Non sarà la velocità con cui l’intelligenza artificiale viene introdotta nei sistemi sanitari a misurarne il successo, ma lacapacità delle organizzazioni di governarla. È il messaggio centrale che arriva dal nuovo report della Regione europea dell’Organizzazione Mondiale della Sanità sulla Responsible AI in health, pubblicato il 1° settembre.
Il documento raccoglie i risultati della prima Knowledge Community dell’OMS Europa dedicata al tema. Cinque settimane di confronto strutturato, svolto tra ottobre e dicembre 2025, con ricercatori, policy maker ed esperti di digital health provenienti complessivamente da 105 Paesi.
Non si tratta di un campione statisticamente rappresentativo e l’OMS precisa che le opinioni espresse non costituiscono necessariamente una posizione formale dell’Organizzazione. Il valore del lavoro è però nella convergenza su una serie di problemi operativi che stanno diventando comuni a qualunque sistema sanitario intenzionato a portare l’AI dalla sperimentazione all’utilizzo reale.
Le criticità
Le principali criticità identificate sono dataset frammentati o soggetti a bias, lacune nella governance, responsabilità non sufficientemente definite e livelli ancora inadeguati di AI literacy. Tra i fattori abilitanti figurano invece framework di governance robusti, trasparenza, accesso equo a dati e strumenti e progettazione congiunta con clinici e pazienti.
Le cinque priorità
Da questo confronto emergono cinque priorità: governance, dati, validazione, capacità della workforce e partecipazione di pazienti, comunità e professionisti frontline. Il punto più netto è forse quello espresso nel comunicato che accompagna il report: la readiness della governance, e non la rapidità di deployment, dovrebbe diventare il metro con cui valutare il progresso responsabile dell’AI in sanità. In alcuni casi, sottolineano i partecipanti, essere responsabili può significare anche ritardare o respingere l’introduzione di uno strumento che non può essere governato adeguatamente.
Una posizione che arriva in una fase particolarmente delicata anche per l’industria farmaceutica. Dopo due anni dominati da proof of concept, copiloti aziendali e sperimentazioni di generative AI, molte organizzazioni stanno iniziando a integrare questi strumenti nei processi di Medical Affairs, content production, market research, insight generation, market access e commercial operations.
È qui che la questione cambia natura. Utilizzare un chatbot individualmente per sintetizzare un documento non equivale a integrare l’AI in un workflow nel quale vengono prodotti contenuti che possono arrivare a un medico, influenzare una decisione o entrare in un processo regolato.
“Fino a quando l’AI resta un esperimento, possiamo permetterci di misurarla soprattutto in termini di velocità e produttività. Nel momento in cui entra nei processi reali il KPI deve cambiare”, sottolinea Francesco Maria Avitto, Direttore editoriale Homnya, “La domanda diventa: possiamo ricostruire da quale evidenza è partita, cosa ha prodotto, chi ha controllato l’output e chi se ne assume la responsabilità? Se non sappiamo rispondere, non abbiamo ancora industrializzato l’AI: abbiamo soltanto industrializzato il rischio.”
La governance dell’AI
Per il pharma il riferimento alla validazione è particolarmente rilevante. Non esiste infatti un’unica categoria chiamata “AI aziendale”. Un sistema che traduce una comunicazione interna, uno che suggerisce contenuti promozionali, uno utilizzato dal Medical Information e uno che supporta l’analisi di letteratura hanno profili di rischio completamente differenti e dovrebbero essere validati di conseguenza.
Lo stesso vale per i dati. La qualità di un sistema RAG dipende inevitabilmente dalla qualità, dall’aggiornamento e dalla governance delle fonti cui può accedere. E un agente in grado di eseguire azioni autonome richiede livelli di controllo diversi rispetto a un semplice assistente che restituisce un testo da sottoporre a revisione.
C’è poi il tema delle competenze. L’AI literacy indicata dall’OMS non significa trasformare medici, marketer o MSL in data scientist. Significa metterli nella condizione di capire quando fidarsi di un risultato, quando verificarlo, quali limiti riconoscere e quando interrompere il processo automatico.
Per le aziende farmaceutiche europee la conclusione è concreta. La governance dell’AI non può più essere un documento predisposto a valle da Legal, Compliance o IT. Deve entrare nell’architettura del workflow: selezione delle fonti, accessi, tracciabilità, supervisione umana, versionamento, validazione e accountability.
Dopo la stagione dei pilot si apre quindi una fase meno spettacolare ma molto più importante. Non vincerà necessariamente chi implementerà più AI. Potrebbe vincere chi sarà in grado di utilizzarla su scala senza perdere il controllo del processo.
