C’è una domanda che vale la pena porsi con onestà, prima di celebrare o sminuire: cosa fa davvero l’intelligenza artificiale in medicina oggi? Non cosa promette, non cosa i comunicati stampa delle startup raccontano agli investitori, non cosa “potrebbe fare” in un futuro indefinito. Cosa fa adesso, concretamente, nei reparti, negli studi dei medici, nei laboratori farmaceutici.
La risposta è meno drammatica delle visioni apocalittiche — l’AI che sostituisce i medici — e molto più interessante delle semplici rassicurazioni che vuole dire “non cambia niente”. Cambia qualcosa, in alcuni campi cambia moltissimo. Ma il confine tra ciò che funziona già e ciò che funzionerà tra dieci anni è spesso nebuloso, e navigarlo richiede qualche distinzione che raramente si trova nei titoli.
Dove l’AI è già presente: la diagnostica per immagini
Il campo in cui l’intelligenza artificiale ha prodotto i progressi più documentati e verificabili è la diagnostica per immagini. Radiologia, oncologia, cardiologia: sono gli ambiti dove la disponibilità massiccia di immagini — radiografie, TAC, risonanze — ha permesso di addestrare algoritmi su milioni di casi, con risultati che in alcuni compiti specifici eguagliano o superano i radiologi umani.
Un dato che vale la pena citare con precisione: un algoritmo di deep learning denominato CheXNeXt, addestrato su oltre 100.000 radiografie toraciche di circa 31.000 pazienti, ha ottenuto risultati comparabili a un gruppo di nove radiologi nella diagnostica di polmoniti, versamenti pleurici, masse polmonari e pneumotorace. Il dettaglio più sorprendente non riguarda però l’accuratezza, bensì la velocità: 420 minuti per gli umani contro 1,5 minuti per l’algoritmo, sulle stesse 420 immagini del set di validazione.
Questo dato non dice che l’AI debba sostituire il radiologo. Dice che può fare un lavoro specifico — scansionare grandi volumi di immagini, segnalare anomalie, filtrare i casi urgenti — in modo enormemente più rapido, liberando il medico per le valutazioni complesse che richiedono contesto clinico, storia del paziente, comunicazione. La Società Europea di Radiologia lo ha formalizzato in un documento ufficiale adattando le tre leggi della robotica di Asimov: i sistemi AI devono essere supervisionati da un radiologo, a integrazione e non in sostituzione. È una posizione tecnica e etica insieme, e per ora regge.
L’AI che ascolta e che parla: nuovi strumenti clinici
Oltre alle immagini, l’AI è entrata in una dimensione più sottile della pratica clinica: l’ascolto e la documentazione. I sistemi di trascrizione automatica e sintesi delle visite stanno riducendo il carico burocratico che oggi sottrae tempo al rapporto medico-paziente. Studi recenti indicano che liberare il medico da compiti amministrativi può aumentare la qualità percepita della relazione empatica con il paziente — un beneficio che sembra secondario ma è in realtà centrale, in un sistema sanitario dove i tempi di visita si comprimono e la fiducia si erode.
Esistono poi strumenti più sofisticati: gli stetoscopi intelligenti capaci di analizzare suoni cardiaci e polmonari per profilare i pazienti, i sistemi di monitoraggio continuo tramite wearable che segnalano in tempo reale anomalie nel ritmo cardiaco o nei livelli di glucosio. Non sono fantascienza: sono dispositivi già in commercio. La sfida, per ora, non è tecnologica ma organizzativa — integrare questi flussi di dati nei sistemi ospedalieri e nei processi decisionali dei medici senza creare sovraccarico informativo.
“Mia” arriva dal medico di famiglia: l’Italia e il PNRR
In Italia, il 2026 è l’anno in cui l’AI compie un passaggio simbolicamente importante: entra negli studi dei medici di medicina generale. Il progetto si chiama “Mia” — Medicina e Intelligenza Artificiale — ed è finanziato dal PNRR attraverso l’Agenas, l’Agenzia nazionale per i servizi sanitari regionali. Dopo una gara da 8,3 milioni di euro vinta dall’azienda Bv Tech, i primi 1.500 medici di famiglia stanno iniziando nel 2026 la fase di sperimentazione.
