È una narrazione corretta, ma parziale.

Oggi il punto più interessante non è solo capire se l’AI potrà accelerare la scoperta di nuove molecole. Il punto è più ampio: l’AI sta iniziando a riscrivere lo stack operativo dello sviluppo farmaceutico.

Non riguarda soltanto il modo in cui si identifica un target o si disegna una molecola.

Riguarda il modo in cui si decide dove investire in ricerca, come si progetta uno studio clinico, come si reclutano i pazienti, come si produce documentazione regolatoria, come si gestiscono qualità, farmacovigilanza, accesso, aderenza terapeutica e relazione con i professionisti sanitari.

In altre parole, l’AI non è più soltanto uno strumento di supporto alla discovery.

Sta diventando un nuovo livello infrastrutturale lungo l’intera catena del valore del pharma.

Read more

L’intelligenza artificiale è già entrata, in diverse forme, nel lavoro quotidiano dei professionisti e dei medici di medicina generale. Questa professione opera in un contesto di altissima complessità: numerosi pazienti, molteplici patologie croniche, comorbidità, attività di prevenzione e necessità di aggiornamento continuo in una medicina che ormai è diventata una scienza dell’informazione. L’intelligenza artificiale può essere una risposta straordinaria a questa complessità, aiutando il medico a lavorare meglio, a ridurre il carico amministrativo e burocratico, e a supportarlo in molte delle attività quotidiane.

DottNet: https://www.dottnet.it/video/112811/intelligenza-artificiale-nella-medicina-generale-una-trasformazione-gia-in-atto-negli-studi-medici

Gli ambiti in cui l’intelligenza artificiale può offrire il maggiore beneficio al medico di medicina generale sul territorio

I principali benefici dell’intelligenza artificiale si concentrano su tre grandi ambiti. Il primo riguarda la riduzione del carico burocratico e amministrativo, che assorbe una parte significativa del lavoro quotidiano del medico. Altri ambiti di beneficio, che completano il quadro, riguardano il supporto nella gestione delle patologie complesse e la possibilità di ottimizzare la prevenzione e il monitoraggio dei pazienti cronici, strumenti che possono migliorare l’efficienza e la qualità della medicina territoriale.

DottNet: https://www.dottnet.it/video/112812/gli-ambiti-in-cui-l-intelligenza-artificiale-puo-offrire-il-maggiore-beneficio-al-medico-di-medicina-generale-sul-territorio

Tutela dell’autonomia del giudizio clinico nell’era dell’intelligenza artificiale

L’autonomia del medico si tutela progettando gli strumenti di intelligenza artificiale in modo corretto e utilizzandoli in piena consapevolezza. È fondamentale che l’IA sia sempre uno strumento di supporto, e mai un sostituto del medico, valorizzando l’esperienza professionale e i dati disponibili durante la consultazione con il paziente.

DottNet: https://www.dottnet.it/video/112813/tutela-dell-autonomia-del-giudizio-clinico-nell-era-dell-intelligenza-artificiale

I rischi dell’intelligenza artificiale che destano maggiore preoccupazione nella medicina generale

Il rischio più rilevante sia quello di affidarsi eccessivamente ai sistemi di intelligenza artificiale, che sono spesso in grado di fornire risposte plausibili e convincenti anche quando risultano incomplete o non del tutto corrette. In ambito medico questo aspetto è particolarmente delicato, perché una risposta ben formulata può apparire autorevole pur non essendolo. Un ulteriore elemento di attenzione è rappresentato dall’automation bias, ovvero la tendenza ad accettare in modo acritico i suggerimenti della tecnologia, rischiando di indebolire il giudizio professionale del medico.

DottNet: https://www.dottnet.it/video/112814/i-rischi-dell-intelligenza-artificiale-che-destano-maggiore-preoccupazione-nella-medicina-generale

La formazione necessaria ai medici di famiglia per un uso consapevole dell’intelligenza artificiale

La formazione rappresenta un elemento fondamentale per un impiego sicuro ed efficace dell’intelligenza artificiale in medicina generale. La normativa europea sull’IA sottolinea l’importanza della cosiddetta ‘AI literacy’, ovvero la conoscenza approfondita dei principi, delle logiche e dei limiti di questi strumenti. Un medico adeguatamente formato deve prima di tutto comprendere come funzionano le tecnologie a supporto della pratica clinica, per poterle utilizzare criticamente e in maniera consapevole. Questo percorso formativo non riguarda solo l’aspetto operativo, ma anche la capacità di distinguere i contesti in cui l’IA può essere realmente utile, valorizzando la professionalità del medico e migliorando la qualità della relazione con il paziente.

DottNet: https://www.dottnet.it/video/112815/la-formazione-necessaria-ai-medici-di-famiglia-per-un-uso-consapevole-dell-intelligenza-artificiale

Ogni volta che raccontiamo il nostro ruolo, i nostri obiettivi, i progetti in corso, le preferenze di scrittura, le difficoltà operative o le abitudini professionali, queste informazioni possono essere usate per adattare le risposte future.

Questo migliora l’esperienza ma può introdurre errori silenziosi.

Una preferenza vecchia può condizionare risposte future, un’informazione sensibile, condivisa distrattamente, può restare più a lungo di quanto vorremmo.

Per questo consiglio una piccola abitudine di igiene digitale: ogni tanto bisogna fare un audit della memoria, servono 6 buone domande.

Eccole:

Read more

Ma forse abbiamo guardato il fenomeno dal lato sbagliato.

Abbiamo spesso interpretato la Digital Health come una somma di tecnologie: un nuovo software, una nuova app, un nuovo dispositivo, una nuova piattaforma. In realtà, la trasformazione è molto più profonda.

La Digital Health non è semplicemente la digitalizzazione di alcuni processi sanitari. È la trasformazione della sanità in un ecosistema intelligente, continuo e connesso.

Un ecosistema in cui il paziente non entra nel sistema solo quando si ammala, quando prenota una visita, quando fa un esame o quando arriva in pronto soccorso. Al contrario, resta connesso prima, durante e dopo la cura.

Questa è la vera discontinuità.

La sanità digitale sposta il baricentro: dalla prestazione al percorso, dall’evento alla traiettoria, dalla cura episodica alla continuità assistenziale.

Il dato nasce ovunque

Il dato si origina dal wearable, dal sensore, dall’app, dal teleconsulto, dal laboratorio, dalla terapia digitale, dal monitoraggio remoto, dalla cartella clinica, dai comportamenti quotidiani e dalla vita reale del paziente.

Questo cambia completamente la prospettiva.

