pas : J’ai perdu 80 kg en sept ans. Pas grâce à un régime miracle d’un diététicien que j’ai abandonné au bout de deux semaines quand j’étais plus jeune parce que c’était un enfer, mais parce que j’ai compris comment fonctionne mon corps. La perte de poids est mathématique : si tu ne perds pas de poids, tu n’es pas en déficit calorique. Les hormones, le stress, la fatigue ou le NEAT (la dépense énergétique non liée au sport) expliquent pourquoi tu n’arrives pas à être en déficit, mais ne violent jamais les lois de la thermodynamique.
4. L’IA est un compilateur de science, pas un gourou : Lire des études scientifiques en anglais, vérifier les cohortes et les intervalles de confiance, c’est long et c’est chiant. L’IA est simplement l’outil qui permet de faire ce travail de recherche épistémologique en trente secondes. Mais attention : mal interrogée, l’IA est un perroquet complaisant qui va confirmer vos pires biais et peut pousser vers des troubles alimentaires.
5. Le verdict : Même si j’avais un ami chercheur brillant, je vérifierais quand même ses dires avec l’IA, puis en croisant plusieurs modèles, et enfin en lisant les papiers moi-même si le sujet me passionne. Pourquoi ? Parce que je connais ses biais humains. Utiliser l’IA correctement, avec les bons prompts de recherche méthodologique (fournis en fin d’article), est aujourd’hui la moins pire des solutions pour s’approcher de la vérité.

Pour ceux qui veulent comprendre comment on en est arrivé là, comment fonctionne vraiment la fabrique de la preuve scientifique et comment « prompter » pour ne plus jamais se faire avoir par un charlatan sur Instagram ou en cabinet, on rentre dans le dur maintenant.

Partie 1 : L’origine du doute (80 kg, des maths et du bullshit)

On connaît tous ce grand moment de solitude. Tu es assis en face d’un professionnel diplômé, ou tu tombes sur la vidéo d’un « expert » en nutrition sur les réseaux sociaux, et il te sort avec un aplomb absolu :

« Après 16 heures, il faut arrêter de manger des glucides, sinon ton corps stocke tout directement en gras. »

Ou encore mieux, une phrase entendue récemment par un influenceur :

« Le déficit calorique, ça vient tout à la fin, ce n’est pas le plus important. Le plus important, ce sont les hormones. »

Quand j’entends ça aujourd’hui, ça m’énerve. C’est un truc de fou.

Pourquoi ça me fait bondir ? Parce que sur les sept dernières années, j’ai perdu — et je continue de stabiliser — près de 80 kg.

Quand j’étais plus jeune, j’avais fait ce que tout le monde recommande : j’étais allé voir un professionnel (diététicien ou nutritionniste, je ne sais plus exactement lequel et honnêtement je m’en fous). Il m’avait collé un « régime » tout fait. J’ai tenu deux semaines. C’était horrible, frustrant, déconnecté de ma vie, et ça ne m’expliquait rien.

Quand j’ai réellement perdu mes 80 kg, je n’ai pas fait de régime. J’ai juste appris à manger correctement et voulu comprendre comment fonctionne la machine humaine.

Je suis informaticien. Toute ma pensée dans le monde est mathématique et logique. Pour moi, un système a des entrées (inputs), des sorties (outputs) et des règles d’exécution. Sur le corps humain, la règle fondamentale s’appelle le premier principe de la thermodynamique : si tu ne perds pas de poids, c’est que tu n’es pas en déficit calorique. Point barre. Il n’y a ni plus, ni moins.

Alors oui, entendons-nous bien : pourquoi tu n’es pas en déficit calorique ? Là, il y a des dizaines de facteurs. Ça peut être :

• Une mauvaise estimation de ce que tu manges.
• Les hormones (leptine, ghréline, insuline, hormones thyroïdiennes).
• La fatigue et le manque de sommeil.
• Le stress (cortisol).
• La chute du NEAT (Non-Exercise Activity Thermogenesis), c’est-à-dire le fait que quand tu manges moins, ton cerveau réduit inconsciemment tous tes micro-mouvements de la journée pour économiser de l’énergie, faisant baisser ta dépense calorique sans que tu t’en rendes compte.