I tre casi d’uso definiti dal progetto sono concreti e circoscritti: supporto all’inquadramento diagnostico di base, gestione della cronicità, prevenzione e promozione della salute. Niente di rivoluzionario nell’enunciazione, ma significativo nella portata. Il medico di famiglia è il presidio più capillare del sistema sanitario italiano, il primo contatto per milioni di persone. Se “Mia” funzionerà, l’AI diventerà un assistente silenzioso in decine di milioni di visite ogni anno.
Va detto con franchezza: “Mia” è ancora in fase sperimentale e i risultati reali arriveranno solo a fine 2026 o nel 2027. Ma il solo fatto che l’investimento pubblico si stia spostando dall’ospedale al territorio — dove si gioca buona parte della prevenzione — è un cambio di prospettiva rilevante.
Il tema più discusso: l’AI come “dottor Google 2.0”
Ogni settimana, circa 230 milioni di utenti pongono quesiti medici a ChatGPT. Il dato, comunicato da OpenAI, racconta più di qualsiasi analisi di mercato: l’AI generativa è già diventata, di fatto, uno strumento di orientamento sanitario per una fetta enorme della popolazione. Più del 60% degli italiani usa già il web per cercare risposte sulla salute, secondo i dati Eurostat 2025.
Qui però è necessario essere precisi — e un po’ scomodi. L’AI generativa come ChatGPT non è un sistema medico. È addestrata su tutto ciò che è presente su internet, incluse fake news, contenuti pseudoscientifici, casi atipici raccontati da pazienti su forum. Il benchmark NOHARM, uno strumento sviluppato per valutare la sicurezza clinica delle risposte AI su 100 casi complessi, ha rilevato che oltre una raccomandazione su cinque — il 22,2% — risulta potenzialmente dannosa. Nel 76,6% dei casi critici, il problema non era la risposta sbagliata, ma la risposta mancante: il modello non suggeriva esami vitali o trattamenti necessari alla sopravvivenza del paziente.
C’è poi un paradosso che emerge dalla letteratura scientifica: quando i medici usano l’AI come supporto diagnostico, i risultati non migliorano rispetto all’uso di risorse convenzionali. Paradossalmente, l’AI usata da sola ottiene risultati superiori rispetto a quando è consultata dai medici. Il motivo è il cosiddetto “bias di automazione”: il professionista tende ad accettare i suggerimenti dell’algoritmo senza verifica critica adeguata, moltiplicando gli errori invece di ridurli. È un problema aperto, e onestà intellettuale vuole che venga citato.
Scoperta di farmaci: il campo dove le aspettative hanno corso più del reale
Nessun altro ambito dell’AI in medicina ha generato più entusiasmo — e più disillusioni — della scoperta di farmaci. La narrazione dominante degli ultimi dieci anni prometteva una rivoluzione: algoritmi capaci di identificare molecole promettenti in milioni di candidati, comprimere i tempi di sviluppo da quindici anni a tre, ridurre i costi miliardari delle sperimentazioni cliniche.
Il punto di riferimento di questa narrativa è AlphaFold di DeepMind. Il sistema di Google — i cui sviluppatori hanno vinto il Premio Nobel per la Chimica nel 2024 — ha previsto la struttura tridimensionale di oltre 230 milioni di proteine, risolvendo in mesi un problema che aveva resistito alla biologia per decenni. AlphaFold 3, pubblicato su Nature nel 2024, estende la capacità anche ai complessi biomolecolari che includono proteine, acidi nucleici e piccole molecole — l’esatto scenario rilevante per progettare farmaci che si leghino a bersagli specifici.
Eppure, a fine 2025, nessun farmaco interamente “scoperto dall’AI” ha ricevuto approvazione definitiva dalle agenzie regolatorie. Come è possibile? La risposta onesta è che AlphaFold copre un tassello fondamentale ma non l’intera catena: predice la struttura della proteina, non come essa interagisce nel tempo con altre molecole nell’organismo vivente, non gli effetti tossici, non le differenze tra pazienti. Come ha dimostrato un recente studio dell’Università di Basilea, i modelli AI per lo sviluppo di farmaci tendono a ignorare le leggi fisico-chimiche fondamentali: le previsioni strutturali sono spesso corrette “sulla carta” ma fisicamente irrealistiche.
