AI är redan smartare än din läkare. Det är inte den läskiga delen.

Jag ville att AI skulle lösa det här problemet.

I flera år hade jag samlat in komplicerade patienthistorier, laboratorieresultat, symtom, mediciner, kosttillskott och år av tidigare behandling och försökt omvandla allt till en sammanhängande klinisk plan. Ett komplext fall kunde ta upp tre timmar av forskning innan jag kände mig säker på vad som var viktigt och vad som skulle hända härnäst.

Sedan kom generativ AI.

Min första tanke var den uppenbara: äntligen.

Här var en teknik som kunde konsumera enorma mängder information, återkalla medicinsk kunskap snabbare än jag någonsin kunde och hitta samband i ett fall på sekunder. Jag antog att jag kunde sätta ett gränssnitt runt en stor språkmodell, bygga några skyddsmekanismer och vara klar.

Det hade varit fantastiskt.

Istället, ungefär ett år och 1 miljon dollar senare, med mjukvaruingenjörer som arbetade tillsammans med ett kliniskt team på 10 personer, byggde vi fortfarande.

Anledningen var inte att AI inte var tillräckligt intelligent.

Det var att intelligens var den enkla delen.

Jag fick en annan AI än alla andra.

Min första ledtråd kom innan vi någonsin försökte bygga klinisk mjukvara. Jag märkte att jag kunde använda samma AI-verktyg som någon som satt bredvid mig och få dramatiskt bättre resultat.

Varför? För jag ställde inte bara en fråga och tog emot svaret. Jag argumenterade med den. Jag utmanade antaganden. Jag försåg den med kontext den missat. Jag rättade fel. Jag ändrade ramen. Jag pressade igen.

Tekniskt sett använde vi samma verktyg. Funktionellt gjorde vi det inte.

Det är ett intressant produktivitetsproblem när du skriver en annons. Det blir ett helt annat problem när ämnet är en patient.

Jag har arbetat med mer än 70 000 praktiker. Någon kan vara kliniskt briljant och ändå vara dålig på att få användbar information ur ett AI‑system.

Det är olika färdigheter.

Ändå verkar mycket av sjukvårdens svar vara att kliniker bara behöver lära sig ”prompt‑engineering”.

Jag tror inte att det är en seriös lösning.

Om ett kliniskt AI‑system kräver att en läkare blir en sofistikerad prompt‑engineer innan systemet är pålitligt, har vi inte färdigställt det kliniska AI‑systemet.

Forskningen visar redan något obekvämt.

En randomiserad klinisk prövning från 2024 gav 50 läkare svåra diagnostiska fall. Läkare som använde GPT‑4 fick 76 procent; de som använde konventionella resurser fick 74 procent, en skillnad som inte var statistiskt signifikant.

Sedan testade forskarna GPT‑4 ensam. Det slog läkarna som använde konventionella resurser med 16 procentenheter.

En 2026 prövning i Pakistan fann att efter AI‑litteracitetsträning, läkare med tillgång till GPT‑4o fick 71,4 procent på diagnostiskt resonemang jämfört med 42,6 procent för de som använde konventionella resurser. Men GPT‑4o ensam fick 82,9 procent.

En replikation från 2026 i Storbritannien fann ett liknande gap: läkare förbättrades med AI‑assistans men låg fortfarande mer än 21 procentenheter under den LLM som arbetade på egen hand.

Vi måste säga den obekväma delen högt: på vissa kognitiva uppgifter är AI redan bättre än en enskild läkare.

Ingen läkare har läst varje medicinsk artikel eller kan komma ihåg varje obskyr sjukdom, interaktion eller kontraindikation så snart den blir relevant. AI kan bearbeta enorma mängder information utan att bli trött eller få slut på tid.

Felet är att anta att vi kan placera en chatbot framför en kliniker och kalla problemet löst.

Den tomma prompt‑rutan är problemet.

Föreställ dig att en läkare laddar upp en laboratorierapport som innehåller 150 markörer och ber en LLM att analysera den.

Svaret kommer tillbaka vackert organiserat. Det finns bara ett problem: systemet extraherade inte pålitligt alla 150 markörer.

