Nel dibattito pubblico e mediatico, l’AI continua a essere descritta come uno spartiacque epocale: il confine netto tra un mondo prima e un mondo dopo.Ma è veramente così anche nella Sanità?Negli ultimi mesi ho avuto modo di confrontarmi con strutture sanitarie molto diverse – ospedali pubblici, gruppi privati, realtà territoriali – e la mia impressione è che questo confine sia ancora lontano dalla pratica quotidiana.Indice degli argomenti
AI in Sanità: la distanza tra narrazione e adozione realeIl gap tra adozione dichiarata e uso realeIl caso UnitedHealth GroupL’AI In Sanità come commodity: non uno strato esterno, ma realmente integrata nel flusso di lavoro clinicoIl contesto italiano: un’occasione da non sprecareLa progettazione come competenza distintivaAI in Sanità: progettare è la nuova sfidaRiferimenti bibliograficiAI in Sanità: la distanza tra narrazione e adozione realeI grandi gruppi ospedalieri parlano di AI a supporto del clinico: nel processo diagnostico, nell’elaborazione rapida di grandi volumi di dati, nella gestione delle immagini radiologiche.Ma, nella pratica, pochissime di queste realtà hanno effettivamente qualcosa di operativo nei reparti.Le ragioni sono diverse e si intrecciano: la privacy e la protezione del dato clinico, le questioni etiche e legali sulla responsabilità delle decisioni mediate da un algoritmo — chi risponde di una scelta clinica errata quando è stata, anche solo in parte, influenzata da un sistema automatizzato? – e, più prosaicamente, la crescente fatica nei confronti di soluzioni vendute come rivoluzionarie senza dimostrazione concreta di valore.Questa distanza tra narrazione e adozione reale non è un dato di poco conto. È, anzi, il punto di partenza più onesto da cui ragionare.Il gap tra adozione dichiarata e uso realeI dati internazionali confermano questa tensione. Secondo un’indagine NVIDIA citata dall’Osservatorio Sanità Digitale del Politecnico di Milano, il 54% dei professionisti in ambito Healthcare e Life Sciences dichiara di utilizzare già l’AI generativa, mentre un ulteriore 36% la sta sperimentando [1]. Numeri che, in apparenza, descrivono un’adozione massiva.Ma adozione di cosa, esattamente, e con quale impatto clinico reale?Usare un modello linguistico per redigere una lettera di dimissione non è la stessa cosa che integrare un sistema predittivo nel percorso di cura di un paziente cronico.Il caso UnitedHealth GroupIl caso più emblematico e discusso di questi mesi è quello di UnitedHealth Group, il colosso assicurativo americano che ha annunciato un investimento di 3 miliardi di dollari in AI per automatizzare i processi di gestione delle coperture assicurative, con 22.000 ingegneri software già impegnati nel progetto [2].Un caso che ha riacceso il dibattito su un punto cruciale: quando l’AI entra nei processi decisionali sanitari, chi ha l’ultima parola? E a servizio di quali interessi è l’algoritmo?Non è una domanda retorica. UnitedHealth è da anni al centro di contenziosi legali proprio per l’utilizzo di un modello predittivo – nH Predict – accusato di aver sistematicamente negato coperture a pazienti anziani in contrasto con le indicazioni dei loro medici, con un tasso di errore che in alcuni casi avrebbe superato il 90% secondo le perizie legali [3]. A marzo 2026, un tribunale federale del Minnesota ha ordinato all’azienda di aprire i propri archivi interni sull’utilizzo di questi modelli, segnando un precedente importante per la governance dell’AI in ambito assicurativo-sanitario.Ciò che rende questo caso rilevante non è la dimensione dello scandalo, ma la struttura del problema che rivela: un sistema ottimizzato per una metrica – la riduzione dei costi assicurativi – senza che il processo clinico sottostante garantisse la centralità del paziente. L’AI ha amplificato una logica già presente nel processo. Non l’ha creata, ma l’ha resa più efficiente e, quindi, più dannosa.La domanda che ne segue è universale: chi disegna quel processo, con quale logica, e per quale obiettivo?L’AI In Sanità come commodity: non uno strato esterno, ma realmente integrata nel flusso di lavoro clinicoEpic Systems, il principale fornitore di cartelle cliniche elettroniche negli Stati Uniti, ha presentato al congresso HIMSS 2026 i risultati concreti del proprio sistema AI integrato nei workflow clinici. Il modello – chiamato Art – riduce del 20-30% il tempo necessario per completare le dimissioni ospedaliere, porta a una diminuzione del 32% del tempo di documentazione per i clinici, e ha contribuito a migliorare la diagnosi precoce del tumore polmonare in alcune strutture: 69% di intercettazione nelle fasi iniziali, contro il 46% della media nazionale [4].A Mount Sinai, una delle strutture più innovative di New York, è stato annunciato il deploy enterprise-wide di OpenEvidence, un sistema di Clinical Decision Support integrato direttamente nell’EHR e accessibile a medici, infermieri e farmacisti nella stessa interfaccia di lavoro [5].Sono numeri concreti, e sono importanti. Ma quello che colpisce, guardandoli, non è l’AI in sé: è il fatto che questi risultati emergono da sistemi progettati per integrarsi nel flusso di lavoro esistente del clinico, non per sostituirlo o affiancarlo in modo separato.L’AI non è uno strato esterno: è embedded nel processo, risponde a bisogni specifici, produce output verificabili e controllati dall’operatore umano.Non a caso, BCG stima che nelle organizzazioni che ottengono risultati reali dall’AI in Sanità, il 70% dell’effort sia dedicato alle persone e ai processi, solo il 10% agli algoritmi e il 20% alla tecnologia e ai dati [6].