AI w ochronie zdrowia: od pilotażu do skalowania

Co decyduje o skutecznym skalowaniu AI w ochronie zdrowia? Kto powinien odpowiadać za strategię sztucznej inteligencji? Czy lepiej rozwijać własne modele AI, czy korzystać z gotowych rozwiązań? O tym rozmawiałem z ekspertami Centrum e‑Zdrowia, PZU Zdrowie, TZF Polfa i Hewlett Packard Enterprise, który był partnerem debaty.

Z badania IDC – zrealizowanego na Wasze zlecenie – wynika, że tylko 19% organizacji posiada formalną strategię AI, podczas gdy aż 41% wdraża AI oportunistycznie – ryzykując powstawanie odizolowanych rozwiązań, które się nie skalują. Dlaczego organizacjom z sektora zdrowia tak trudno przejść od pilotaży do skalowalnych wdrożeń?

Magdalena Kasiewicz, Director of Cloud Services Sales, Hewlett Packard Enterprise (M.K.): Przede wszystkim chciałabym powiedzieć, że bardzo mi miło widzieć państwa na tym wydarzeniu, które organizujemy wspólnie z NVIDIA. Od lat współpracujemy z tą firmą przy rozwoju rozwiązań, które pomagają organizacjom w adopcji sztucznej inteligencji.

Poza dużym, własnym doświadczeniem rynkowym, prowadzimy też badania, aby lepiej zrozumieć trendy rynkowe zarówno w Polsce, jak i za granicą. Ze wspomnianego, zrealizowanego wspólnie z IDC, wynika, że zarówno na świecie, jak i w Polsce, bardzo dużo organizacji „mówi o AI”, ale niewiele z nich ma kompleksową strategię jej adopcji. Jest to zaledwie 19% firm i instytucji. W efekcie aż 41% projektów się nie udaje.

Igor Bielecki, CIO, TZF Polfa (I.B.): Formalny dokument to jedno. Czym innym jest jednak „żywa strategia”, która rzeczywiście funkcjonuje w organizacji.

M.K.: Pytanie, ile z tych strategii przyjętych przez 19% organizacji jest rzeczywiście adaptowanych i realizowanych w praktyce. W badaniu mamy tylko informację, że istnieje formalny dokument, ale nic o tym, jak przebiega jego wdrożenie.

Na rynku polskim widzimy podobny obraz. Strategie są, ale w bardzo różnej formie. Choć mam wrażenie, że w Polsce takich dokumentów jest procentowo więcej niż 19%. Jeśli spojrzymy tylko na rynek healthcare, to adopcja AI w szerokiej skali jest jednak nadal na bardzo wczesnym etapie.

Choć medycyna była jednym z pierwszych sektorów, w których rozwijano rozwiązania AI. Już 25 lat temu budowałam sieci neuronowe do rozpoznawania chorób. Natomiast szeroka adopcja na poziomie całych organizacji to zupełnie inna historia. Widzimy, że globalnie ok. 70% z nich w ogóle zaczęło coś robić w tym obszarze.

Jeśli chodzi o use case’y, to widać bardzo dużo projektów diagnostycznych. Coraz mocniejszym trendem są też wdrożenia związane z poprawą doświadczeń pacjenta. Dotyczy to obsługi w placówkach, optymalizacji ścieżek pacjenta, czy usług contact center. Wchodzimy w szerokie scenariusze, które obejmują wszystkie punkty kontaktu.

Jednocześnie istniejące od dawna rozwiązania AI, np. do odkrywania nowych leków, to dziś – dzięki większej mocy obliczeniowej – osiągają one lepsze rezultaty.

Ostatnio lekarka powiedziała mi, że testowała wykorzystanie AI do transkrypcji rozmowy z pacjentem.

M.K.: Kontakt lekarz–pacjent to jeden z najlepiej rozwiniętych elementów systemu opieki zdrowotnej. Prywatne placówki coraz częściej wdrażają rozwiązania optymalizujące obsługę pacjenta – wspomnianą transkrypcję w czasie wizyty, automatyczne generowanie dokumentacji, recept, podsumowań. Zakładam, że dzięki temu prywatny sektor dość szybko „przeskoczy” na wyższy poziom obsługi klienta.

