Dalla sperimentazione all’infrastruttura

Il 2026 segna un punto di svolta strutturale per l’intelligenza artificiale in sanità: il passaggio definitivo dalla fase dei progetti pilota isolati a quella dello scaling operativo. L’AI non è più un insieme di dimostratori confinati nei reparti di ricerca, ma una componente tecnologica che viene integrata nei processi clinici, nella ricerca farmaceutica e nei sistemi amministrativi. Il dato che meglio sintetizza questa transizione è di natura gestionale prima ancora che tecnica: secondo la survey di Eliciting Insights, il 75% dei sistemi sanitari statunitensi utilizza almeno un’applicazione di AI, contro il 59% dell’anno precedente, e la metà degli intervistati dichiara di impiegare tre o più applicazioni distinte. Sul versante professionale, la quota di medici statunitensi che ha fatto uso di strumenti di AI clinica è salita dal 38% del 2023 al 66% del 2024.

La dimensione economica accompagna questa curva di adozione. Il mercato globale dell’AI in sanità ha raggiunto circa 39 miliardi di dollari nel 2025, con proiezioni che lo collocano intorno ai 614 miliardi entro il 2034. È però importante distinguere tra ampiezza e profondità dell’adozione: molte organizzazioni usano l’AI da qualche parte, ma meno del 20% ha raggiunto un impiego affidabile nella diagnosi clinica core. Il valore economico più solido e immediato, misurato in ritorno sull’investimento, si concentra oggi nell’AI operativa e a basso rischio – documentazione, sintesi, workflow amministrativi – più che nella diagnostica ad alto rischio. Questo scarto tra adozione diffusa e maturità clinica reale è la chiave di lettura di tutto il settore nel 2026.

Diagnostica e imaging medicale

L’imaging rimane il dominio in cui l’AI ha raggiunto la maggiore penetrazione regolatoria e clinica. La Food and Drug Administration statunitense ha autorizzato oltre 1.300 dispositivi medici abilitati all’AI, con un incremento che va da circa 1.250 unità nel maggio 2025 a 1.357 nel febbraio 2026: una crescita che segnala come il deployment «regulatory-grade» stia superando gran parte delle previsioni. Circa il 76% di questi dispositivi appartiene alla radiologia, il che indica una concentrazione fortissima su una singola specialità piuttosto che una distribuzione uniforme tra le discipline.

Sul piano delle prestazioni, diversi studi pubblicati su riviste scientifiche di rilievo hanno documentato che sistemi di AI avanzati raggiungono, in compiti diagnostici e di supporto decisionale selezionati, un livello pari o superiore a quello del clinico umano.

Va però letto con cautela. Si tratta di prestazioni misurate su benchmark e task circoscritti, non di una sostituzione generalizzata del giudizio medico. Il modello operativo che si sta affermando è quello dell’AI come strumento di triage e di supporto – segnala anomalie, prioritizza casi, riduce i tempi di refertazione – mentre la responsabilità diagnostica resta in capo al professionista. Nella pratica reale, la profondità di integrazione nella diagnosi ad alto rischio è ancora l’anello più debole della catena.

Documentazione clinica e AI generativa nei workflow

L’area a più alto tasso di adozione non è la diagnostica, ma la documentazione clinica. Le applicazioni di note-taking clinico registrano un’adozione intorno al 68%, con una crescita anno su anno superiore al 60%, e insieme all’ambient listening – i sistemi che ascoltano la conversazione medico-paziente e generano automaticamente la nota clinica – rappresentano le applicazioni più diffuse in assoluto. La logica è chiara: sono casi d’uso ad alto carico di lavoro e a basso rischio clinico, dove l’AI generativa produce guadagni misurabili in tempo risparmiato e riduzione del burnout, restituendo ai clinici ore altrimenti assorbite dalla cartella elettronica.

Nel 2026 circa il 70% delle organizzazioni sanitarie e life sciences utilizza attivamente soluzioni di AI, e il 69% impiega specificamente AI generativa e large language model. Cresce parallelamente il ricorso a modelli open source, ritenuti importanti o molto importanti da oltre l’80% delle organizzazioni proprio perché consentono il fine-tuning su dati proprietari e la costruzione di soluzioni verticali su casi d’uso specifici. Sul piano infrastrutturale si afferma l’architettura ibrida: circa il 43% delle organizzazioni adotta modelli hybrid cloud per i workload di AI, con un calo dell’uso esclusivo del cloud pubblico, per ragioni di performance, controllo del dato, compliance e data residency. Il punto critico di quest’area resta la fiducia: quando l’output dell’AI manca di trasparenza, tracciabilità delle fonti o supervisione adeguata, il clinico è costretto a ricontrollare e validare ogni risultato, e in quel caso il beneficio di produttività si annulla.

