Chi ha dovuto chiedere a un’assicurazione sanitaria il via libera per una cura prescritta dal medico conosce la frustrazione: moduli, attese, silenzi. L’autorizzazione preventiva, nata come filtro contro gli sprechi, si è trasformata in un labirinto che spinge molti pazienti ad abbandonare le terapie prima ancora di sapere se saranno coperte. Ora l’intelligenza artificiale promette di sveltire le pratiche. Ma la promessa si scontra con un dato che fa riflettere: il 61% dei medici americani, interpellati dall’American Medical Association in un’indagine del 2025, è convinto che l’AI peggiorerà i dinieghi ingiustificati, non li ridurrà.

La logica sembrerebbe lineare: un algoritmo può scansionare migliaia di richieste, incrociare linee guida cliniche e cartelle, e approvare in pochi secondi ciò che un operatore umano esiterebbe giorni a validare. Tuttavia, il meccanismo nasconde una trappola. L’AI non è neutrale: viene addestrata su dati storici e su parametri che le compagnie assicurative impostano – il più delle volte per contenere i costi. Se il modello impara che certe procedure sono “ad alto costo” e le associa a un tasso di rifiuto maggiore, il circolo vizioso si autoalimenta. La velocità dell’algoritmo non è un pregio se moltiplica gli errori in modo sistematico e difficile da contestare.

Qui si apre un fronte che va oltre il dibattito medico: la sovranità sui dati e la trasparenza dei modelli. Le piattaforme di autorizzazione basate su AI spesso girano in cloud, su infrastrutture delle grandi aziende tech, lontane dal controllo degli ospedali e dei pazienti. Quando una richiesta viene negata, sapere esattamente perché l’AI ha preso quella decisione diventa un’impresa. I meccanismi interni restano opachi, e con essi sfuma la possibilità di un vero ricorso. In un settore dove i dati sanitari sono tra i più protetti al mondo, delegare a un sistema esterno il potere di decidere cure è una scelta che tocca la privacy, l’equità e la responsabilità legale.

Per chi progetta sistemi simili, la lezione è chiara: il deployment di AI per decisioni sensibili non può essere liquidato con una semplice integrazione API a un servizio cloud. Architetture on-premise o hybrid, dove l’elaborazione avviene su macchinari sotto il controllo diretto dell’assicurazione o dell’ente regolatore, potrebbero offrire una via d’uscita. Consentirebbero audit completi del modello, log di inference, verifiche di equità e un controllo granulare su quali dati alimentano il fine-tuning. Non è una questione di pura efficienza operativa: è il crinale che separa un sistema impugnabile da una scatola nera che decide la salute delle persone.

L’ostilità dei camici bianchi verso l’AI non è un rifiuto della tecnicia, ma un campanello d’allarme sulla direzione presa. Se l’automazione delle autorizzazioni seguirà la strada della massimizzazione del profitto senza trasparenza, la diffidenza crescerà finendo per soffocare anche i benefici potenziali. La posta in gioco, per l’industria assicurativa come per chi fornisce gli strumenti, è la credibilità stessa di un’AI che promette di curare la burocrazia ma rischia di aggravare la malattia del sistema. La domanda che resta aperta: si investirà in infrastrutture che restituiscano controllo e responsabilità, o si preferirà la scorciatoia di un algoritmo che nega in silenzio?