AI er allerede klogere end din læge. Det er ikke den skræmmende del.

Jeg ønskede, at AI skulle løse dette problem.

I årtier havde jeg indsamlet komplicerede patienthistorier, laboratoriefund, symptomer, medicin, kosttilskud og mange års tidligere behandling og forsøgt at omsætte alt dette til en sammenhængende klinisk plan. En kompleks sag kunne optage tre timers research, før jeg var tryg ved at afgøre, hvad der var vigtigt, og hvad der skulle ske næste.

Så kom generativ AI.

Min første tanke var den indlysende: endelig.

Her var en teknologi, der kunne indtage enorme mængder information, genkalde medicinsk viden hurtigere end jeg nogensinde kunne, og finde sammenhænge i en sag på sekunder. Jeg antog, at jeg kunne sætte en grænseflade omkring en stor sprogmodel, bygge nogle få sikkerhedsforanstaltninger og være færdig.

Det ville have været fantastisk.

I stedet, cirka et år og 1 million dollars senere, med softwareingeniører, der arbejdede sammen med et klinisk team på 10 personer, var vi stadig i gang med at bygge.

Årsagen var ikke, at AI ikke var intelligent nok.

Det var, at intelligens var den nemme del.

Jeg fik en anden AI end alle andre.

Mit første spor kom, før vi overhovedet forsøgte at bygge klinisk software. Jeg bemærkede gentagne gange, at jeg kunne bruge det samme AI-værktøj som en person ved siden af mig og opnå dramatisk bedre resultater.

Hvorfor? Fordi jeg ikke blot stillede et spørgsmål og tog svaret. Jeg diskuterede med det. Udfordrede antagelser. Tilføjede kontekst, det havde overset. Rettede fejl. Skiftede perspektivet. Pressede igen.

Teknisk set brugte vi det samme værktøj. Funktionelt var vi det ikke.

Det er et interessant produktivitetsproblem, når du skriver en annonce. Det bliver et helt andet problem, når emnet er en patient.

Jeg har arbejdet med mere end 70.000 praktikere. En person kan være klinisk genial og alligevel være forfærdelig til at få brugbar information ud af et AI-system.

Det er forskellige færdigheder.

Alligevel ser meget af sundhedssektorens svar ud til at være, at klinikere blot skal lære “prompt engineering”.

Jeg tror ikke, det er en seriøs løsning.

Hvis et klinisk AI-system kræver, at en læge bliver en sofistikeret prompt‑ingeniør, før systemet er pålideligt, har vi ikke færdiggjort det kliniske AI.

Forskningen fortæller os allerede noget ubehageligt.

Et randomiseret klinisk forsøg fra 2024 gav 50 læger vanskelige diagnostiske tilfælde. Læger, der brugte GPT-4, opnåede 76 procent; dem der brugte konventionelle ressourcer, opnåede 74 procent, en forskel der ikke var statistisk signifikant.

Derefter testede forskerne GPT-4 alene. Det slog lægerne, der brugte konventionelle ressourcer, med 16 procentpoint.

Et 2026 forsøg i Pakistan fandt, at efter AI‑litteracitetstræning opnåede læger med adgang til GPT-4o 71,4 procent i diagnostisk ræsonnement versus 42,6 procent for dem, der brugte konventionelle ressourcer. Men GPT-4o alene opnåede 82,9 procent.

En 2026 UK replikation fandt en lignende kløft: læger forbedrede sig med AI‑assistance, men scorede stadig mere end 21 procentpoint under LLM’en, der arbejdede alene.

Vi er nødt til at sige den ubehagelige del højt: på visse kognitive opgaver er AI allerede bedre end en enkelt læge.

Ingen læge har læst alle medicinske artikler eller kan huske hver obskur lidelse, interaktion eller kontraindikation i det øjeblik, den bliver relevant. AI kan behandle enorme mængder information uden at blive træt eller løbe tør for tid.

Fejlen er at antage, at vi kan placere en chatbot foran en kliniker og kalde problemet løst.

Den tomme prompt‑boks er problemet.

Forestil dig, at en læge uploader en laboratorierapport med 150 markører og beder en LLM om at analysere den.

Svaret kommer tilbage smukt organiseret. Der er kun ét problem: systemet udtrak ikke pålideligt alle 150 markører.

