Perché diventare orientati all'AI inizia con i dati, la governance e un modello operativo, non con l'arrivare primi
di Ramiz Bozai, Sailesh Kadam, Kriti Sen Sharma, Andrew Wallace-Jackson e Grace Crisp
La sfida per i dirigenti sanitari che adottano l'AI è il rumore di fondo quando cercano di portare avanti un'iniziativa. Tra una casella di posta piena di proposte di fornitori, annunci di concorrenti e scadenze strategiche, capire da dove iniziare è già di per sé un ostacolo.
Il successo nell'implementazione di una strategia di AI non è mai stato una questione di arrivare primi. Molti dei primi utilizzatori stanno ora districando debito tecnico e progetti pilota privi di governance che un avvio più ponderato avrebbe evitato. La lezione non è che l'AI non funziona, ma che una strategia di AI senza fondamenta non è sostenibile. Diventare un'organizzazione orientata all'AI significa costruire le giuste fondamenta di dati, governance e modello operativo aziendale. E queste fondamenta sono molto più a portata di mano di quanto la maggior parte dei leader pensi.
Un'organizzazione sanitaria orientata all'AI è progettata per consentire di creare, considerare affidabile e scalare l'AI. Essere orientati all'AI non significa acquistare più strumenti o avviare altri proof-of-concept a lungo termine. Ad alto livello, significa costruire solide fondamenta di dati e governance, progettando al contempo un modello operativo aziendale in grado di sbloccare il massimo potenziale dei dati aziendali. L'obiettivo non è il numero di strumenti, ma un'organizzazione in cui le persone giuste possano creare soluzioni e rispondere autonomamente alle proprie domande.
Come esempio pratico, un responsabile dell'assistenza può chiedere: "Perché i tassi di ricovero sono aumentati improvvisamente in una regione lo scorso trimestre?" e ricevere una risposta affidabile basata su dati interni. Da lì, può iniziare ad agire nel giro di pochi minuti. In questo scenario, un utente finale può analizzare dati clinici, dei pazienti e a livello di sito in modo ad hoc, senza dover aprire un ticket o attendere giorni che un analista trovi la risposta. Le organizzazioni che raggiungono questo traguardo con maggior successo hanno costruito le proprie fondamenta su una piattaforma dati che trasforma gli utenti a diretto contatto con i pazienti in analisti di dati anziché in "detective dei dati".
La maggior parte dei provider non si ferma per mancanza di ambizione. I sistemi sanitari hanno più idee legate all'AI di quante ne possano finanziare e non mancano i fornitori di AI che si offrono di realizzarle. In un sondaggio HFMA del 2025 condotto su 233 sistemi sanitari, l'88% ha dichiarato di utilizzare già l'AI. Solo il 18% disponeva di una struttura di governance matura e di una strategia di AI completamente definita. A frenare i progressi è uno di tre ostacoli strutturali.
Il primo è la frammentazione dei dati. I dati clinici risiedono nella cartella clinica elettronica (EHR), i dati operativi in un altro sistema, quelli finanziari in un terzo, mentre la pianificazione, la supply chain e l'esperienza del paziente sono ancora più disperse. Il problema di fondo non è che i dati siano sparsi, ma che non ci sia nulla che li unisca in modo affidabile. Lo stesso paziente può avere un identificativo diverso in ciascun sistema di origine, quindi prima che chiunque possa analizzare un ricovero, è necessario un flusso di lavoro di riconciliazione manuale. Ciò porta a nuovi casi d'uso che pagano una "tassa di integrazione" due volte: una per creare le connessioni e un'altra per mantenerle quando un sistema di origine cambia. Ciò che viene distribuito copre solo una fetta limitata del paziente, del flusso di lavoro o dell'operazione.
Il secondo è una governance inadeguata. In alcune organizzazioni è così blanda che nessuno si fida di ciò che viene distribuito. Un modello produce una risposta e un medico si chiederà, ragionevolmente, "In base a quali dati?". In altre, la governance è così rigida che nulla esce dalla sandbox e ogni nuova richiesta diventa una trattativa (un lungo ciclo di approvazione per un modello che risponde alle domande in pochi secondi). Entrambi gli approcci falliscono allo stesso modo, perché ciò che manca in ciascun caso è la fiducia: le persone giuste, con i dati giusti, all'interno di linee guida visibili a tutti.