Wojciech Steć, koordynator projektu Platforma Usług Inteligentnych, Centrum e‑Zdrowia (W.S.): Warto pamiętać, że nie możemy wprost porównywać się ze Stanami Zjednoczonymi. Tam system opieki zdrowotnej jest w dużej mierze prywatny. W Europie mamy bardziej socjalny model, z inną logiką finansowania. W Polsce 95% systemu opieki zdrowotnej opiera się na finansowaniu publicznym. To diametralnie zmienia perspektywę.

Miałem okazję obserwować wdrożenia AI na Tajwanie. Tam nie ma „hurraoptymizmu” i wielkomocarstwowego porywania się na duże i skomplikowane wdrożenia, lecz wdrażanie tego, co jest szybkie i łatwe w szerokim roll-oucie w placówkach. Wiele rozwiązań AI dotyczy bieżącej obsługi pacjenta. Są asystenci AI, którzy pomagają „zaopiekować” się pacjentem w trakcie wizyty.

Przykładowo kamera nagrywa rozmowę w trakcie wizyty, a AI analizuje nastrój pacjenta. Jest to szczególnie istotne przy dużej liczbie osób starszych, zestresowanych i sfrustrowanych, dokładnie podobnie jak w naszym kraju. Lekarz dostaje feedback: „uspokój rozmowę, pacjent się denerwuje” lub „mów wolniej bo pacjent Cię nie rozumie”. To dość proste wdrożenia. Nie wymagają certyfikacji wyrobu medycznego.

M.K.: W Azji są też kraje nastawione na turystykę medyczną. Doświadczenie pacjenta jest tam na poziomie hotelu – obsługa, komfort, komunikacja są rewelacyjne. Z drugiej strony Stany Zjednoczone są pod tym względem bardzo specyficzne – głównie ze względu na sposób finansowania ochrony zdrowia.

Artur Cieślar, CIO, PZU Zdrowie (A.C.): Jeśli porównujemy inne regiony świata, to tam też regulacje wyglądają inaczej niż w Europie. Chiny np. patentują wszystko, co się da. Pojedynczy obywatel jako jednostka – w sensie ochrony danych – „nie istnieje”. Mogą więc przetwarzać dane medyczne na masową skalę.

M.K.: Dlatego nie dziwi mnie, że wskaźnik adopcji AI w europejskich organizacjach zdrowotnych jest relatywnie niski. Kiedy rozmawiam ze studentami na Akademii Leona Koźmińskiego o scenariuszach wykorzystania AI i pytam, czy chcieliby być diagnozowani przez sztuczną inteligencję,  to – mimo wysokiej świadomości technologicznej – wciąż jest duży opór po ich stronie. Większość osób mówi „nie”.

A.C.: Przeprowadziłem wśród znajomych podobne „badanie”. Zapytałem, czy idąc do szpitala o 3 w nocy z podejrzeniem złamanej nogi, woleliby, aby diagnozę postawił przemęczony lekarz, czy lekarz wspierany przez model AI. Większość odpowiedziała, że chciałaby mieć to „drugie spojrzenie”, czyli model AI, który może wychwycić ewentualny błąd spowodowany zmęczeniem.

W Szwecji przeprowadzono badania, z którego wynika, że dużo skuteczniejszą parą od dwóch radiologów są radiolog i model AI.

I.B.: Tu wchodzimy w temat odpowiedzialności. Model jako „drugi czytający” jest świetny, ale ostatecznie ktoś musi się podpisać pod decyzją. Jeśli będzie ona błędna, pojawia się pytanie: kto ponosi odpowiedzialność – lekarz, szpital czy producent modelu?

