Molti attori del settore digitale interpretano la diffidenza degli operatori sanitari di comunità (CHW) verso gli strumenti basati su Intelligenza artificiale come una lacuna formativa: basta più formazione, un’interfaccia migliore, workshop di design centrato sull’utente. Tuttavia questa spiegazione rischia di essere fuorviante. In molte situazioni la reticenza è una risposta informata alle condizioni reali in cui gli strumenti vengono introdotti.
Perché la diffidenza è spesso ragionevole
Gli operatori sanitari valutano costi e benefici in un contesto concreto: scorte inesistenti di farmaci, sistemi di riferimento frammentati e supervisione inefficace riducono drasticamente il valore di un supporto diagnostico digitale. Un assistente digitale che aiuta a riconoscere una polmonite è inutile se non c’è amoxicillina o un canale funzionante per il ricovero. Questo è un esempio di come la mancanza di adeguamenti operativi renda vano il potenziale clinico delle soluzioni tecnologiche.
La scelta degli investimenti e le priorità del settore
Il settore dello sviluppo tende a preferire interventi che “fotografano bene” nei report: prototipi di chatbot o demo di diagnosi automatizzate attirano fondi e visibilità, mentre ottimizzazioni logistiche come l’ottimizzazione delle rotte di distribuzione dei farmaci, sebbene spesso più efficaci per salvare vite, generano meno entusiasmo mediatico. Questa dinamica influenza quali problemi vengono effettivamente risolti.
La tecnologia come strumento di controllo
Un elemento critico che spiega la sfiducia è che molte piattaforme digitali funzionano come infrastrutture di rendicontazione, non come puri ausili clinici. Dati raccolti dai CHW tendono a fluire verso organismi governativi o ONG che li usano per monitorare l’attività, non necessariamente per fornire supporto operativo. In contesti dove la sorveglianza istituzionale è diffusa, chiedere fiducia verso uno strumento digitale equivale a chiedere fiducia verso le stesse istituzioni che spesso non offrono continuità o tutela.
La dimensione di genere e lavoro non retribuito
La maggior parte dei CHW in Africa subsahariana e in Asia meridionale sono donne che lavorano come volontarie o con compensi simbolici. Statistiche documentano che solo una quota minima è salariata. Quando una nuova app chiede di raccogliere dati strutturati, mantenere la connettività, risolvere malfunzionamenti e seguire indicazioni algoritmiche, si aggiunge un onere di lavoro non ricompensato. In questo quadro la razionalità della diffidenza emerge come un calcolo costo-beneficio realistico.
Il rischio opposto: fiducia acritica
Non è ideale neppure l’estremo opposto, ossia la fiducia indiscriminata nelle raccomandazioni automatiche. Studi sul campo hanno mostrato che alcuni operatori accettano senza riserve i suggerimenti di un’app, arrivando a ripetere il controllo fino a ottenere la risposta attesa. Questo comportamento trasforma una tecnologia in un potenziale rischio per la sicurezza clinica. L’obiettivo non dovrebbe essere l’adesione cieca ma un’adozione informata e critica.
Design per la contestabilità
Strumenti ben progettati devono permettere la contestazione delle raccomandazioni: segnalare errori, annotare discrepanze, avere possibilità di override. Mettere al centro la capacità degli operatori di verificare e correggere gli output è preferibile a perseguire una compliance misurata solo in termini di tassi di utilizzo.
Linee d’azione per cambiare direzione
Se consideriamo la diffidenza dei CHW come risposta razionale a condizioni strutturali, le priorità politiche e progettuali cambiano. Quattro interventi risultano essenziali: prima di tutto colmare le condizioni strutturali su cui si regge l’assistenza primaria; poi riprogettare gli strumenti per favorire l’adozione critica; distinguere chiaramente piattaforme di sorveglianza da quelle di supporto; infine costruire un solido corpus di evidenze in contesti a basso e medio reddito.
Azioni concrete
1) Pagare gli operatori e ridurre i costi che affrontano ogni giorno. 2) Stabilizzare le catene di approvvigionamento e i sistemi di riferimento prima di lanciare nuove app. 3) Richiedere prove di efficacia validate nei contesti locali prima di finanziamenti su larga scala. 4) Progettare interfacce che valorizzino la competenza del CHW e permettano di segnalare e correggere errori diagnostici.
In definitiva, la riluttanza degli operatori sanitari di comunità verso l’AI non è un problema di percezione da risolvere con più training, ma un indicatore prezioso delle priorità sbagliate del sistema. Ignorare questo segnale significa sprecare risorse e, soprattutto, perdere l’opportunità di costruire soluzioni che migliorino davvero risultati sanitari in contesti vulnerabili.
