L’Unione europea ha pubblicato in Gazzetta Ufficiale il 5 marzo 2025 il Regolamento UE 2025/327, che istituisce lo Spazio europeo dei dati sanitari, l’EHDS. La Commissione lo accompagna con una stima precisa: la piena adozione dell’intelligenza artificiale nella sanita europea potrebbe generare risparmi fino a 200 miliardi di euro entro il 2030, circa l’1,3 per cento del PIL dell’Unione. Quel numero e il punto da cui conviene partire per capire dove l’AI sta gia incidendo sulla cura, e a quali condizioni il guadagno si materializza.
Non si parte da zero. Si parte da un settore che ha gia adottato l’AI piu velocemente di quanto i titoli lascino intendere.
Dove l’intelligenza artificiale tocca gia il paziente
Il dato di adozione e sorprendente per chi immagina la sanita come comparto lento. Nel 2025, secondo le rilevazioni sullo stato dell’AI in sanita, l’AI agentica risulta la terza applicazione piu diffusa fra le organizzazioni del settore, al 68 per cento, dietro l’AI generativa (71 per cento) e il riconoscimento vocale (70 per cento). Significa che quasi sette strutture su dieci hanno gia messo in produzione, o stanno sperimentando, sistemi che non si limitano a rispondere ma agiscono: prenotano, smistano, compilano, segnalano.
Gli agenti AI in sanita non assomigliano ai chatbot del 2023. Sono software che incatenano piu passaggi: leggono una cartella, interrogano un protocollo, propongono un’azione, attendono la validazione del clinico. Il caso d’uso che cresce piu in fretta non e la diagnosi spettacolare, ma la trincea amministrativa. La compilazione automatica della documentazione clinica assorbe oggi una quota enorme del tempo medico, e qui il 68 per cento dei medici dichiara un aumento d’uso dell’AI proprio per la registrazione e la gestione delle informazioni sul paziente.
C’e una logica economica dietro questa preferenza.
Il lavoro amministrativo non rischia vite e rende subito in ore liberate. Per questo i primi dispiegamenti reali si concentrano sul retro dell’ospedale, non sulla corsia. La diagnostica avanzata arriva, ma arriva dopo, perche la posta in gioco clinica impone validazioni piu lunghe. Un assistente che redige una bozza di referto sbagliata costa una correzione; un sistema che propone una terapia sbagliata costa molto di piu, e la prudenza con cui viene introdotto e proporzionale al danno potenziale.
Il triage e l’altro fronte caldo. Negli accessi al pronto soccorso e nei servizi di teleassistenza, gli agenti instradano le richieste in base ai sintomi descritti, segnalano i casi che richiedono attenzione immediata e alleggeriscono il primo filtro umano. Non decidono la gravita, la stimano e la passano a chi decide. È in questi flussi ripetitivi e ad alto volume che il ritorno dell’investimento si misura in settimane, non in anni.
I 150 miliardi di Accenture e cosa significano davvero
La cifra piu citata sul risparmio non e europea ma americana. Accenture ha stimato che le applicazioni di AI in sanita possano produrre fino a 150 miliardi di dollari di risparmi annui per il solo sistema sanitario statunitense, circa 129 miliardi di euro al cambio di maggio 2026 (un dollaro vale all’incirca 0,86 euro). Un numero che da solo dice poco. Conta la scomposizione.
Tre voci pesano piu delle altre. La chirurgia assistita da robot vale, nella stima, circa 40 miliardi di dollari di valore potenziale. Gli assistenti infermieristici virtuali, che gestiscono triage e monitoraggio a distanza, valgono circa 20 miliardi. L’automazione dei flussi amministrativi vale circa 18 miliardi. Sommando solo questi tre filoni si copre quasi meta del totale.
Il punto e che il risparmio non nasce da una tecnologia, ma da un riallineamento del tempo umano. Ogni ora che un infermiere non spende a trascrivere, ogni esame che non viene ripetuto perche il primo era leggibile, ogni posto letto liberato un giorno prima: il modello economico dell’AI sanitaria e fatto di questi margini sottili moltiplicati per volumi enormi. Nessuna singola applicazione produce il miracolo. È la somma di migliaia di microefficienze a comporre la cifra.
