Formation d'une équipe de télémédecine au développement assisté par IA, du backlog jusqu'au code livré

Hairdex fait consulter à distance un patient qui perd ses cheveux, le met en visio avec un médecin, et transmet l'ordonnance à une pharmacie partenaire. Un espace applicatif par métier, une API, la visioconférence, un service de trichoscopie et le tableau de bord interne : neuf applications, un dépôt GitHub chacune, trois environnements de déploiement.

L'équipe qui tient tout cela compte trois personnes. Elles font déjà écrire du code par des assistants, chacune à sa façon, avec un fichier de contexte par dépôt et rien qui garantisse qu'il reste à jour. Aucun test automatisé dans le parc. Sur une base sans tests, un assistant qui écrit vite fait entrer les régressions aussi vite.

Côté produit, quatre sujets attendaient : la dictée du compte rendu pendant la téléconsultation, la lecture d'une ordonnance, la lecture d'une analyse de sang, et une recherche documentaire médicale pour les médecins. Aucun ordre de passage, et la même contrainte sur les quatre. Ce sont des données de santé, l'hébergement doit rester dans le périmètre HDS, et un modèle ne prescrit pas.

Poser le filet avant d'accélérer

Approcheles tests d'abord, là où une erreur se paie

Une équipe qui fait écrire du code par un assistant a besoin de savoir tout de suite quand la sortie est fausse. Nous commençons par les chemins qui touchent au patient : la prise de rendez-vous, la transmission de l'ordonnance, les droits d'accès entre les espaces patient, médecin et pharmacie. L'assistant sert ensuite à écrire les tests suivants, dépôt par dépôt.

Écrire le contexte une fois pour qu'il soit relu à chaque fois

Approcheun fichier de contexte par dépôt, tenu par un hook de pre-commit

Le fichier de contexte devient la fiche que l'assistant lit avant de proposer quoi que ce soit : conventions du dépôt, schéma de données, ce qu'on ne touche pas. Le hook de pre-commit le met à jour au lieu de compter sur la bonne volonté de chacun. Les types partagés entre les interfaces et l'API suivent le même principe : une source, et les dépôts qui la lisent.

Outiller la revue et la remontée d'erreurs

TechnologiesGitHub Actions, revue automatique en pull request, Sentry en serveur MCP

La revue par un modèle se branche sur la pull request, au même endroit que les tests, pour que rien ne dépende du moment où quelqu'un y pense. Sentry se branche comme source de contexte : l'assistant lit l'erreur réelle, sa trace et le dépôt concerné, au lieu de deviner à partir d'un message recopié dans une conversation.

Trancher l'ordre des sujets d'IA médicale

Focuscommencer par celui qui ne touche pas à la prescription

Les quatre sujets ne portent ni le même coût ni le même risque. La dictée du compte rendu se teste sans toucher à la décision du médecin, elle passe en premier. L'extraction d'une ordonnance puis d'une analyse vient ensuite, en aide à la saisie, avec relecture obligatoire. La recherche documentaire médicale suppose un corpus dont la provenance se vérifie, et la proposition automatique de traitement reste au stade de l'étude de faisabilité. Sur les quatre, la même règle : le modèle prépare, le médecin décide.

La formation se déroule sur les dépôts de Hairdex, pas sur un projet d'exemple. Ce que l'équipe écrit pendant les séances reste dans son code.

Sur une plateforme de santé, le garde-fou se code. Ce que le modèle voit, la région où il tourne, et l'interdiction qu'il touche à la prescription : ces trois points sont traités comme des contraintes techniques, au même niveau que les tests.

Nous ne publions pas de chiffre avant la fin. Une couverture de tests ou un délai de livraison annoncés maintenant seraient une promesse. Le bilan se fera avec l'équipe, sur ses propres dépôts.

Une équipe formée sait aussi dire quel sujet attend, et pourquoi il attend.

Trois personnes qui savent écrire le contexte de leurs dépôts et tester ce qu'un assistant produit tiennent neuf applications sans payer la vitesse en régressions. Et l'équipe sait dans quel ordre attaquer ses sujets d'IA médicale, ce qui évite de commencer par le plus risqué.

Espaces patient, médecin et pharmacie en Next.js déployés sur Vercel. API et CMS en Strapi sur AWS Elastic Beanstalk, visioconférence Jitsi et services internes en conteneurs EC2, service de trichoscopie en Python.
Modèles appelés par Amazon Bedrock, périmètre maintenu sur la région eu-west-3 chez un hébergeur certifié HDS.
Tests automatisés, revue de code en pull request via GitHub Actions, Sentry branché en serveur MCP, contexte par dépôt tenu par un hook de pre-commit.