Mais dans tous les cas, à la fin de l’équation, si la masse ne descend pas, c’est que le déficit n’est pas là. Ceux qui racontent que le timing des repas après 16 h prime sur le total calorique, ou qui te vendent des croyances magiques, mentent aux gens.

Partie 2 : Pourquoi le praticien humain m’a perdu

Récemment, une amie est allée voir une diététicienne. Déjà, premier drapeau rouge : la praticienne ne lui a demandé aucun bilan sanguin. Travailler sur le métabolisme de quelqu’un sans regarder ses marqueurs biologiques, c’est comme débugger un serveur en production les yeux bandés sans avoir accès aux logs.

Ensuite, elle lui a imposé de manger du pain complet. Sauf que mon amie ne mange pas de pain de base : elle n’aime pas particulièrement ça, elle s’en fout du pain. Quel est l’intérêt logique de forcer quelqu’un à intégrer du pain ?

« Oui mais le pain complet apporte des fibres ! »

D’accord, mais le pain complet ramène surtout une grosse charge de glucides pour un apport en fibres très moyen. Si j’ai besoin de fibres et de micronutriments avec des glucides, il est bien plus optimal de manger des fruits rouges ou des légumes verts que de se gaver de pain par pur réflexe culturel français.

Pire encore : cette même diététicienne lui a affirmé que manger du yaourt grec (ou fromage blanc), c’était « aussi pire qu’un gâteau au niveau nutritionnel ».

Même sans être médecin, j’ai énormément de mal avec une énormité pareille. Comparer une source de protéines complètes et de calcium qui apporte de la satiété avec un produit ultra-transformé bourré de sucres raffinés et de graisses inflammatoires, c’est du délire.

En observant tout ça, j’ai compris que j’avais deux problèmes majeurs avec les professionnels de terrain :

1. La barrière énergétique de la mise à jour

Se tenir à jour scientifiquement, ça demande une énergie et un temps colossaux. Quand un praticien enchaîne les consultations de 8 h à 19 h, il n’a ni le temps ni l’envie de passer ses soirées sur PubMed à éplucher les dernières méta-analyses en anglais. Beaucoup restent bloqués sur ce qu’ils ont appris à l’école il y a quinze ou vingt ans.

Or, la science évolue. Pendant des décennies, on nous a martelé que le cholestérol alimentaire (comme dans les œufs) faisait directement exploser le cholestérol sanguin et bouchait les artères, avant que le consensus scientifique ne revienne largement dessus. Si ton médecin ne met pas son logiciel à jour, tu subis une médecine périmée.

2. Le piège du dogme humain

C’est à mes yeux le problème numéro un : un être humain tombe beaucoup plus facilement dans un dogme qu’une intelligence artificielle.

Quand un humain a construit sa carrière, sa réputation, son livre ou ses consultations sur une croyance (« il faut supprimer les glucides le soir », « la chrononutrition absolue », voire des délires ésotériques avec les pierres), son ego et son portefeuille sont engagés. Admettre qu’il a tort, c’est détruire son propre modèle. L’humain cherche à convertir le patient à sa croyance.

Attention, je ne suis pas naïf : l’IA n’est pas exempte de dogmes. Dès qu’on touche à la géopolitique ou aux intérêts d’un État, le biais est flagrant. Si tu demandes à une IA chinoise ce qu’elle pense du statut de Taïwan, tu n’auras évidemment pas une réponse neutre. Même chose sur les sujets sociétaux ultra-polarisés aux États-Unis.

De même, je ne fais aucune confiance à l’IA (ni aux humains) sur des domaines que je considère comme de la fausse science :

• Les sciences économiques : Pour moi, l’économie n’est pas une science exacte, c’est de la psychologie humaine déguisée en équations. Point barre.
• Les micro-niches ultra-sponsorisées : Comme les études sur telle brosse à dents ou tel dentifrice, où le domaine est tellement restreint que 90 % des papiers sont directement financés par les deux mêmes fabricants mondiaux.

