Articolo a cura dell’Avv. Alberto Bozzo, DPO, Chief Artificial Intelligence e Coordinatore dell’Osservatorio AI in Sanità del Network B-Sanità
Vorrei partire da un solo numero, perché riassume tutto il resto: 61%. È la quota di medici italiani (specialisti e medici di medicina generale) che, secondo l’ultima rilevazione dell’Osservatorio Sanità Digitale del Politecnico di Milano, dichiara di aver usato strumenti di intelligenza artificiale generativa nell’ultimo anno. Il dato è impressionante non per il valore assoluto, ma per la velocità: solo dodici mesi prima eravamo al 26% tra gli specialisti e al 46% tra i medici di base. In un anno la GenAI è passata, dentro le nostre corsie e i nostri ambulatori, da curiosità per pochi a comportamento di massa. Non è arrivata con una circolare ministeriale né con un piano di formazione: è entrata dalla porta di servizio, attraverso il telefono personale di ciascun professionista.
L’intelligenza artificiale è già arrivata
Il problema si vede accostando a quel 61% un secondo numero. Le strutture sanitarie che hanno adottato soluzioni di AI per il supporto diagnostico (ufficiali, validate, dentro il sistema informativo aziendale) sono appena l’11%. Eppure, il 34% degli specialisti dichiara di usare l’AI proprio per attività diagnostiche. La sottrazione è impietosa: se solo un’organizzazione su nove offre lo strumento ma un terzo dei medici lo usa per la diagnosi, vuol dire che la stragrande maggioranza di quell’uso avviene fuori dai sistemi aziendali: su ChatGPT, Gemini o Claude, aperti dal cellulare in tasca al camice.
È un paradosso che conosciamo da ogni rivoluzione tecnologica: quando uno strumento potente diventa accessibile prima che le organizzazioni siano pronte ad assorbirlo, l’individuo corre e l’istituzione resta ferma. In un’azienda qualsiasi, lo spazio che si apre in mezzo produce al massimo un report sbagliato o una mail imbarazzante. In sanità no: lì ci sono decisioni che toccano la diagnosi, la terapia, la priorità di accesso a un intervento. Quella che un esperto di sicurezza chiamerebbe falla, in sanità ha il volto di un paziente.
Ecco perché il titolo è volutamente provocatorio. Abbiamo l’AI: non è più questa la domanda. La tecnologia è arrivata, funziona, è già nelle nostre tasche. La vera domanda è un’altra, quasi imbarazzante nella sua semplicità: perché, se la tecnologia è pronta, il sistema non lo è? La mia tesi, da avvocato che lavora ogni giorno dentro una struttura sanitaria, è che non ci manca la tecnologia. Ci mancano tre fondamenta: i dati, le competenze e una strategia d’uso.
Primo: i dati. Il carburante è sporco o introvabile
Nell’informatica clinica c’è una frase che vale quasi come un giuramento professionale: garbage in, garbage out. Se entra spazzatura, esce spazzatura. L’intelligenza artificiale non è intelligente in senso proprio: è un potentissimo calcolatore statistico, e vale esattamente quanto i dati che la nutrono. E la qualità di quei dati non nasce nei server: nasce a monte, dall’etichettatura esperta del medico che, validando e annotando il dato grezzo, lo trasforma in informazione clinica affidabile. Gli ingegneri la chiamano ground truth, la verità di base. C’è chi dice che sia destinata ad aggiungersi al giuramento di Ippocrate: non un’etichetta da apporre una volta sola all’inizio, ma una cura che accompagna l’intero ciclo di vita del sistema, perché l’algoritmo non perda mai il contatto con la realtà clinica.
Se la verità di base si incrina, l’output si incrina. E accade in quattro modi, ben documentati in letteratura, che ogni direttore generale dovrebbe conoscere quando un fornitore gli presenta il 95% di accuratezza. Il bias algoritmico: un dataset non rappresentativo penalizza un’etnia, un genere, una fascia socio-economica. Un algoritmo di screening oncologico addestrato su popolazione caucasica può non funzionare in un distretto ad alta densità di altre etnie. Il data drift, la deriva dei dati: una macchina rotta fa rumore, un algoritmo che peggiora no, degrada in silenzio mentre cambiano protocolli, demografia, taratura dei sensori. La compiacenza da automazione: più la macchina sembra brava, più il professionista abbassa la guardia. E la carenza di generalizzabilità: un modello eccellente nell’ospedale dove è nato che non regge quando lo si sposta altrove.
Dati frammentati, decisioni frammentate
Ma in Italia c’è un problema che viene perfino prima della qualità: il dialogo. I nostri dati sanitari sono frammentati. Il paziente, nel suo percorso, attraversa medico di base, ospedale, specialistica, privato accreditato, domicilio e a ogni passaggio, se i sistemi non si parlano, lascia dietro di sé una frattura informativa. Si riordina la stessa TAC, si rifà lo stesso esame, si allungano i tempi, e ogni informazione persa è rischio in più per il paziente. L’Osservatorio del Politecnico lo dice senza giri di parole: il vero rischio della sanità digitale italiana non è la carenza di tecnologia, è la frammentazione. La domanda non è quanto digitalizzare, ma come integrare.
E qui una precisazione che sembra tecnica ma è strategica: l’interoperabilità ha tre livelli, e quasi sempre ci fermiamo al primo. Il livello tecnico fa transitare il dato da un sistema all’altro. Quello semantico riguarda il significato: diagnosi, allergie, terapie devono avere codifiche e vocabolari condivisi, altrimenti il dato viaggia ma arriva muto. Infine, il livello organizzativo, il più trascurato: chi alimenta il dato, chi lo valida, chi lo aggiorna, chi può usarlo e con quali regole. Due piattaforme possono scambiarsi un referto alla perfezione, e quel referto restare clinicamente inutilizzabile. I numeri italiani raccontano un progresso reale ma incompiuto: l’82% delle strutture ha la cartella clinica elettronica, il 53% dei cittadini ha usato il Fascicolo Sanitario nell’ultimo anno, ma solo il 30% degli specialisti vi accede da strumenti aziendali integrati. Un’AI costruita su dati frammentati non produce valore clinico: produce quella che chiamo accelerazione cosmetica: ottima per riassumere un documento, inutile e a volte pericolosa per decidere.
Il dato come infrastruttura di cura
Serve allora un cambio di sguardo, soprattutto da chi siede ai tavoli decisionali. Il dato sanitario non è un sottoprodotto della burocrazia: è un bene pubblico strategico, paragonabile per importanza alle strade e all’energia. L’interoperabilità smette così di essere un capitolo per informatici e diventa un requisito etico: un dato chiuso, non fruibile, è un’opportunità di salute perduta. E l’Europa ci ha messo due scadenze. Lo Spazio europeo dei dati sanitari (EHDS) è in vigore da marzo 2025, con applicazione progressiva fino al 2029: dati portabili, sicuri, utilizzabili per cura e ricerca su scala continentale. In parallelo, dal 2 agosto 2027 l’AI Act renderà operativi gli obblighi per i sistemi ad alto rischio, e il software medicale vi rientra in pieno. Non è un orizzonte da convegno: è dopodomani.
Per non fermarmi ai problemi, un esempio di cosa diventa possibile quando i dati, alla scala giusta, ci sono davvero. Microsoft Research, con il sistema sanitario Providence e l’Università di Washington, ha pubblicato sulla rivista Cell un modello chiamato GigaTIME: da un comune vetrino istologico, quello preparato di routine in ogni anatomia patologica, genera virtualmente l’analisi del microambiente tumorale; un’analisi che oggi richiede una tecnica costosa, giorni di laboratorio e migliaia di dollari per campione. Il modello è stato addestrato su 40 milioni di cellule e applicato a oltre 14.000 pazienti oncologici in 51 ospedali, coprendo 24 tipi di tumore. Il protagonista, però, non è la macchina: è il dato multimodale, strutturato e scalabile che la rende possibile. La medicina di precisione non è un problema di algoritmi (quelli li hanno già tutti) è un problema di infrastruttura del dato.
Secondo: le competenze. Oltre il fanatismo e la repulsione
Lo stesso Osservatorio ha misurato le competenze AI dei medici su quattro dimensioni: conoscenze, capacità pratiche, attitudini etico-deontologiche e leadership. Tenete a mente il 61% che già usa questi strumenti, e guardate i numeri. Solo il 32% dei medici è consapevole del fenomeno delle allucinazioni, cioè del fatto che questi sistemi producono con assoluta sicurezza affermazioni false. Solo il 17% sa riconoscere un contenuto generato dall’AI. E il dato di sintesi, quello che mi toglie il sonno: appena il 2% dei medici mostra competenze buone o ottime su tutte e quattro le dimensioni. Due per cento, in un sistema dove sei su dieci già premono invio.
