ИИ уже умнее вашего врача. Это не пугающая часть.

Я хотел, чтобы ИИ решил эту проблему.

На протяжении многих лет я собирал сложные истории болезней пациентов, лабораторные данные, симптомы, лекарства, добавки и годы предыдущего лечения, пытаясь превратить всё это в согласованный клинический план. Сложный случай мог требовать три часа исследований, прежде чем я чувствовал себя уверенно в том, что имеет значение и что должно произойти дальше.

Затем появился генеративный ИИ.

Моя первая мысль была очевидной: наконец.

Это была технология, способная поглощать огромные объёмы информации, вспоминать медицинские знания быстрее, чем я когда-либо мог, и находить взаимосвязи в случае за секунды. Я предположил, что смогу обернуть большую языковую модель интерфейсом, построить несколько мер предосторожности и закончить.

Это было бы великолепно.

Вместо этого, примерно через год и после вложения $1 million, при участии инженеров‑программистов, работающих рядом с 10‑членной клинической командой, мы всё ещё находились в процессе разработки.

Причина заключалась не в том, что ИИ недостаточно умен.

Дело было в том, что интеллект — это простая часть.

Я получал иной ИИ, чем все остальные.

Моя первая подсказка появилась до того, как мы попытались создать клиническое программное обеспечение. Я постоянно замечал, что могу использовать тот же ИИ‑инструмент, что и человек рядом со мной, и получать существенно лучшие результаты.

Почему? Потому что я просто не задавал вопрос и не принимал ответ. Я спорил с ним. Оспаривал предположения. Предоставлял контекст, который он упустил. Исправлял ошибки. Менял рамки. Снова подталкивал.

Технически мы использовали один и тот же инструмент. Функционально — нет.

Это интересная проблема продуктивности, когда вы пишете рекламу. Когда же субъект — пациент, проблема становится совсем иной.

Я работал более чем с 70 000 практикующими врачами. Кто‑то может быть клинически гениальным, но при этом ужасно справляться с получением полезной информации из ИИ‑системы.

Это разные навыки.

Тем не менее, многие решения в здравоохранении, кажется, сводятся к тому, что клиницистам просто нужно изучить «инженерию запросов».

Я не считаю это серьёзным решением.

Если клинической ИИ‑системе требуется, чтобы врач стал продвинутым инженером запросов, прежде чем система станет надёжной, то мы ещё не закончили создавать клинический ИИ.

Исследования уже говорят нам о чём‑то неприятном.

В 2024‑м году рандомизированное клиническое испытание предоставило 50 врачам сложные диагностические случаи. Врачи, использующие GPT‑4, набрали 76 процентов; те, кто использовал обычные ресурсы, — 74 процента, разница не была статистически значимой.

Затем исследователи протестировали GPT‑4 в одиночку. Он превзошёл врачей, использующих обычные ресурсы, на 16 процентных пунктов.

В 2026‑м году исследование в Пакистане показало, что после обучения AI‑грамотности врачи с доступом к GPT‑4o набрали 71,4 процента в диагностическом рассуждении против 42,6 процента у тех, кто использовал обычные ресурсы. Но GPT‑4o в одиночку набрал 82,9 процента.

В 2026‑м году в Великобритании репликация выявила аналогичный разрыв: врачи улучшили результаты с помощью ИИ, но всё равно отставали более чем на 21 процентный пункт от работы крупной языковой модели в одиночку.

Нам нужно вслух назвать неприятную часть: в некоторых когнитивных задачах ИИ уже превосходит отдельного врача.

Ни один врач не прочитал каждую медицинскую статью и не может мгновенно вспомнить каждое редкое заболевание, взаимодействие или противопоказание, когда оно становится актуальным. ИИ может обрабатывать огромные объёмы информации без усталости и без ограничения по времени.

Ошибка заключается в предположении, что мы можем поставить чат‑бота перед клиницистом и считать проблему решённой.

Проблема в пустом поле ввода.

Представьте, что врач загружает лабораторный отчёт, содержащий 150 маркеров, и просит LLM проанализировать его.

