Il paradosso dell’intelligenza artificiale in medicina: tra promesse di efficienza e rischi nascosti
Quando la tecnologia entra in ospedale, il valore non dipende dal software ma da come viene gestito
Pubblicità
L'integrazione degli strumenti di intelligenza artificiale generativa nei sistemi sanitari rappresenta una sfida complessa che va ben oltre l'adozione tecnologica. La rivista One Health sottolinea come il successo di queste applicazioni dipenda meno dalle capacità del modello e più dal modo in cui viene inserito nei processi organizzativi, nelle responsabilità professionali e nella governance dei dati.
Dove davvero nascono i vantaggi
Un primo errore concettuale consiste nel trattare l’intelligenza artificiale come un software tradizionale da implementare. Un sistema può generare note cliniche, riassumere cartelle o preparare comunicazioni ai pazienti, eppure questi compiti producono valore reale solo se riducono effettivamente il carico di lavoro cognitivo, eliminano tempi morti o diminuiscono gli errori documentali. Gli ambiti più promettenti non sono quelli in cui la tecnologia sostituisce il clinico, bensì quelli dove lo libera da compiti amministrativi ripetitivi. Le applicazioni più mature riguardano strumenti che trasformano le conversazioni medico-paziente in bozze di documentazione, alleggerendo il peso burocratico che grava sui professionisti.
Il rischio del rendimento economico illusorio
Numerose narrative enfatizzano risparmi rapidi e riduzione della burocrazia, ma la storia della digitalizzazione sanitaria suggerisce cautela. Una nuova tecnologia non produce automaticamente economies: può anzi aumentare i costi, richiedendo investimenti in formazione, supervisione, integrazione nei sistemi informativi aziendali, audit di conformità, protezione cibernetica e gestione contrattuale complessa. Secondo la letteratura specializzata, occorre distinguere tra efficienza—svolgere un compito più rapidamente—e produttività, intesa come ampliamento della capacità complessiva del sistema di erogare cure. Uno strumento che rende più semplice redigere una lettera non incide sulla produttività se non trasforma i flussi operativi, l’allocazione delle risorse umane o i tempi di risposta. Per questo motivo i decision maker dovrebbero abbandonare metriche vaghe come «innovazione» o «modernizzazione», adottando invece indicatori concreti: tempo risparmiato per attività specifiche, riduzione di errori, impatto sulle liste d’attesa, soddisfazione dei pazienti, burnout del personale, costi di licenza e costi di integrazione.
Pubblicità
Due versioni, due minacce diverse
Quando ChatGPT e strumenti similari raggiungono i cittadini, il rischio assume un volto specifico. Un paziente può utilizzarli per comprendere meglio una diagnosi, preparare domande per una visita medica o interpretare informazioni sanitarie complesse. Tuttavia, se lo strumento diviene una porta informale di triage, può generare ritardi nell’accesso alle cure, eccesso di rassicurazione o al contrario sovra-utilizzo dei servizi. Uno studio pubblicato nel 2026 ha simulato 960 scenari clinici controllati, rivelando comportamenti preoccupanti agli estremi: il sistema ha sottostimato l’urgenza nel 51,6% delle emergenze gravi, mentre ha sovrastimato quella di casi non urgenti nel 64,8%.
Diverso è il rischio organizzativo. Quando l’intelligenza artificiale entra negli ospedali e nelle cliniche come infrastruttura aziendale, il problema non è il consiglio errato al singolo cittadino, ma la trasformazione silenziosa dei processi interni. Chi verifica gli output? Chi risponde se una sintesi clinica omette informazioni critiche? Come viene documentato l’uso della tecnologia nella cartella del paziente? Quali dati vengono condivisi con fornitori esterni e per quali finalità? Queste questioni convergono su tre vulnerabilità centrali: la validità scientifica degli output, il rischio di bias, la protezione della privacy e la chiarezza sulla responsabilità medico-legale.
Il contesto italiano aggiunge complessità
Nel contesto del sistema sanitario italiano, l’inserimento dell’intelligenza artificiale si sovrappone a sfide preesistenti: liste d’attesa significative, carenza di personale, forte disparità tra regioni, implementazione frammentaria del fascicolo sanitario elettronico e forti asimmetrie tra settore pubblico e privato. In questo quadro, promesse di efficienza immediata richiedono ancor più scrutinio critico.