Non abbiamo più solo dati clinici prodotti durante un incontro con il sistema sanitario. Abbiamo segnali continui, distribuiti, longitudinali, che possono raccontare molto di più della condizione reale di una persona.

Ma il punto vero non è raccogliere dati.

Raccogliere dati, da solo, non basta. Anzi, può persino diventare un problema se produce rumore, frammentazione, ridondanza e complessità non governata.

La vera sfida dei prossimi anni sarà chiudere il ciclo.

Raccolta → Integrazione → Analisi → Decisione → Intervento → Feedback → Nuova conoscenza.

Questo è il nuovo data journey della salute.
Un dato che nasce, viene integrato, viene interpretato, genera una decisione, produce un intervento, riceve un feedback e alimenta nuova conoscenza.

Quando questo ciclo si chiude, la Digital Health smette di essere infrastruttura tecnologica e diventa infrastruttura clinica.

Non software, ma nuovi modelli di cura

Il mercato se ne è già accorto. In Italia, forse, non del tutto.
La posta in gioco non è vendere più software sanitario. È ripensare il modo in cui preveniamo, diagnostichiamo, seguiamo e accompagniamo le persone.

• I wearable e i sensori portano il monitoraggio fuori dalle mura cliniche. Permettono di osservare parametri, comportamenti e segnali di rischio in modo più continuo rispetto alla visita tradizionale.

• Le app di salute trasformano il paziente in un attore più consapevole, coinvolto e informato. Non sostituiscono il medico, ma possono aiutare il paziente a comprendere meglio il proprio percorso.

• La telemedicina rompe la geografia della cura. Riduce le distanze, amplia l’accesso, rende possibile seguire pazienti che altrimenti sarebbero esclusi o difficili da raggiungere.

• L’intelligenza artificiale supporta diagnosi, stratificazione del rischio, personalizzazione terapeutica e analisi predittiva. Il suo valore non sta nel sostituire il giudizio clinico, ma nel potenziarlo quando viene integrata con metodo, responsabilità e controllo.

• I big data rendono possibile una medicina più predittiva e di popolazione. Permettono di leggere pattern, traiettorie, fragilità e bisogni che il singolo episodio clinico non riesce a mostrare.

• Il monitoraggio remoto del paziente sposta l’attenzione dall’evento acuto alla traiettoria clinica. Non aspetta solo che il paziente peggiori, ma prova a intercettare prima il cambiamento.

• Le digital therapeutics iniziano a trattare comportamenti, cronicità e aderenza con strumenti validabili, misurabili e integrabili nei percorsi assistenziali.

Tutto questo ci dice una cosa semplice: la Digital Health non riguarda soltanto l’efficienza dei processi. Riguarda la possibilità di costruire una sanità più continua, più anticipatoria, più personalizzata.

La sanità digitale come infrastruttura cognitiva

Ma il livello più estremo è un altro.

Una rete in cui ogni informazione clinica, amministrativa, comportamentale e ambientale può contribuire a una decisione migliore.Questa è la vera promessa.

Non una medicina meno umana. Non una medicina automatica. Non una sanità consegnata agli algoritmi.

Al contrario: una medicina che può finalmente vedere prima.

• Vedere il rischio prima della diagnosi.

• Vedere il peggioramento prima del ricovero.

• Vedere la mancata aderenza prima del fallimento terapeutico.

• Vedere la fragilità prima della crisi.

• Vedere la popolazione, non solo il singolo episodio.

In questa prospettiva, il dato non è più solo memoria amministrativa o documentazione clinica. Diventa un segnale operativo. Diventa supporto alla decisione. Diventa capacità del sistema di apprendere.

Il fascicolo sanitario non può restare un archivio. Deve diventare una infrastruttura decisionale.

La telemedicina non può restare una videochiamata. Deve diventare cura distribuita.

L’intelligenza artificiale non può essere trattata come un gadget. Deve diventare uno strato cognitivo del sistema sanitario, governato da regole, audit, trasparenza e responsabilità clinica.

La competizione sarà tra ecosistemi

Nei prossimi anni la competizione non sarà tra singole app, singoli dispositivi o singoli algoritmi.

La competizione sarà tra ecosistemi.

Vinceranno i sistemi capaci di integrare dati, clinica, governance, sicurezza, interoperabilità e fiducia.

Perché la Digital Health non fallisce quando manca la tecnologia. Fallisce quando manca la connessione tra tecnologia, processo clinico e responsabilità.

È qui che molti progetti rischiano di fermarsi.

• Abbiamo piattaforme, ma non sempre abbiamo integrazione.

• Abbiamo dati, ma non sempre abbiamo qualità.

• Abbiamo algoritmi, ma non sempre abbiamo governance.

• Abbiamo strumenti digitali, ma non sempre abbiamo nuovi modelli organizzativi.

• Abbiamo innovazione, ma non sempre abbiamo fiducia.

E senza fiducia, la sanità digitale resta fragile.
La fiducia riguarda il medico, che deve poter comprendere e governare gli strumenti che usa.
Riguarda il paziente, che deve sapere come vengono utilizzati i suoi dati.
Riguarda le istituzioni, che devono costruire regole chiare e infrastrutture solide.
Riguarda le aziende, che devono progettare tecnologie non solo performanti, ma sicure, interoperabili e clinicamente utili.

Dal digitale alla sanità aumentata dai dati

Il passaggio che abbiamo davanti è netto.

Dobbiamo passare dalla digitalizzazione della sanità alla sanità aumentata dai dati.
Dalla telemedicina come semplice videochiamata alla cura distribuita.
Dal fascicolo come archivio al dato come infrastruttura decisionale.
Dall’intelligenza artificiale come effetto speciale all’intelligenza artificiale come
strato cognitivo del sistema sanitario.
Dalla raccolta passiva di informazioni alla capacità attiva di anticipare, stratificare, personalizzare e intervenire.

Questa transizione non sarà solo tecnologica. Sarà culturale, organizzativa, clinica e politica. Richiederà interoperabilità reale, qualità dei dati, sicurezza, responsabilità, competenze digitali, valutazione degli esiti e capacità di integrare l’innovazione nei percorsi quotidiani della cura.

Non basterà introdurre nuovi strumenti. Bisognerà ridisegnare il modo in cui quei strumenti entrano nella pratica clinica.

Il nuovo linguaggio della cura

La Digital Health è il nuovo linguaggio con cui la sanità imparerà a vedere, decidere e prendersi cura.

Vedere meglio significa intercettare prima i segnali deboli. Decidere meglio significa trasformare dati e conoscenza in azioni cliniche appropriate. Prendersi cura meglio significa accompagnare le persone lungo tutto il percorso, non solo nel momento della malattia evidente.