A.C.: W Niemczech testuje się rozwiązanie, w którym AI pełni rolę drugiego weryfikatora. Jeśli ocena radiologa i modelu są spójne, mamy większą pewność trafnej diagnozy. Jeśli się różnią, ostateczną decyzję podejmuje człowiek, który ponownie analizuje dany przypadek.

W.S.: Na dziś w Europie nie jest możliwe, aby model AI podejmował decyzje bez udziału człowieka. Wynika to nie tylko z ryzyka pomyłki, ale też z faktu, że modele nie są trenowane na danych obejmujących pełną populacji. Zwiększa to ryzyko stronniczości modelu AI, a więc także błędu zarówno diagnoz fałszywie pozytywnych, jak i fałszywie negatywnych.

Wcale nie martwi mnie więc, że wciąż nie ma pełnych regulacji i nie wdrożyliśmy EHDS (Europejskiej Przestrzeni Danych Medycznych – przyp. red.), bo to wymusza ostrożność. W diagnostyce medycznej mówimy o zdrowiu i życiu. Lepiej działać wolniej, ale odpowiedzialnie.

Niemniej w CeZ podpisujemy właśnie umowę na wykorzystanie modelu do obrazowania układu kostnego. Łącznie chcemy wdrożyć 5 tego typu modeli AI dla różnych obszarów diagnozowania udostępnianych w ramach Platformy Usług Inteligentnych.

M.K.: Myślę, że powinniśmy jednak mierzyć też zaniechania związane z niewdrażaniem niektórych narzędzi AI. To też ma wpływ na dobrostan społeczny i zdrowie pacjentów.

A.C.: A to państwo ponosi przecież odpowiedzialność za pacjentów, którzy mogliby być leczeni szybciej albo skuteczniej dzięki modelom sztucznej inteligencji.

W.S.: Są już pierwsze analizy pokazujące, że AI przyspiesza proces diagnostyczny. Ale na razie wąskiej próbie. Na poziomie systemu nadal więc brakuje twardych danych. Skuteczniej nie zawsze znaczy szybciej. W jednych zastosowaniach wzrost jakości będzie mierzony m.in. zwiększeniem szybkości dojścia do rezultatu, w innych wskaźnik ten będzie kierowany w stronę skuteczności, kosztem szybkości.

A.C.: Wiele z tych projektów pokazuje jednak potencjał, jaki leży w tym obszarze.

W.S.: Jednocześnie jednak obecna ścieżka certyfikacji dla wyrobów medycznych w ogóle nie ocenia użyteczności i jakości modeli AI. Mówi tylko, że wyrób jest bezpieczny, a więc nie szkodzi pacjentowi. Nic o jego czułości, swoistości, dokładności, przydatności klinicznej.

Dlatego potrzebna jest nowa ścieżka certyfikacji dedykowana AI. Tajwan już nad taką pracuje, rozróżniając AI diagnostyczną, nadzorowaną i administracyjną oraz wskazując referencyjne placówki do wdrożeń pilotażowych. Ta ścieżka musi finalnie odpowiadać na pytanie: czy model, od którego mogą zależeć ludzkie życia/zdrowie, rzeczywiście jest na tyle dobry/skuteczny, by go używać w praktyce.

I.B.:  Z perspektywy producenta leków mamy podobny problem. Regulacje GMP i Annex 11, które regulują zasady korzystania z systemów IT w farmacji nie adresują specyfiki AI.

M.K.:  Z naszego punktu widzenia, jako dostawcy technologii, kluczowy jest jeszcze jeden aspekt – sposób, w jaki organizacje podchodzą do wdrażania AI. Często zaczynają od konkretnego rozwiązania: „chcemy wdrożyć ten system”. Nikt nie zastanawia się, jakie firma posiada dane, czy ma kompetencje i fundamenty infrastrukturalne.

W praktyce kończy się to tym, że projekt jest wyspowy. Nie skaluje się. Sprzęt zaś nie jest optymalnie wykorzystywany. Dlatego, gdy rozmawiamy z klientami, zwracamy uwagę, że start od poziomu „AI solution” jest dobry marketingowo, ale często prowadzi do porażki. Zaczynać trzeba od fundamentów: infrastruktury, narzędzi, danych i talentu.