Mais sur le fonctionnement biologique du corps humain, la nutrition, la physique théorique, les mathématiques ou l’informatique ? Tant qu’aucun État n’a d’intérêt géopolitique à te faire croire que les courgettes font grossir, l’IA n’a pas d’ego. Elle s’en fout d’avoir raison ou tort.

Partie 3 : Le grand malentendu (L’avocat du diable contre ma propre théorie)

En réfléchissant à cet article, je me suis rendu compte que mon idée de départ — « Je fais plus confiance à l’IA qu’aux pros » — était mal formulée. Pour aller au bout de ma pensée, il fallait que je confronte mes propres biais. Voici les trois critiques majeures qu’on peut m’opposer, et ce que j’y réponds.

Critique n°1 : « L’IA n’a aucune responsabilité légale si elle te tue, contrairement au médecin »

C’est l’argument classique : si un médecin te prescrit n’importe quoi, il risque la radiation ou la prison, alors que l’IA n’est qu’un perroquet statistique protégé par des conditions générales d’utilisation.

Ma réponse : C’est un faux argument. Dans la vraie vie, les conséquences d’un dogme médical ou nutritionnel sont quasiment nulles pour celui qui le propage. Le titre de « nutritionniste » n’est même pas protégé. Quand une diététicienne raconte n’importe quoi sur le pain ou le fromage grec, ou quand des charlatans sur Internet expliquent que manger uniquement des légumes crus va guérir le cancer, combien finissent réellement devant un tribunal ? Quasiment aucun. Si la responsabilité pénale protégeait vraiment les gens du bullshit, les réseaux sociaux et les cabinets ne seraient pas remplis de mauvaises pratiques. Dans les deux cas, à la fin, c’est toi qui assumes les conséquences sur ton corps.

Critique n°2 : « Tu réduis l’humain à des maths parce que ça a marché sur toi (Biais du survivant) »

On pourrait me dire : « Tu es informaticien, tu as perdu 80 kg par pure logique, mais la majorité des gens souffrent de troubles émotionnels, de génétique défavorable, et ont besoin d’empathie ou de petites règles simples (comme arrêter les glucides à 16 h) pour y arriver sans peser leurs aliments. »

Ma réponse : Je suis totalement d’accord sur un point : un bon praticien humain sera toujours meilleur sur l’accompagnement, l’empathie et la détection des troubles du comportement alimentaire (TCA). L’IA, au contraire, peut créer ou aggraver des TCA parce qu’elle a tendance à acquiescer aux demandes de l’utilisateur et à pousser vers l’extrême si on lui demande un plan drastique.

En revanche, je refuse l’excuse du « mensonge pédagogique ». Dire des mensonges biologiques à un patient en souffrance ne l’aide pas, ça lui fait plus de mal que de bien. Pire : quand un praticien met l’échec de la perte de poids sur le dos des « mauvaises énergies », d’un blocage mystique ou d’une règle absurde, il déresponsabilise la personne. La vérité est parfois dure à entendre, mais dans l’immense majorité des cas, si on est en surpoids, c’est la conséquence de nos actions (ou d’une méconnaissance de nos besoins réels), et cela veut dire une chose très positive : on a le pouvoir d’y remédier avec du travail et les bonnes informations.

Critique n°3 : « Tu te traites comme une moyenne statistique sans prendre en compte la clinique individuelle »

L’argument consiste à dire que les méta-analyses parlent de moyennes sur 10 000 personnes, alors que le médecin regarde le cas particulier.

Ma réponse : C’est un homme de paille. Je n’utilise pas l’IA pour ignorer les cas particuliers ou remplacer le diagnostic médical, je l’utilise pour vérifier les mécanismes et croiser les facteurs.

