A cena começa a se tornar mais comum no setor de saúde. Um fornecedor entra na sala com uma demonstração convincente. Em poucos minutos, a Inteligência Artificial resume prontuários, organiza fluxos, prioriza exames, promete eficiência. A apresentação termina com a sensação de que a tecnologia chegou pronta. É justamente aí que o problema começa.
O limite mais imediato da Inteligência Artificial na saúde não é o cenário crítico que domina parte do debate público, nem a fantasia de uma eficiência sem atrito. O risco real é mais trivial, e por isso mais perigoso. Ele aparece quando sistemas complexos são incorporados por organizações cujas lideranças ainda não desenvolveram repertório analítico para fazer as perguntas decisivas. De onde vêm os dados? Como o modelo foi treinado? O que ele mede, o que ele omite, quem responde quando erra?
No Brasil, o descompasso entre entusiasmo e adoção real ajuda a dimensionar esse desafio. De acordo com a pesquisa TIC Empresas 2024, do Cetic (Centro Regional de Estudos para o Desenvolvimento da Sociedade da Informação), apenas 13% das empresas brasileiras declararam usar aplicações de Inteligência Artificial. Entre as que não usam, 15% apontaram custos altos como barreira, 14% citaram falta de pessoal capacitado, 14% mencionaram incompatibilidade com sistemas existentes e outros 14% disseram não conhecer tecnologias adequadas para sua atividade.
Na saúde, esse quadro tende a ganhar outra escala. Não porque o setor esteja atrasado por definição, mas porque opera sobre uma infraestrutura já pressionada por sistemas legados, exigências regulatórias, múltiplos fornecedores e alta sensibilidade ao erro. Quando a adoção tecnológica ocorre sem coordenação estratégica, a promessa de inteligência rapidamente se converte em fragmentação. Cada área compra sua solução, cada interface cria sua lógica, cada base de dados passa a produzir uma versão parcial do problema.
Os dados da TIC ajudam a explicar o porquê. Entre as empresas que já utilizam Inteligência Artificial, 76% adquiriram software ou sistemas prontos, 56% contrataram fornecedores externos para desenvolver ou modificar soluções, e apenas 25% disseram ter desenvolvido internamente os sistemas em uso. Em outras palavras, a adoção ainda depende fortemente de tecnologia de prateleira e de competência terceirizada.
No ambiente hospitalar, essa dependência cobra um preço alto. Quando a instituição não domina minimamente a lógica da ferramenta que contratou, ela deixa de governar a tecnologia e passa a ser governada por ela. O problema já não é apenas técnico. É organizacional. O sistema pode até funcionar bem em uma etapa isolada, mas fracassa no ponto que realmente importa: a integração entre decisão clínica, fluxo operacional, responsabilidade institucional e confiança.
É por isso que a discussão madura sobre Inteligência Artificial em saúde precisa sair do campo da substituição para o da ampliação. A tecnologia não deveria ser tratada como um atalho para remover o humano do processo, mas como uma infraestrutura para qualificar a decisão humana. Inteligência aumentada, nesse contexto, não é slogan. É desenho institucional.
Desde 2021, a Organização Mundial da Saúde sustenta que o uso de Inteligência Artificial em saúde exige transparência, supervisão humana, responsabilização e governança robusta. Em sua orientação de 2024 sobre modelos multimodais de grande porte, a entidade atualizou esse debate ao alertar também para o risco do automation bias, quando profissionais ou pacientes deixam de perceber erros, ou passam a delegar escolhas difíceis ao sistema, apenas porque a resposta foi produzida por uma máquina.
Para o setor de saúde, isso significa trocar a lógica da adoção oportunista por uma arquitetura de implementação. Na prática, esse movimento passa por quatro frentes. A primeira é governança de dados e de Inteligência Artificial, com critérios claros para aquisição, integração e uso. A segunda é monitoramento contínuo, com rastreabilidade, auditoria e revisão de desempenho em ambiente real. A terceira é capacitação permanente, porque letramento analítico não se resolve em workshop e não pode ser terceirizado. A quarta é a criação de instâncias interdisciplinares, nas quais tecnologia, clínica, jurídico e ética consigam deliberar juntos.
Uma ponderação importante: essas capacidades não precisam surgir prontas, mas devem ser desenvolvidas de forma deliberada. O primeiro passo é diagnosticar quais decisões a organização pretende qualificar, quais dados sustentam essas decisões e quais responsabilidades não podem ser transferidas ao sistema. Em seguida, a instituição pode realizar experimentações delimitadas, com supervisão humana, critérios de desempenho e mecanismos explícitos de interrupção. Só depois os aprendizados devem ser incorporados aos processos de aquisição, às políticas internas, à formação das equipes e ao monitoramento permanente. A competência institucional para trabalhar com Inteligência Artificial não precede necessariamente toda implementação. Ela se forma quando a organização transforma cada implementação em um processo governado de aprendizagem.
A saúde não precisa de mais uma camada de automação descolada da realidade do cuidado. Precisa de liderança capaz de fazer mediação entre capacidade técnica e responsabilidade institucional. A Inteligência Artificial pode, sim, reduzir fricções, acelerar análises e abrir novas possibilidades diagnósticas e operacionais. Mas isso só acontece quando a organização sabe o que está contratando, por que está contratando e sob quais limites pretende operar.
No fim, o desafio não está no algoritmo. Está na ilusão de que basta implementá-lo.
Pedro Batista e Felipe Jordan