Questa è la vera promessa della sanità digitale.
Non una sanità più fredda, più automatizzata, più distante.
Ma una sanità più capace di osservare, comprendere e intervenire.

Una sanità in cui il dato non sostituisce la relazione, ma la sostiene.
Una sanità in cui l’intelligenza artificiale non sostituisce il medico, ma può aiutarlo a leggere meglio la complessità.
Una sanità in cui il paziente non è solo destinatario di prestazioni, ma parte attiva di un ecosistema di cura.

La vera domanda è quale sistema sanitario vogliamo costruire quando ogni paziente, ogni medico, ogni dato e ogni decisione possono finalmente essere connessi.

Read more

Ma è martedì mattina.
Il medico che entra in stanza ha visto quattro casi simili nelle ultime settimane. Il reparto è pieno, ma non al collasso. La farmacia ha disponibile il farmaco giusto. Il percorso di dimissione è rodato. L’infermiere conosce bene quel protocollo. Il paziente arriva con fiducia, perché il medico di famiglia gli ha spiegato cosa aspettarsi.
La decisione prende una certa direzione.
Qualche settimana dopo, una scena quasi uguale si ripete altrove.
O forse nello stesso ospedale.

Ma è venerdì notte.
Il medico in formazione è competente, ma non ha visto casi simili di recente. Il consulente è reperibile, non in reparto. I letti sono pochi. Il pronto soccorso è sotto pressione. Il paziente è spaventato. Ha letto qualcosa online. Racconta i sintomi in modo diverso. La famiglia chiede rassicurazioni. Il percorso di dimissione, quella notte, è più fragile.
La decisione prende un’altra direzione.
Non necessariamente peggiore.
Non necessariamente sbagliata.
Diversa.

Ed è qui che la sanità mostra una delle sue caratteristiche più difficili da accettare: non è una macchina che riceve input e produce output standardizzati.
È un sistema adattivo complesso.

Read more

Nascono quasi sempre con un intento preciso: mostrare quanto del lavoro umano potrà essere automatizzato. Percentuali, scenari al 2030, curve di esposizione, mansioni più o meno vulnerabili. Il messaggio implicito sembra sempre lo stesso: preparatevi, una parte importante del lavoro verrà assorbita dalle macchine.

Eppure, a guardarli bene, quei grafici raccontano anche un’altra storia.

Forse più interessante.

Forse persino più ottimista.

Perché la vera notizia non è solo dove l’intelligenza artificiale arriva. È dove si ferma.

In alto, tra le attività più esposte all’automazione, troviamo molte delle funzioni che per decenni abbiamo considerato “lavoro vero” perché facilmente descrivibili, misurabili, ripetibili: data entry, fatturazione, reportistica, gestione dell’inventario, procedure amministrative, interrogazioni strutturate, attività codificate.

In basso, più protette, restano invece competenze che abbiamo avuto la pessima abitudine di chiamare “soft”: leadership, negoziazione, cura, relazione, comunicazione, coaching, capacità di leggere il contesto, gestione dell’ambiguità, comprensione delle persone.

Le abbiamo chiamate soft perché non stavano bene dentro una cella di Excel.

Oggi scopriamo che erano la parte più hard del lavoro.

Per trent’anni le organizzazioni hanno premiato soprattutto ciò che riuscivano a misurare. Hanno costruito sistemi di valutazione, incentivi, dashboard e processi attorno alle attività più visibili, più formalizzabili, più rendicontabili.

Il problema è che visibile non significa necessariamente prezioso.

E invisibile non significa irrilevante.

Gran parte del valore prodotto dentro un’organizzazione non passa da una procedura. Passa da una conversazione difficile gestita bene. Da una decisione presa in condizioni incomplete. Da un conflitto evitato prima che esploda. Da un cliente trattenuto perché qualcuno ha capito cosa non stava dicendo. Da un team che continua a funzionare perché qualcuno sa tenere insieme competenze, fragilità, urgenze e responsabilità.

Per molto tempo tutto questo è stato trattato come un contorno.

Importante, certo.

Ma non abbastanza da essere davvero prezzato.

L’intelligenza artificiale sta correggendo questo errore. Non perché sia umana, ma proprio perché non lo è.

Automatizzando ciò che è esplicito, ripetibile e formalizzabile, l’AI costringe le imprese a guardare ciò che resta. E ciò che resta è spesso la parte più sofisticata del lavoro umano: giudizio, presenza, responsabilità, relazione, fiducia, capacità di interpretare contesti che non si lasciano ridurre facilmente a istruzioni.

Michael Polanyi lo aveva sintetizzato già nel 1966 con una frase diventata quasi profetica: sappiamo più di quanto riusciamo a dire.

È esattamente qui che passa la nuova linea di confine.

Tutto ciò che possiamo descrivere completamente, passo dopo passo, diventa candidato naturale all’automazione. Tutto ciò che richiede conoscenza tacita, sensibilità situazionale, esperienza, negoziazione e responsabilità personale continua invece ad avere bisogno di un essere umano nella stanza.

E forse, finalmente, comincia ad avere anche un prezzo diverso.

L’automazione, insomma, sta facendo un favore inatteso al lavoro umano: lo sta rendendo finalmente visibile, e quindi prezzabile.

Non stiamo assistendo soltanto alla sostituzione di alcune mansioni. Stiamo assistendo a una riclassificazione del valore professionale.

Le competenze che sembravano centrali perché erano facili da contare diventano improvvisamente automatizzabili. Quelle che sembravano laterali perché erano difficili da misurare diventano invece strategiche.

È un rovesciamento silenzioso, ma enorme.

Per anni abbiamo pensato che il valore fosse dove c’erano procedure, output, tabelle, report, operazioni verificabili. Ora scopriamo che una parte crescente del valore sta dove ci sono contesto, relazione, interpretazione, responsabilità.

Questo non significa che le competenze tecniche scompariranno. Al contrario. Diventeranno ancora più importanti, ma cambierà il modo in cui verranno valutate. Non basterà più “saper fare” un’attività che una macchina può replicare. Conterà saperla governare, integrare, interpretare, usare dentro un contesto reale.

Il punto non sarà competere con l’AI sulla velocità.

Sarà usare l’AI per liberare spazio cognitivo, organizzativo e professionale per ciò che le macchine non sanno fare bene: capire perché una cosa conta, per chi conta, in quale situazione conta e con quali conseguenze.

Le organizzazioni che vinceranno il prossimo quinquennio saranno quelle che capiranno prima questa inversione.

Non quelle che useranno l’AI solo per tagliare costi.