Ricerca farmaceutica e trial clinici

Nel drug discovery il 2026 rappresenta un momento di verità. Il settore si sta spostando da una fase dominata dalla costruzione di modelli fondazionali a una «era clinica» sintetizzata dallo slogan «molecole più che modelli»: ciò che conta ora non è la capacità generativa in sé, ma la prova di efficacia nell’uomo. Aziende come Iambic, Generate, Insilico Medicine e Recursion hanno più candidati farmaceutici progettati con AI attesi a milestone cliniche decisive nel corso dell’anno, con readout di Fase III che determineranno se i farmaci computazionalmente disegnati funzionano davvero su larga scala. Sul fronte tecnologico, i modelli fondazionali per la biologia strutturale – AlphaFold 3, ESM-3 – e i sistemi agentici stanno entrando nelle pipeline reali, mentre partnership come quella tra Sanofi e Owkin puntano a sistemi di AI agentica per la ricerca farmaceutica.

Qui però va applicata una disciplina critica. Le riduzioni di costi e tempi dichiarate – in alcuni casi del 30-40% sull’R&D – riguardano la fase di discovery precoce, non l’intero ciclo di sviluppo. La durata dei trial clinici, i tempi di revisione regolatoria e lo scale-up produttivo restano invariati: biologia, arruolamento dei pazienti e requisiti regolatori impongono vincoli che l’AI non aggira. Affermazioni del tipo «sviluppo dieci volte più veloce» confondono l’accelerazione preclinica con la tempistica totale. L’AI riduce una componente di un processo pluriennale senza modificarne i passaggi che ne determinano la velocità complessiva.

Il quadro normativo europeo

Per chi opera in Europa, il vincolo dominante del 2026 è l’AI Act (Regolamento UE 2024/1689). La logica di fondo è che la maggior parte delle applicazioni di AI in sanità è ad alto rischio per disegno regolatorio: il Regolamento classifica come high-risk i sistemi usati per diagnosi, supporto alle decisioni cliniche, raccomandazioni terapeutiche, triage e monitoraggio del paziente. Gli obblighi fondamentali per i sistemi ad alto rischio – valutazione di conformità, documentazione tecnica, governance dei dati, supervisione umana – diventano pienamente applicabili dall’agosto 2026.

Il punto tecnicamente più delicato è la sovrapposizione con la normativa sui dispositivi medici. L’AI Act non sostituisce il Medical Device Regulation (MDR) e l’In Vitro Diagnostic Regulation (IVDR), si aggiunge come strato regolatorio ulteriore. Un software che qualifica come dispositivo medico deve soddisfare entrambi i quadri simultaneamente, con gli Organismi Notificati che incorporano la valutazione AI Act nelle revisioni MDR/IVDR.

Per i dispositivi già CE-marcati soggetti a revisione dell’Organismo Notificato è previsto un periodo di transizione esteso fino all’agosto 2027. Il quadro è però in evoluzione: il pacchetto «Digital Omnibus» proposto dalla Commissione nel febbraio 2026 punta a rinviare ulteriormente le scadenze – indicativamente dicembre 2027 per i sistemi high-risk stand-alone e agosto 2028 per l’AI incorporata in prodotti regolati – ma il trilogo del 28 aprile 2026 è fallito proprio sull’architettura di conformità, lasciando l’AI dei dispositivi medici come la categoria più incerta da pianificare. L’approccio operativo più razionale, in questo contesto, è documentare i punti AI-specifici – governance dei dati, robustezza, supervisione umana – all’interno della documentazione MDR/IVDR e del sistema qualità ISO 13485, anziché come esercizio separato.

Il caso italiano: innovazione senza adozione

L’Italia presenta un profilo caratteristico, sintetizzabile nella formula «innova ma non adotta». Il Paese dispone di una solida tradizione scientifica e di una ricchezza notevole di dati sanitari, e la spesa digitale in sanità è in crescita, da circa 2,7 miliardi di euro nel 2025 a oltre 2,9 miliardi nel 2026, con proiezione a 3,8 miliardi nel 2029 secondo Anitec-Assinform.

Le sperimentazioni non mancano, infatti, circa il 30% delle strutture sanitarie ha in corso progetti di screening dei pazienti e supporto diagnostico, mentre quasi la metà degli ospedali sta introducendo soluzioni di AI generativa per la sintesi di documenti complessi e la trascrizione automatica.