A.C.: Kupowanie „na zewnątrz” samo w sobie nie jest złe. Kluczowe pytanie brzmi: jaka część kompetencji pozostaje w organizacji, a jaka jest trwale outsourcowana.

M.K.: Nie chodzi o to, aby nie korzystać z partnerów, tylko by właścicielstwo i rozwój kluczowych kompetencji pozostawały w organizacji. W przeciwnym razie trudno mówić o budowaniu przewagi konkurencyjnej.

I.B.: Raporty potwierdzają, że jest wiele powodów, dla których projekty AI się nie udają. Około 70% organizacji „używa AI”, ale tylko 19% ma formalną strategię, a wg IDC jedynie 9% potrafi udowodnić wartość swoich wdrożeń. Wszyscy skupiają się na „sztucznej”, a za mało na „inteligencji” — czyli na danych, które ją zasilają. Około 64% problemów we wdrożeniach AI to problemy z danymi.

W poprzedniej firmie, w której pracowałem, Adamed, 2 lata intensywnej pracy nad Data Governance pozwoliły zbudować fundament, na którym można było implementować projekty i przenosić je z PoC na produkcję.
Tymczasem wg dostępnych statystyk, globalnie tylko ok. 25% rozwiązań przechodzi z fazy testów do produkcji.

W sektorze medycznym powinny być dane i to przypisane do konkretnych osób, opisane przez lekarzy.

W.S.: Nie chodzi o to, czy mamy dane, ale o to w jakim są stanie.

I.B.: A są, tylko często w złej strukturze, złej jakości, w rozproszonych systemach.

W.S.: Od lat podkreślam, że Data Governance nie jest „wynalazkiem epoki AI”. Pryncypia związane z ładem danych takie jak, rafinacja danych, Data Mastering to są pojęcia znane od dziesięcioleci. To nie jest nic nowego. AI tylko obnażyło problem niestosowania tych pryncypiów w praktyce, a często również nawet w teorii. Bez ładu w danych nic się nie uda.

W obrazowaniu medycznym sytuacja jest stosunkowo prosta. Mamy standard DICOM, dobrze zorganizowany ekosystem, a także systemy takie, jak Picture Archiving & Communication System czy Radiology Information System. Lokalny Data Governance jest więc utrzymywany od lat. Ale wszędzie tam, gdzie modele AI nie pracują na obrazach, bez ładu nie da się nic zrobić.

W CeZ tworzymy kanoniczny model danych. Wpisujemy ich właścicieli i cykl życia danych. Warto zdać sobie sprawę z tego, że dane mogą „umrzeć”, zostać skasowane. Trzeba więc zarządzać ich cyklem życia.

M.K.: Dokładnie, mamy kwestię aktualności danych, a zbieramy ich bardzo dużo. Mówimy też o „ekonomii danych”, w której średnia wartość pojedynczej informacji spada. Kluczowe pytanie brzmi: jak maksymalizować średnią wartość danych, którymi dysponuje firma.

To oznacza optymalizację cyklu życia danych, ich jakości, właścicielstwa, odpowiedzialności. Te tematy były zawsze ważne. Dziś jednak skala potencjalnych strat wynikających z braku Data Governance jest dużo większa.

W.S.: Ciekawe ile organizacji – publicznych i prywatnych – ma naprawdę wdrożony Data Governance w Polsce? Potem zaś zapytajmy, czy ktoś wie czym jest kanoniczny model danych i do czego służy? Wiele osób odpowie, że to „diagram pokazujący, jak dane przepływają”, a to nie jest prawdą.

Kanoniczny model definiuje, w jaki sposób dane mają być udostępniane, jakie ich transformacje są dozwolone, jak często następuje aktualizacja, komu i w jakiej formie możemy te dane udostępniać – ogólnie cały cykl życia danych w organizacji. To jest sedno Data Governance.

