MAI-DxO est le système de diagnostic que Microsoft a publié dans la revue Science le 22 octobre 2026. Au lieu de laisser un seul modèle répondre directement, il organise un panel de médecins virtuels qui débattent et vérifient étape par étape. Selon la présentation officielle de Microsoft le même jour, le système a atteint 83 % de précision diagnostique sur des cas complexes du New England Journal of Medicine, contre 36 % pour des médecins généralistes ayant accès à des références et seulement 22 % sans.
D'abord, rapprocher l'examen de la médecine réelle
Microsoft estime que les tests de type examen d'aptitude surévaluent l'IA : les questions présentent toutes les informations d'un coup et demandent une seule réponse, alors que le diagnostic réel part d'informations limitées et impose de décider quoi demander et quoi tester, chaque examen supplémentaire ayant un coût. L'équipe a donc construit SDBench : 304 cas complexes du NEJM et un ensemble de cas d'urgence plus typiques issus de la base MIMIC-IV-ED, tous convertis en rencontres interactives. Le diagnosticien part d'une courte présentation et doit demander chaque élément de preuve ; le benchmark enregistre la précision, les preuves demandées et les coûts estimés des tests — il juge le chemin, pas seulement la réponse.
Un panel de médecins virtuels enquête mieux qu'un modèle seul
Dans MAI-DxO, plusieurs agents proposent chacun des diagnostics, choisissent questions et examens, et se contredisent sur plusieurs tours de débat, en mettant à jour leur évaluation à mesure que les preuves arrivent et en pesant la valeur probable de chaque test face à son coût. L'orchestration n'est pas liée à un modèle : avec le plus récent GPT-5.5 en dessous et une méthode inchangée, les résultats se sont encore améliorés. Sur les cas d'urgence, le système atteint 80 % contre 47 % pour les médecins, et une configuration axée sur les coûts conserve 81 % de précision sur les cas du NEJM pour moins de la moitié du coût de test des systèmes comparés. Microsoft a publié en open source les outils SDBench pour une sélection de cas du NEJM — benchmark, gatekeeper, juge et estimation des coûts — afin que d'autres équipes puissent reproduire ou contester les résultats.
Les limites doivent être dites aussi clairement : il s'agit d'un benchmark textuel contrôlé, le groupe de comparaison est composé de généralistes travaillant seuls, et les cas rares et complexes du monde réel sont normalement transmis à des équipes de spécialistes ; le système n'a pas été validé dans de vrais parcours cliniques. Y lire que « l'IA peut déjà remplacer les médecins » serait une erreur de lecture. La lecture juste est que l'évaluation diagnostique évolue, comme l'étude de Google AMIE en clinique réelle, de « répondre juste » vers « poser les bonnes questions au bon coût » — et que l'orchestration multi-agents montre un réel avantage sur ce type de tâche fondée sur un processus.