Il ritardo è nell’adozione a regime e nella traduzione delle sperimentazioni in modelli di cura consolidati. L’abilitazione passa dall’infrastruttura del dato: il Fascicolo Sanitario Elettronico 2.0 e l’Ecosistema Dati Sanitari dovrebbero essere pienamente operativi entro il 2026, costituendo la base per l’adozione dello European Health Data Space (Regolamento UE 2025/327), per l’interoperabilità nazionale e per l’uso secondario dei dati su larga scala. Il tutto opera sotto GDPR e Codice Privacy, con riforme nazionali – come quella dell’art. 110 del Codice Privacy – che allineano le regole per favorire la ricerca scientifica mantenendo la tutela dei dati. L’integrazione sistemica nel Servizio Sanitario Nazionale è inquadrata nel PNRR – Missione 6 Salute e nel Piano Triennale per la Sanità Digitale 2024-2026. Il rischio strategico è esplicito, in un contesto internazionale in cui l’AI diventa centrale nelle politiche sanitarie, il gap di adozione può tradursi in una perdita di posizionamento, sia economico sia in termini di qualità dell’assistenza.

Rischi, limiti e governance

I limiti non sono contorni marginali del quadro, ma vincoli che ne definiscono la traiettoria. Le revisioni sistematiche della letteratura convergono su un nucleo ricorrente di criticità: bias sistemico derivante da dati di addestramento non rappresentativi, responsabilità legale non risolta, natura «black box» dei modelli complessi e rischi significativi per la privacy. Il bias è particolarmente insidioso perché, quando i dataset sono sbilanciati verso specifiche popolazioni, il modello amplifica la disparità e degrada l’accuratezza diagnostica sui gruppi sottorappresentati, con conseguenze dirette sull’equità delle cure.

L’AI generativa aggiunge il problema delle allucinazioni: output factualmente errati ma plausibili. Una valutazione su 450 trascrizioni di consulto con GPT-4 ha riportato un tasso di allucinazione dell’1,47%, con il 44% degli errori classificati come gravi e concentrati proprio nei piani di trattamento, l’area dove un errore ha il massimo impatto clinico. A ciò si sommano rischi di sicurezza specifici: attacchi avversari, prompt injection e data poisoning possono manipolare le risposte di un assistente clinico o alterare il funzionamento di dispositivi controllati da AI.

Sul piano della responsabilità, quando un algoritmo sbaglia resta ambiguo chi risponda – sviluppatore, struttura o professionista che ne ha approvato l’uso – e questa incertezza è essa stessa un freno all’adozione. La conclusione operativa condivisa dalla letteratura è che le soluzioni puramente tecniche (explainable AI, guardrail) sono insufficienti senza una governance robusta: un approccio socio-tecnico multilivello che combini controlli tecnici, supervisione degli stakeholder, linee guida legali chiare e formazione professionale.

Prospettive

Il messaggio ricorrente tra gli operatori è che l’AI in sanità ha superato la fase sperimentale, ma che il 2026 è l’anno in cui si misura la sua affidabilità su scala. Le applicazioni destinate a consolidarsi sono quelle che funzionano in sicurezza su decine di siti, si integrano con gli strumenti quotidiani come le cartelle elettroniche e i sistemi di monitoraggio remoto, e spostano metriche concrete: throughput, accesso alle cure, benessere del clinico. La direzione non è quella della sostituzione del giudizio medico, ma quella di un partner clinico che automatizza la documentazione, fa emergere i gap di cura e libera tempo. La condizione perché ciò accada sul piano tecnico, regolatorio ed economico è che la profondità dell’adozione recuperi il ritardo accumulato rispetto alla sua ampiezza.

Fonti:

• Eliciting Insights / Fierce Healthcare — dati di adozione dei sistemi sanitari US 2025-2026
• 2026 Future Ready Healthcare e 2026 healthcare AI trends — Wolters Kluwer
• FDA — dispositivi medici abilitati all’AI autorizzati (2025-2026)
• npj Digital Medicine — distribuzione dei dispositivi AI per specialità
• Tandem Health, RAPS, MedDeviceGuide, ComplyLoft — analisi AI Act, MDR/IVDR, Digital Omnibus
• Drug Target Review, Crescendo AI, IntuitionLabs — drug discovery e trial clinici 2026
• Healthtech360, 01health, Il Sole 24 Ore, Anitec-Assinform (Il Digitale in Italia 2026) — contesto italiano, SSN, FSE 2.0, EHDS
• Revisioni sistematiche su NCBI/PMC e arXiv — rischi etici, bias, allucinazioni, sicurezza