Ma quelle che la useranno per capire meglio dove nasce davvero il valore umano.

Per anni le abbiamo chiamate competenze morbide.

Presto le chiameremo con il loro vero nome: competenze costose.

Non mostra un robot in ospedale. Non mostra un medico sostituito da una macchina. Non mostra nemmeno un algoritmo che produce una diagnosi.

Mostra una curva.

È la curva di adozione dell’innovazione resa famosa da Everett Rogers e poi riletta da Geoffrey Moore con il concetto di “chasm”: il salto difficile tra chi sperimenta una tecnologia perché è nuova e chi la adotta perché è diventata utile, affidabile, integrata.

Applicata all’intelligenza artificiale in sanità, quella curva diventa una mappa. E ci dice una cosa importante: non esiste una sola AI in healthcare. Ne esistono diverse, in momenti diversi della loro maturità.

Alcune sono già diventate infrastruttura. Altre stanno entrando adesso nei flussi di lavoro. Altre ancora sono appena visibili, ma potrebbero cambiare più profondamente il modo in cui le decisioni sanitarie vengono prese.

La mia impressione è che finora abbiamo visto tre grandi ondate. La quarta è quella che conta di più, ed è appena iniziata.

La prima ondata: l’AI che vede

La prima ondata è stata l’AI nell’imaging.

Stroke detection, radiologia, triage diagnostico, priorità di lettura. Qui l’intelligenza artificiale è entrata prima perché il problema era relativamente circoscritto: immagini, pattern, workflow radiologici, alert.

Il medico radiologo non veniva sostituito. Veniva affiancato da sistemi capaci di segnalare casi urgenti, ridurre i tempi di lettura, dare priorità a esami potenzialmente critici.

Aziende come Viz.ai, RapidAI, Aidoc e Brainomix hanno costruito una parte importante di questo mercato. E lo hanno fatto in un’area in cui la misurabilità è più immediata: c’è un’immagine, c’è un sospetto clinico, c’è un tempo di risposta, c’è un percorso di intervento.

È la fase in cui l’AI smette lentamente di essere “novità” e diventa componente operativa.

Quasi noiosa.

E in sanità, quando una tecnologia diventa noiosa, spesso significa che ha finalmente iniziato a funzionare.

La seconda ondata: l’AI che ascolta

La seconda ondata è l’ambient AI.

Il medico parla con il paziente. Il sistema ascolta, sintetizza, struttura, prepara la documentazione clinica. Quello che prima era un colloquio seguito da minuti, spesso ore, di lavoro amministrativo, comincia a diventare un flusso più naturale.

La tecnologia vocale esisteva anche prima, ma per anni ha prodotto più attrito che valore. Trascriveva, ma non capiva davvero. Raccoglieva parole, ma non sempre contesto. Con i grandi modelli linguistici è cambiato il punto: non si tratta più solo di trasformare la voce in testo, ma di comprendere il senso clinico della visita e ridurre il carico documentale.

Qui si muovono Microsoft con DAX Copilot e Dragon Copilot, Abridge, Suki, Ambience Healthcare, Heidi, Nabla, Freed.

È un mercato che cresce rapidamente e che sta già mostrando i primi segni di maturazione: integrazione con le cartelle cliniche elettroniche, uso su larga scala, concorrenza forte, probabile consolidamento.

Il motivo è semplice. La documentazione è diventata una delle grandi frizioni della medicina contemporanea. Ogni tecnologia che riduce quel peso senza ridurre qualità, tracciabilità e responsabilità clinica ha un potenziale enorme.

Ma anche qui bisogna essere sobri.

Una nota clinica generata da AI non è automaticamente una buona nota clinica. Va verificata, corretta, contestualizzata. L’ambient AI non elimina la responsabilità del medico. Può restituire tempo, ma solo se viene inserita in un processo controllato.

La terza ondata: l’AI che legge

La terza ondata riguarda la conoscenza medica esterna.

Letteratura scientifica, linee guida, trial, evidenze pubblicate. Qui il problema non è più solo trovare informazione. È restare vivi dentro la quantità di informazione disponibile.

La medicina produce più conoscenza di quanta un singolo professionista possa realisticamente leggere, filtrare e metabolizzare. Per questo stanno emergendo AI answer engine costruiti attorno alla letteratura e alle fonti scientifiche.

OpenEvidence, Doximity, UpToDate di Wolters Kluwer, Elsevier, e anche modelli generalisti come OpenAI e Anthropic quando vengono usati con retrieval, fonti affidabili e strumenti adeguati.

Questi sistemi competono per un momento molto preciso: quello in cui il medico deve prendere una decisione e ha bisogno di una risposta affidabile, citata, aggiornata.

È un passaggio importante. Perché nella pratica clinica il problema non è avere “più informazione”. Il problema è avere la giusta informazione, nel momento giusto, con un livello di affidabilità adeguato alla decisione da prendere.

Ma anche questa terza ondata guarda soprattutto fuori dall’organizzazione.

Guarda alla conoscenza pubblicata. Alla letteratura. Alle linee guida. Agli studi.

Tutto questo è indispensabile.

Ma non basta.

La quarta ondata: l’AI che capisce dove si trova

La quarta ondata è diversa.

È quella che nell’immagine allegata è ancora all’inizio della curva: l’AI applicata alla conoscenza interna delle organizzazioni sanitarie.

Qui non parliamo più solo di “che cosa dice la letteratura”. Parliamo di protocolli locali, PDTA, procedure aziendali, percorsi diagnostico-terapeutici, regole amministrative, disponibilità di servizi, vincoli organizzativi, sistemi informativi, responsabilità professionali.

Perché una decisione sanitaria non nasce mai nel vuoto.

Nasce dentro un ospedale. Dentro una ASL. Dentro una medicina di gruppo. Dentro una rete territoriale. Dentro una cartella clinica. Dentro un insieme di regole scritte e non scritte che determinano ciò che è possibile, appropriato, sostenibile e sicuro.

La domanda clinica reale, spesso, non è soltanto:

“Che cosa dice la migliore evidenza disponibile?”

È anche:

“Che cosa è corretto fare qui, per questo paziente, in questa organizzazione, con queste risorse, oggi?”

Questa è la parte che l’AI deve ancora imparare davvero.

Perché la conoscenza interna oggi è frammentata.

Sta nelle intranet. Nei PDF. Nei protocolli aggiornati a metà. Nei sistemi verticali. Nelle cartelle condivise. Nei documenti amministrativi. Nei manuali operativi. Nei flussi informali. E soprattutto nella testa delle persone che sanno come funzionano davvero le cose.