Va letta anche la natura della stima. Quei 150 miliardi sono un risparmio annuo a regime, calcolato sul sistema sanitario piu costoso del mondo, dove la spesa pro capite e doppia rispetto alla media europea. Trasporre la percentuale di risparmio sul Servizio sanitario nazionale italiano da numeri assoluti molto piu piccoli, ma proporzioni simili: la quota di spesa amministrativa comprimibile e la stessa, cambia solo la base di partenza.
Resta il fatto che 150 miliardi e un tetto potenziale, non una promessa contabile. La differenza tra il potenziale e l’incassato dipende quasi interamente da integrazione, dati e fiducia degli operatori. Tre variabili che la tecnologia da sola non risolve.
L’imaging diagnostico e la questione degli errori evitabili
La diagnostica per immagini e il terreno dove l’AI mostra i risultati clinici piu solidi. Frost & Sullivan descrive un comparto sotto pressione strutturale: radiologi che fronteggiano volumi crescenti, complessita diagnostica in aumento e una carenza globale di professionisti formati. In questo contesto i sistemi di lettura assistita riducono i tempi di refertazione e aiutano a stabilire le priorita sui casi urgenti.
Il margine di miglioramento e quantificabile. Il tasso di errore o di mancata rilevazione dei radiologi e stimato fra il 3 e il 5 per cento, una percentuale che applicata a circa 800 milioni di esami radiologici annui nel mondo si traduce in milioni di letture potenzialmente fallibili. È su questo bacino che agiscono gli strumenti di imaging AI, attesi prevenire fino a 2,5 milioni di errori diagnostici l’anno: non sostituendo il radiologo, ma offrendo una seconda lettura che intercetta cio che l’occhio umano, stanco o sovraccarico, lascia passare.
Un esempio concreto rende l’idea.
Un nodulo polmonare di pochi millimetri in una TC del torace puo sfuggire a una lettura rapida fra centinaia di immagini. L’algoritmo lo segnala, il medico decide. Il valore non sta nell’automazione della diagnosi, che resta vietata, ma nella riduzione del falso negativo, l’errore clinicamente piu costoso perche ritarda una terapia. Lo stesso vale per la screening mammografico, dove la doppia lettura assistita riduce i casi sfuggiti senza moltiplicare i falsi allarmi che generano biopsie inutili.
C’e pero un rovescio della medaglia. Un sistema che segnala troppo, tarato per non perdere nulla, sommerge il radiologo di alert e finisce per essere disattivato. La qualita di uno strumento di imaging non si misura solo sulla sensibilita, ma sull’equilibrio fra cio che intercetta e cio che disturba. È una taratura clinica, non solo statistica.
Qui si vede il modello che funziona: l’AI come rete di sicurezza, mai come decisore. È esattamente l’architettura che il legislatore italiano ed europeo hanno scelto di imporre.
La cornice normativa: AI Act, EHDS e la legge italiana
I sistemi di AI usati per la diagnosi e l’interpretazione di esami rientrano fra i sistemi ad alto rischio del Regolamento UE 2024/1689 (AI Act). Significa obblighi stringenti: gestione del rischio, qualita dei dati di addestramento, documentazione tecnica, sorveglianza umana, tracciabilita. Un sistema di imaging non e un’app qualsiasi, e il regolatore europeo lo tratta di conseguenza. AIPIA dedica al tema una guida operativa all’AI Act aggiornata trimestralmente, utile a chi deve collocare un fornitore o un processo clinico nella corretta classe di rischio.
L’EHDS aggiunge il pezzo mancante: i dati. Senza accesso strutturato e sicuro alle informazioni cliniche, nessun modello diagnostico si addestra ne si valida. Il Regolamento UE 2025/327 prevede un uso secondario regolato dei dati sanitari elettronici per ricerca e innovazione, con un calendario lungo. Lo scambio transfrontaliero dei dati prioritari diventa cogente a marzo 2029, esteso a immagini diagnostiche, referti di laboratorio e dati genomici a marzo 2031.
L’Italia ha scritto la sua regola prima ancora che l’infrastruttura europea sia operativa.