M.K.: Dochodzi jeszcze transformacja kulturowa. Przez lata CIO i IT byli „usługodawcami dla biznesu”. Teraz coraz częściej zasiadają w zarządach, edukują całą organizację w zakresie technologii, danych, AI. Tempo transformacji zależy od zaufania między CIO a zarządem.

I.B.: Nie może być jednak tak, że CIO jest jedyną osobą odpowiedzialną za wdrożenie AI. W takim przypadku ten projekt się nie uda.

W.S.: Na CIO wyłącznie nie można też „zrzucać” wyłącznej odpowiedzialności za Data Governance.

I.B.: Odpowiedzialności za sukces projektów AI nie da się przypisać jednej roli. Na poziomie zarządu są kwestie prawne, ryzyka i ustalanie priorytetów. Na poziomie wykonawczym odpowiedzialność spoczywa na IT, ale bez właściciela biznesowego nic się nie zadzieje.

W.S.: W CeZ mamy dwie, główne role – architekta korporacyjnego i właściciela ładu danych. Obie, moim zdaniem, powinny być poza IT. Powinny też podlegać bezpośrednio zarządowi. To role biznesowe, dotyczące budowania wartości i jakości usług biznesowych, a nie tylko technologii.

I.B.: To ciekawe spojrzenie – architekt korporacyjny „umieszczony” ponad IT.

W.S.: Tak to zrobiliśmy. W CeZ jest Departament Strategii i Portfela Projektów, w nim Wydział Architektury i architekt korporacyjny, stojący na czele Rady Architektury, a docelowo też osoba odpowiedzialna za ład danych. Ten dopiero wdrażamy.

Strategia w tym obszarze została bowiem przyjęta dopiero 1,5 miesiąca temu. Największym wyzwaniem było przekonanie decydentów – nie tylko dyrektora CeZ, ale też Ministerstwa Zdrowia – że to jest potrzebne.

I.B.: Jak długo jesteście na tej ścieżce?

W.S.: Prace nad ładem danych prowadzimy od połowy 2025 roku. Strategia ładu danych jest świeża, ale mamy już fragmenty kanonicznego modelu i wiemy, w którym kierunku iść. Kluczowe są również szkolenia dla kadry zarządzającej, nie tylko tej najwyższej, ale też średniego szczebla. Chodzi o zrozumienie architektury korporacyjnej i ładu danych w sposób nietechniczny – jako narzędzia budowania wartości i jakości. Dzięki temu, gdy IT przychodzi z koncepcją rozwiązania i pokazuje architekturę – kadra zarządzając potrafi ją zrozumieć.

M.K.: Coraz częściej widzimy też funkcję Chief Data Officer w zarządach. To dopiero początek transformacji, ale kierunek jest jasny. CDO zaś przestaje być „technicznym” stanowiskiem.

Wracając do infrastruktury: w najbliższym czasie jej znaczenie będzie jeszcze większe. Kilka lat temu zaczęliśmy współpracę z sektorem publicznym i komercyjnym w obszarze AI. Głównie kupowano serwery z GPU. Po 1-2 latach klienci wracali i mówili: „Mamy serwer, ale nie jesteśmy w stanie udostępnić usług AI, budować rozwiązań, dać do nich dostępu naszym zespołom”.

Problemem okazało się zbudowanie całego środowiska: od infrastruktury, przez narzędzia MLOps, po dostęp dla Data Scientistów, deweloperów i biznesu. IT spędzało miesiące na analizie rynku, porównywaniu setek narzędzi, a w międzyczasie pojawiały się nowe.

Dziś ponad 50% wdrożeń, które robimy w obszarze AI, to chmury prywatne działające niczym publiczne, ale w modelu on‑premise, oparte na rozwiązaniach open source. Budujemy rozwiązania, które klienci mogą rozwijać, a my ich wspieramy i szkolimy.

I.B.: Czy takie podejście stosujecie także przy danych silnie regulowanych?

