Mens sygehusene stadig drøfter udbudsmateriale, har almen praksis allerede integreret kunstig intelligens i hverdagen. Det stiller fundamentale spørgsmål til, hvordan ledere i sundhedsvæsenet skal forholde sig til en teknologi, der bevæger sig hurtigere end organisationen.
For blot tre år siden var store sprogmodeller en kuriositet, der kunne skrive julesange og besvare quizspørgsmål – med variabel succes. I dag er de udbredt som autonomt støtteværktøj for den enkelte læge, som sparringspartner for patienter, og i et stigende antal danske lægepraksisser bruges de til at dokumentere patientkonsultationer. Udviklingen accelererer med en hastighed, der udfordrer enhver klassisk forvaltningslogik.
Det er ikke længere et spørgsmål om, hvorvidt kunstig intelligens vil ændre sundhedsvæsenet. Spørgsmålet er, om systemet er klar til at følge med.
Fra hjørnet af konsultationen
En af de mest synlige AI-forandringer i det danske sundhedsvæsen sker mærkeligt nok et af de mindst teknologiske steder: I almen praksis. I store dele drevet af udbredelsen af såkaldte AI-scribes – digitale referenter, der lytter til samtalen mellem læge og patient og automatisk genererer et journalnotat. De store journalsystemer i almen praksis er i færd med at integrere disse løsninger. Ikke siden den elektroniske patientjournal har en teknologi fået så hurtigt fat i de ellers noget konservative praktiserende læger.
Det bemærkelsesværdige er, at denne adoption ikke er drevet af en central strategi eller en politisk beslutning. Den er drevet af lægerne selv. Almen praksis har ikke fået ekstra midler til formålet. Lægerne betaler af egen lomme, fordi værktøjet ganske enkelt gør hverdagen bedre.
Erfaringerne er overvejende positive. Journalføringen er blevet mere detaljeret og overholder i højere grad de formelle krav. Der er divergerende resultater i forhold til, om AI-scribes reducerer den samlede dokumentationstid, men bred enighed om en positiv indvirkning på arbejdstilfredsheden. Læger, der bruger disse værktøjer, rapporterer en reduktion i udbrændthed og en forbedring af arbejdsglæden. Vi hører om meget få, der dropper løsningen igen, og oplæringsperioden er kort – langt kortere end det, vi kender fra EPJ-implementeringer.
Fra administrativ aflastning til klinisk beslutningsstøtte
AI-scribes er blot indgangsdøren. Allerede nu bruger et stigende antal læger de store sprogmodeller til en række andre hverdagsopgaver: E-konsultationer kan besvares hurtigere, når en chatbot formulerer et empatisk og præcist udkast, som lægen godkender. Instrukser og skabeloner genereres på minutter. En læge uden programmeringserfaring kan med hjælp fra en chatbot bygge en hjemmeside eller en smartphoneapp – bare man har ideen. Det ændrer grundlæggende på, hvem der kan skabe løsninger.
Når de juridiske udfordringer med at lade AI-modellerne arbejde direkte med journalindhold er løst – og det arbejde er i gang, herunder tilpasning til EU’s AI-forordning – åbner næste bølge sig. En journal på tusindvis af sider er umulig for et menneske at overskue. Men en sprogmodel kan lave et fyldestgørende resumé på sekunder.
På Groningen Universitetshospital (UMCG) i Nederlandene har man siden 2023 undersøgt effekten af at implementere en chatbot i det kliniske arbejde. Lidt over halvdelen af lægerne bruger chatbottens udkast til at svare på patientbeskeder, men det har endnu ikke reduceret tidsforbruget.
Anderledes ser det ud for opsummering af patientjournaler – en øvelse vi bruger mange årsværk på i sundhedsvæsenet – her viste forskerne, at en sprogmodel leverede samme kvalitet på 15 sekunder, mod 7 minutter for lægerne. Det perspektiv er værd at tage alvorligt.