È una conoscenza enorme, ma poco interrogabile.

È strategica, ma spesso trattata come archivio.

È decisiva, ma raramente disponibile nel momento in cui serve.

Perché questa ondata sarà la più difficile

La quarta ondata sarà probabilmente la più complessa, perché non basta collegare un modello a un insieme di documenti.

La conoscenza interna di un’organizzazione sanitaria è sporca, stratificata, a volte contraddittoria. Alcuni documenti sono aggiornati, altri no. Alcune procedure sono formalmente valide ma operativamente superate. Alcune informazioni sono scritte, altre vivono solo nei comportamenti quotidiani.

Portare l’AI dentro questo spazio significa affrontare problemi tecnici, ma anche organizzativi e di governance.

Chi valida le fonti?

Chi decide quale documento prevale se due procedure sono incoerenti?

Come si aggiorna la base di conoscenza?

Come si traccia la risposta?

Come si distingue un suggerimento informativo da una raccomandazione clinica?

Come si garantisce che il medico mantenga supervisione e responsabilità?

Queste domande non sono dettagli. Sono il cuore del problema.

Perché in sanità il rischio non è solo ricevere una risposta sbagliata. È ricevere una risposta corretta in astratto, ma inutilizzabile nel contesto concreto in cui deve essere applicata.

Una risposta può essere scientificamente fondata e organizzativamente impraticabile.

Può essere coerente con una linea guida internazionale, ma incompatibile con un percorso locale.

Può essere tecnicamente corretta, ma non sostenibile dentro quel setting assistenziale.

È qui che il contesto diventa parte dell’intelligenza.

Da archivio passivo a infrastruttura attiva

Se questa quarta ondata maturerà, il cambiamento sarà profondo.

Le organizzazioni sanitarie potranno trasformare la loro conoscenza interna da deposito passivo a infrastruttura attiva di decisione.

Un medico potrà interrogare non solo la letteratura, ma il contesto operativo in cui lavora.

Un coordinatore potrà verificare rapidamente procedure, responsabilità, percorsi e vincoli.

Un direttore sanitario potrà rendere più omogenea l’applicazione dei protocolli.

Una rete territoriale potrà ridurre la distanza tra ciò che è scritto nei documenti e ciò che accade nella pratica.

Ma perché questo avvenga, l’AI dovrà essere costruita dentro le organizzazioni, non solo venduta alle organizzazioni.

Serviranno modelli, certo.

Ma serviranno anche integrazione nei workflow, qualità dei dati, governance delle fonti, supervisione clinica, audit, responsabilità chiare, aggiornamento continuo.

La quarta ondata non sarà necessariamente la più appariscente.

Non sarà quella con la demo più spettacolare.

Ma potrebbe essere quella con l’impatto più profondo sui processi reali.

Perché la sanità non ha bisogno solo di un’AI che conosca la medicina.

Ha bisogno di un’AI che capisca dove quella medicina viene praticata.

Forse la quarta ondata sarà proprio questa.

Non l’AI che risponde meglio.

L’AI che finalmente sa dove si trova.

Nel secondo episodio del podcast degli Stati Generali della Salute | Siena 2026, dedicato a Innovazione Digitale e Intelligenza Artificiale nella Sanità, ho avuto l’occasione di approfondire un tema molto concreto: dove può essere davvero utile oggi l’AI nella Medicina Generale?

La domanda è importante, perché quando si parla di AI in medicina il dibattito tende spesso a polarizzarsi. Da una parte c’è l’entusiasmo per strumenti sempre più potenti. Dall’altra ci sono dubbi, diffidenze e timori legittimi. Ma il punto non è scegliere tra tecnologia e professione medica. Il punto è capire come usare bene questi strumenti per rafforzare il lavoro del medico e migliorare la qualità della cura.

Oggi l’AI può essere utile almeno su tre livelli.

1. Il primo riguarda la riduzione del carico burocratico. Una quota rilevante del tempo di visita viene ancora assorbita da attività amministrative, compilazioni, aggiornamenti del fascicolo, prescrizioni, codifiche cliniche e adempimenti informativi. Questo tempo sottrae spazio alla relazione, all’ascolto, alla diagnosi e alla presa in carico del paziente.
   L’AI può aiutare a rendere questi processi più fluidi. Può supportare la sintesi delle informazioni, la corretta codifica dei dati clinici, l’organizzazione della documentazione e la gestione di attività ripetitive. Non si tratta di sostituire il medico, ma di restituirgli tempo clinico.

2. Il secondo livello è il supporto decisionale. La Medicina Generale gestisce una complessità enorme: pazienti fragili, comorbidità, cronicità, rischio cardiovascolare, percorsi diagnostici, terapie, prevenzione e continuità assistenziale. In questo contesto, strumenti capaci di analizzare dati clinici, identificare rischi, stratificare popolazioni e suggerire priorità possono diventare un supporto prezioso.

   Il medico resta il decisore. Ma può essere affiancato da sistemi capaci di valorizzare meglio le informazioni disponibili e di renderle utilizzabili nel momento in cui servono.

3. Il terzo livello riguarda la formazione continua. La medicina cambia ogni giorno. Nuove evidenze, nuove linee guida, nuovi studi e nuovi percorsi assistenziali rendono sempre più difficile restare aggiornati in modo completo e tempestivo. L’AI può aiutare il medico a sintetizzare le informazioni più rilevanti, individuare gap conoscitivi e costruire percorsi di aggiornamento più mirati.

C’è poi un tema ancora più profondo: il rapporto medico-paziente.

Sempre più pazienti arrivano in studio dopo aver già cercato informazioni online o dopo aver interrogato strumenti di Intelligenza Artificiale. Questo cambia il contesto della visita. Il paziente può essere più informato, ma anche più confuso. Può arrivare con ipotesi, aspettative o convinzioni che il medico deve saper ascoltare, interpretare e correggere quando necessario.

Per questo l’AI non riduce il ruolo del medico. Al contrario, rende ancora più importante la sua capacità di guidare, spiegare, contestualizzare e decidere.

La prospettiva più interessante è il passaggio da una medicina prevalentemente reattiva a una medicina più proattiva e anticipatoria. Non aspettare soltanto che il paziente arrivi perché sta male, ma utilizzare i dati per intercettare fragilità, rischi e traiettorie cliniche prima che diventino eventi critici.

Questo cambio di paradigma non può avvenire solo con la buona volontà. Richiede strumenti, dati ben organizzati, modelli affidabili, regole chiare e una forte supervisione professionale.

L’AI, se progettata e utilizzata correttamente, può aiutare proprio in questo: liberare il medico dal tempo inutile, sostenere il carico cognitivo, valorizzare i dati e rendere più efficace la presa in carico.

La tecnologia non è il fine. È uno strumento.

Il fine resta una sanità più accessibile, più efficiente e più vicina ai bisogni delle persone.

Qui sotto trovate l’estratto della mia intervista agli Stati Generali della Salute | Siena 2026.

Guarda l’intervista

Abbiamo costruito, testato e discusso modelli capaci di stimare il rischio di una complicanza, di un ricovero, di una riacutizzazione, di un peggioramento clinico o di un evento avverso. È stata una fase importante, perché ha permesso di portare nel dibattito medico strumenti quantitativi sempre più sofisticati, capaci di leggere grandi quantità di dati clinici e trasformarli in segnali di rischio.

Tutto questo è utile. Ma non è sufficiente.

Perché chi lavora ogni giorno con i pazienti sa bene che la medicina reale non si esaurisce in una stima di probabilità. Davanti a una persona concreta, con la sua storia clinica, le sue comorbidità, le terapie in corso, le fragilità, il contesto familiare e sociale, il medico non si chiede soltanto: “qual è il rischio?”

La domanda più importante è spesso un’altra: “che cosa devo fare adesso?”

E subito dopo: “cosa potrebbe accadere se scelgo questa strada invece di un’altra?”

È in questo passaggio, dal rischio all’azione, che si apre probabilmente una delle fasi più interessanti dell’intelligenza artificiale applicata alla medicina.

Un recente articolo pubblicato su The Lancet da Nadkarni e colleghi propone proprio questo salto concettuale: passare dalla predictive AI alla navigational AI. Secondo gli autori, la transizione richiederà metodi, infrastrutture e studi rigorosi capaci di valutare efficacia clinica, sicurezza, equità e impatto nei workflow reali.

Perché “navigare” è una metafora più vicina alla medicina reale

La definizione di navigational AI è interessante perché descrive molto meglio il lavoro quotidiano del clinico.

Il medico non vive dentro un modello statistico. Vive dentro un percorso decisionale. Un percorso fatto di incertezza, tempo limitato, linee guida multiple, pazienti complessi, risorse disponibili, responsabilità professionale e conseguenze concrete.

In questo contesto, sapere che un paziente è “ad alto rischio” può essere certamente importante. Ma non basta.

Il passo successivo è comprendere quale azione possa davvero modificare il percorso di quel paziente.

Intensificare una terapia? Programmare un follow-up più ravvicinato? Inviare allo specialista? Richiedere un approfondimento diagnostico? Coinvolgere un caregiver? Aspettare e monitorare? Oppure ridefinire le priorità perché, in quel momento, il problema clinico più rilevante non è quello segnalato dall’algoritmo?

Queste sono le domande della medicina reale.

Ed è proprio qui che l’AI può diventare molto più utile, ma anche molto più delicata.

Predire un evento non è la stessa cosa che suggerire un’azione

C’è una distinzione fondamentale che non possiamo permetterci di ignorare.

Una cosa è predire un evento. Un’altra è suggerire una possibile azione.

Nel primo caso il sistema produce un’informazione. Nel secondo entra, direttamente o indirettamente, nel processo decisionale.

Questa differenza cambia tutto.

Quando l’AI entra nel processo decisionale clinico, non possiamo più accontentarci di dire che “il modello è accurato”. L’accuratezza predittiva resta importante, ma diventa solo una parte del problema.

Dobbiamo chiederci se il sistema sia clinicamente utile. Se funzioni davvero nel workflow reale. Se riduca il carico cognitivo o se aggiunga semplicemente nuovi alert. Se sia stato validato sulla popolazione corretta. Se sia comprensibile per il medico. Se sia monitorabile nel tempo. Se lasci una traccia. Se consenta una supervisione umana effettiva. Se renda chiaro il razionale della raccomandazione.

Sono domande tecniche, cliniche, organizzative, etiche e regolatorie.

E sono tutte necessarie.

Il rischio dell’AI che produce solo rumore

Una delle criticità più frequenti dei sistemi predittivi in sanità è il rischio di generare rumore operativo.

Un algoritmo può essere statisticamente interessante, ma clinicamente poco utile. Può segnalare un rischio, ma non aiutare il medico a decidere. Può aumentare gli alert, ma non migliorare gli esiti. Può essere percepito come un ulteriore carico informativo in un contesto già saturo di notifiche, moduli, indicatori e responsabilità.

Questo è un punto cruciale.

La medicina non ha bisogno di più semafori rossi. Ha bisogno di strumenti che aiutino a comprendere meglio il percorso del paziente.

Un sistema che dice “attenzione, questo paziente è a rischio” può essere utile solo se quel segnale è collegato a una possibilità concreta di azione: che cosa posso fare, perché, con quale beneficio atteso, con quali rischi, con quali alternative e con quale livello di evidenza?

Senza questo passaggio, l’AI resta spesso confinata in una dimensione descrittiva o predittiva. Interessante per la ricerca, ma non sempre trasformativa nella pratica clinica.

La Medicina Generale come banco di prova naturale

Questa riflessione diventa ancora più importante se la portiamo nella Medicina Generale.

Il Medico di Medicina Generale si muove ogni giorno in un ambiente ad altissima complessità. Ha davanti pazienti cronici, multimorbidità, politerapia, fragilità sociali, aderenza terapeutica variabile, linee guida che talvolta si sovrappongono, bisogni assistenziali non sempre espliciti e tempo limitato.

In questo contesto, l’ennesima notifica generica rischia di non aiutare.

Il MMG non ha bisogno di una AI che dica semplicemente “attenzione”. Ha bisogno di strumenti capaci di collegare dati, evidenze, storia clinica, linee guida e priorità pratiche.

Ha bisogno di un supporto che non sostituisca il giudizio clinico, ma lo renda più informato, più documentato, più coerente e più sicuro.

La navigational AI, se sviluppata con rigore, potrebbe diventare proprio questo: un supporto alla navigazione dei percorsi clinici, non un automatismo decisionale.

Un sistema capace di aiutare il medico a vedere meglio le alternative, a stimare le conseguenze delle diverse opzioni, a documentare il razionale della scelta e a mantenere il controllo umano sul processo.

Dal dato alla decisione

La vera evoluzione, a mio avviso, è questa: passare dal dato alla decisione.

Dalla previsione al percorso.

Dall’alert alla navigazione.

Dal modello isolato al supporto clinico integrato.

Dall’output algoritmico alla responsabilità supervisionata.