La Legge 23 settembre 2025, n. 132, in vigore dal 10 ottobre 2025, dedica alla sanita disposizioni nette. I sistemi di AI costituiscono esclusivamente un supporto nei processi di prevenzione, diagnosi, cura e scelta terapeutica: la decisione finale resta responsabilita esclusiva del medico. Il professionista deve validare ogni proposta algoritmica, e l’errore della macchina non e mai una scriminante. Se il medico adotta un sistema non validato o non conforme, risponde per colpa a monte. Ogni uso di algoritmi da parte di strutture pubbliche o private deve essere accompagnato da informazione chiara e verificabile al paziente, che ha diritto di sapere come funziona il sistema, quali dati usa e con quale supervisione umana.
La legge italiana, in sostanza, codifica quello che la pratica clinica gia suggerisce: l’AI propone, il medico dispone, e la firma resta umana.
Perche in Italia il risparmio non e ancora arrivato
Tra il potenziale stimato e il bilancio reale di un’azienda sanitaria locale c’e una distanza che i numeri di Accenture non misurano. La prima frizione e l’eterogeneita dei sistemi informativi. Cartelle cliniche elettroniche non interoperabili, formati diversi tra regioni, dati frammentati: un algoritmo non si addestra su un patrimonio informativo che non parla una lingua comune. È per questo che l’EHDS, prima ancora dell’AI, e la condizione abilitante del risparmio.
La seconda frizione e la fiducia.
Un radiologo che riceve un alert da un sistema che non capisce, o che sbaglia troppo spesso, smette di guardarlo. L’AI ignorata non produce alcun risparmio, produce solo costo di licenza. L’adozione clinica reale passa dalla spiegabilita del sistema e dalla formazione di chi lo usa, non dalla potenza del modello. Un ospedale puo comprare la tecnologia migliore sul mercato e vederla rifiutata dal reparto perche nessuno ha spiegato a chi referta come e quando fidarsi.
La terza frizione e la responsabilita professionale. Con la Legge 132/2025 il medico che usa AI assume un onere di validazione esplicito, e questo ridisegna anche il perimetro assicurativo della professione sanitaria. Un sistema introdotto senza una chiara catena di responsabilita e una polizza adeguata diventa un rischio legale prima che un’opportunita clinica. AIPIA affronta il nodo nella sezione dedicata alla responsabilita professionale nell’uso dell’AI, dove la tracciabilita decisionale diventa il presupposto della copertura.
C’e poi un fattore demografico che gioca a favore. La carenza di personale sanitario, acuta in molte regioni italiane, rende l’automazione del lavoro amministrativo non un lusso ma una necessita organizzativa. Dove mancano le persone, l’AI che libera ore di lavoro qualificato trova l’adozione piu rapida e meno contestata.
Il vincolo non e tecnologico. Gli strumenti esistono, sono validati, in alcuni casi rimborsati. Il vincolo e di sistema: dati interoperabili, regole di responsabilita chiare, competenze diffuse fra chi prescrive e chi referta.
Cosa serve davvero perche i numeri si avverino
I 200 miliardi di euro europei e i 150 miliardi di dollari americani descrivono lo stesso fenomeno da due lati: un potenziale enorme condizionato a una infrastruttura che ancora manca. L’AI in sanita non e una scommessa sul futuro, e una pratica gia diffusa al 68 per cento per gli agenti e in crescita verticale nell’imaging. Quello che manca non e la prova che funzioni, ma il tessuto connettivo che la fa funzionare su scala nazionale.
L’EHDS fornira i dati, ma non prima del 2029. L’AI Act fornisce le regole, ma impone tempi di conformita. La Legge 132/2025 fornisce la cornice di responsabilita, e lo fa spostando il baricentro sul medico. Le tre norme convergono su un’idea semplice: l’AI sanitaria rende quando e governata, non quando e lasciata correre.
Il risparmio non e un dividendo automatico della tecnologia. È il premio di un’organizzazione che ha messo in ordine i propri dati, formato i propri professionisti e definito chi firma quando l’algoritmo sbaglia. In Italia quel lavoro e appena iniziato, e nessun modello, per quanto accurato, puo svolgerlo al posto di chi gestisce un ospedale.