È questa la direzione verso cui si sta muovendo la digital health più matura: l’AI come commodity – nel senso migliore del termine – ovvero come componente attesa, disponibile, standardizzata. Sia che si tratti di machine learning classico, sia di AI agentica, il punto non è più se l’AI sarà parte del processo clinico. Lo sarà.La domanda è: quale processo, progettato da chi, con quale logica clinica alla base?Il contesto italiano: un’occasione da non sprecareIl PNRR, nella sua Missione 6, ha stanziato risorse significative per la modernizzazione digitale del SSN: FSE 2.0, telemedicina, formazione del personale. L’obiettivo è trasformare il Fascicolo Sanitario Elettronico da contenitore di documenti a strumento data-driven capace di abilitare prevenzione personalizzata e continuità della cura.Sulla carta, è esattamente l’infrastruttura necessaria per fare dell’AI un abilitatore reale. Un FSE popolato con dati strutturati, integrato con i sistemi ospedalieri e territoriali, accessibile ai professionisti in modo standard: questo è il substrato su cui modelli predittivi, sistemi di allerta precoce e strumenti di supporto decisionale possono davvero funzionare. Ma il percorso verso questa visione è ancora lungo e segnato da disomogeneità regionali profonde nella qualità del dato, nella maturità dei sistemi, nella capacità di governance locale.Il rischio concreto è investire in tecnologia prima di aver risolto i problemi di processo che quella tecnologia dovrebbe abilitare. Acquistare un sistema di AI per la gestione del paziente cronico senza aver prima ridisegnato il percorso di cura territoriale non produce risultati, bensì un pilot costoso destinato a non scalare. È uno schema che si ripete, e che il settore sanitario italiano non può permettersi, né economicamente né in termini di fiducia dei professionisti verso l’innovazione digitale.La buona notizia è che le competenze per farlo esistono. Quella che manca – o che è ancora troppo rara – è la figura capace di tenere insieme la visione clinica, la progettazione del servizio e la comprensione della tecnologia. Non il tecnologo che spiega l’AI ai medici, non il clinico che valuta le soluzioni senza capirne i vincoli implementativi: ma chi sa muoversi tra questi mondi e tradurre il bisogno in servizio, il servizio in prodotto, il prodotto in impatto misurabile.La progettazione come competenza distintivaIl punto di partenza non è “quale tecnologia adottare”, ma “quale bisogno clinico stiamo cercando di risolvere, per chi, e in quale contesto di cura“. Sembra una distinzione ovvia. Non lo è.Nella Sanità, non mancano le tecnologie, ma i percorsi. Non mancano i dati, ma i modelli di servizio capaci di trasformarli in valore per il paziente e sostenibilità per la struttura. Non mancano le soluzioni, ma le architetture di cura end-to-end, quelle che seguono il paziente attraverso i diversi setting (ospedale, territorio, domicilio) senza lasciarlo orfano di continuità tra uno e l’altro.Progettare in questo senso significa partire da domande spesso trascurate:dove si interrompe la continuità della cura? Cosa rende un servizio davvero utilizzabile nella pratica quotidiana, e non solo nel contesto pilota?Rispondere richiede la capacità di leggere un processo dall’interno, di coinvolgere il paziente senza idealizzarne i comportamenti, di tradurre il bisogno in specifiche che la tecnologia possa implementare e che l’organizzazione possa sostenere nel tempo, non solo nei sei mesi del progetto pilota.È qui che il lavoro umano diventa insostituibile. L’AI trova il suo posto naturale alla fine di questo processo, non all’inizio: come abilitatore di un servizio già ben costruito, in cui fare la cosa giusta per il paziente e farlo in modo sostenibile non sono obiettivi in contraddizione, ma la stessa cosa.AI in Sanità: progettare è la nuova sfidaL’AI in Sanità non è né la panacea né il rischio esistenziale che i media tendono ad alternare. È uno strumento – potente, in rapida evoluzione, sempre più pervasivo – che amplifica la qualità di ciò che trova intorno a sé. Se trova processi ben progettati, li rende più efficienti. Se trova processi irrisolti, li scala con tutti i loro problemi. Il caso UnitedHealth e i risultati di Epic non sono due storie diverse: sono le due facce della stessa dinamica.Il vero confine che la Sanità deve attraversare non è quello tra il mondo prima e dopo l’AI, ma quello tra un approccio centrato sulla tecnologia e uno centrato sul servizio. In Italia, questo significa investire nella capacità progettuale di chi le infrastrutture digitali deve riempire di senso clinico, misurando il successo non in piattaforme installate, ma in impatto reale sulla salute dei pazienti e sulla sostenibilità del sistema.La progettazione è la nuova competenza critica. E, almeno per ora, rimane profondamente umana.Riferimenti bibliografici[1] Osservatorio Sanità Digitale, Politecnico di Milano — “ChatGPT Salute, un passo avanti per un uso più appropriato dell’AI tra cittadini e pazienti”, Panorama della Sanità, 2026[2] Casey Ross — “UnitedHealth Group is making a $3 billion bet on AI. What does it mean for patients?”, STAT News, 6 aprile 2026[3] SAC Law Offices — “What Hospitals Can Learn from the UnitedHealth AI Lawsuit”, aprile 2026[4] Naomi Diaz — “Health systems test Epic’s latest AI tools”, Becker’s Hospital Review, 3 aprile 2026[5] Andrea Fox — “Mount Sinai to integrate OpenEvidence AI enterprise-wide”, Healthcare IT News, 2 aprile 2026[6] BCG & BCG X — “How AI Agents and Tech Will Transform Health Care in 2026”