Agenter: når maskinerne tjekker hinanden
En hyppig bekymring er hallucinationer – at sprogmodellerne genererer faktuelt forkert information med stor selvsikkerhed. Fejlraten i medicinske kontekster varierer i publicerede evalueringsstudier: Fra omkring 1–2 pct. for veldefinerede opgaver som dokumentation til 10–20 pct. for kompleks klinisk ræsonnering.
Multipliceret med millioner af kontakter er selv lave fejlrater ikke trivielle, og 20 pct. er høj. Nyere forskning peger dog på, at såkaldte multi-agent-systemer – hvor flere sprogmodeller krydsvaliderer hinandens output – kan reducere fejlraten markant og bringe teknologien tættere på klinisk anvendelighed.
Et konkret eksempel: Vi arbejder aktuelt på en artikel om brug af denne agent-tilgang til at udarbejde kliniske vejledninger. En vejledning koster over 100.000 kr. at udarbejde og skrives af ildsjæle i deres fritid. Ved at lade flere sprogmodeller gennemsøge internationale vejledninger, krydsreferere evidens og lave fodarbejdet, kan speciallægerne koncentrere sig om det faglige kernestof – ligesom den digitale referent frigiver lægen til at være læge. Med lav sandsynlighed for hallucination.
Patienten får sin egen AI
I januar 2026 lancerede OpenAI og Anthropic sundhedsfunktioner i deres chatbots, hvor brugere kan uploade sundhedsdata og få personlig rådgivning. Ifølge OpenAI stiller over 230 millioner brugere hver uge sundhedsrelaterede spørgsmål til ChatGPT alene. Funktionen var ved lanceringen ikke bredt tilgængelig i EU, men det er formentlig et spørgsmål om tid.
Den demokratisering af medicinsk ekspertviden, som chatbots potentielt muliggør, stiller sundhedsvæsenet over for en dobbelt udfordring. De velinformerede patienter kommer med mere kvalificerede spørgsmål. Patienter uden sundhedsfaglig baggrund risikerer at fortolke resultater forkert. Begge scenarier øger belastningen. Dataetisk Råd understregede i 2025, at AI i sundhed skal være forklarlig og udvikles med inddragelse af både patienter og personale i deres anbefalinger om AI i sundhed.
Fem års udbudsproces i en seksmåneders verden
Den hastighed, hvormed AI-teknologien udvikler sig, er fundamentalt uforenelig med de klassiske indkøbs- og udviklingsprocesser i den offentlige sektor. For få år siden investerede en dansk life science-virksomhed et trecifret millionbeløb i specialiseret AI-computersyn til at genkende hudlæsioner. To år senere kunne den gratis version af flere chatbots gøre det samme.
Statens It-råds statusrapporter har år efter år vist, at offentlige it-projekter i gennemsnit tager knap fem år fra start til afslutning, og at en betydelig andel får røde eller gule trafiklys undervejs. Selv de målrettede AI-signaturprojekter har vist sig vanskelige at bringe fra pilot til drift: Digitaliseringsstyrelsens evaluering fra 2024 viser, at 79 pct. af projekterne oplevede datarelaterede udfordringer, der forsinkede national skalering. I samme tidsrum skifter de store sprogmodeller generation hver 6–18 måneder. En teknologi, der vælges ved projektstart, vil have gennemgået mindst to til tre generationsskift, før den er i fuld drift.
Paradoksalt nok rammer dette problem hårdest de løsninger, der har størst potentiale. En AI-scribe, der kun bruges på én afdeling, kan i princippet anskaffes hurtigt: Kontraktværdien ligger formentlig under EU’s udbudstærskler. Men jo tydeligere det bliver, at værktøjet kan lette arbejdsgangen for mange afdelinger på tværs af et helt hospital eller en hel region, desto større er risikoen for, at indkøbet løftes til de regionale it-styringsstrukturer. Kontraktværdien samles, tærskelværdien overskrides, og der udløses et fuldt EU-udbud.
Resultatet er, at den mest lovende teknologi ryger ind i det langsomste spor.
Implementering: Dage eller år?
Det står i skærende kontrast til almen praksis, hvor en praktiserende læge kan tage en AI-scribe i brug på få dage. For et hospital som OUH, hvor CAI-X centret aktuelt evaluerer to tale-til-tekst-løsninger, skal processen igennem juridisk afklaring, informationssikkerhedsgodkendelse, GDPR-konsekvensanalyse, journalintegration og godkendelse i regionens it-styregruppe.