Questo scarto non lo si colma con qualche corso ECM, e non lo dico per sminuire la formazione, ma perché qui l’adozione ha letteralmente scavalcato la preparazione. In sanità questo pesa in modo diverso da ogni altro settore, perché l’errore non è un problema di produttività che si recupera il giorno dopo: può essere irreversibile.
Quando uno strumento funziona bene, e quasi sempre, scatta un automatismo: smettiamo di controllarlo. Pensate al navigatore in auto: all’inizio lo usiamo, alla fine gli obbediamo. In medicina questo automatismo ha un nome: over-reliance, l’eccessivo affidamento, il momento in cui il professionista smette di usare l’algoritmo come consiglio e comincia a eseguirlo come ordine. Poggia su due convinzioni, entrambe sbagliate. La prima: credere che il sistema sia sempre affidabile, mentre può allucinare con tono sicurissimo. La seconda, per un giurista la più pericolosa: pensare che, se la decisione l’ha suggerita la macchina, la responsabilità non ricada più sul medico. È una rete di protezione che non esiste. Anzi, nel diritto vale l’esatto contrario: appoggiarsi in modo acritico all’algoritmo aggrava la responsabilità del professionista e della struttura, non la alleggerisce.
Il 95% non cura il paziente davanti a me
Ma il punto più sottile l’ho imparato facendo formazione, con un’avvocata, nelle scuole di specializzazione in ortopedia di Statale di Milano e Tor Vergata. Il giovane medico fatica a cogliere una distinzione decisiva: l’accuratezza media di un sistema non è l’accuratezza su quel singolo paziente. Immaginate che un’azienda vi presenti il suo algoritmo come accurato al 95%. È una media statistica su migliaia di casi del passato: su cento pazienti, in media ne sbaglia cinque. Ma in ambulatorio non ho davanti cento pazienti in media: ho una persona, con la sua storia, le sue patologie, la sua età, la sua irripetibile unicità. E quel 95% non mi dice nulla su quanto l’algoritmo sia affidabile per lei. Magari appartiene proprio a quel 5% in cui il sistema sbaglia e l’unica persona capace di accorgersene, di sentire che qualcosa non torna, è il medico che la conosce. Il 95% è una media; il paziente davanti a te è un caso.
Il principio che tiene insieme tutto è lo human in the loop, l’uomo nel ciclo decisionale: l’algoritmo propone, l’uomo decide. Non è solo una garanzia di sicurezza, è la chiave di volta della nuova responsabilità professionale, perché con l’AI il confine del rischio clinico si sposta. La responsabilità del medico non sta più solo nell’esecuzione di un gesto, ma nella capacità di governare lo strumento, interpretarne i segnali e avere il coraggio di contraddirlo quando mostra i suoi limiti. Il medico di domani non sarà un esecutore tecnico, un passacarte di output algoritmici: sarà un leader d’orchestra, capace di tenere insieme in un unico atto di cura i dati, l’etica, la trasparenza e il giudizio clinico.
L’uomo nel ciclo decisionale
A uno specializzando, alla domanda «usi l’intelligenza artificiale? E come?», ho sentito rispondere: «Sto cercando di capire se mi comunica fiducia». Una frase straordinaria, perché la fiducia in uno strumento clinico non è un interruttore che si accende il primo giorno: è un rapporto che si costruisce nel tempo, come quello tra un medico e un collega più anziano. Un altro ha usato un’immagine che mi porto dietro: «la fiamma è accesa, e l’acqua all’improvviso bollirà». Oggi sembra che cambi poco, ma sotto la pentola la fiamma scalda già; prepararci adesso sui dati, sulle competenze e sulle regole serve a vivere quel momento come un progresso ordinato e non come un’emergenza nel panico.
E attenzione: competenze non rima solo con medici. Tre avvertenze. L’equità interna: uno studio di BCG con Donne Leader in Sanità ricorda che il 74% della forza lavoro del comparto è femminile, eppure solo il 7% delle professioniste si sente adeguatamente sostenuta nell’adozione dell’AI, contro il 17% degli uomini. Sembra un dato di costume, è un dato di potere: chi resta indietro nelle competenze digitali resta indietro anche nei tavoli dove si decidono standard, protocolli e investimenti. Gli infermieri e tutto il personale non medico: sono la professione di cui i cittadini più si fidano, la prima linea dell’alfabetizzazione del paziente, e vanno formati per primi, non per ultimi. Infine, il paziente: il 36% dei cittadini ha già usato un chatbot per una questione di salute, e arriva alla visita orientato, a volte fuorviato, da un’interfaccia senza alcuna responsabilità clinica. Saper spiegare l’AI al paziente non è cortesia: è un suo preciso diritto.