Generelle LLM’er er ikke deterministiske kliniske dokumentparsere. Tabeller og tætte medicinske rapporter forbliver særligt vanskelige. Den skræmmende del er, at det endelige svar måske ikke annoncerer: “Jeg missede 50 værdier.”

Det kan blot svare.

Forestil dig nu, at en af de manglende værdier kræver akut medicinsk evaluering.

Det var ikke en begrænsning, jeg var villig til at bygge omkring. Vi måtte udvikle en anden udtrækningsteknologi til at håndtere laboratorierapporter nøjagtigt og reproducerbart, før den kliniske ræsonneringsdel af vores system kunne begynde.

Den oplevelse ændrede den måde, jeg tænker på AI‑sikkerhed.

Et AI-system, der fortæller dig, at det ikke ved noget, er upraktisk.

Et AI-system, der ikke ved, hvad det gik glip af, er farligt.

Hvorfor vi var nødt til at bygge ud over AI

Klinisk arbejde kræver noget, som generel generativ AI naturligt ikke leverer: reproducerbarhed.

Vi havde brug for kontrol over, hvad der kom ind, og hvad der kom ud: pålidelig dataudtræk, struktureret viden, deterministisk logik, sikkerhedsforanstaltninger og systemer, der kan evaluere relationer på tværs af en patients historik.

Klinisk ræsonnement er ikke blot en samling af hvis‑så‑udsagn. Nogle gange er signalet forholdet mellem flere markører. Nogle gange bliver fem individuelt ubetydelige fund vigtige, når de ses samlet.

Ingeniører har brug for regler, der er eksplicitte nok til, at software kan udføre dem. Klinikerne bruger deres liv på at sige: “Ja, undtagen …”.

Menneskelig biologi er fuld af undtagelser, modificeringer, kontekst og konkurrerende forklaringer. Til tider føltes det, som om den ene gruppe kommunikerede på tegnsprog, mens den anden talte Klingon, mens vi byggede systemet.

Svaret var aldrig “AI” eller “ikke AI”. Det var at finde ud af præcis, hvor hver del hørte hjemme.

AI kan læse journalen. Mennesker kan læse rummet.

Når den bruges korrekt, kan AI udvide en klinikers hukommelse, accelerere forskning, frembringe sjældne muligheder og genkende mønstre på tværs af enorme mængder information.

Det begynder at ligne mindre en erstatning af udøveren og mere en opbygning af en bionisk én.

Men patienten er ikke en klinisk vignette.

En udøver hører tøven før svaret. Hun bemærker, når historien ændrer sig. Hun lærer, at den ene patient rutinemæssigt nedtoner symptomer, mens en anden rapporterer hver fornemmelse med maksimal intensitet. Hun ved, hvornår “jeg har det fint” tydeligt ikke betyder, at det er fint.

De oplysninger findes måske aldrig i journalen.

Menneskelig interaktion i medicin er ikke blot et behageligt lag, vi tilføjer efter maskinen har udført det intellektuelle arbejde. Det er en anden kilde til kliniske data.

AI kan læse journalen. Mennesker kan læse rummet.

De bedste kliniske systemer vil have brug for begge.

Stop med at spørge, om AI vil erstatte lægen

Vi stiller det forkerte spørgsmål.

Fremtiden vil ikke nødvendigvis tilhøre den virksomhed, der har den mest smarte chatbot eller den klogeste grundmodel. Den vigtige innovation sker i stigende grad omkring modellen: hvordan information indsamles og verificeres, hvilken viden der leveres, hvad systemet må udlede, hvor deterministisk kontrol overtager, og hvor en menneskelig aktør skal forblive i kredsløbet.

Rå intelligens bliver stadig mere rigelig.

Pålidelige systemer til at anvende den intelligens er meget sværere at bygge.

Og vi bør ikke løse problemet ved at kræve, at hver kliniker bliver en amatør AI-udvikler. Kompleksiteten bør bo i teknologien, ikke i lægens prompt.

Fremtidens læge vil ikke slå AI på hukommelse. Den konkurrence bliver allerede meningsløs.

I stedet bør vi bygge systemer, der giver klinikere maskinens hukommelse, behandlingskraft og mønstergenkendelse, mens de bevarer konteksten, dømmekraften, skepsis og den menneskelige forbindelse fra udøveren.

Vi kalder det den bioniske udøver.

Jeg formoder, at patienter på et tidspunkt vil kalde det noget meget enklere.

Deres læge.