La discussione sull’uso dell’intelligenza artificiale nella sanità dei paesi a basso e medio reddito non è più teorica: strumenti come chatbot, sistemi di triage via WhatsApp e modelli predittivi sono già in funzione. Tuttavia, l’impatto reale sull’assistenza dipende molto più dai livelli infrastrutturali che dall’accuratezza del modello stesso. Se non si affrontano compute, cloud, proprietà dei dati e potere di negoziazione, l’adozione rischia di creare dipendenze dannose anziché benefici sostenibili.
Questo pezzo riorganizza la questione: partiamo dalle limitazioni pratiche che impediscono l’uso responsabile dell’AI in contesti con risorse limitate e proponiamo azioni concrete che governi e operatori sanitari possono adottare per riconquistare sovranità e resilienza.
Dal modello all’ecosistema: cosa include davvero un sistema AI
Quando si parla di AI spesso l’attenzione si ferma al modello mostrato in demo. Ma un sistema operativo comprende molte altre componenti: compute, cloud, data center, chip, energia, procurement, cybersecurity e governance. Senza queste, anche il miglior algoritmo rimane inutilizzabile o, peggio, rischioso per i pazienti e per i sistemi sanitari.
La gerarchia globale di accesso al compute
La corsa globale all’AI sta creando una vera e propria gerarchia: grandi laboratori e hyperscaler assorbono capacità di calcolo che scarseggia persino negli istituti accademici statunitensi. Per l’Africa, questa disparità è evidente: come ricordato ad AfricaCom 2026 dal Segretario Generale dell’Unione delle Telecomunicazioni Africane, l’intera Africa subsahariana possiede meno capacità cloud di un singolo Paese come la Svizzera. In questo contesto chiedere ai sistemi sanitari africani di adottare AI equivale a chiedere loro di dipendere da infrastrutture esterne e non governabili.
Sovranità dei dati e contratti: il campo di battaglia legale
Le scelte su dove risiedono i dati e chi li governa non sono tecnicismi. Storie recenti lo dimostrano: il Kenya-US Health Cooperation Framework firmato a dicembre 2026 e la successiva mobilitazione civile mostrano quanto siano fragili le garanzie quando grandi accordi internazionali coinvolgono database sanitari nazionali. La sospensione delle clausole di condivisione dati da parte della corte del Kenya e la pressione di organizzazioni civiche hanno ottenuto una modifica che afferma la prevalenza della legge kenyota, ma la dinamica rimane: i flussi di dati tendono a dirigersi verso Nord e il valore creato resta fuori dal paese di origine.
Il problema del consenso operativo
Leggi come il GDPR o gli atti di protezione dei dati nazionali esistono, ma spesso si scontrano con la realtà operativa: termini lunghi, meccanismi di accettazione tap-through e consenso letto in fretta in ambulatorio non garantiscono reale informazione o controllo. Le tutele giuridiche funzionano solo se accompagnate da pratiche contrattuali e tecniche che rendono il controllo effettivo.
Cinque mosse pratiche per cambiare l’orientamento
Perché l’AI porti benefici duraturi nei sistemi sanitari africani è necessario spostare l’attenzione dalle singole applicazioni a politiche e capacità operative. Ecco cinque interventi concreti che dovrebbero diventare priorità per governi e partner.
1. Considerare il compute come strategia politica
Se un progetto sanitario dipende da cloud esteri, questo deve essere documentato e reso parte della valutazione di impatto. I ministeri vanno informati sui rischi di sostenibilità, sicurezza e sovranità prima che si trasformi in dipendenza tecnologica. Documentare dove sono ospitati i dati e chi vi accede è una responsabilità minima.
2. Convocare un tavolo africano sul cloud e il compute
Una negoziazione isolata tra singolo paese e hyperscaler offre scarsa leva. Un processo continentale o regionale, in cui governi condividono esperienze, clausole contrattuali e criteri tecnici, può costruire capacità negoziale e produrre principi condivisi su hosting, multi-cloud, portabilità e casi d’uso sanitari appropriati.
3. Costruire capacità regionali di compute pubblico
Non serve replicare infrastrutture di punta in ogni Stato, ma è sensato sviluppare centri regionali che consentano test, adattamento di modelli, valutazione linguistica e sperimentazione clinica. Avere capacità locali riduce la dipendenza e permette di creare valore dentro la regione.
4. Imporre diritti di uscita e portabilità
I contratti devono prevedere esportazione dei dati, API aperte, documentazione e piani di transizione non punitivi. Le clausole che vietano l’uso dei dati per addestrare modelli esterni senza consenso esplicito sono fondamentali per la tutela dell’interesse pubblico.
5. Creare infrastrutture di valutazione adeguate
Prima di scalare, servono ambienti di test locali: dataset rappresentativi, protocolli di red-teaming, test linguistici e monitoraggio post-implementazione. I benchmark generici non bastano: l’AI deve essere validata sulle condizioni operative reali di infermieri, operatori sanitari comunitari e pianificatori di distretto.
In sintesi, rifiutare l’AI per timore di rischio etico può diventare una forma di negligenza in contesti con carenze sanitarie evidenti. Allo stesso tempo, l’adozione senza infrastrutture, contratti e capacità di valutazione mette a rischio la sovranità e i diritti dei pazienti. La soluzione è politica, tecnica e contrattuale: costruire leva negoziale, capacità regionale e strumenti operativi che permettano ai paesi africani di scegliere, governare e, se necessario, lasciare i sistemi AI senza perdere il controllo del proprio patrimonio sanitario.
