Traduit de l’original anglais. Les chiffres et les sources sont inchangés. Lire l’original en anglais
University Medicine Magdeburg
L’hôpital universitaire de Magdebourg héberge Llama 3.2-Vision sur son propre serveur pour 322 collaborateurs
University Medicine Magdeburg, en Allemagne, a mis en place une plateforme de chat IA auto-hébergée, fondée sur le modèle à poids ouverts Llama 3.2-Vision 90B de Meta et exécutée sur un seul serveur qu’elle possède. Dans une enquête menée deux mois après le lancement, 70,3 % des répondants ont jugé sa fiabilité et sa rapidité élevées.
Chiffres clés
Repris tels quels des sources. Copiez n’importe quel chiffre avec sa citation.
44 %
(40 personnes)
Répondants déclarant gagner au moins 30 minutes de travail par semaine, selon le résumé de l’article (déclaratif)1
70,3 %
(64 sur 91)
Répondants ayant jugé la fiabilité et la rapidité extrêmement ou moyennement élevées1
Ce que cela a demandé
Le coût, la taille de l’équipe et le calendrier ne sont pas communiqués dans les sources.
Le problème
Le personnel de l’hôpital utilisait déjà des chatbots d’IA publics pour rédiger et rechercher des informations. Or un hôpital traite des données personnelles sensibles, et les envoyer à un service externe peut entrer en conflit avec les règles de protection des données. Le centre d’intégration des données de University Medicine Magdeburg voulait un outil que les équipes puissent utiliser sans que les données quittent le bâtiment.
Ce qu’ils ont construit
Le centre a bâti une plateforme de chat IA sur Llama 3.2-Vision 90B, un modèle à poids ouverts de Meta. « Poids ouverts » signifie que les fichiers du modèle sont publiés : une organisation peut donc l’exécuter sur son propre matériel. Le modèle sait lire le texte et les images. La plateforme a été lancée le 3 mars 2025 pour le personnel administratif, soignant et de recherche.
Elle tourne sur un seul serveur appartenant à l’hôpital, équipé d’une puce graphique NVIDIA H100 (80 Go de mémoire). L’article indique 25,3 tokens de sortie par seconde. Un token est un petit fragment de mot.
Comment ils s’y sont pris
L’équipe a annoncé la plateforme par la liste de diffusion interne de l’hôpital, et les collaborateurs se sont inscrits en indiquant leur unité. Deux mois après le lancement, elle a envoyé aux utilisateurs inscrits une enquête en ligne de dix questions, ouverte pendant 26 jours avec deux relances. Elle portait sur la fréquence d’utilisation, les tâches, la satisfaction et le temps gagné par semaine. L’étude a été dispensée d’approbation éthique, car elle ne comportait ni intervention ni information sensible.
Résultats
Sur 322 utilisateurs inscrits, 98 ont participé à l’enquête et 91 ont donné des réponses complètes. Le résumé de l’article indique que 44 % (40 personnes) disaient gagner au moins 30 minutes de travail par semaine. La fiabilité et la rapidité ont été jugées élevées par 70,3 % des répondants, et la qualité des réponses par 60,4 %. La plupart des répondants (85,7 %) ont eu besoin de moins de 15 minutes pour démarrer.
L’usage variait selon le métier. Le personnel soignant et de recherche utilisait la plateforme plus souvent que les administratifs, et pour des tâches de création et d’analyse.
Ce qui a mal tourné
La critique la plus fréquente, formulée par 37,4 % des répondants, portait sur la qualité des réponses. Environ un tiers de ces commentaires (12 sur 34) mentionnaient des réponses fausses, comme des références inventées. Les répondants ont aussi demandé le téléversement de fichiers, des options d’export, de la documentation et de la formation, ainsi qu’une intégration au système d’information de l’hôpital.
Ce qu’il faut retenir
Menez une courte enquête peu après le lancement et servez-vous-en pour décider de la formation, des fonctionnalités et des groupes de personnel à cibler ensuite.
Tous les chiffres publiés
| Indicateur | Chiffre | Citation |
|---|---|---|
| Utilisateurs inscrits sur la plateforme | 322 (21,7 % des 1 484 employés du groupe cible)1 | |
| Répondants à l’enquête ayant donné des réponses complètes | 91 sur 98 participants1 | |
| Répondants déclarant gagner au moins 30 minutes de travail par semaine, selon le résumé de l’article (déclaratif) | 44 % (40 personnes)1 | |
| Répondants ayant jugé la fiabilité et la rapidité extrêmement ou moyennement élevées | 70,3 % (64 sur 91)1 | |
| Répondants ayant jugé la qualité des réponses extrêmement ou moyennement élevée | 60,4 % (55 sur 91)1 | |
| Répondants ayant eu besoin de moins de 15 minutes pour prendre la plateforme en main | 85,7 % (78 sur 91)1 | |
| Critiques en texte libre portant sur la qualité des réponses | 37,4 % (34 sur 91)1 |
Enseignements pour votre projet
Un seul serveur de taille moyenne peut suffire pour un pilote hospitalier. Celui-ci reposait sur une seule puce NVIDIA H100 et produisait 25,3 tokens (fragments de mots) de sortie par seconde.
Attendez-vous à une adoption inégale selon les métiers. Les soignants et les chercheurs ont plus utilisé la plateforme que le personnel administratif : ciblez la formation sur les groupes qui en ont besoin.
Mesurez tôt la valeur perçue. Une courte enquête deux mois après le lancement a montré où les utilisateurs voyaient des gains de temps et ce qu’ils voulaient ensuite.
Anticipez les hallucinations. La plainte la plus fréquente concernait les réponses fausses, y compris des références inventées : demandez aux utilisateurs de vérifier les sources.
Réserves
- Les auteurs sont l’équipe data de l’hôpital elle-même, et les gains de temps sont déclarés par des répondants volontaires (91 des 322 utilisateurs inscrits).
- Seuls 30,4 % des utilisateurs inscrits ont répondu à l’enquête : les résultats reflètent donc des répondants qui se sont eux-mêmes sélectionnés. Les auteurs n’ont pas réalisé de tests statistiques, les groupes étant trop petits.
- L’article n’indique ni budget de projet ni taille d’équipe.
- Le chiffre de 44 % de temps gagné ne figure que dans le résumé. La section des résultats ne le reprend pas pour l’ensemble de l’échantillon, et les mêmes chiffres de 40 sur 91 y apparaissent pour le personnel administratif : à manier avec prudence.
- L’article donne la part des utilisateurs hebdomadaires à 62,6 % (57) dans le résumé et à 61,5 % (56) dans le texte ; ce rapport l’omet donc.
Sources
- Implementation and User Evaluation of an On-Premise Large Language Model in a German University Hospital Setting: Cross-Sectional Survey
JMIR AI · 2026-04-15 · Article de recherche · ai.jmir.org
Résumé dans nos propres mots à partir des sources ci-dessus. Une erreur ? Consultez les corrections.