M.K.: Tak, prywatna chmura stoi w data center klienta. Może być całkowicie odłączona od internetu. Dla sektora publicznego mamy konfigurację „disconnected” lub z ograniczonym połączeniem z siecią, głównie na potrzeby aktualizacji oprogramowania.

I.B.: Jak procentowo wygląda dziś rozkład: chmura publiczna, prywatna, on‑premise?

M.K.: Trudno podać dokładny procent. Ale widzimy wyraźny trend – klienci migrują z publicznej chmury w stronę prywatnych rozwiązań on‑premise. Dostarczany przez nas gotowy system jest instalowany u klienta i po 2 tygodniach Data Scientists mogą pracować na podobnych narzędziach, jak te dostępne w chmurze publicznej.

W.S. W przypadku krytycznych danych i usług wielu graczy zaczyna wracać na on‑premise. W CeZ przetarg trwał długo, ale dziś mamy cały ekosystem do uruchamiania i trenowania modeli – z frameworkami NVIDIA, wsparciem dedykowanego inżyniera, transferem wiedzy. Nie tylko „kupujemy konsulting”, ale uczymy się, jak to robić samodzielnie.

I.B.: To, czy lepsza jest chmura czy on‑premise zależy od rodzaju danych, Use Case’ów i tego, gdzie widzimy nasze przewagi konkurencyjne.

M.K.: Większość rozwiązań to dziś RAG – użycie dużych modeli AI zasilanych danymi organizacji. Doszkalanie pojawia się rzadziej. Jest też bardziej zasobochłonne.

A.C.: Szpitale biorą modele AI i doszkalają je. Nie ograniczają się tylko do RAG.

M.K.: To zależy od tego, jaką mają infrastrukturę i kompetencje. Rekomendujemy start od RAG. Jest prostszy, tańszy i szybszy. Nasze rozwiązania są przystosowane także do fine‑tuningu, ale to już wymaga większych zasobów.

A.C.: Uważam, że firmy produkujące sprzęt obrazowy – rentgeny, tomografy i inne urządzenia – będą wbudowywać modele AI w swoje produkty i dostarczą je szybciej niż sektor publiczny.

W.S.: Już to robią. Tyle że modele AI dostarczane z ciężkim sprzętem są sprzedawane w modelach subskrypcyjnych. Nic „za darmo”. Duzi producenci sprzętu medycznego widzą, że supremacja Big Techów dobiega końca i otwierają się na open source. Frameworki NVIDIA oraz innych niszowych dostawców oprogramowania są już integrowane w ich ekosystemach.

Problem w tym, że model „przywiązany” do konkretnego rezonansu jest bezużyteczny, jeśli chcemy przetwarzać obrazy gdzie indziej. Dlatego przyszłość należy do oprogramowania oddzielonego od sprzętu. Dodatkowo należy podkreślić, że w ramach EHDS powstaną repozytoria danych i obrazów, które będą wykorzystywane do budowania, trenowania i walidacji modeli AI.

I.B.: W farmacji wymiana maszyny to ogromna inwestycja, więc model „odseparowany” od sprzętu jest atrakcyjniejszy.

M.K.: Na brzegu sieci będzie odbywać się coraz więcej przetwarzania, szczególnie danych pomiarowych, sygnałów, danych z czujników IoT.

Wróciłbym do projektu Platformy Usług Inteligentnych i modelu obrazowania układu kostnego. Czy dane do jego trenowania – wszystkie zdjęcia złamanych kości z publicznych szpitali – są dziś u was?

W.S.: Na razie nie. Będą przesyłane do nas w ramach udostępnianej usługi. Dziś jednak repozytorium EDM jest rozproszone. Dane są w placówkach, a do systemu P1 trafiają jedynie indeksy. Zmieni to EHDS.

I.B.: Poza zdjęciami mamy już dziś dane o receptach, lekach, procedurach.

W.S.: Tak, na tej podstawie można analizować zdrowie pacjenta i sugerować np. zmianę stylu życia. EHDS wprost mówi o powtórnym wykorzystaniu danych do budowy nowych modeli AI i stworzeniu europejskiego repozytorium danych oraz obrazowania w formacie DICOM.

