Nella pratica clinica di molti paesi a basso e medio reddito l’Intelligenza artificiale è già presente, spesso in modo informale: operatori sanitari usano modelli conversazionali per tradurre sintomi, chatbot su WhatsApp forniscono triage di maternità e sistemi predittivi cercano di intercettare focolai. Tuttavia, la vera sfida non è se i modelli funzionano, ma se l’intero ecosistema tecnico e normativo li renda utili e sostenibili nel contesto locale.
Questo pezzo sposta l’attenzione dal solo codice e dalle prestazioni dei modelli verso le parti meno visibili ma decisive: infrastrutture di calcolo, governance dei dati, potere di acquisto delle amministrazioni e capacità di valutazione e recesso da fornitori esterni. Senza questi elementi, le soluzioni di AI rischiano di creare dipendenza e di trasferire valore fuori dalla regione.
Oltre il modello: l’ecosistema necessario
Quando si parla di AI in sanità occorre ricordare che un modello è solo una componente. Dietro il suo funzionamento ci sono chip, data center, energia, contratti con i fornitori cloud e sistemi di sicurezza informatica. Se questi elementi non esistono o sono controllati da attori stranieri, l’adozione diventa una questione di sovranità e sostenibilità, non solo di efficacia clinica.
Gerarchie di accesso al compute
La competizione globale per le risorse di calcolo crea una gerarchia: chi può permettersi o controllare la capacità di inferenza ha un vantaggio strategico. Molti paesi africani, ad esempio, dispongono di una capacità cloud complessiva inferiore a quella di singoli Stati europei, e questo condiziona la possibilità di eseguire modelli localmente, adattarli alle lingue e ai flussi di lavoro clinico e gestire i dati secondo norme locali.
La questione dei dati e della sovranità
Chiedere ai ministeri della salute di trasferire dati sensibili a cloud esteri senza garanzie è problematico. La storia mostra che dataset provenienti dagli lmics sono stati raccolti e valorizzati altrove senza ricadute locali adeguate. Accordi bilaterali di grande portata possono includere clausole che sollevano dubbi sulla prevalenza delle leggi e sull’accesso ai database nazionali.
Il problema operativo è anche culturale: norme robuste come il GDPR o leggi nazionali non bastano se l’effettiva informazione al paziente diventa un click-through di termini lunghi o una lettura veloce a ritmo di ambulatorio. La protezione giuridica deve essere accompagnata da processi pratici che rendano il consenso e la governance effettivi.
Un esempio di contrattualistica e rescissione
Un elemento essenziale delle trattative con i fornitori è il diritto di uscita e la portabilità dei dati. I contratti dovrebbero includere esportazione dei dati in formati aperti, API documentate, supporto alla migrazione e clausole non punitive per la cessazione del servizio. Senza queste tutele, un paese può restare legato a un fornitore anche quando la soluzione non è più adeguata.
Proposte operative per governi e operatori
Per tradurre principi etici in pratiche concrete sono necessarie azioni che guardino all’infrastruttura e alla negoziazione collettiva. Alcuni passaggi prioritari includono riconoscere il compute come decisione strategica, organizzare tavoli regionali e costruire capacità di valutazione locale per testare gli strumenti nell’ambiente reale di lavoro sanitario.
Un possibile percorso è quello di coordinare più paesi in trattative pubbliche comuni. Vent’anni fa poche nazioni avrebbero immaginato contratti energetici condivisi; oggi una negoziazione congiunta per use case sanitari pubblici può cambiare le condizioni di accesso alle tecnologie più avanzate e imporre clausole di tutela.
Costruire capacità regionali
Non è realistico mirare a infrastrutture di frontiera in ogni Stato, ma è sensato sviluppare nodi regionali di compute e piattaforme pubbliche di valutazione. Questi centri possono offrire ambienti per testare modelli su dati locali, adattare linguaggi clinici e sostenere la formazione tecnica necessaria per mantenere e aggiornare gli strumenti nel tempo.
Infine, le amministrazioni dovrebbero dotarsi di criteri chiari per la selezione dei casi d’uso di generative AI in salute, investire in valutazione indipendente e monitoraggio post-deploy per misurare impatto clinico, bias e rischi operativi. Solo così l’adozione potrà essere responsabile e orientata al bene pubblico.