Questo passaggio richiederà molto più rigore rispetto alla semplice costruzione di modelli predittivi. Serviranno causal inference, validazioni prospettiche, studi randomizzati, workflow testing, audit, governance, monitoraggio continuo e valutazione dell’impatto reale sugli esiti clinici.

Non basterà costruire modelli brillanti in laboratorio.

Dovremo dimostrare che questi sistemi migliorano davvero le decisioni, senza spostare il rischio sul medico, sul paziente o sull’organizzazione. L’articolo di Nadkarni e colleghi insiste proprio sulla necessità di valutare le raccomandazioni nei contesti reali, monitorando come vengono presentate, adottate e seguite nel tempo.

Una AI più responsabile, non più spettacolare

La navigational AI non sostituirà linee guida, trial clinici o competenza professionale.

E questo punto va detto con chiarezza.

L’obiettivo non è costruire una AI che dica al medico cosa fare. L’obiettivo è costruire una AI che aiuti il medico a comprendere meglio le possibili strade, il razionale clinico, le alternative disponibili e le conseguenze attese.

In altre parole, una AI che renda le evidenze più operative nel momento in cui servono davvero: davanti al paziente, quando una decisione deve essere presa.

La medicina non ha bisogno di AI più spettacolari. Ha bisogno di AI più responsabili.

Responsabili perché valutate clinicamente. Responsabili perché integrate nei workflow. Responsabili perché monitorabili. Responsabili perché comprensibili. Responsabili perché capaci di mantenere il medico al centro della decisione.

La decisione deve restare umana, ma può diventare più informata

Alla fine, il valore clinico non nasce dalla previsione in sé.

Nasce dalla decisione giusta, nel momento giusto, per il paziente giusto.

E quella decisione deve restare umana.

Ma può diventare molto più informata.

Questa è, probabilmente, la vera promessa dell’intelligenza artificiale in medicina: non sostituire la competenza clinica, ma aumentare la qualità del ragionamento, la coerenza delle scelte, la tracciabilità dei percorsi e la sicurezza dei pazienti.

La domanda che dovremmo porci oggi non è soltanto: “quanto bene predice questo modello?”

La domanda più importante diventa: “quale livello di evidenza dobbiamo pretendere prima che una AI possa aiutarci non solo a prevedere un rischio, ma a scegliere cosa fare?”

È una domanda difficile.

Ma è esattamente la domanda da cui dipenderà la prossima fase dell’AI clinica.

Riferimento

Nadkarni GN, McGreevy J, Gavin N, Freeman R, Darrow B, Stump L, Reich D, Kohane I, Sakhuja A. From prediction to navigation for artificial intelligence in medicine. The Lancet. 2026. PubMed indicizza l’articolo con questi autori e titolo

Nel lavoro, AMIE può gestire input multimodali come immagini dermatologiche, ECG e documenti clinici. Può fare domande di follow-up. Può raccogliere informazioni mancanti. Può aggiornare una diagnosi differenziale. Può spiegare il proprio ragionamento.

Nello studio, condotto su 105 consultazioni simulate in stile OSCE, AMIE è stato confrontato con medici di primary care. La valutazione è stata fatta da specialisti in cieco.

I risultati sono forti: migliore accuratezza diagnostica, prestazioni superiori su 29 assi di valutazione su 32 e migliori risultati su 7 metriche multimodali su 9.

Stiamo iniziando a vedere sistemi capaci di supportare il medico nel punto più delicato del processo clinico: la gestione dell’incertezza.

Non un’AI che decide al posto del medico ma un co-pilota clinico che aiuta a

• raccogliere meglio l’anamnesi,

• non perdere informazioni rilevanti,

• interpretare documenti e immagini semplici,

• organizzare la diagnosi differenziale,

• spiegare meglio le ipotesi,

• preparare una visita più efficace,

• ridurre il carico cognitivo del medico.

Per la medicina generale, questo è particolarmente importante.
Il MMG lavora in un contesto dove i problemi sono spesso sfumati, longitudinali, incompleti. Il paziente porta sintomi, referti, immagini, messaggi, esami, frammenti di storia clinica.

Lo studio è ancora su pazienti simulati. Non è un trial clinico reale. Non c’è esame obiettivo. Le modalità valutate sono limitate. E prima di qualunque applicazione reale serviranno validazione clinica, governance, sicurezza, audit, supervisione umana e integrazione nei workflow.

L’AI più utile in sanità sarà quella che aiuta il medico a vedere meglio, ascoltare meglio, ragionare meglio e dedicare più tempo alla parte più umana della cura.

La tecnologia, quando è progettata bene, amplifica il ruolo del medico.
E forse questa è la vera frontiera dell’AI clinica: non sostituire la relazione medico-paziente, ma proteggerla dal rumore, dalla frammentazione e dal sovraccarico informativo.

Per anni ci hanno promesso che, grazie a tutti questi dati, avrebbero rivoluzionato la sanità. Ma non è successo davvero.

Il problema è che spesso quei dati si fermavano lì: dentro una dashboard, dentro un’app, dentro una maggiore consapevolezza personale.

Perché un dato diventa realmente sanitario solo quando cambia ciò che accade dopo: quando aiuta un medico a decidere, quando attiva un follow-up, quando smette di essere “informazione” e diventa azione.

È per questo che il nuovo movimento dei wearable è così interessante.

• Fitbit (now part of Google) Air spinge verso la commoditizzazione dell’hardware: dispositivo a basso costo, sensore accessibile, dati sempre più disponibili.

• ŌURA va nella direzione dell’integrazione profonda: non solo anello, ma pannelli di laboratorio, biomarcatori, glicemia, connessione con dati più clinici.

• WHOOP prova a fare un salto ancora diverso: aggiungere medici abilitati, video-consulti on demand e sincronizzazione con sistemi EHR.

In pratica, dal tracking al triage.
Dal “guarda come hai dormito” al “questo dato può attivare un percorso”.

È qui che nasce quello che chiamo il ponte Silicon-to-Symptom: il passaggio dal sensore al sintomo, dal dato grezzo alla decisione clinica.

E questa trasformazione non riguarda solo i wearable ma sta accadendo in tutta l’HealthTech.
Nel mondo consumer ma anche nell’ambulatoriale, dove il dato nasce dentro i sistemi di gestione della pratica clinica e i player stanno cercando di trasformare il software del medico in un vero sistema operativo del lavoro quotidiano.

Negli ospedali, dove il dato passa dagli HIS e Nel pharma e nella diagnostica, dove il dato arriva dalla patologia digitale, dall’oncologia, dai biomarcatori e da acquisizioni come PathAI.

