Une infirmière praticienne termine une consultation complexe, ouvre un nouvel onglet de navigateur et colle la note de rencontre dans ChatGPT pour rédiger une lettre de référence bien tournée. La note contient le nom du patient, sa date de naissance, un diagnostic et une liste de médicaments. La lettre revient parfaitement formulée en quelques secondes. Le DME installé dans l'onglet d'à côté — avec ses accès basés sur les rôles, ses journaux d'audit et son chiffrement au repos — n'en a rien enregistré. Les renseignements personnels sur la santé viennent de quitter le contrôle de l'organisation, et il n'y a aucun moyen de les rappeler.
Voilà la brèche dans la sécurité des données cliniques que la plupart des organisations de santé n'ont jamais mesurée. Des efforts considérables sont consacrés à sécuriser le dossier médical électronique : révisions des accès, journalisation des accès d'urgence, intégrations vérifiées pour l'alignement avec la LPRPS et le projet de loi C-27. Tout cela régit les données à l'intérieur du système d'enregistrement. Rien de tout cela ne régit la zone de saisie que le clinicien sollicite dès que le DME ne fait pas ce dont il a besoin assez vite.
Pourquoi la sécurité du DME ne voit pas la zone de saisie
La sécurité du DME repose sur une frontière : le système d'enregistrement et ses intégrations autorisées. Tout ce qui traverse cette frontière est journalisé, soumis à des permissions et défendable. L'hypothèse sous-jacente est que les RPS circulent entre des systèmes connus le long de chemins connus.
L'IA générative brise cette hypothèse. Le clinicien copie du texte hors du DME — un geste légitime et invisible — et le colle quelque part avec quoi le DME n'a aucune relation. Du point de vue du dossier, rien ne s'est produit. Aucune intégration ne s'est déclenchée, aucune exportation n'a été journalisée, aucune politique n'a été activée. Les données sont simplement apparues dans un outil public par l'interface la plus ordinaire de l'informatique : le copier-coller.
C'est pourquoi une si grande partie de l'usage de l'IA passe inaperçue. Les recherches de LayerX de 2025 ont révélé que les organisations n'ont aucune visibilité sur environ 89 % de l'usage de l'IA, et que 82 % des données collées dans l'IA proviennent de comptes personnels non gérés. En milieu clinique, cela signifie que la lettre de référence, le résumé de congé, l'appel d'assurance — tous rédigés dans un onglet ChatGPT personnel qu'aucun tableau de bord de TI en santé ne fera jamais remonter. Les données de Netskope de 2025 chiffrent l'exposition : l'organisation moyenne enregistre environ 223 violations de politiques sur les données sensibles par mois via des applications d'IA générative, et 54 % d'entre elles concernent des données réglementées.
Les flux de travail où les RPS fuient réellement
Le risque n'est pas abstrait, et il n'est pas malveillant. C'est le résultat naturel de personnes surchargées qui utilisent l'outil le plus rapide à leur disposition. Voyez où il se manifeste :
Un commis à la prise de rendez-vous colle un lot de noms de patients et de numéros de téléphone dans un outil d'IA pour les reformater en liste d'appels. Un chercheur dépose un jeu de données en cours de désidentification dans un agent conversationnel pour repérer les valeurs aberrantes — avant que les identifiants ne soient réellement retirés. Un médecin résume un dossier volumineux en langage simple pour une famille, en collant l'historique complet pour obtenir un paragraphe lisible. Un membre du personnel administratif téléverse un tableur de dossiers de facturation — NAS, dates de naissance, codes de diagnostic — pour que l'IA en trouve les anomalies.
Chacun de ces cas est quelqu'un qui fait bien son travail, sous pression, avec le meilleur outil à portée de main. L'analyse de Cyberhaven de 2025 a révélé qu'environ 40 % des interactions avec l'IA font intervenir des données sensibles, et que la part de données d'entreprise sensibles envoyées à l'IA a grimpé à environ 35 % — contre environ 11 % deux ans plus tôt. Le secteur de la santé se situe au point le plus critique de cette tendance : forte sensibilité des données, réglementation lourde, et des cliniciens qui vivent déjà toute la journée dans des logiciels SaaS en navigateur.
Les enjeux ne sont pas théoriques non plus. Le rapport Cost of a Data Breach d'IBM de 2025 place la santé au coût moyen de violation le plus élevé de tous les secteurs — 7,42 M$ — et a constaté que les violations impliquant des niveaux élevés d'IA fantôme coûtent environ 670 000 $ de plus en moyenne. Le même rapport note que 97 % des organisations ayant subi une violation liée à l'IA n'avaient pas de contrôles d'accès à l'IA adéquats.
Pourquoi la réponse n'est pas une interdiction de plus
La réaction instinctive est de bloquer les outils. Ça ne fonctionne pas, et les dirigeants du secteur de la santé l'ont déjà vu échouer. Quand Samsung a interdit ChatGPT en 2023 après que des ingénieurs y eurent collé du code source, l'interdiction n'est arrivée qu'une fois les données déjà parties — et la leçon se généralise : les interdictions poussent l'usage vers les appareils personnels et les comptes personnels, où la visibilité tombe à zéro. Gartner a constaté que 88 % des employés ayant accès à l'IA d'entreprise utilisent aussi des outils d'IA personnels pour le travail.
Un clinicien qui ne peut pas utiliser l'IA sur une session de travail l'utilisera sur son téléphone pendant une pause. Les données sortent quand même ; vous avez seulement cessé de pouvoir les voir. Et une interdiction pénalise les gains de productivité qui rendent l'IA utile, alors les gens la contournent discrètement et cessent de vous dire ce qu'ils utilisent.
La gouvernance l'emporte sur l'interdiction. Les contrôles qui réduisent réellement l'exposition des RPS agissent au niveau des données, pas de l'outil : détecter le contenu sensible dans la saisie avant qu'il ne soit soumis et — c'est crucial — expliquer à la personne, sur le moment, ce qui a été signalé et pourquoi. Caviarder les identifiants tout en laissant passer une version avec des valeurs fictives réalistes signifie que l'IA renvoie tout de même une lettre de référence utilisable, si bien que personne n'a de raison de contourner le contrôle. Chaque saisie signalée devient un petit moment de formation, et avec le temps, le personnel devient nettement meilleur dans l'usage sécuritaire de l'IA. Les dirigeants obtiennent une vue de l'endroit où le risque lié à l'IA se concentre — un registre de l'événement de politique, jamais les données du patient elles-mêmes.
C'est le principe sur lequel Sanitized AI est bâti : les données sensibles devraient être détectées avant qu'une saisie n'atteigne un outil d'IA public, car une fois les RPS soumis, il ne reste plus rien à contrôler.
La question à se poser ce trimestre
Votre audit de DME vous dit qui a consulté un dossier. Il ne vous dit rien sur le fait que ce dossier ait été collé dans un outil d'IA public une heure plus tard. Ce sont deux surfaces de sécurité différentes, et la plupart des organisations de santé n'en ont instrumenté qu'une seule.
L'étape pratique de ce trimestre est de découvrir ce qui se passe réellement dans l'onglet du navigateur à côté du DME — non pas en sondant le personnel, qui sous-déclare, mais en vérifiant si les RPS peuvent seulement sortir par la zone de saisie. Si vous ne pouvez pas répondre à cette question, votre gouvernance des données cliniques a un angle mort exactement là où travaillent vos personnes les plus occupées. Si vous souhaitez voir comment fonctionne en pratique la détection des RPS avant qu'ils ne sortent, demandez une démonstration.