En microbiologie clinique, l’intelligence artificielle (IA) est utilisée comme une couche d’automatisation cognitive qui vient complémenter les chaînes d’automatisation. L’IA stabilise les procédés, renforce la traçabilité et réduit les délais de rendu. Le paradigme diagnostique reste centré sur la culture bactérienne, tandis que les tâches de lecture et de priorisation peuvent être déléguées aux algorithmes. Les usages les plus matures concernent le tri des cultures, urocultures en particulier, à partir d’images acquises par des incubateurs intelligents. Les évaluations cliniques rapportent une sensibilité élevée pour repérer les cultures positives. Les performances des modèles de vision dépendent cependant d’une acquisition d’image standardisée, d’une traçabilité des métadonnées et d’une calibration adaptée aux conditions locales. Des modèles de prédiction exploitent aussi les spectres MALDI-TOF pour estimer précocement des probabilités de résistance en amont des antibiogrammes phénotypiques. Dans tous les cas, la mise en production exige une validation méthodique, une gestion des risques et une surveillance continue, dans le cadre applicable aux dispositifs de diagnostic et aux systèmes d’IA à haut risque. L’IA en microbiologie ne remplace pas la culture ; elle industrialise le flux et recentre l’expertise humaine sur les cas les plus complexes.

In clinical microbiology, artificial intelligence (AI) is a layer of cognitive automation that complements total lab automation. AI stabilizes processes, strengthens traceability, and shortens turnaround times. The diagnostic paradigm remains culture-based, while reading and prioritization tasks can be delegated to algorithms. The most mature uses are culture triage—particularly urine cultures— based on incubator-acquired images. Clinical evaluations report high sensitivity for flagging relevant culture plates. The performances of computer vision models, however, depend strongly on standardized image acquisition, robust metadata traceability, and local calibration. Predictive models can also leverage MALDI-TOF spectra to estimate resistance probabilities as an early complement to phenotypic testing. In all cases, production deployment requires methodical validation, risk management, and continuous monitoring within the frameworks applicable to in vitro diagnostic devices and high-risk AI systems. AI does not replace culture; it industrializes the workflow and refocuses human experts on complex cases.