Quattro mondi apparentemente diversi ma una stessa direzione: l’integrazione nel flusso decisionale del medico.

Questa, secondo me, è la vera tesi di mercato: l’innovazione in sanità non risiede più nella semplice generazione di dati isolati ma quando il dato viene interpretato nel contesto giusto: con responsabilità clinica, qualità, tracciabilità e una chiara distinzione tra ciò che supporta, ciò che suggerisce e ciò che invece resta una decisione del medico.

La prossima fase dell’HealthTech non sarà dominata da chi raccoglie più dati ma da chi saprà trasformarli in workflow sicuri, utili e sostenibili.

Il wearable è morto come categoria isolata e sta nascendo qualcosa di più interessante: un ecosistema in cui sensori, esami, cartelle cliniche, piattaforme ospedaliere e AI dovranno imparare a parlare la stessa lingua.
Quella del percorso clinico reale.

La sfida dei prossimi anni sarà costruire tecnologia sensata, capace di entrare con intelligenza, prudenza e utilità nel lavoro quotidiano di chi cura.

Oggi questo schema sta cambiando molto rapidamente.
Se hai un sistema che comprende bene il contesto clinico, quella stessa intelligenza può essere estesa su attività diverse senza dover ripartire ogni volta da zero. Può aiutarti a documentare una visita, cercare letteratura, preparare una referral letter, supportare un prior auth, suggerire codici, accompagnare parti del workflow che prima vivevano in prodotti distinti.

È questo il passaggio importante. Non stiamo vedendo solo nuovi strumenti ma sistemi che si allargano e occupano progressivamente più pezzi dello stesso lavoro.

@OpenEvidence è un esempio molto chiaro di questa traiettoria. In pochi trimestri ha esteso il proprio raggio d’azione lungo il workflow clinico, entrando in aree che fino a poco tempo fa avremmo considerato categorie diverse. Questo conta più della singola feature, perché racconta una logica di piattaforma.

La mossa di OpenAI va letta nello stesso modo. Il lancio gratuito di ChatGPT per clinici verificati non è interessante solo perché aggiunge un prodotto in più. È interessante perché mostra una strategia molto precisa. Entrare nel punto di accesso quotidiano del medico, offrire strumenti utili subito, creare familiarità, costruire fiducia e poi, da lì, estendersi.

Oggi, probabilmente, OpenEvidence resta più avanti su focalizzazione, adozione clinica e fiducia costruita nel tempo. Ha lavorato in modo verticale, ha sviluppato funzionalità specifiche e ha curato con attenzione il proprio posizionamento nel contesto medico.

OpenAI però porta sul tavolo un’altra forza. Modelli di frontiera, distribuzione enorme, capacità di iterare rapidamente e una strategia che ricorda molto quella con cui, in altri momenti del mercato, sono stati costruiti network professionali dominanti. Quando riesci a diventare lo strumento che un professionista apre ogni giorno, il vantaggio non è solo di prodotto. Diventa vantaggio di abitudine, di relazione, di presenza nel workflow.

Quando conquisti quel punto di accesso il resto diventa una conseguenza naturale. Puoi partire dalla ricerca, passare alla documentazione, arrivare al decision support, alla codifica, alla comunicazione, ai processi amministrativi. Quello che prima era distribuito tra più software inizia a ricomporsi dentro una piattaforma sempre più centrale.

Qui si sta spostando il mercato.

La partita che stiamo guardando non riguarda solo OpenAI o OpenEvidence ma il nuovo equilibrio dell’healthtech.

Più piattaforme integrate e sistemi che cercano di diventare l’ambiente di lavoro del clinico.

Ed è lì, secondo me, che nascerà la prossima leadership del settore.

1. Il Contrarian cerca rischi, dati incompleti, bassa adozione, responsabilità non chiarite.

2. Il First Principles Thinker riporta tutto all’obiettivo essenziale: migliorare presa in carico, continuità e prevenzione degli scompensi.

3. L’Expansionist vede l’opportunità: passare da medicina reattiva a medicina di iniziativa, con PHM, audit e governo clinico.

4. L’Outsider chiede se medico, paziente e organizzazione capiscono davvero cosa cambia.

5. L’Executor chiude con il primo passo: un pilota limitato, su una coorte definita, con workflow, indicatori e supervisione clinica chiari.
   Il valore è costringere il modello a non essere compiacente.

Provala subito:
- Scarica la skill in formato GPT (link nel primo commento)
- Vai su ChatGPT → Skills
- Seleziona Create / Upload skill
- Carica il file .zip della skill
- Apri una nuova chat e scrivi: @llm-council seguito dalla tua domanda

Esempio: @llm-council Dovremmo implementare un programma di telemonitoraggio per i pazienti con scompenso cardiaco nella nostra ASL? Analizza rischi, opportunità e primo passo operativo.

1. OpenAI punta su modelli per clinica e ricerca.

2. Anthropic su medicina e biotech.

3. Google sull’ecosistema dati, wearable e insight.

4. Microsoft sui workflow enterprise e clinici.

5. Amazon sull’operatività quotidiana.

6. Perplexity sull’accesso semplice all’informazione sanitaria.

La direzione è la stessa.
Le strade sono diverse.

Vincerà chi saprà trasformare l’AI in uno strumento utile, sicuro, comprensibile e adottabile da medici, pazienti e organizzazioni sanitarie.

La domanda è: chi riuscirà a meritare più fiducia?

Non a caso DeepMind parla di co-clinician e non di “AI doctor”, una scelta linguistica ma anche regolatoria e organizzativa.

Ed è interessante osservare anche la geografia di questi annunci.
Stati Uniti, India, Australia, Nuova Zelanda, Singapore, Emirati Arabi. Molto meno Europa.

L’Europa ha scelto una strada più prudente e regolata. Può essere un vantaggio competitivo, se questa prudenza diventa qualità, governance e fiducia. Può diventare un freno, se si traduce solo in ritardo operativo.

La prossima competizione credo sará tra ecosistemi clinici capaci di integrare AI multimodale, evidenza scientifica, dati real-world, supervisione umana e responsabilità professionale.

Per i medici, il punto non è imparare a “usare un chatbot” ma prepararsi a lavorare con sistemi che entreranno progressivamente nella raccolta dati, nell’anamnesi guidata, nella sintesi dell’evidenza, nella comunicazione con il paziente e nel supporto decisionale.

La pratica clinica di oggi, tra due anni, potrebbe sembrarci molto meno naturale di quanto immaginiamo.

Il medico sarà sempre importante ma anche sarà sempre più evidente quali parti del lavoro clinico richiedono davvero intelligenza, esperienza e responsabilità umana.