AI jest już inteligentniejsza od twojego lekarza. To nie jest przerażająca część.

Chciałem, aby AI rozwiązała ten problem.

Przez lata zbierałem skomplikowane wywiady pacjentów, wyniki badań laboratoryjnych, objawy, leki, suplementy oraz lata wcześniejszego leczenia, starając się przekształcić to wszystko w spójny plan kliniczny. Złożony przypadek mógł pochłonąć trzy godziny badań, zanim poczułem się pewny, co jest istotne i co powinno się wydarzyć dalej.

Wtedy pojawiła się generatywna AI.

Moją pierwszą myślą była oczywista: w końcu.

To była technologia, która mogła przetwarzać ogromne ilości informacji, przywoływać wiedzę medyczną szybciej niż kiedykolwiek ja, i znajdować zależności w przypadku w ciągu kilku sekund. Założyłem, że mogę otoczyć duży model językowy interfejsem, zbudować kilka zabezpieczeń i skończyć.

To byłoby wspaniałe.

Zamiast tego, mniej więcej rok i $1 million później, przy inżynierach oprogramowania pracujących razem z 10‑osobowym zespołem klinicznym, wciąż budowaliśmy.

Powód nie był taki, że AI nie była wystarczająco inteligentna.

To była inteligencja, która okazała się łatwą częścią.

Otrzymywałem inną AI niż wszyscy inni.

Moja pierwsza wskazówka pojawiła się, zanim jeszcze próbowaliśmy zbudować oprogramowanie kliniczne. Zauważyłem, że mogę używać tego samego narzędzia AI co osoba siedząca obok mnie i uzyskiwać dramatycznie lepsze wyniki.

Dlaczego? Ponieważ nie zadawałem po prostu pytania i przyjmowałem odpowiedź. Kłóciłem się z nią. Kwestionowałem założenia. Dostarczałem kontekst, którego nie zauważyła. Poprawiałem błędy. Zmieniałem ramy. Ponownie naciskałem.

Technicznie używaliśmy tego samego narzędzia. Funkcjonalnie nie.

To ciekawy problem wydajności, gdy piszesz reklamę. Staje się zupełnie innym problemem, gdy przedmiotem jest pacjent.

Współpracowałem z ponad 70,000 praktyków. Ktoś może być klinicznie genialny, a jednocześnie fatalny w wydobywaniu przydatnych informacji z systemu AI.

To różne umiejętności.

Jednak wiele odpowiedzi w opiece zdrowotnej wydaje się sugerować, że klinicyści po prostu muszą nauczyć się „inżynierii promptów”.

Nie uważam, że to poważne rozwiązanie.

Jeśli kliniczny system AI wymaga od lekarza zostania wyrafinowanym inżynierem promptów, zanim system będzie niezawodny, nie skończyliśmy jeszcze budować klinicznej AI.

Badania już mówią nam coś niekomfortowego.

W 2024 roku randomizowane badanie kliniczne przydzieliło 50 lekarzom trudne przypadki diagnostyczne. Lekarze korzystający z GPT-4 uzyskali wynik 76 percent; ci używający tradycyjnych źródeł – 74 percent, różnica nie była statystycznie istotna.

Następnie badacze przetestowali samodzielnie GPT-4. Przegonił lekarzy korzystających z tradycyjnych źródeł o 16 punktów procentowych.

W 2026 roku badanie w Pakistanie wykazało, że po szkoleniu z zakresu AI, lekarze z dostępem do GPT-4o uzyskali 71.4 percent w rozumowaniu diagnostycznym w porównaniu do 42.6 percent lekarzy korzystających z tradycyjnych źródeł. Natomiast sam GPT-4o uzyskał 82.9 percent.

W 2026 roku w Wielkiej Brytanii replikacja wykazała podobną lukę: lekarze poprawili wyniki przy wsparciu AI, ale wciąż byli ponad 21 punktów procentowych niżej niż model językowy działający samodzielnie.

Musimy głośno powiedzieć niekomfortową część: w niektórych zadaniach poznawczych AI jest już lepsza od pojedynczego lekarza.

Żaden lekarz nie przeczytał każdego artykułu medycznego ani nie może natychmiast przypomnieć sobie każdej nieznanej choroby, interakcji czy przeciwwskazania, gdy stają się istotne. AI może przetwarzać ogromne ilości informacji bez zmęczenia i bez ograniczeń czasowych.

Błędem jest zakładanie, że możemy postawić chatbota przed klinicystą i uznać problem za rozwiązany.

Puste pole promptu jest problemem.

Wyobraź sobie, że lekarz wgrywa raport laboratoryjny zawierający 150 markerów i prosi LLM o jego analizę.

Odpowiedź wraca pięknie zorganizowana. Jest tylko jeden problem: system nie wyodrębnił wiarygodnie wszystkich 150 markerów.