Ответ возвращается красиво организованным. Есть лишь одна проблема: система надёжно не извлекла все 150 маркеров.

Общие LLM не являются детерминированными парсерами клинических документов. Таблицы и плотные медицинские отчёты остаются особенно сложными. Пугающая часть в том, что окончательный ответ может не объявлять: “I missed 50 values.”

Он может просто ответить.

Теперь представьте, что одно из пропущенных значений требует срочной медицинской оценки.

Это не была ограничение, с которым я был готов мириться. Нам пришлось создать другую технологию извлечения, чтобы точно и воспроизводимо обрабатывать лабораторные отчёты, прежде чем могла начаться часть системы, отвечающая за клиническое рассуждение.

Этот опыт изменил мой взгляд на безопасность ИИ.

Система ИИ, которая сообщает, что она чего‑то не знает, неудобна.

Система ИИ, которая не знает, чего ей не хватает, опасна.

Почему нам пришлось выйти за рамки ИИ

Клиническая работа требует того, чего генеративный ИИ по своей природе не предоставляет: воспроизводимости.

Нам нужен был контроль над тем, что вводится и что выводится: надёжное извлечение данных, структурированные знания, детерминированная логика, механизмы защиты и системы, способные оценивать взаимосвязи в истории пациента.

Клиническое рассуждение — это не просто набор условных операторов. Иногда сигналом является взаимосвязь между несколькими маркерами. Иногда пять, на первый взгляд незначительных находок становятся важными, когда их рассматривать вместе.

Инженерам нужны правила, достаточно явные для исполнения программой. Клиницисты проводят жизнь, говоря: «Да, но…»

Биология человека полна исключений, модификаторов, контекста и конкурирующих объяснений. Порой создание системы напоминало ситуацию, когда одна группа общается на языке жестов, а другая говорит на клингонском.

Ответом никогда не было «ИИ» или «не ИИ». Нужно было точно определить, где что должно находиться.

ИИ может читать карту. Человек может читать комнату.

При правильном использовании ИИ может расширять память клинициста, ускорять исследования, выявлять редкие возможности и распознавать закономерности в огромных объёмах информации.

Это уже выглядит не как замена практикующего врача, а как создание кибернетического.

Но пациент — это не клинический случай.

Практикующий слышит колебание перед ответом. Он замечает, когда меняется история. Он знает, что один пациент систематически умалчивает о симптомах, а другой сообщает каждое ощущение с максимальной интенсивностью. Он понимает, что «У меня всё в порядке» явно не означает, что всё в порядке.

Этой информации может и не быть в карте.

Взаимодействие человека в медицине — это не просто приятный слой, который мы добавляем после того, как машина выполнила интеллектуальную работу. Это ещё один источник клинических данных.

ИИ может читать карту. Человек может читать комнату.

Лучшие клинические системы потребуют и того, и другого.

Перестаньте задаваться вопросом, заменит ли ИИ врача

Мы задаём не тот вопрос.

Будущее не обязательно будет принадлежать компании с самым умным чат-ботом или самой продвинутой базовой моделью. Важные инновации всё больше происходят вокруг модели: как захватывается и проверяется информация, какие знания предоставляются, что системе разрешено выводить, где берут верх детерминированные контролы и где человек должен оставаться в цепочке.

Сырая интеллектуальная мощность становится изобилующей.

Надёжные системы для применения этой интеллектуальной мощности гораздо сложнее построить.

И мы не должны решать эту проблему, требуя, чтобы каждый клиницист стал любительским разработчиком ИИ. Сложность должна находиться внутри технологии, а не в подсказках врача.

Врач будущего не будет превосходить ИИ в памяти. Этот конкурс уже становится бессмысленным.

Вместо этого нам следует создавать системы, которые дают клиницистам память, вычислительные мощности и распознавание образов машины, сохраняя при этом контекст, суждение, скептицизм и человеческую связь практикующего.

Мы называем это кибернетическим практикующим.

Я подозреваю, что пациенты в конечном итоге назовут это гораздо проще.

Своим врачом.