Terzo: la strategia. Dalla sperimentazione al sistema
Parlo soprattutto da giurista. Una strategia seria comincia da una scelta di campo sugli strumenti. La stagione del chatbot tuttofare che parla di tutto ha già mostrato la corda: ci sono casi documentati di indicazioni cliniche imprecise, non allineate alle linee guida. La direzione è la vertical intelligence, l’intelligenza verticale: sistemi costruiti attorno a domini clinici specifici (rischio cardiovascolare, oncologia, neurologia etc.) addestrati sui dati di quel percorso di cura. Sistemi che non sostituiscono lo specialista, ma rendono il suo giudizio più trasparente, consistente e misurabile, riducendo la variabilità ingiustificata tra professionisti e strutture. Sono, inoltre, un potente fattore di equità territoriale.
Secondo elemento: la governance. L’ospedale sta passando da un modello “più-AI”, dove la tecnologia come accessorio aggiunto al singolo macchinario, a un ecosistema “AI-più”, dove dati e algoritmi diventano il tessuto connettivo di ogni processo. Senza una regia centrale il risultato è la creazione di isole di automazione: tante soluzioni che non si parlano, che aumentano debito tecnologico e complessità. Ai direttori generali lo dico chiaramente: la sfida non è comprare l’algoritmo migliore, ma gestire l’infrastruttura che gli permette di generare valore nel tempo. Un dato dovrebbe allarmarci: secondo il rapporto OMS Europa 2025, il 60% delle istituzioni sanitarie non dispone ancora di un sistema di monitoraggio post-market degli algoritmi. In parole povere: sei istituzioni su dieci non si accorgono nemmeno quando il loro modello comincia a sbagliare. La mia proposta è un Centro di Competenze che unisca Health Technology Assessment e ingegneria clinica con vera autorevolezza organizzativa. Non è utopia: il Policlinico Gemelli lo fa dal 2018, il gruppo IEO–Monzino da anni. È il presidio che valida i dataset prima, verificandone l’aderenza alla demografia reale dell’ospedale, e sorveglia il drift dopo, traducendo in pratica le Linee Guida AgID e la valutazione d’impatto sui diritti fondamentali, la FRIA.
La spiegabilità non è un lusso
E arrivo al cuore giuridico. Viviamo un paradosso: sistemi sempre più potenti e, insieme, sempre meno spiegabili, a volte persino per chi li ha costruiti. In sanità la spiegabilità algoritmica non è un’opzione di trasparenza: è condizione di liceità, e lo è su tre fronti che si sommano. Il GDPR: l’art. 22 tutela dalle decisioni unicamente automatizzate, e gli artt. 13-15 con il Considerando 71 fondano un diritto alla spiegazione. Attenzione alla scorciatoia del medico che rivede: la Corte di Giustizia UE, nel caso OQ contro Land Hessen, ha chiarito che l’intervento umano, per contare, deve essere significativo: avere capacità concreta di comprendere e discostarsi dall’output. Un’approvazione acritica non è supervisione: è automazione mascherata da responsabilità umana, e aggrava la posizione della struttura. Il consenso informato (legge 219/2017): un medico non può spiegare ciò che lui stesso non comprende, e un consenso su una diagnosi opaca sarà magari formalmente valido ma sostanzialmente inefficace, quindi contestabile. La responsabilità professionale (legge Gelli-Bianco): la conformità del fornitore non esonera la struttura, che resta titolare del trattamento e custode della cura.
La risposta non è rinunciare agli strumenti predittivi, sarebbe miope. È collocarli dentro un sistema di accountability effettiva: un inventario dei sistemi in uso con classificazione del rischio secondo l’Allegato III dell’AI Act, una DPIA per ciascuno, clausole contrattuali che garantiscano accesso alla documentazione e auditabilità, il principio dell’ethics by design, e un comitato tecnico-etico multidisciplinare (clinici, giuristi, ingegneri, rappresentanti dei pazienti) con il DPO in funzione di sorveglianza.
