A barreira da IA em saúde não é acurácia, é a última milhaA barreira da IA em saúde não é acurácia, é a última milha

A Digital Medicine Society, DiMe, publicou em 29 de janeiro de 2026 uma pesquisa sobre adoção de inteligência artificial em saúde. Foram 2.041 líderes de saúde ouvidos em 90 países, com coleta ao longo de 2025, em parceria com o Google for Health.

A maior barreira relatada não foi acurácia, não foi confiança no modelo e não foi regulação. Foi integração ao fluxo de trabalho, apontada por 72% dos respondentes.

Quem respondeu

A amostra é de líderes de saúde, não de médicos brasileiros. Clínicos são 29% do total. Profissionais de tecnologia ou dados somam 21%, executivos ou administradores 13%, e os outros 38% atuam em operações, pesquisa, educação, política e engajamento do paciente.

Outros (operações, pesquisa, educação, política)38%

Clínicos29%

Tecnologia ou dados21%

Executivos ou administradores13%

O estudo foi conduzido em parceria com o Google for Health, que é parte interessada no assunto pesquisado. Isso não anula os números, mas situa quem os produziu.

As três barreiras

Integração ao fluxo de trabalho, 72%. Falta de direção clara da liderança, 68%. Capacidade ou treinamento de equipe limitados, 61%.

Integração ao fluxo de trabalho72%

Falta de direção da liderança68%

Treinamento de equipe limitado61%

DiMe e Google for Health, 2.041 líderes em 90 países. Cada respondente podia apontar mais de uma barreira.

Entre os clínicos que já usam IA, e o recorte vale apenas para esse subgrupo, 91% classificaram a dificuldade de integração como moderada ou muito difícil. 86% disseram o mesmo sobre treinamento insuficiente. Quem está mais perto da ferramenta relatou mais atrito, não menos.

30% dos respondentes relataram não usar IA. E 68% não se sentiam muito confiantes usando ou avaliando ferramentas de IA. Avaliar criticamente sistemas de IA foi a área de menor confiança em quase todos os papéis.

A conclusão da própria DiMe é direta: a IA está entrando nos fluxos de trabalho mais rápido do que as pessoas estão sendo preparadas para avaliá-la. A resposta que a entidade propõe é formação por competência.

A última milha

O nome do problema vem da logística. Uma carga cruza o oceano, atravessa portos e rodovias sem sobressalto, e trava no último trecho, na entrega até a porta. É ali que se concentram o custo, a variação e a complexidade.

Em IA médica o desenho é o mesmo. O modelo funciona. O dado existe. O equipamento produz o número. E mesmo assim sobra para o médico resolver na unha, um caso de cada vez: transportar valor, redigitar, reorganizar, formatar, conferir.

Os 72% descrevem exatamente esse trecho final. Não é falha de desempenho do modelo, é falha de encaixe.

Por que essa milha é individual

Ninguém percorre a última milha pelo médico porque ninguém conhece as fontes de dados dele. Resultado de equipamento, medição, exame laboratorial, anotação de consulta, jeito de laudar, ordem em que as informações aparecem na tela.

Cada especialidade tem as suas fontes, e dentro da mesma especialidade cada serviço tem o seu arranjo. Dois aparelhos de fabricantes diferentes na mesma sala já entregam saídas com estruturas distintas.

Por isso a solução tende a nascer individual e personalizada antes de virar produto de mercado. A ferramenta genérica chega até a borda do fluxo, e a borda é justamente onde o problema mora.

Onde é produtividade e onde é dispositivo

Existe uma linha que delimita até onde essa construção individual vai. Se a ferramenta apenas organiza, transporta e formata o que o equipamento já produziu, sem alterar conteúdo clínico, o resultado é ganho de produtividade.

Se a ferramenta passa a interpretar, classificar ou sugerir conduta, ela entra como software como dispositivo médico, SaMD, sob a RDC 657/2022 da ANVISA, e exige outra estrutura, com registro, gestão de risco e evidência.

Essa linha funciona como mapa, não como freio. Ela mostra o terreno em que o médico responde apenas pela organização do próprio dado, e o terreno em que passa a responder por um dispositivo. Saber onde ela passa é o que permite construir com segurança.

Vale separar também duas categorias que costumam ser tratadas como uma coisa só. IA discriminativa classifica, detecta e mede, e é a que sustenta a maior parte dos algoritmos de imagem já registrados. IA generativa produz texto e estrutura linguagem. São problemas técnicos distintos, com formas distintas de validação, e a distinção muda o enquadramento de cada ferramenta.

Consequência prática

Para quem trabalha com volume de exames, a leitura prática é que o gargalo apontado por 72% dos líderes não será resolvido por quem não conhece o fluxo por dentro. Esperar a integração chegar pronta tem custo, e esse custo é medido em tempo por exame.

O segundo dado tem efeito mais longo. Se 68% não se sentem confiantes para avaliar ferramentas de IA, a competência que ficará escassa não é usar o sistema, é julgar se ele está certo. Essa parte não se terceiriza, porque quem assina o laudo é quem responde por ele.

A pesquisa completa está publicada no site da DiMe: 3 Key Insights for the 2026 Health AI Horizon.