Varför vårdpersonal slutar använda AI-verktyg — och vad forskningen säger krävs för att de ska fortsätta
Vårdpersonal överger AI-verktyg så snart de inte längre ser nyttan med egna ögon.
Löftet är verkligt — men vägen dit är full av fallgropar
AI i sjukvården är inte längre en framtidsvision. Det är en pågående transformation med riktiga patienter, riktiga budgetar och riktiga konsekvenser. Ändå misslyckas en häpnadsväckande stor andel av satsningarna. Inte för att tekniken är dålig — utan för att organisationerna inte är redo att ta emot den.
Låt mig förklara vad jag menar.
Problemet är inte AI — det är osynliga fördelar
Ny forskning från Duke University Health System, publicerad i tidskriften JMIR Human Factors, identifierar en av de mest underskattade utmaningarna inom AI-utrullning: om personalen inte ser att verktyget gör skillnad, slutar de använda det. Punkt.
Studien undersökte ett prognosverktyg från Epic Systems, utformat för att bedöma risken att patienter återinläggs efter utskrivning. Slutsatsen är lika enkel som den är avgörande — framgång minskar känslan av brådska, och när brådskan minskar, avtar ansträngningen. Det är vad forskargruppen kallar en balanserande slinga.
Men det finns en motpol. När fördelarna är tydligt synliga uppstår en förstärkande slinga — personalen fortsätter använda verktyget, och användningen driver ytterligare nytta. Enligt docent Scott Rockart vid Duke University kan en enda förändrad parameter leda till drastiskt olika utfall.
Slutsatsen för oss som jobbar med affärsutveckling är tydlig: synlighet är en strategisk tillgång, inte ett kommunikationsproblem. Att visa vad AI faktiskt gör — i realtid, i det dagliga arbetet — är en förutsättning för långsiktig förankring.
Dålig grund ger dålig AI
Men synliga fördelar hjälper föga om AI:n i sig är felaktigt byggd. Och det är precis vad Dr. Deepti Pandita, informatiker och ansvarig för AI-frågor vid University of California Irvine, varnar för i en intervju med Healthcare IT News.
Hennes budskap är skärpt och tydligt: organisationer som låter AI-systemen styra hur arbetsflöden utformas — istället för tvärtom — skapar oundvikligen partisk och svagt utformad teknik. Bristfälliga arbetsflöden och felaktiga datakedjer är roten till problemet.
Pandita drar en lärorik parallell till utrullningen av journalsystem under tidigt 2000-tal — en period präglad av kaos och frustration, just för att tekniken implementerades utan att grundläggande infrastruktur fanns på plats.
Hennes viktigaste råd: sluta betrakta AI som en innovationssatsning och börja se det som grundläggande infrastruktur. Koppla varje AI-investering direkt till mätbar verksamhetsnytta — kortare vårdtider, bättre fakturering, färre felkoder. Då följer avkastningen naturligt.
Detta skiftar också vem som fattar besluten. Enligt en aktuell enkätundersökning är IT-chefer år 2026 de primära beslutsfattarna vid inköp av AI-lösningar i 45 procent av fallen — en markant förändring jämfört med när ekonomichefer dominerade. Det är ett välkommet tecken på mognad.
Oklahoma visar att det fungerar — när man gör det rätt
Och så har vi beviset på att det faktiskt kan fungera.
Oklahoma Cancer Specialists and Research Institute, OCSRI, är en oberoende onkologiklinik med över 40 vårdgivare. Deras vardag kantades av miljontals dollar i läkemedelsinköp, krympande ersättningsmarginaler och information spridd i fragmenterade system för inköp, lager och ekonomi.
– Vi kände oss begränsade av äldre system som förlitade sig på fördröjd datasynkronisering och statiska arbetsflöden, säger ekonomichef Tara Hallum.
Efter en noggrann utvärdering valde kliniken plattformen AllyIQ från AllyGPO — ett AI-drivet verktyg för hantering av specialläkemedel. Det avgörande valet handlade inte om tekniken i sig, utan om ett sammankopplat system med realtidsöverblick över hela verksamheten.
Nio månader senare använder kliniska, administrativa och ekonomiska team plattformen dagligen. Klinisk personal hanterar läkemedelslager via smarta skåp. Resultaten är mätbara och konkreta.
Detta är läroboksexemplet på hur det ska gå till: tydlig problemformulering, rätt infrastruktur på plats, och ett verktyg som integreras i verkliga arbetsflöden — inte vid sidan av dem.
Tre lärdomar att ta med sig
1. Gör fördelarna synliga från dag ett. Personalen måste se vad AI gör för dem — inte höra om det på ett stormöte.
2. Bygg infrastruktur före teknik. En AI-lösning är aldrig bättre än den data och de processer den vilar på.
3. Mät verksamhetsnytta, inte teknikadoption. Antalet användare är ett svagt nyckeltal. Kortare vårdtider och lägre kostnader är det som räknas.
Vår analys
Det som framträder när man väver samman dessa tre perspektiv är ett mönster som känns igen från i princip varje stor teknikomställning: tekniken är sällan problemet — organisationen är det.
AI i sjukvården befinner sig i en kritisk fas. De tidiga entusiasterna har provat, vissa har misslyckats, och nu börjar en mer mogen diskussion ta form — en diskussion om infrastruktur, datakvalitet och förankring hos användarna.
Det som ger mig verklig tillförsikt är att lösningarna inte är mystiska. De är välkända inom affärsutveckling: koppla teknik till mätbar nytta, involvera slutanvändarna tidigt, och bygg på en stabil grund. Oklahoma-exemplet visar att när dessa principer följs levererar AI konkreta resultat även i en komplex och känslig miljö som cancervård.
Utvecklingen pekar mot att AI inom vården kommer att konsolideras kring ett fåtal välintegrerade plattformar snarare än många isolerade punktlösningar. De organisationer som förstår det nu har ett betydande försprång.