L’intelligenza artificiale entra nella sanità italiana. E lo fa seguendo almeno due traiettorie complementari: da un lato, una piattaforma nazionale promossa dall’Agenzia Nazionale per i Servizi sanitari Regionali (AGENAS) per supportare i medici di medicina generale (MMG); dall’altro, un numero significativo di aziende sanitarie che affiancano l’acquisto di tecnologie dal mercato con lo sviluppo interno di soluzioni di AI.
Due capitoli del Rapporto OASI 2025 raccontano un sistema in fermento. Un capitolo, scritto da Giulia Broccolo, Francesca Guerra, Giulio Guidotti e Francesco Longo, analizza il tentativo di introdurre una piattaforma di AI a supporto dell’assistenza primaria su scala nazionale, uno dei primi di questo tipo in Europa. L’altro, scritto da Vittoria Ardito, Giulia Cappellaro, Amelia Compagni, Francesco Petracca e Luigi Maria Preti) entra nei “laboratori” di quattro grandi ospedali italiani per capire perché e come hanno deciso di diventare sviluppatori di intelligenza artificiale.
Le due analisi suggeriscono che l’innovazione funziona quando parte da bisogni clinici reali, si dota di competenze adeguate e sceglie una dimensione organizzativa, che non può limitarsi al reparto IT. Sviluppare un algoritmo in laboratorio è relativamente semplice. Portarlo nella pratica clinica quotidiana, integrarlo, certificarlo e farlo usare nel quotidiano è un salto di complessità che richiede una strategia di sviluppo e di change management multilivello.
Tre livelli di risposta
La prima ricerca si concentra sulla piattaforma di AI promossa da AGENAS nell’ambito del PNRR, Missione 6 Salute, con l’obiettivo di fornire ai MMG un sistema di supporto decisionale clinico capace di orientare diagnosi, prevenzione e gestione delle cronicità nelle aree ad alta prevalenza (diabete, pneumologia, cardiologia, oncologia, neurologia).
Prima di questa iniziativa, l’adozione dell’AI nel SSN era frammentata e spesso limitata a singoli reparti o aziende. Mancava un’iniziativa sistemica e coordinata a livello nazionale.
Le domande dello studio sono state:
- Livello micro (professionisti): come i medici di medicina generale percepiscono l’AI? La vedono come supporto o minaccia alla loro autonomia?
- Livello meso (organizzazioni): come i manager sanitari intendono governare l’implementazione? Con quali leve di change management?
- Livello macro (policy): quali scelte regolatorie e di governance possono favorirne l’adozione?
Il capitolo sulle aziende sanitarie si chiede, invece, quali fattori spingano le aziende a sviluppare internamente soluzioni di AI, e quali invece ad acquistarle dal mercato. Lo stato dell’arte mostra una forte prevalenza di soluzioni “off the shelf,” soprattutto in ambito diagnostico (ad esempio in radiologia). Ma alcune aziende, e in particolare gli Istituti di Ricovero e Cura a Carattere Scientifico (IRCCS), hanno iniziato a costruire competenze interne di data science e AI, creando veri e propri centri dedicati.
Fare massa critica
Nel caso della piattaforma AGENAS, sono stati intervistati 21 MMG considerati key opinion leader. Il loro atteggiamento non è ideologicamente ostile. Molti vedono nell’AI un modo per alleggerire il carico burocratico e recuperare tempo clinico, ma emergono comunque alcune preoccupazioni ricorrenti:
- L’atrofia cognitiva del ragionamento clinico,
- L’opacità algoritmica,
- La responsabilità medico-legale.
- La privacy.
- La necessaria integrazione nei sistemi informativi esistenti, per evitare di dover gestire un ennesimo portale.
Da parte loro, i manager delle aziende sanitarie ritengono che i benefici della piattaforma AGENAS possano riguardare prima di tutto l’appropriatezza, poi la presa in carico proattiva dei cronici e solo in minima parte il contenimento della spesa.
Negli ospedali che sviluppano AI internamente, i modelli nascono quasi sempre da bisogni clinici espressi dai professionisti stessi. L’AI non deve essere imposta; deve emergere come risposta a bisogni clinici non soddisfatti, spesso su patologie complesse o rare.
La ricerca ha adottato un disegno di casi multipli su quattro realtà: Humanitas Research Hospital; Fondazione Policlinico Gemelli; Ospedale San Raffaele e Policlinico Sant’Orsola di Bologna, che stanno adottando soluzioni organizzative diverse.
Humanitas ha creato un AI Center dedicato con circa 50 professionisti; il Gemelli separa le attività di valorizzazione industriale in una società ad hoc (GDMH); il San Raffaele costruisce una piattaforma proprietaria in partnership con Microsoft; il Sant’Orsola integra data science e IT in un’unica struttura organizzativa. Se i modelli sono diversi, tutte le esperienze tendono comunque a concentrare competenze interdisciplinari e presidiare il ciclo del dato.
Non tutte le strutture italiane possono permettersi di sviluppare soluzioni pronte per la pratica clinica; servono una massa critica di dati, competenze e risorse. In un mercato in cui le competenze di data science e AI sono scarse e ricercate, il settore pubblico può avere grandi difficoltà ad attrarre personale adeguato e lo sviluppo rischia di fermarsi a livello sperimentale se non si chiede l’aiuto di attori esterni. Perciò, nel tradizionale dilemma tra make or buy, le aziende sembrano attestarsi su un “make and buy,” in cui lo sviluppo è interno quando serve personalizzazione o il mercato non offre soluzioni mature; dove servono rapidità e certificazioni già pronte, si ricorre al mercato.
Il vincolo del mercato del lavoro
Dall’intreccio delle due ricerche emergono alcune indicazioni manageriali.
- La scala è importante. Lo sviluppo interno funziona dove esistono massa critica, vocazione scientifica e competenze interdisciplinari. Non tutte le aziende possono, né devono, seguire questa strada. Allo stesso tempo, una piattaforma nazionale può garantire equità e standardizzazione, ma deve sapersi adattare ai contesti locali.
- Le competenze sono il vero vincolo strutturale. Tutti i casi ospedalieri mostrano investimenti significativi in competenze di data science, ingegneria, bioinformatica. Nel pubblico, le rigidità contrattuali rendono più complesso attrarre questi profili. Senza capitale umano adeguato, l’AI resta sperimentazione.
- Serve apertura ad altri attori. Co-progettazione, formazione, feedback loop e governance collaborativa emergono come condizioni abilitanti. L’AI non sostituisce il medico, ma ne ridefinisce il ruolo: da decisore isolato a mediatore tra evidenza scientifica, algoritmo e valori del paziente.
In definitiva, le due ricerche raccontano che l’intelligenza artificiale in sanità è una prova di maturità istituzionale. Chi governa la scala, le competenze e l’identità professionale governa davvero l’innovazione.
Giulia Broccolo, Francesca Guerra, Giulio Guidotti, Francesco Longo, “Una piattaforma di Intelligenza Artificiale a supporto dell’assistenza primaria: impatti su pratica e identità clinica, modelli organizzativi e agenda di policy.” In Rapporto OASI 2025.
Vittoria Ardito, Giulia Cappellaro, Amelia Compagni, Francesco Petracca, Luigi Maria Preti, “Le scelte di sviluppo di soluzioni di intelligenza artificiale nelle aziende sanitarie italiane.” In Rapporto OASI 2025.