Sul campo delle startup, il quadro è altrettanto sobrio. BenevolentAI, considerata pioniera europea del drug discovery AI, ha perso valore drammaticamente ed è stata acquisita nel 2025. Exscientia e Recursion, altre due aziende di punta del settore, si sono fuse per sopravvivere economicamente. BenevolentAI ed Exscientia avevano entrambe riportato risultati deludenti negli studi clinici per farmaci progettati con AI contro l’eczema e il cancro.
La nota positiva — e va data con altrettanta precisione — è che qualcosa si muove. Insilico Medicine, società con un pipeline AI-native, ha annunciato risultati positivi in uno studio di fase IIa per un inibitore contro la fibrosi polmonare idiopatica: è il candidato AI più avanzato mai arrivato a sperimentazione sull’uomo. Il mercato globale dell’AI nella scoperta di farmaci vale oggi 2,58 miliardi di dollari con un tasso di crescita atteso del 26% annuo fino al 2030. I grandi accordi si moltiplicano: Isomorphic Labs di Google ha siglato partnership da oltre 1,7 miliardi con Eli Lilly e da 1,2 miliardi con Novartis. Il denaro scommette sul futuro, anche quando il presente è più cauto.
La questione che nessuno vuole affrontare: i dati e la privacy
C’è un elefante nella stanza di ogni discussione sull’AI in medicina: i dati. Gli algoritmi più potenti si addestrano su enormi dataset di cartelle cliniche, immagini, sequenze genomiche. Dati sensibili, personali, protetti in Europa dal GDPR. Costruire dataset sufficienti per addestrare modelli robusti richiede collaborazione tra ospedali, regioni, paesi — una sfida organizzativa e regolamentare che in Italia si scontra con anni di frammentazione del sistema informativo sanitario.
Senza dati di qualità, standardizzati e condivisi, i modelli vengono addestrati su campioni non rappresentativi. E modelli non rappresentativi producono diagnosi meno accurate per le popolazioni sottorappresentate nei training set — donne nelle malattie cardiovascolari, pazienti anziani in condizioni rare, popolazioni del Sud globale ovunque. Il rischio di amplificare le disuguaglianze sanitarie esistenti è reale, ed è documentato in letteratura.
Il Ministero della Salute italiano ha pubblicato linee guida specifiche per l’uso dell’AI in ambito diagnostico — uno strumento che indirizza sia chi sviluppa sistemi che chi li usa: medici, pazienti, caregiver. È un passo. Ma la governance dell’AI in sanità è ancora un cantiere aperto, in Italia come nel resto d’Europa.
Dove siamo davvero, allora
Un bilancio onesto, a febbraio 2026, suona così: l’intelligenza artificiale in medicina è già reale in alcune applicazioni, promettente in molte altre, sopravvalutata in quelle che generano più entusiasmo commerciale.
È reale nella diagnostica per immagini, dove migliora la velocità e riduce i falsi negativi in oncologia e radiologia. È reale nell’automazione burocratica, dove libera tempo medico per la cura. Sta diventando reale nell’assistenza primaria, con progetti come “Mia” che portano il supporto algoritmico fuori dagli ospedali.
È promettente nella scoperta di farmaci, dove AlphaFold e i suoi successori stanno costruendo fondamenta scientifiche importanti, ma la catena dal laboratorio computazionale alla pillola approvata è ancora lunga e costellata di ostacoli biologici che nessun modello ha ancora imparato a prevedere con affidabilità.
È sopravvalutata — e questo va detto chiaramente — come strumento diagnostico autonomo nelle mani dei pazienti, dove il rischio di omissioni pericolose supera quello di diagnosi sbagliate, e dove il tono autorevole dei modelli generativi crea una fiducia sproporzionata alle capacità reali.
La medicina del futuro avrà l’AI come componente strutturale. Ma quel futuro si costruisce con rigore scientifico, governance dei dati, investimenti nel sistema informativo sanitario e una formazione medica che insegni a lavorare con gli algoritmi senza delegare a essi il giudizio clinico. Non è la rivoluzione di un comunicato stampa. È il lavoro di un decennio.
Fonti:
