Dlaczego większość projektów AI w medycynie się nie udaje

Według raportu MIT, ponad 95% przedsiębiorstw inwestujących w generatywną AI nie widzi żadnego zwrotu z inwestycji. W służbie zdrowia ta statystyka boli szczególnie mocno, bo za każdym nieudanym projektem stoją realne szanse na lepszą opiekę nad pacjentami.

Problem, który zna każdy dyrektor szpitala

„Błędne koło pilotaży" – tak eksperci nazywają sytuację, w której polskie szpitale utknęły. Projekty AI powstają, działają w kontrolowanych warunkach, a potem… znikają. Nie dlatego, że technologia nie działa. Problem leży gdzie indziej.

W Polsce zaledwie 13,2% szpitali korzysta z narzędzi opartych na sztucznej inteligencji. To dwukrotnie więcej niż rok wcześniej, co brzmi optymistycznie. Ale wciąż oznacza, że prawie 9 na 10 placówek nie wykorzystuje potencjału AI. Według badań Centrum e-Zdrowia, nawet te szpitale, które deklarują korzystanie z AI, często robią to tylko w ramach projektów pilotażowych.

Tymczasem na świecie 80% projektów AI w służbie zdrowia nie wychodzi poza fazę pilotażową. Gartner szacuje, że 85% modeli AI zawodzi z powodu niskiej jakości danych. Wioletta Śląska-Zyśk, dyrektorka Warmińsko-Mazurskiego Centrum Chorób Płuc, mówi wprost: 70% wdrożeń technologicznych w szpitalach nie kończy się sukcesem.

Co więc idzie nie tak?

Pięć głównych przyczyn niepowodzeń

1. Dane – fundament, którego brakuje

"Sztuczna inteligencja bez danych nie istnieje"- to zdanie Karoliny Tądel, kierowniczki Działu Zarządzania Danymi w Instytucie Matki i Dziecka, trafia w sedno problemu. W polskich szpitalach dane medyczne są rozproszone między wieloma systemami, mają różne formaty i nierzadko zawierają błędy lub luki.

Wyobraźmy sobie algorytm, który ma przewidywać ryzyko sepsy. Potrzebuje dostępu do wyników badań laboratoryjnych, notatek lekarskich, historii chorób, parametrów życiowych monitorowanych w czasie rzeczywistym. W typowym szpitalu te informacje znajdują się w kilku różnych systemach, które ze sobą nie rozmawiają. Efekt? Model trenowany na niekompletnych danych podejmuje błędne decyzje.

Analitycy danych w służbie zdrowia spędzają nawet 80% swojego czasu na czyszczeniu i przygotowywaniu danych, zamiast na właściwej analizie. To jak budowanie domu na podmokłym gruncie – można postawić piękne ściany, ale fundamenty i tak się osuwają.

2. Brak integracji z codzienną pracą

Nawet najlepsze narzędzie AI staje się bezużyteczne, jeśli wymaga od lekarza dodatkowych kroków. Personel medyczny już teraz żongluje wieloma aplikacjami i systemami. Według raportu Google Cloud i The Harris Poll, lekarze spędzają 28 godzin tygodniowo na papierkowej robocie, a 82% zgłasza wypalenie zawodowe.

Kolejny system z osobnym loginem i interfejsem? To przepis na porażkę. AI musi być zintegrowane z istniejącymi narzędziami – systemem HIS, dokumentacją medyczną, workflow klinicznym. Jeśli lekarz musi przełączać się między aplikacjami, żeby zobaczyć wynik analizy AI, to po prostu tego nie zrobi.

Karolina Tądel podkreśla: „Brak integracji z codziennym workflow sprawia, że nawet dobre narzędzia AI nie są w pełni wykorzystywane przez personel."

3. Wybór niewłaściwych problemów do rozwiązania

Wiele projektów AI powstaje dlatego, że technologia wydaje się ciekawa, a nie dlatego, że rozwiązuje realny problem. Organizacje wybierają zadania, które łatwo zautomatyzować, ale które nie mają dużego wpływu na pracę personelu ani na wyniki leczenia.

Eksperci z NextGen Healthcare nazywają to „workflow selection trap" – pułapką wyboru przepływu pracy. Jeśli zautomatyzujesz proces, który nikogo nie boli, nikt nie zauważy poprawy. A bez widocznych rezultatów trudno uzasadnić dalsze inwestycje.

Dobrym testem jest pytanie: czy rozwiązanie tego problemu za pomocą AI realnie zmieni coś w codziennej pracy lekarza lub pielęgniarki? Jeśli odpowiedź brzmi „może trochę" – lepiej szukać innego przypadku użycia.

4. Bariery finansowe i kompetencyjne

Według badań Centrum e-Zdrowia, 82,1% polskich placówek medycznych wskazuje brak pieniędzy jako główną barierę cyfryzacji. Prawie połowa szpitali (47,4%) mówi o niewystarczających kompetencjach cyfrowych pracowników, a 46,8% deklaruje potrzebę dodatkowych szkoleń.

Choć Krajowy Plan Odbudowy przeznaczył na cyfrową transformację szpitali ponad 3 miliardy złotych, to jednorazowy zastrzyk. Tylko 34% podmiotów ma wyodrębniony budżet na utrzymanie i rozwój systemu. Co to oznacza w praktyce? Nawet dobrze wdrożony projekt może zestarzeć się, zanim przyniesie oczekiwane efekty.

Rafał Dunal z Grupy Synektik zauważa interesującą dynamikę: „Wszyscy chcą testować, ale nikt nie chce za to płacić." Jednocześnie dodaje, że darmowe narzędzia są przeważnie niedoceniane – dopiero gdy placówki zaczną płacić za konkretne rozwiązania, zaczną też bardziej świadomie z nich korzystać.

5. Opór i brak zaufania

Technologia to tylko narzędzie. Decyzję zawsze podejmuje człowiek. Jeśli lekarze nie ufają algorytmowi, nie będą z niego korzystać.

Oleh Petrivskyy, CEO firmy Binariks, mówi wprost: „Najdoskonalszy technicznie system AI zawiedzie, jeśli pielęgniarki go nienawidzą albo lekarze mu nie ufają." Badania pokazują, że 42% profesjonalistów medycznych w USA pozostaje sceptycznych wobec AI, wskazując na obawy związane z brakiem ludzkiej interakcji i prywatnością danych.

W Polsce około 31% placówek wskazuje opór ze strony personelu jako barierę cyfryzacji. To nie jest kwestia złej woli – to naturalna reakcja na narzędzie, którego działania nie rozumiem i które może wpłynąć na moją pracę z pacjentami.

Co robią szpitale, którym się udaje?

Istnieją placówki, które skutecznie wdrożyły AI. Co je łączy?

Zaczynają od danych, nie od algorytmów

Instytut Matki i Dziecka powołał pierwszy w polskim szpitalu publicznym dział zarządzania danymi dla AI. Zanim wdrożyli jakiekolwiek narzędzie, uporządkowali dane. Standaryzacja, czyszczenie, integracja – to fundamenty, bez których nawet najlepszy algorytm nie zadziała.

Integrują AI z istniejącymi systemami

Szpitale, które odnoszą sukcesy, nie tworzą kolejnych „wyspowych" systemów. Zamiast tego wbudowują AI w narzędzia, których personel już używa. Analiza obrazu radiologicznego pojawia się tam, gdzie radiolog i tak pracuje. Podpowiedzi kliniczne wyświetlają się w systemie HIS, nie w osobnej aplikacji.

Wybierają problemy o realnym wpływie

Teleradiologia24 wdraża AI w czterech konkretnych kategoriach: wspomaganie raportowania radiologicznego, triażowanie pacjentów, segmentacja badań i detekcja patologii. Każdy z tych przypadków ma jasny, mierzalny wpływ na pracę lekarzy i czas diagnostyki.

Angażują personel od samego początku

Projekty, które działają, to te, w których lekarze i pielęgniarki uczestniczą w definiowaniu wymagań, testowaniu rozwiązań i dopracowywaniu workflow. Jeśli personel czuje się współtwórcą systemu, znacznie chętniej go zaakceptuje.

Planują na lata, nie na miesiące

Wdrożenie AI to nie jednorazowy projekt – to zmiana sposobu pracy. Wymaga budżetu nie tylko na zakup czy wdrożenie, ale też na szkolenia, utrzymanie, rozwój i dostosowywanie do zmieniających się potrzeb.

Praktyczne kroki: od czego zacząć?

Jeśli rozważasz wdrożenie AI w swojej placówce, rozważ następującą ścieżkę.

Krok 1: Audyt danych i systemów

Zanim zaczniesz myśleć o algorytmach, odpowiedz na pytania: jakie dane mamy? Gdzie są przechowywane? W jakich formatach? Jak ze sobą współpracują nasze systemy? Gdzie są największe luki i niespójności?

Ten etap często ujawnia problemy, o których nikt nie mówił głośno. Lepiej je odkryć teraz niż w trakcie wdrożenia.

Krok 2: Identyfikacja przypadków użycia

Szukaj problemów, które spełniają trzy kryteria: są bolesne dla personelu, mają mierzalny wpływ na wyniki (kliniczne lub operacyjne) i są możliwe do rozwiązania przy pomocy dostępnych danych.

Nie zaczynaj od najambitniejszych pomysłów. Lepiej odnieść sukces w prostszym projekcie i zbudować zaufanie, niż porwać się na rewolucję i ponieść porażkę.

Krok 3: Pilot z jasnym celem

Każdy pilotaż powinien mieć zdefiniowane: co mierzymy, jak długo testujemy, jakie wyniki uznamy za sukces, kto podejmuje decyzję o kontynuacji.

Bez tych elementów pilotaż zamieni się w niekończący się eksperyment bez jasnego punktu docelowego.

Krok 4: Integracja, nie izolacja

Jeśli pilotaż się powiedzie, kolejnym krokiem jest pełna integracja z istniejącymi systemami. To często najtrudniejsza część – wymaga współpracy z dostawcami HIS, dostosowania workflow, przeszkolenia personelu.

Krok 5: Ciągłe doskonalenie

Modele AI wymagają aktualizacji. Dane się zmieniają, populacja pacjentów ewoluuje, pojawiają się nowe wzorce. Zaplanuj od początku, jak będziesz monitorować działanie systemu i kiedy go aktualizować.

Na co uważać przy wyborze rozwiązania?

Podsumowanie

Projekty AI w medycynie nie udają się nie dlatego, że technologia nie działa. Główne przyczyny niepowodzeń to:

• Niska jakość i rozproszenie danych medycznych – bez uporządkowanych danych nawet najlepszy algorytm jest bezużyteczny
• Brak integracji z codzienną pracą personelu – kolejny system z osobnym loginem oznacza, że nikt go nie będzie używał
• Wybór niewłaściwych problemów do rozwiązania – automatyzacja procesów, które nikogo nie bolą, nie przyniesie widocznych rezultatów
• Niedoszacowanie potrzeb finansowych i kompetencyjnych – AI wymaga budżetu nie tylko na wdrożenie, ale też na utrzymanie i rozwój
• Brak zaangażowania personelu medycznego – jeśli lekarze nie ufają narzędziu i nie rozumieją jego działania, nie będą z niego korzystać

Szpitale, które odnoszą sukcesy, zaczynają od fundamentów: porządkują dane, integrują AI z istniejącymi systemami, wybierają problemy o realnym wpływie i angażują personel od samego początku.

---

Chcesz dowiedzieć się więcej? Skontaktuj się z nami

---

Źródła

1. MIT Report – Generative AI ROI analysis (2024/2025)
2. Fierce Healthcare – „Why 95% of AI projects fail – and how to be in the 5% that succeed" (2025)
3. Orion Health – „Why AI Projects Fail in Healthcare — And How to Fix It" (2025)
4. Digital Health Technology News – „The AI Implementation Gap: Why 80% of Healthcare AI Projects Fail to Scale Beyond Pilot Phase" (2025)
5. Gartner – „Why 85% of Your AI Models May Fail" (Forbes, 2024)
6. Centrum e-Zdrowia – VIII edycja „Badania stopnia informatyzacji podmiotów wykonujących działalność leczniczą" (2024)
7. Puls Medycyny – „Czy polskie szpitale są gotowe na pełną cyfryzację?" (2025)
8. Menadżer Zdrowia – „Sztuczna inteligencja w medycynie – zastosowania i bariery" (2025)
9. Blog OSOZ – „AI w medycynie. Jesteśmy w błędnym kole pilotaży" (2025)
10. Rynek Zdrowia – „Szpitale a cyfryzacja? 70 proc. wdrożeń technologicznych nie kończy się sukcesem" (2025)
11. Google Cloud & The Harris Poll – Healthcare Clinician Burnout Report (2024)
12. PMC – „A Systematic Review of the Barriers to the Implementation of Artificial Intelligence in Healthcare" (2023)
13. PLOS One – „A comprehensive overview of barriers and strategies for AI implementation in healthcare" (2024)

---