La quarta ondata dell’AI in sanità: quando il contesto diventa intelligenza
C’è un’immagine che racconta bene il momento in cui siamo entrati.
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.