Por que se tornar orientado para AI começa com dados, governança e um modelo operacional, e não em ser o primeiro a agir
por Ramiz Bozai, Sailesh Kadam, Kriti Sen Sharma, Andrew Wallace-Jackson e Grace Crisp
O desafio para os executivos de saúde que adotam AI é o excesso de ruído ao tentar avançar com uma iniciativa. Entre uma caixa de entrada cheia de propostas de fornecedores, anúncios de concorrentes e prazos estratégicos, descobrir por onde começar é um obstáculo por si só.
A implementação bem-sucedida de uma estratégia de AI nunca teve a ver com ser o primeiro. Muitos dos primeiros a adotar a tecnologia estão agora desatando nós de dívidas técnicas e pilotos sem governança que um início planejado teria evitado. A lição não é que a AI não funciona; é que uma estratégia de AI sem uma base sólida não é sustentável. Tornar-se orientado para AI significa construir a base certa de dados, governança e modelo operacional de negócios. Essa base está mais ao alcance do que a maioria dos líderes imagina.
Uma organização de saúde orientada para AI é aquela projetada para permitir que a AI seja desenvolvida, confiável e escalada. Ser orientado para AI não significa comprar mais ferramentas ou iniciar mais provas de conceito demoradas. Em linhas gerais, isso significa construir uma base sólida de dados e governança, ao mesmo tempo em que se projeta um modelo operacional de negócios que libere o potencial máximo dos dados corporativos. O objetivo não é a quantidade de ferramentas, mas sim uma organização onde as pessoas certas possam construir e responder às suas próprias perguntas.
Como um exemplo prático, um gerente de atendimento pode perguntar: “Por que as taxas de readmissão dispararam em uma região no último trimestre?” e receber uma resposta confiável com base em dados internos. A partir daí, eles podem começar a agir em questão de minutos. Nesse cenário, um usuário final pode analisar dados clínicos, de pacientes e de unidades de forma ad hoc, sem precisar abrir um chamado ou esperar dias para que um analista encontre a resposta. As organizações que chegam a esse ponto com mais sucesso construíram uma base sobre uma plataforma de dados que transforma os usuários que lidam diretamente com os pacientes em analistas de dados, em vez de “detetives de dados”.
A maioria dos provedores não trava por falta de ambição. Os sistemas de saúde têm mais ideias de AI do que podem financiar, e não faltam fornecedores de AI se oferecendo para desenvolvê-las. Em uma pesquisa da HFMA de 2025 com 233 sistemas de saúde, 88% relataram já usar AI. Apenas 18% tinham uma estrutura de governança madura e uma estratégia de AI totalmente formada. O que impede o progresso é um dos três bloqueadores estruturais.
O primeiro são os dados fragmentados. Os dados clínicos ficam no prontuário eletrônico do paciente (EHR), os dados operacionais em outro sistema, os financeiros em um terceiro, com agendamento, cadeia de suprimentos e experiência do paciente ainda mais dispersos. O problema mais profundo não é que os dados estejam dispersos; é que nada os unifica de forma confiável. O mesmo paciente pode ter um identificador diferente em cada sistema de origem, de modo que, antes que qualquer pessoa possa analisar uma readmissão, é necessário um fluxo de trabalho de reconciliação manual. Isso leva a novos casos de uso que pagam uma taxa de integração duas vezes: uma para construir as conexões e outra para mantê-las quando um sistema de origem muda. O que é entregue cobre apenas uma pequena parcela do paciente, do fluxo de trabalho ou da operação.
O segundo é uma governança inadequada. Em algumas organizações, ela é tão frouxa que ninguém confia no que é entregue. Um modelo gera uma resposta e um médico perguntará, com razão: “Com base em quais dados?” Em outras, a governança é tão rígida que nada sai do sandbox, e cada nova solicitação se torna uma negociação (um longo ciclo de aprovação para um modelo que responde a perguntas em segundos). Ambos falham da mesma maneira, porque o que falta em cada caso é confiança: as pessoas certas, com os dados certos, dentro de limites que todos possam ver.