Allmänna LLM:er är inte deterministiska kliniska dokumentparsers. Tabeller och täta medicinska rapporter är fortfarande särskilt svåra. Det skrämmande är att det slutgiltiga svaret kanske inte meddelar: ”Jag missade 50 värden.”

Det kan helt enkelt svara.

Föreställ dig nu att ett av de saknade värdena kräver en akut medicinsk utvärdering.

Det var inte en begränsning jag var villig att bygga runt. Vi var tvungna att skapa annan extraktionsteknik för att hantera laboratorierapporter exakt och reproducerbart innan den kliniska resonemangsdelen av vårt system kunde börja.

Den erfarenheten förändrade hur jag tänker på AI‑säkerhet.

Ett AI‑system som säger att det inte vet något är obekvämt.

Ett AI‑system som inte vet vad det missade är farligt.

Varför vi var tvungna att bygga bortom AI

Kliniskt arbete kräver något som generativ AI i allmänhet inte naturligt kan erbjuda: reproducerbarhet.

Vi behövde kontroll över vad som gick in och vad som kom ut: pålitlig dataextraktion, strukturerad kunskap, deterministisk logik, skyddsmekanismer och system som kan utvärdera relationer över en patients historik.

Kliniskt resonemang är inte bara en samling om‑så‑då‑satser. Ibland är signalen relationen mellan flera markörer. Ibland blir fem individuellt obetydliga fynd viktiga när de ses tillsammans.

Ingenjörer behöver regler som är tillräckligt explicita för att mjukvara ska kunna verkställa dem. Kliniker spenderar sina liv med att säga: ”Ja, förutom …”.

Mänsklig biologi är full av undantag, modifierare, kontext och konkurrerande förklaringar. Ibland kändes det som om den ena gruppen kommunicerade med teckenspråk medan den andra talade Klingon.

Svaret var aldrig ”AI” eller ”inte AI”. Det handlade om att exakt fastställa var varje del hörde hemma.

AI kan läsa journalen. Människor kan läsa rummet.

När AI används på rätt sätt kan den utöka en klinikers minne, påskynda forskning, lyfta fram ovanliga möjligheter och känna igen mönster i enorma mängder information.

Det börjar se mindre ut som att ersätta utövaren och mer som att bygga en bionisk sådan.

Men patienten är inte ett kliniskt vignett.

En utövare hör tvekan innan svaret. Hon märker när historien förändras. Hon lär sig att en patient habituerat minimerar symtom medan en annan rapporterar varje känsla med maximal intensitet. Hon vet när ”Jag mår bra” tydligt inte betyder bra.

Den informationen kanske aldrig finns i journalen.

Mänsklig interaktion inom medicin är inte bara ett trevligt lager vi lägger till efter att maskinen har gjort det intellektuella arbetet. Det är en annan källa till kliniska data.

AI kan läsa journalen. Människor kan läsa rummet.

De bästa kliniska systemen kommer att behöva båda.

Sluta fråga om AI kommer att ersätta läkaren

Vi ställer fel fråga.

Framtiden kommer inte nödvändigtvis att tillhöra företaget med den smartaste chatboten eller den mest avancerade grundmodellen. Den viktiga innovationen sker i allt större utsträckning runt modellen: hur information fångas och verifieras, vilken kunskap som tillhandahålls, vad systemet får dra slutsatser om, var deterministiska kontroller tar över och var en människa måste finnas kvar i loopen.

Rå intelligens blir alltmer riklig.

Pålitliga system för att tillämpa den intelligensen är mycket svårare att bygga.

Och vi bör inte lösa det problemet genom att kräva att varje kliniker blir en amatör‑AI‑utvecklare. Komplexiteten bör ligga i tekniken, inte i läkarens prompt.

Framtidens läkare kommer inte att slå AI på minnet. Den tävlingen blir redan meningslös.

Istället bör vi bygga system som ger kliniker minnet, beräkningskraften och mönsterigenkänningen hos maskinen samtidigt som de bevarar kontext, omdöme, skepsis och mänsklig kontakt hos utövaren.

Vi kallar det den bioniska utövaren.

Jag misstänker att patienter så småningom kommer att kalla det något mycket enklare.

Deras läkare.