Az egészségügyi AI-ról szóló beszélgetések többsége még mindig a modellnél kezdődik: mit tud, mennyire pontos, mennyire megbízható. A gyakorlatban dolgozók már máshol tartanak. A kérdés, amit tőlük hallok: hogyan lép be egy AI-rendszer egy olyan működési környezetbe, ahol minden mozdulatnak szabályozott következménye van? Az IAPP KnowledgeNet Hungary tavaszi eseményén, amelynek házigazdája voltam, három nézőpontból pontosan ez a rendszerszintű kérdés bomlott ki.
Három frontvonal
A gyógyszeripari életciklus. Csikós Tímea a globális pharma-realitást hozta be: egy gyógyszeripari vállalatnál az AI nem zöldmezős technológiai bevezetés, hanem egy eleve erősen szabályozott életciklusba érkezik, kutatás, gyártás, minőségirányítás, farmakovigilancia, adatvédelem, engedélyezés és dokumentált evidencia közé. A tanulság: pharma környezetben az AI governance nem épülhet pusztán a tool köré; a termék-, adat- és evidencia-életciklusba kell beépülnie.
A patikai frontvonal. Erdős Ábel a gyógyszertárak felől nézte ugyanezt: a patika egyre kevésbé termékkiadási pont, és egyre inkább egészségügyi szolgáltatási csomópont, miközben a betegek már online forrásokkal és AI-alapú tájékozódással érkeznek. Az Enelis Informatika több mint kétszáz gyógyszerész, a hazai patikák nagyjából tizede, megkérdezésével készült felmérése szerint a gyógyszerészek közel 70%-a tartja reálisnak, hogy AI-asszisztensek jelenjenek meg a patikai működésben. Az adopciót tehát nem csak a fejlesztők tolják; a betegek és az ellátási folyamatok is húzzák.
Az adatvagyon-paradoxon. Joó Tamás a magyar egészségügyi adatinfrastruktúra kettősségére mutatott rá: az EESZT és a központi adatvagyon olyan alap, amelyről sok ország csak álmodik, de attól, hogy van adatunk, még nincs adatvezérelt egészségügyünk. Az igazi kérdés az alkalmazásvagyon: hogyan lesz az adatból működő, klinikailag hasznos, szabályozott és fenntartható megoldás.
Ahol a szoftver megszűnik szoftvernek lenni
Az én jogi-regulációs olvasatom ezekből egyetlen mintázatba fut össze, amit az eseményen szabályozási szendvicshatásnak neveztem. Amint egy AI-rendszer betegutat, triázst, diagnosztikai előszűrést, klinikai döntéstámogatást vagy terápiás javaslatot befolyásol, ugyanaz a rendszer egyszerre válik AI Act-, MDR/IVDR-, GDPR-, NIS2-, klinikai bizonyítási és felelősségi kérdéssé. Nem sorban, hanem egyszerre, rétegenként rakódik rá minden rezsim, mint a szendvicsben.
A beteg ugyanis nem külön szabályozási rezsimekkel találkozik, hanem egyetlen működő egészségügyi megoldással. Ezért a valódi kihívás nem az izolált AI-compliance, hanem a regulatory systems integration: a jogi, adatvédelmi, klinikai, kiberbiztonsági és termékjogi bizonyítási rendszerek összerakása egy működő governance-modellé. Aki rezsimenként külön programot futtat, az ötször fizet ugyanazért a képességért, és a rétegek találkozásánál keletkező réseket egyik program sem látja.
Ez az egészségügyi változata annak, amit ez a journal általában állít: a szabálykönyv egy működési réteg, nem öt párhuzamos mappa. A life sciences szektor csak annyiban különleges, hogy itt a rétegek száma nagyobb, a tétek pedig, betegbiztonság, szakmai felelősség, magasabbak. Aki itt tanulja meg az integrációt, annak a többi szektor már könnyű terep.
Ez az írás először LinkedIn-posztként jelent meg 2026 májusában, az IAPP KnowledgeNet Hungary chapter „AI a laborban, a patikában és a betegágy mellett" eseménye nyomán; itt szerkesztett, önállóan olvasható formában közlöm. A hivatkozott felmérési adatok az Enelis Informatika gyógyszerészi felméréséből származnak, az előadók nyilvános előadásai alapján. Szakmai kommentár, nem jogi tanácsadás.