Sjukvårdens AI-revolution accelererar – men hälften av alla satsningar havererar redan på startlinjen
AI revolutionerar sjukvården – men hälften av alla satsningar misslyckas redan från start.
En ny era tar form — och den rör sig snabbt
Låt oss börja med det uppenbara: vi befinner oss i ett genuint teknikskifte inom hälso- och sjukvården. Inte det slags skifte som konsultbolag deklarerar varje vårtermin, utan ett som syns i faktiska laboratorieresultat, faktiska finansieringsrundor och faktiska patientmöten.
Ta SandboxAQ, ett avknoppat bolag från Alphabet med Googles tidigare vd Eric Schmidt i styrelsen. Bolaget har hämtat in närmare en miljard dollar och byggt något som branschen länge pratat om men sällan levererat: kraftfulla vetenskapliga AI-modeller tillgängliga via ett enkelt samtalsgränssnitt. Enligt TechCrunch har SandboxAQ nu integrerat sina så kallade stora kvantitativa modeller direkt i Anthropics Claude — vilket innebär att en läkemedelsforskare kan ställa komplexa frågor om molekylär bindning eller kvantkemi utan att behöva hantera en enda rad infrastrukturkod.
Det är inte en liten sak. Flaskhalsen i läkemedelsutveckling har aldrig enbart handlat om beräkningskraft — den har handlat om tillgänglighet. Att demokratisera tillgången till fysikförankrade modeller, snarare än textmönsterbaserade sådana, kan korta ned en process som i dag kostar miljarder och tar ett decennium.
DeepMind gör grundforskning på bråkdelen av den normala tiden
Samtidigt rapporterar DeepMind om resultat som är svåra att förhålla sig kylig inför. Professorn Clare Bryant vid Cambridge använder AI-systemet Co-Scientist för att kartlägga molekylära mekanismer bakom dödliga infektionssjukdomar — zoonoser som ebola, influensa och covid-19. Det som tidigare tog år av litteraturgenomgångar och hypotesformulering komprimeras nu till veckor. Under en enda tågresa till Bryssel identifierade systemet ett protein som Bryants laboratorium helt hade förbisett, och kopplade det till signalvägar de redan undersökte.
I ett parallellt projekt berättar biologerna Omar Abudayyeh och Jonathan Gootenberg hur Co-Scientist skannat tiotusentals vetenskapliga artiklar om cellulärt åldrande och föreslagit mer än 20 nya, trovärdiga genetiska faktorer att undersöka. En process som tidigare tog sex månader genomförs nu på några dagar. Det är inte marginella effektiviseringsvinster — det är en omskrivning av vad som är möjligt inom given tid och given budget.
Kapitalet följer visionen
Att investerare ser potentialen råder det ingen tvekan om. Det virtuella hälsoföretaget Nourish tog nyligen in 100 miljoner dollar i en runda ledd av Menlo Ventures, med Thrive Capital, Index Ventures och J.P. Morgan som medparter. Bolaget bygger det som grundaren Aidan Dewar kallar "en virtuell vårdteam kombinerat med AI som coach dygnet runt" — en assistent som hjälper hundratusentals användare med allt från måltidsplanering till provtolkning, medan läkare och dietister hanterar de komplexa medicinska besluten. Nu kliver man även in i receptbelagd behandling med GLP-1-läkemedel.
Det är ett smart exempel på hur AI används som förstärkare av mänsklig vårdkompetens, snarare än ersättare — vilket är precis den modell som långsiktigt kommer att vinna förtroendet hos både patienter och tillsynsmyndigheter.
Den obehagliga sanningen om varför satsningar fastnar
Men här kommer den del som få vill tala högt om vid konferenserna: majoriteten av sjukvårdens AI-satsningar producerar inte värde — de producerar PowerPoint-presentationer.
Robbie Hughes, produktchef på Health Catalyst, sätter fingret på varför i en analys återgiven av Healthcare IT News. Problemet är inte bristen på sofistikerade modeller. Problemet är att klinisk information, ekonomiska uppgifter och patientdata lever i separata system som vägrar kommunicera med varandra. Så länge dessa informationssilon kvarstår kan du ha världens mest avancerade AI-verktyg — och ändå producera missvisande eller meningslösa svar.
Hughes rekommendation är lika enkel som den är svår att genomföra i praktiken: prioritera datakvalitet och interna dataflöden innan du utvärderar nästa modell på marknaden. Och ställ ett konkret krav på dig själv — kan du visa mätbart värde från din AI-investering inom 90 dagar?
Det är ett sundhetstecken att den frågan ens ställs. Det betyder att branschen börjar mogna ur hypefasen och in i en fas där leverans räknas.
Möjlighetsfönstret är öppet — men inte för evigt
De organisationer som klarar att kombinera tre saker — tillgång till välorganiserad data, rätt AI-verktyg och en kultur som faktiskt vågar fatta datadrivna beslut — kommer att skapa hälsovård som är snabbare, träffsäkrare och mer tillgänglig än något vi sett tidigare. De som väntar på att tekniken ska bli ännu bättre innan de tar tag i sina datasilos riskerar att se konkurrenter springa ifrån dem med ett försprång som är svårt att hämta in.
Vår analys
Det som imponerar mest i det här nyhetsflödet är inte något enskilt genombrott — det är hastigheten i det samlade mönstret. Forskningstider halveras, kapital strömmar in, och gränssnitten mot avancerade modeller demokratiseras i en takt som för två år sedan hade känts osannolik.
Men den verkliga strategiska lärdomen levereras av Health Catalyst, inte DeepMind: AI är aldrig starkare än den data den matas med. Det är ett budskap som borde hänga på väggen i varje styrelserum inom hälso- och sjukvården.
Min bedömning är att vi inom tre till fem år kommer att se en tydlig uppdelning mellan vårdorganisationer som investerade i datainfrastruktur parallellt med AI-implementering — och de som inte gjorde det. Den klyftan kommer att vara svår att överbrygga i efterhand. Fönstret för att positionera sig rätt är öppet just nu. Det är ett privilegium att befinna sig i den här omvandlingsperioden — och ett ansvar att inte slösa bort det på halvhjärtade piloter.