O terceiro é a falta de um modelo operacional: nenhuma maneira compartilhada de definir prioridades, equipar equipes ou levar um piloto para a produção. Cada esforço se torna um desenvolvimento isolado, e nenhuma conquista se replica. Um modelo que ajuda no dimensionamento de pessoal ou na internação no ED em uma unidade funciona, mas depois não consegue ser escalado porque não há um responsável por essa escala, nem um caminho claro para a produção. O padrão se repete em todo o setor: 83% dos executivos de saúde estão executando pilotos de AI generativa, mas menos de 10% estão investindo na infraestrutura para implantá-los em toda a empresa. Em todos os setores, cerca de 88% dos pilotos de AI nunca chegam à produção. Na mesma pesquisa da HFMA, mais de um terço dos líderes de sistemas de saúde relataram a falta de um processo para priorizar e escalar a AI de forma eficaz.
Se esses bloqueadores parecem familiares, é porque cada um cai em uma mesa diferente: dados fragmentados com o Chief Data Officer, confiança com o Chief Medical Officer e o modelo operacional com o CIO. Nenhum deles é um problema de AI. A maioria dos provedores tem um problema de base, e uma base pode ser construída sem tentar abraçar o mundo.
Adotar a AI mais tarde só prejudica se você repetir os erros daqueles que vieram antes de você. Evite esses erros, e o atraso se tornará uma vantagem, já que você poderá construir sobre uma base sólida em vez de limpar anos de caos acumulado. O passo prático é observar as organizações que começaram primeiro, aprender com os tropeços delas e começar.
As ferramentas também evoluíram. As ferramentas modernas agora permitem a governança em várias fontes de dados e centralizam o gerenciamento de autenticação e permissões por meio de integrações com provedores de identidade existentes. Além disso, o modelo de governança não se limita aos modelos de dados; a governança também se aplica à AI e garante que as perguntas em linguagem natural e as interações de agentes sejam seguras e confiáveis. Com essa base, o mesmo gerente de atendimento que perguntou sobre os picos de readmissão pode digitar sua pergunta em linguagem simples e obter uma resposta confiável em segundos, em vez de abrir um chamado e esperar dias. Ao mesmo tempo, o CISO e a equipe de segurança de IT podem ter a certeza de que os usuários humanos e agentes não têm acesso a dados que não têm permissão para ver.
Essa é uma mudança real. Há dois anos, obter uma visão governada de dados clínicos e operacionais era um projeto de um trimestre inteiro. Hoje, quando o escopo está bem definido e os dados certos estão disponíveis, uma equipe pequena pode colocar um primeiro caso de uso governado em produção em dias, em vez de trimestres. A Premier, por exemplo, configurou o Databricks Genie para produção em três dias, oferecendo às equipes de saúde acesso de autoatendimento a análises governadas para avaliar o atendimento e identificar readmissões evitáveis. O momento de começar não é quando tudo estiver perfeito. É quando as ferramentas estão maduras o suficiente para construir algo real sem uma grande aposta inicial. Esse momento é agora.
Os provedores não se tornam orientados para AI por acaso, e não chegam lá por terem começado mais cedo. Eles chegam lá construindo a base certa de dados unificados, uma governança em que as pessoas confiam e um modelo operacional repetível. Isso é mais viável do que a maioria dos executivos imagina.
O próximo post desta série é um plano de três pilares que eleva o nível de um sistema de saúde, acompanhado de um mapa de maturidade e de uma autoavaliação que você pode levar para a sua próxima reunião de liderança.
Não tem certeza de onde sua organização se posiciona no mapa de maturidade? Entre em contato conosco.
(Esta publicação no blog foi traduzida utilizando ferramentas baseadas em inteligência artificial) Publicação original
Assine nosso blog e receba os posts mais recentes diretamente na sua caixa de entrada.