Exemple très concret : il y a quelque temps, une femme de mon entourage avait une carence en fer. Son médecin lui a dit que c’était sûrement à cause du thé vert qu’elle buvait juste après ses repas. Sur le coup, j’ai trouvé ça bizarre : je n’avais jamais entendu parler de cette interaction.

Au lieu de gober l’info ou de la rejeter par principe, j’ai demandé à l’IA de chercher dans la littérature scientifique. Résultat : le médecin avait 100 % raison. Les tanins et polyphénols du thé chélatent le fer non héminique dans l’intestin et bloquent son absorption. Grâce à cette vérification, non seulement j’ai validé que ce médecin faisait bien son boulot, mais j’ai appris le mécanisme exact, j’ai compris pourquoi les femmes sont beaucoup plus sujettes à l’anémie (à cause des menstruations) et j’ai découvert quels autres aliments (café, calcium) avaient le même effet.

Partie 4 : La Révélation — Pourquoi je ne ferais même pas confiance à mon meilleur ami chercheur

C’est en poussant le raisonnement jusqu’au bout que j’ai compris ma vraie posture.

Au départ, je me disais : « Si j’avais dans mes amis un vrai chercheur en nutrition, passionné, qui lit toutes les études et sait se remettre en question, je lui ferais plus confiance qu’à l’IA. »

Et puis j’ai réfléchi deux minutes. En fait, non.

Même si cet ami chercheur existait, je ne lui ferais pas aveuglément confiance. Certes, je lui accorderais bien plus de crédit qu’à un praticien inconnu, tout simplement parce que connaissant mon ami, je connais aussi parfaitement ses biais et je sais exactement où chercher la faille. Face à un inconnu en cabinet, c’est impossible de savoir d’où il parle ni quels sont ses angles morts. Mais dans les deux cas, le réflexe reste le même : je ne gobe rien sans vérifier.

Dans tous les cas, voici mon algorithme personnel face à une affirmation (qu’elle vienne d’un médecin, d’une vidéo Instagram ou d’un ami chercheur) :

Niveau d’intérêt pour le sujet	Mon protocole de vérification	Résultat mental
Sujet critique / qui me passionne (ex: Nutrition, Santé, Tech)	1. Écoute de l’humain. 2. Audit contradictoire via une première IA. 3. Si contradiction : interrogation de plusieurs IA différentes (Claude, Gemini, GPT, etc.) pour croiser les modèles. 4. Extraction des liens PubMed et lecture manuelle des études scientifiques. 5. Retour vers l’humain avec une liste de questions précises.	Je m’approche au maximum de la vérité scientifique actuelle.
Sujet secondaire / qui m’intéresse peu	1. Écoute de l’humain. 2. Vérification rapide via l’IA. 3. En cas de divergence entre les deux : je ne creuse pas pendant 4 heures.	Je classe l’information dans ma tête avec le tag [NON FIABLE / INCERTAIN]. Je sais que je ne sais pas. Soit l’un a tort, soit les deux ont une partie de la vérité, et je laisse tomber sans en faire une croyance.

C’est ça, la vraie conclusion de mon cheminement : Je ne fais pas confiance à l’IA. Je fais confiance à la méthode scientifique.

Mais comme aller chercher les études sur PubMed, filtrer les essais randomisés en double aveugle, vérifier les p-values et lire de l’anglais académique est long et pénible, j’utilise l’IA comme un extracteur et synthétiseur de littérature scientifique.

Partie 5 : Le Guide de Survie (Comment vérifier la science et prompter l’IA sans se faire manipuler)

Si on éduquait correctement la population sur comment fonctionne la preuve scientifique et comment parler à une IA, tout le monde irait mieux. Tu vois une vidéo douteuse sur TikTok ou Instagram ? En deux minutes, tu peux la passer au détecteur de mensonges scientifique.

Mais attention : si tu poses une question biaisée à une IA (« Explique-moi pourquoi il faut arrêter les glucides à 16 h »), elle va chercher à te faire plaisir (biais de complaisance) et te trouver trois études moisies pour te donner raison.