Selv med den bedste vilje tager det efter vores vurdering 18 til 36 måneder – og det forudsætter, at lovforslaget om AI og personoplysninger i den offentlige forvaltning, sendt i høring i februar 2026, vedtages som planlagt. At lovforslaget overhovedet er nødvendigt, understreger pointen: Manglen på en klar hjemmel har været en reel stopklods.
Konsekvensen er ikke, at man skal lade være med at regulere. Det er, at man skal tænke anderledes om implementering. Man bør skelne skarpt mellem lavrisiko-AI – en digital referent, der genererer et journalnotat, som lægen godkender – og højrisiko-AI, et system der selvstændigt stiller diagnoser. Det første bør kunne anskaffes med korte, fleksible kontrakter. Det andet kræver med rette fuld regulatorisk kontrol. Uden denne differentiering behandler vi et skriveværktøj med samme procestyngde som diagnostisk medicinsk udstyr.
Hvad skal lederne gøre?
For det første: Skab agile rammer. Lad afdelinger og klinikere eksperimentere med godkendte systemer, ligesom lægen vælger sit eget stetoskop. Et system, der passer til psykiatrien, er ikke nødvendigvis det bedste til ortopædkirurgien. Lås jer ikke fast på én leverandør i en verden, der ændrer sig hvert halvår.
For det andet: Investér i kompetencer. Da jeg for nylig holdt et oplæg for uddannelsesansvarlige overlæger og yngre læger, havde de færreste selv prøvet at bruge en stor sprogmodel. Selv blandt læger, der dagligt bruger AI-scribes, er det kun et fåtal, der har udforsket teknologien bredere. Vores patienter er foran os.
For det tredje: Lad klinikerne lege. De mennesker, der kender de kliniske problemer, er også dem, der bedst kan identificere, hvor AI giver mening. Erfaringerne fra AI-signaturprojekterne viser, at AI fungerer bedst, når det løser et specifikt, veldefineret klinisk problem – ikke når det indføres som en generisk løsning ovenfra.
For det fjerde: Acceptér, at dette ikke er noget, man kan sidde over. Hav en aktiv holdning til chatbots og AI-scribes på jeres afdeling, og giv personalet vejledning i, hvad de må og ikke må, så der ikke er uautoriseret eller GDPR-stridig brug af disse værktøjer. De små klinikker og almen praksis har allerede rykket. Sygehusene er generelt længere i afklaringsfasen.
Hvem sætter sig for bordenden?
AI-scribes er den spædeste begyndelse. En lille sidebæk, der løber ned mod en flod, som kan blive den mest omvæltende forandring for sundhedsvæsenet i en generation. De næste bølger er allerede synlige: AI-agenter, der ikke bare skriver notatet, men autonomt opretter henvisningen og sender afregningen. Automatiseret kodning, der oversætter journalnotater direkte til takstkoder. AI-triagering i radiologien, der prioriterer akutte fund minutter efter optagelsen.
Det gode er, at lederne netop nu har mulighed for at øve sig. AI-scribes er lavrisiko, letforståelige og allerede i drift. De er det perfekte sted at lære at indkøbe, implementere og evaluere AI-teknologi – før de langt mere indgribende systemer banker på. Det kan blive godt. Men det kan også blive dyrt og uoverskueligt, hvis vi ikke er forberedte.
Danmark har en unik position med nationalt sammenhængende sundhedsregistre, en høj digitaliseringsgrad og med Digital Sundhed Danmark, der fra 2027 samler sundhedsdata i én national indgang. Grundlaget er bedre end de fleste steder i verden. Men teknologien venter ikke.
Spørgsmålet er derfor ikke, om AI skal inviteres indenfor. Klinikerne og patienterne har for længst accepteret invitationen. Spørgsmålet er, om sundhedsvæsenets ledere vil sætte sig for bordenden og styre udviklingen – eller nøjes med at læse det AI-genererede referat bagefter.