Il terzo è la mancanza di un modello operativo: non esiste un modo condiviso per stabilire le priorità, equipaggiare i team o passare da un progetto pilota alla produzione. Ogni sforzo diventa una creazione isolata e nessun successo viene replicato. Un modello che aiuta con la gestione del personale o il ricovero in pronto soccorso (ED) in un'unità funziona, ma poi non è in grado di scalare perché non c'è una responsabilità definita per la scalabilità del pilota, né un percorso chiaro verso la produzione. Questo pattern riguarda l'intero settore: l'83% dei dirigenti sanitari sta avviando progetti pilota di AI generativa, ma meno del 10% sta investendo nell'infrastruttura per distribuirli a livello aziendale. In tutti i settori, circa l'88% dei progetti pilota di AI non raggiunge mai la produzione. Nello stesso sondaggio HFMA, più di un terzo dei leader dei sistemi sanitari ha riferito di non disporre di un processo per dare priorità e scalare efficacemente l'AI.
Se questi ostacoli vi sembrano familiari, è perché ognuno di essi ricade su una scrivania diversa: i dati frammentati sul Chief Data Officer, la fiducia sul Chief Medical Officer e il modello operativo sul CIO. Nessuno di questi è un problema di AI. La maggior parte dei provider ha un problema di fondamenta, e le fondamenta possono essere costruite senza dover fare l'impossibile.
Arrivare tardi all'adozione dell'AI è penalizzante solo se si ripetono gli errori di chi ci ha preceduto. Evitando questi errori, il ritardo diventa un vantaggio, poiché si può costruire su fondamenta solide anziché dover rimediare a anni di caos accumulato. La mossa pratica consiste nell'osservare le organizzazioni che sono partite per prime, imparare dai loro passi falsi e iniziare.
Anche gli strumenti si sono evoluti. Gli strumenti moderni consentono ora la governance su più origini dati e centralizzano la gestione dell'autenticazione e delle autorizzazioni attraverso integrazioni con i provider di identità esistenti. Inoltre, il modello di governance non si limita ai modelli di dati; la governance si applica anche all'AI e garantisce che le domande in linguaggio naturale e le interazioni basate su agenti siano sicure e affidabili. Con queste fondamenta, lo stesso responsabile dell'assistenza che ha chiesto informazioni sui picchi di ricovero può digitare la propria domanda in un linguaggio semplice e ottenere una risposta affidabile in pochi secondi, invece di aprire un ticket e attendere giorni. Allo stesso tempo, il CISO e l'ufficio per la sicurezza IT possono essere certi che gli utenti umani e gli agenti non abbiano accesso a dati che non sono autorizzati a vedere.
Questo è un vero e proprio cambiamento di rotta. Due anni fa, ottenere una vista sottoposta a governance sui dati clinici e operativi era un progetto che richiedeva un intero trimestre. Oggi, quando l'ambito è ben definito e i dati giusti sono disponibili, un piccolo team può mettere in produzione un primo caso d'uso regolamentato in pochi giorni anziché in trimestri. Premier, ad esempio, ha configurato Databricks Genie per la produzione in tre giorni, offrendo ai team sanitari un accesso self-service ad analisi sottoposte a governance per valutare l'assistenza e identificare i ricoveri prevenibili. Il momento di iniziare non è quando tutto è perfetto. È quando gli strumenti sono abbastanza maturi da consentire di costruire qualcosa di reale senza un enorme investimento iniziale. Quel momento è adesso.
I provider non diventano orientati all'AI per caso, e non ci arrivano per essere partiti prima degli altri. Ci arrivano costruendo le giuste fondamenta di dati unificati, una governance di cui le persone si fidano e un modello operativo ripetibile. Questo è molto più realizzabile di quanto la maggior parte dei dirigenti pensi.
Il prossimo post di questa serie è un progetto basato su tre pilastri che accompagna un sistema sanitario lungo la curva di maturità, abbinato a una mappa di maturità e a un'autovalutazione da portare alla prossima riunione della leadership.
Non sai a che punto si trova la tua organizzazione sulla mappa di maturità? Contattaci.
(Questo post sul blog è stato tradotto utilizzando strumenti basati sull'intelligenza artificiale) Post originale
Iscriviti al nostro blog e ricevi gli ultimi articoli direttamente nella tua casella di posta.