Pour obtenir la vérité la plus brute possible, il faut connaître la hiérarchie des preuves et les critères de qualité d’une étude, puis forcer l’IA à les appliquer.

1. L’ordre de confiance des sources (Ma pyramide de fiabilité)

Quand vous cherchez une information médicale ou nutritionnelle, voici l’ordre strict dans lequel vous devez accorder votre confiance :

1. Les Autorités de Santé Publique (HAS, ANSES, OMS) : Elles ont une inertie, certes, mais elles filtrent des années de recherches pour éviter les effets de mode dangereux.
2. Les Méta-Analyses et Revues Systématiques (Systematic Reviews) : C’est le sommet de la pyramide scientifique. Au lieu de regarder une seule étude qui a pu avoir un coup de chance (cherry-picking), une méta-analyse regroupe et recalcule les résultats de dizaines ou centaines d’études sur le même sujet.
3. Les Essais Cliniques Randomisés en Double Aveugle (RCT) : On prend deux groupes homogènes (idéalement 1 000+ personnes de classes sociales, sexes et ethnies variés, pas un petit groupe de 20 étudiants). Ni le patient ni le médecin ne savent qui prend le vrai traitement ou le placebo (double aveugle).
4. Les études observationnelles / cohortes : Niveau de preuve faible (souvent basées sur des questionnaires où les gens oublient ou mentent sur ce qu’ils mangent).
5. L’avis d’un expert isolé (même diplômé) : Niveau zéro de la preuve scientifique s’il n’est pas appuyé par les étages du dessus.

2. Les 5 points de contrôle pour repérer une étude poubelle

Même quand l’IA vous sort une étude, ne buvez pas ses paroles. Vérifiez (ou demandez-lui de vérifier) ces cinq critères :

• La revue (Le Journal) : Est-ce publié dans une revue de rang A (comme The New England Journal of Medicine, The Lancet, Nature, BMJ) où il y a une vraie relecture par les pairs (peer-review), ou dans une « revue prédatrice » (predatory journal vérifiable sur Beall’s List) où il suffit de payer pour publier n’importe quoi ?
• L’ancienneté du papier : Un article frauduleux grossier est éliminé par les pairs. Un article frauduleux subtil peut passer entre les mailles du filet, mais il finit souvent par être rétracté au bout de quelques mois ou années quand d’autres chercheurs n’arrivent pas à reproduire les résultats. Un papier cité positivement depuis 5 ans est plus sûr qu’une pré-publication sortie hier matin.
• Le financement et les conflits d’intérêts : Qui a payé ? Si l’étude prouve que le soda ne fait pas grossir et qu’elle est financée par un géant du soda, ça ne veut pas dire que les chiffres sont automatiquement truqués, mais le niveau d’alerte doit être maximal (biais dans le design de l’étude).
• La taille de la cohorte : Une étude sur le corps humain avec 15 ou 30 personnes ne vaut quasiment rien statistiquement.
• L’intervalle de confiance (IC 95 %) et la p-value : Un chiffre brut (« efficace à 90 % ! ») ne veut rien dire si l’intervalle de confiance va de 10 % à 99 %. Plus la fourchette est resserrée et la p-value faible (généralement inférieure à 0,05), moins le résultat est dû au hasard.

3. Les Prompts « Zéro Bullshit » à copier-coller

Voici les templates exacts que vous devez utiliser. Ne donnez jamais votre avis personnel dans le prompt pour ne pas orienter l’IA.

Prompt n°1 : Le Détecteur de Bullshit (Pour vérifier une vidéo Instagram / l’affirmation d’un pro)

Agis comme un chercheur méthodologiste spécialisé en médecine factuelle (Evidence-Based Medicine). 

Je veux évaluer la validité scientifique de l'affirmation suivante : "[Insérer l'affirmation de façon neutre, ex: Il faut arrêter de manger des glucides après 16 heures pour perdre du poids / Le thé vert bloque l'absorption du fer]".

