Opinião · Empreendedorismo na saúde
Falta de preparo de quem usa é a barreira mais citada à IA na clínica, em 15 de 22 revisões

Imagine um hospital que compra uma IA capaz de ler exames e sugerir diagnósticos. A máquina funciona, o contrato está pago, e a equipe segue trabalhando como antes. Uma equipe americana foi atrás de por que isso acontece, e a resposta aponta para um lugar onde pouca gente olha.
O trabalho, publicado em 4 de novembro no JMIR AI, é uma revisão guarda-chuva: em vez de reunir estudos individuais, ela junta revisões que já reuniram estudos. Foram 22 revisões, publicadas entre 2021 e 2025, que somam 706 estudos originais.
Os autores leram cada uma atrás de “determinantes”, os fatores que ajudam ou atrapalham uma ferramenta a entrar de fato na rotina. Depois organizaram tudo num roteiro conhecido da ciência da implementação (a área que estuda como uma novidade passa a ser usada de verdade). Ele separa os fatores em 4 andares: a ferramenta, quem a usa, a organização e o ambiente de leis e políticas.
Um aviso antes dos números: a conta é de quantas revisões citam cada fator, não de quanto cada um pesa.
A barreira citada por mais revisões foi a capacidade de quem usa, em 15 das 22. Os textos descrevem profissionais com pouca confiança, pouca experiência e dificuldade de entender o que a IA responde, sobretudo na linha de frente e entre os mais novos.
Com 13 revisões cada vêm a falta de regras claras, inclusive sobre quem responde quando a IA erra, e problemas de desenho, como dados pouco representativos e modelos que ninguém atualiza. Com 12 cada, aparecem a ferramenta que não se adapta ao jeito de trabalhar do serviço, a que não conversa com os sistemas já em uso e a falta de treino e de informação.
Parece que bastaria mostrar o ganho. Mas a vantagem prometida pela IA aparece nos 2 lados da conta: 14 revisões a citam como ajuda para a adoção e 13 como barreira. Segundo os autores, ela pesa pouco quando a ferramenta não se adapta ao serviço ou é complicada demais.
O roteiro clássico também não deu conta de tudo. Surgiram fatores próprios da IA: confiança, a “caixa-preta” que não mostra como chegou à resposta, a dúvida de quem é responsável pelo erro e o medo de perder habilidade ou lugar no trabalho.
Os autores afirmam que esses medos não são só atitude. Para eles, são reação razoável a sistemas opacos e a responsabilidade mal definida.
Eu leio isso como uma mudança de pergunta. Durante anos a dúvida foi se a IA acerta. Aqui, o gargalo é se alguém preparado, seguro e protegido por regras claras vai usá-la.
É uma leitura minha, não um dado do artigo: o que o levantamento descreve parece mais um problema de comportamento e de organização do que de tecnologia.
Há limites. Revisões de qualidade desigual entram na mesma contagem: 5 das 22 tiveram nota de qualidade de 60% ou menos. Ao tirá-las, as contagens mudaram de 12% a 16%, sem alterar as conclusões, segundo os autores.
Além disso, 18 das 22 revisões não indicaram a região estudada, e o levantamento não consegue dizer como os fatores variam entre países ou tipos de serviço. Ele também não mediu se vencer essas barreiras melhora o atendimento: descreve obstáculos, não testa soluções.
Fatores como necessidade, motivação e pressão externa não apareceram em nenhuma revisão. Os autores avisam que isso pode ser efeito de como os textos foram lidos, e não prova de que não importam.
Os autores declaram não ter conflito de interesse. O trabalho teve apoio de institutos de saúde dos Estados Unidos e de uma fundação hospitalar, e eles contam que usaram o ChatGPT para sintetizar parte do resumo e da conclusão, com revisão própria.
Há também caminhos já ao alcance, apontados pelos autores. Um é treinar com casos em que a IA e o médico discordam, para evitar a confiança excessiva na IA. Outro são contratos entre hospital e desenvolvedor que definam quem responde pelo erro, o que não exige lei nova.
Resumo: o que mais trava a IA na clínica é a falta de preparo de quem usa, de encaixe no trabalho e de regras claras, e não só a qualidade do algoritmo. Ainda não se sabe se resolver isso melhora o desfecho do paciente.
Mas o mapa dos obstáculos já existe, e a minha aposta é que as organizações que tratarem treino, regra e encaixe como parte do produto vão sair na frente.
Os números, para quem quer conferir
- Amostra: 22 revisões (2021 a 2025), com 706 estudos originais; 16 sistemáticas, 2 de escopo, 1 rápida, 1 de literatura e 2 narrativas
- Capacidade de quem usa: barreira em 15 revisões, facilitador em 9
- Políticas e leis: barreira em 13, facilitador em 6
- Desenho da ferramenta: barreira em 13, facilitador em 8
- Vantagem relativa: barreira em 13, facilitador em 14
- Adaptabilidade, compatibilidade e acesso a treino e informação: barreira em 12 cada
- Base de evidência: barreira em 11, facilitador em 7
- Qualidade das revisões: 14 de 22 (64%) com 80% ou mais; 4 (18%) com 50% ou menos
- Sobreposição de estudos entre as revisões: 0,4% (leve); 655 dos 706 estudos entraram em só 1 revisão
- Metade das revisões (11 de 22) usou algum modelo teórico; 18 (82%) não indicaram a região estudada
Fontes
- Gilbert A, Gacad A, Parrish L, et al. AI-Enabled Digital Health Tool Implementation in Clinical Practice Settings: Umbrella Review. JMIR AI. 4 nov. 2026. Texto completo conferido. DOI: 10.2196/101509. Disponível em: doi.org
Este conteúdo tem caráter exclusivamente informativo e não substitui consulta, diagnóstico ou tratamento médico individualizado. Não se automedique e procure sempre um profissional de saúde.