Obrazowanie medyczne jest do tego idealne. Dane są cyfrowe. Dobrze ustrukturyzowane. Modele dobrze radzą sobie z obrazami. Ponad 70% modeli rejestrowanych w USA to modele do analizy obrazowania medycznego.

Choć paradoksalnie, użycie AI, w niektórych zastosowaniach może wydłużyć czas pracy radiologa. Bez modelu radiolog może przeanalizować 100 DICOM‑ów płuc w parę godzin. Z modelem zajmie mu to nawet 2 razy dłużej, bo system wychwytuje więcej zmian, które trzeba przejrzeć. To inwestycja, która zwraca się w długim okresie. Wcześniejsze wychwycenie choroby oznacza tańsze leczenie.

M.K.: Intuicyjnie myślimy o optymalizacji czasu, a tu okazuje się, że kluczowa jest jakość.

W.S.: W innych przypadkach AI jednak także przyspiesza pracę, np. przy ocenie przewężeń naczyń. Tam modele szybciej i dokładniej dokonują odpowiednich pomiarów oraz analizują patologie i odchylenia od normy.

Kiedy lekarz o 3 w nocy będzie mógł wrzucić zdjęcie do Platformy Usług Inteligentnych i dostać wsparcie modelu AI?

W.S.: Chcemy, aby to było już w tym roku. Platforma powinna być dostępna produkcyjnie pod koniec wakacji. Odpowiednie regulacje są już uchwalone, podpisane przez Prezydenta i opublikowane

Warstwę integracyjno‑transportową łączącą nas ze szpitalami zbudowaliśmy wcześniej. Niezależnie od zakupu modeli. Ok. 80% szpitali już ją przetestowało. Przesyłają już do nas testowe DICOM‑y i odbierają wyniki.

Ostatnie pytanie na koniec, jak wg Was mierzyć sukces projektów AI? Czy należy wyjść poza typowe KPI technologiczne?

W.S.: W ochronie zdrowia najprościej określić to liczbą osób, które udało się wyleczyć szybciej, liczbą uratowanych żyć. Unia Europejska wycenia śmierć jednego człowieka w wypadku samochodowym na ok. 2 mln euro. Tak samo można policzyć wpływ AI w ochronie zdrowia.

A.C.: Mierzenie sukcesu projektów AI wyłącznie tradycyjnymi wskaźnikami technologicznymi, takimi jak dostępność systemu czy szybkość działania, to prosta droga do biznesowej porażki.

Sztuczna inteligencja wdraża systemy probabilistyczne, które stale ewoluują i bezpośrednio wpływają na procesy oraz zachowania ludzi. Dlatego kluczowe jest rozszerzenie oceny o twarde KPI biznesowe (np. realny zwrot z inwestycji, oszczędność czasu procesów) oraz wskaźniki ludzkie, badające poziom adopcji narzędzia i zaufanie pracowników do generowanych wyników.

Dodatkowo w dobie regulacji prawnych, takich jak EU AI Act, nowoczesna matryca sukcesu musi uwzględniać audytowalność decyzji modelu, jego bezpieczeństwo oraz odporność na halucynacje. Sukces AI rodzi się bowiem na styku technologii, opłacalności finansowej i akceptacji ze strony użytkowników.

I.B.:  W farmacji sukcesem będzie zapewnienie bezpieczeństwa lekowego, aby w żadnej sytuacji nie zabrakło leku.

W.S.: Dlatego potrzebujemy informacji zwrotnej od pacjentów – nie tylko o tym, co im przepisano, ale czy i jak długo przyjmowali lek. Profil pacjenta, udostępnią m.in. przypomnienia o lekach, potwierdzenia, że zostały wzięte – to wszystko można zamienić w dane dla modeli AI.

M.K.: I znów wracamy do tego, że AI to nie tylko modele, ale też dane, kultura organizacyjna, regulacje i odpowiedzialność za wynik.