Uniwersalne LLM nie są deterministycznymi parserami dokumentów klinicznych. Tabele i gęste raporty medyczne pozostają szczególnie trudne. Przerażające jest to, że końcowa odpowiedź może nie ogłosić: „Pominąłem 50 wartości.”

Może po prostu odpowiedzieć.

Teraz wyobraź sobie, że jedna z brakujących wartości wymaga pilnej oceny medycznej.

To nie była ograniczenie, które bym chciał obejść. Musieliśmy stworzyć inną technologię ekstrakcji, aby dokładnie i powtarzalnie obsługiwać raporty laboratoryjne, zanim część systemu odpowiedzialna za rozumowanie kliniczne mogła się rozpocząć.

To doświadczenie zmieniło mój sposób myślenia o bezpieczeństwie AI.

System AI, który informuje cię, że czegoś nie wie, jest niewygodny.

System AI, który nie wie, co przeoczył, jest niebezpieczny.

Dlaczego musieliśmy budować poza AI

Praca kliniczna wymaga czegoś, czego ogólnego przeznaczenia generatywna AI nie zapewnia naturalnie: powtarzalności.

Potrzebowaliśmy kontroli nad tym, co wprowadzamy i co wychodzi: niezawodnego wydobywania danych, ustrukturyzowanej wiedzy, deterministycznej logiki, zabezpieczeń oraz systemów zdolnych ocenić zależności w historii pacjenta.

Rozumowanie kliniczne to nie tylko zbiór instrukcji typu jeśli-to. Czasami sygnał stanowi zależność między kilkoma markerami. Czasami pięć pozornie nieistotnych wyników staje się ważnych, gdy patrzy się na nie razem.

Inżynierowie potrzebują reguł wystarczająco wyraźnych, aby oprogramowanie mogło je wykonać. Klinicyści spędzają życie, mówiąc: „Tak, ale…”.

Biologia ludzka jest pełna wyjątków, modyfikatorów, kontekstu i konkurujących wyjaśnień. Czasami budowanie systemu przypominało sytuację, w której jedna grupa porozumiewa się językiem migowym, a druga mówi po klingońsku.

Odpowiedź nigdy nie brzmiała „AI” lub „nie AI”. Chodziło o dokładne określenie, gdzie każde z nich powinno się znaleźć.

AI potrafi czytać wykresy. Ludzie potrafią czytać atmosferę.

Przy właściwym użyciu AI może rozszerzyć pamięć klinicysty, przyspieszyć badania, ujawnić rzadkie możliwości i rozpoznawać wzorce w ogromnych ilościach informacji.

To wygląda mniej jak zastąpienie praktyka, a bardziej jak stworzenie bionicznego.

Jednak pacjent nie jest jedynie kliniczną anegdotą.

Praktyk słyszy wahanie przed odpowiedzią. Zauważa, kiedy historia się zmienia. Dowiaduje się, że jeden pacjent systematycznie pomniejsza objawy, podczas gdy inny zgłasza każdą doznaną wrażliwość z maksymalną intensywnością. Wie, kiedy „Czuję się dobrze” wyraźnie nie oznacza, że jest dobrze.

Ta informacja może nigdy nie pojawić się w dokumentacji.

Interakcja ludzka w medycynie nie jest jedynie przyjemną warstwą, którą dodajemy po tym, jak maszyna wykonała pracę intelektualną. To kolejny źródło danych klinicznych.

AI może czytać wykres. Ludzie potrafią odczytać atmosferę.

Najlepsze systemy kliniczne będą potrzebować obu.

Przestań pytać, czy AI zastąpi lekarza

Zadajemy niewłaściwe pytanie.

Przyszłość niekoniecznie będzie należeć do firmy posiadającej najinteligentniejszego chatbota lub najmądrzejszy model bazowy. Ważna innowacja coraz częściej zachodzi wokół modelu: jak informacje są gromadzone i weryfikowane, jaka wiedza jest dostarczana, co system może wnioskować, gdzie przejmują kontrolę mechanizmy deterministyczne, a gdzie człowiek musi pozostać w pętli.

Surowa inteligencja staje się obfita.

Niezawodne systemy wykorzystujące tę inteligencję są znacznie trudniejsze do zbudowania.

Nie powinniśmy rozwiązywać tego problemu, wymagając, aby każdy klinicysta stał się amatorskim deweloperem AI. Złożoność powinna tkwić w technologii, a nie w poleceniu lekarza.

Lekarz przyszłości nie pokona AI pod względem pamięci. Ten konkurs już staje się bezcelowy.

Zamiast tego powinniśmy budować systemy, które zapewnią klinicystom pamięć, moc obliczeniową i rozpoznawanie wzorców maszyny, jednocześnie zachowując kontekst, osąd, sceptycyzm i ludzkie połączenie praktyka.

Nazywamy to bioniczny praktyk.

Podejrzewam, że pacjenci w końcu nazwą to czymś znacznie prostszym.

Ich lekarz.