Consignes strictes de recherche et d'analyse :
1. Neutralité absolue : Ne cherche pas à confirmer ou infirmer l'affirmation par complaisance. Donne uniquement l'état actuel du consensus scientifique.
2. Hiérarchie des preuves : Base ton analyse prioritairement sur les recommandations des autorités de santé (HAS, ANSES, OMS), puis sur les méta-analyses et revues systématiques, et enfin sur les essais contrôlés randomisés (RCT) en double aveugle. Ignore les études sur les animaux (in vivo/in vitro) ou les simples études d'observation déclaratives si des preuves supérieures existent.
3. Audit méthodologique : Pour chaque étude majeure que tu cites, précise :
   - Le nom de la revue scientifique et l'année de publication.
   - La taille de la cohorte (nombre de participants humains) et la durée de l'étude.
   - La solidité statistique (intervalle de confiance, p-value, ampleur de l'effet).
   - Les éventuels conflits d'intérêts ou financements industriels connus, ainsi que les biais méthodologiques.
4. Mécanisme biologique : Explique concrètement comment cela fonctionne physiologiquement (thermodynamique, biochimie, hormones) sans utiliser de raccourcis magiques.
5. Sources : Fournis les titres exacts des publications, les auteurs principaux et les identifiants PMID (PubMed) ou DOI pour que je puisse vérifier moi-même qu'il ne s'agit pas d'une hallucination.

Prompt n°2 : Le Contre-Interrogatoire (Pour forcer une deuxième IA à auditer la première)

Si le sujet est critique pour vous, prenez la réponse de la première IA et collez-la dans une IA concurrente avec ce prompt :

Voici une synthèse scientifique générée par un autre modèle concernant [Sujet] :
"""
[Coller la réponse de la première IA]
"""

Ton rôle est de faire l'avocat du diable sur le plan strictement épistémologique et scientifique :
1. Vérifie si les études citées existent réellement et si leurs conclusions n'ont pas été sur-interprétées ou sorties de leur contexte (ex: étude sur des sujets diabétiques graves extrapolée à des personnes saines).
2. Identifie s'il y a du cherry-picking (sélection d'études isolées allant à l'encontre du consensus majoritaire).
3. Indique quelles sont les limites actuelles de la science sur ce sujet précis (ce que l'on ne sait pas encore avec certitude).

Conclusion : Est-ce une bonne ou une mauvaise chose ?

Alors, au final : est-ce que cette bascule de confiance vers l’IA est une bonne ou une mauvaise nouvelle pour notre société ?

C’est les deux en même temps.

Si le médecin ou le diététicien était une source parfaitement fiable — c’est-à-dire un professionnel totalement dépourvu de dogme, qui remet ses croyances en question chaque matin et qui a le temps de lire toutes les méta-analyses de son domaine — je préférerais mille fois m’en remettre uniquement à lui. L’humain apporte l’examen clinique, l’écoute, le soutien émotionnel et la compréhension du contexte de vie qu’aucune machine ne possède.

Mais les praticiens sont des êtres humains. Ils fatiguent, ils ont des croyances, ils manquent de temps, et certains racontent n’importe quoi.

Dans ce monde imparfait, l’Intelligence Artificielle règle un problème majeur : elle brise le monopole de l’information scientifique. Elle permet à n’importe quel citoyen un minimum rigoureux de court-circuiter les dogmes, de vérifier pourquoi on lui prescrit tel changement alimentaire et de ne plus se faire enfumer par des arguments d’autorité.

En revanche, elle génère un nouveau risque massif : entre les mains de quelqu’un qui ne sait pas comment lui parler, qui ignore ce qu’est une méta-analyse ou qui cherche juste à se rassurer, l’IA devient une chambre d’écho redoutable capable de valider les pires délires pseudo-scientifiques.

N’ayez pas une foi aveugle dans la blouse blanche, et n’ayez surtout pas une foi aveugle dans l’algorithme. Apprenez les règles de la méthode scientifique, utilisez l’IA comme une pelleteuse pour extraire les méta-analyses, croisez les sources, et gardez toujours le contrôle de votre esprit critique. Point barre.