Dall’intelligenza predittiva all’intelligenza causale
Un esempio di dove può portare una strategia matura. L’aderenza alle terapie, ovvero quanto i pazienti seguono davvero le cure prescritte, sembra un dettaglio ed è una voragine: secondo l’AIFA, la scarsa aderenza costa al Servizio Sanitario Nazionale circa due miliardi di euro l’anno in ricoveri e complicanze evitabili, e aumentarla anche solo del 15% libererebbe circa 300 milioni l’anno. In patologie croniche come l’ipertensione l’aderenza arriva a dimezzarsi dopo un anno di terapia. I sistemi di oggi, basati su correlazioni statistiche, vedono se un paziente salta le dosi; ma la domanda vera è «perché»: un effetto collaterale, un orario incompatibile con il lavoro, una difficoltà economica o psicologica. La Causal AI, l’intelligenza artificiale causale, prova a modellare queste relazioni di causa-effetto e a simulare l’effetto di un intervento prima di applicarlo. È medicina personalizzata autenticamente data-driven, ed è spiegabile per costruzione: ti dice non solo cosa fare, ma perché. In un settore ad alta responsabilità, una raccomandazione che sa spiegare sé stessa vale il doppio.
Il vero costo: gestire, non comprare
Questa è anche una partita economica. Secondo l’indagine The State of AI in Healthcare di Menlo Ventures, nel 2025 la spesa per l’AI in sanità è quasi triplicata, arrivando a 1,4 miliardi di dollari. Verrebbe da pensare che più investiamo, più acceleriamo. I numeri dicono l’opposto. Un sondaggio 2026 su oltre 60 direttori dei sistemi informativi di grandi ospedali (CIO Research Report, ripreso da TechTarget) rivela che il 69% indica nella gestione e integrazione dei diversi fornitori di AI il principale ostacolo; che alcune organizzazioni dedicano fino alla metà del tempo del personale informatico solo a far convivere questi strumenti; e che il 45% non riesce a portare i progetti pilota dalla dimostrazione alla produzione su scala. La lezione è controintuitiva: oltre una certa soglia, aggiungere strumenti rallenta invece di accelerare. Ogni nuovo fornitore è un altro compartimento che può fallire. La sfida non è quanta AI riusciamo a comprare, ma quanta ne sappiamo governare.
Propongo allora di rovesciare l’ordine con cui affrontiamo l’innovazione. Quasi sempre partiamo da «quale tecnologia compriamo?». È l’ordine sbagliato: nessuno, costruendo una casa, comincia dai mobili. È una piramide a tre gradini. Alla base la norma: compliance e diritti del paziente non sono un fastidio da sbrigare alla fine, sono la condizione stessa di esistenza di un software sanitario. Sopra l’organizzazione: introdurre l’AI senza ripensare i processi significa solo digitalizzare l’inefficienza, far funzionare male un flusso che già non funziona, ma più in fretta. E solo in cima, come ultimo gradino, la tecnologia. Prima le regole, poi i processi, infine gli strumenti.
Tre fondamenta per una sanità intelligente
Torno al titolo. Abbiamo l’AI; ci mancano tre fondamenta, e per ognuna c’è un’azione concreta da cominciare già da lunedì. Dati certificati: trattare i dati clinici come un’infrastruttura pubblica, investire in interoperabilità semantica e ground truth, standardizzare i dati essenziali (anagrafiche, referti, terapie, diagnosi) prima di comprare il prossimo algoritmo, non dopo. Professionisti consapevoli: una formazione che non insegni a usare un software ma a esercitare un giudizio critico, per medici e infermieri, in modo equo: più validatori esperti, meno utenti passivi. Una direzione chiara: una regia vera (il Centro di Competenze, il comitato tecnico-etico, una governance anche sugli strumenti generalisti) coerente con PNRR, EHDS e AI Act.
Chiudo come ho aperto, con una scelta di prospettiva. L’intelligenza artificiale in sanità non è una gara tecnologica: non vince chi compra di più, chi arriva primo, chi ha il modello più grande. È un impegno etico per una cura più equa e più umana. La tecnologia, ormai, è la parte facile: ce l’abbiamo già tutti. La parte difficile (i dati, le competenze, la strategia) è anche, e non a caso, la parte che dipende interamente da noi.
Iscriviti alla newsletter di Bees Sanità Magazine e aggiungi beesanitamagazine.it tra le tue fonti preferite di Google
