ИИ в больницах меняет работу медсестёр — и создаёт новый контроль

ИИ пришёл в больницы экономить время — но медсёстры обнаружили новую работу и новый контроль

Больница автоматизировала задачу. Но исчезла ли работа?

Обещание искусственного интеллекта в здравоохранении выглядит особенно убедительно там, где персонала не хватает, а значительная часть рабочего дня уходит на документацию, предупреждения информационных систем и повторяющиеся административные действия. Алгоритм может анализировать данные пациента, обнаруживать признаки ухудшения состояния, помогать с документацией или расставлять приоритеты.

Но между автоматизацией отдельной операции и уменьшением общей нагрузки существует принципиальная разница.

Black Book Research в августе 2026 года опросила 202 специалиста сестринского дела, непосредственно сталкивавшихся с ИИ или алгоритмическими системами в течение предыдущих 12 месяцев. В выборку входили не только медсёстры у постели пациента, но и старшие медсёстры, менеджеры, специалисты по медицинской информатике, качеству и безопасности, управлению случаями, администраторы и специалисты расширенной сестринской практики.

63% участников сообщили, что ИИ добавил новые задачи, не устранив прежние.

Ещё 58% тратили дополнительное время на объяснение исключений, устранение противоречий в результатах алгоритмов либо взаимодействие с руководителями, ИТ-службами, подразделениями качества и соответствия требованиям.

Поэтому оценивать медицинский ИИ только по тому, сколько секунд он экономит на конкретной задаче, недостаточно. Значение имеет суммарная нагрузка за всю смену.

Алгоритм видит отметку времени, но не видит, почему медсестра опоздала с записью

Второй результат исследования касается уже не производительности, а наблюдения за персоналом.

65% опрошенных чувствовали, что по крайней мере одна система индивидуально отслеживает их действия или поведение. При этом 63% заявили, что им недостаточно ясно объяснили, как данные, полученные с помощью ИИ или алгоритмов, могут вторично использоваться для оценки сотрудников.

51% сообщили, что такая информация применялась для обучения или оценки эффективности работы.

Проблема заключается в природе самих данных. Информационная система хорошо фиксирует то, что можно превратить в событие: когда открыта медицинская карта, когда внесена запись, сколько времени прошло до выполнения действия, был ли обработан сигнал.

Но сестринская работа гораздо шире цифрового следа.

Медсестра может задержать документирование, потому что состояние другого пациента внезапно ухудшилось. Она может потратить время на успокоение испуганного человека, разговор с его родственниками, поиск оборудования или помощь коллеге. Для пациента это может быть важнейшей частью медицинской помощи. Для алгоритма — просто промежутком времени, в котором ожидаемое действие не произошло.

Именно поэтому цифровые данные могут быть технически правильными и одновременно давать неполное представление о работе человека.

Особенно показательно, что лишь 29% опрошенных могли просматривать информацию, которую система связывала с ними лично, а только 30% сообщили о наличии определённой процедуры исправления данных или обжалования решения.

Когда персонал начинает работать не только для пациента, но и для алгоритма

Ещё более важный сигнал появился в поведении самих сотрудников.

52% участников исследования сообщили, что меняли время документирования или последовательность оказания помощи, чтобы избежать отрицательных сигналов или показателей системы. 49% использовали обходные способы работы, позволяющие уменьшить число предупреждений или негативных отметок.

Это явление хорошо знакомо далеко за пределами медицины. Как только измеряемый показатель начинает использоваться для оценки человека, у человека появляется стимул оптимизировать не только саму работу, но и показатель.

В больнице последствия особенно сложны. Клиническая ситуация постоянно заставляет менять приоритеты: состояние одного пациента ухудшилось, другому срочно понадобилась помощь, родственникам требуется объяснение, оборудование оказалось недоступным. Стандартизированный алгоритм неизбежно видит лишь часть этого контекста.

Поэтому хороший показатель должен помогать обнаруживать проблему, а не превращаться в цель, которой персонал вынужден подчинять рабочий процесс.

33% стали менее готовы говорить о потенциально опасных ситуациях

Самая серьёзная цифра в отчёте Black Book Research — возможно, не 65% и даже не 63%.

33% опрошенных сообщили, что стали менее склонны сообщать о потенциально опасном инциденте, который едва не произошёл, или о ситуации, в которой они не уверены. Только 38% чувствовали себя в безопасности, игнорируя рекомендацию ИИ или открыто не соглашаясь с ней.

Для здравоохранения это принципиально важно.

Современная культура безопасности строится не только на регистрации уже произошедшего вреда. Она зависит от способности персонала свободно сообщать об ошибках, сомнениях и ситуациях, которые могли закончиться неблагоприятно, но были вовремя исправлены. Именно такие сигналы позволяют системе обнаруживать слабые места до того, как пострадает пациент.

Однако эти данные нельзя интерпретировать как доказательство того, что ИИ уже увеличил число медицинских ошибок или привёл к вреду пациентам. Black Book Research прямо подчёркивает это ограничение. Исследование фиксирует самооценку поведения и отношения сотрудников, а не изменение частоты неблагоприятных исходов.

Тем не менее снижение готовности говорить о неопределённости — важный индикатор организационной культуры. Если сотрудник опасается, что несогласие с алгоритмом будет интерпретировано против него, система может потерять именно ту человеческую обратную связь, которая необходима для выявления ошибок самого алгоритма.

Медсёстры не отвергают ИИ — они требуют, чтобы он действительно помогал

Название «медперсонал боится ИИ» поэтому несколько упрощает результаты исследования.

Опрос скорее показывает не страх перед самой технологией, а недоверие к определённому способу её внедрения.

Black Book Research отмечает, что участники поддерживали системы, которые действительно устраняют существующую работу, выявляют клинически значимые риски, сохраняют профессиональное решение за медсестрой и позволяют понимать ограничения алгоритма. Наибольшее недовольство вызывали системы, связанные с усиленным мониторингом персонала и использованием данных для оценки работников.

Это согласуется с другим исследованием Black Book, опубликованным в мае 2026 года. Среди 118 руководителей сестринских подразделений 71% считали, что сотрудники будут готовы использовать ИИ для документации, если медсестра останется последним человеком, проверяющим запись, а созданный алгоритмом текст можно будет увидеть, изменить и проверить. Одновременно 68% опасались, что автоматизированная документация способна перенести юридические и профессиональные риски на медсестру, не обеспечив реального уменьшения нагрузки.

Иными словами, сопротивление технологии и сопротивление плохо спроектированному рабочему процессу — не одно и то же.

Научные данные показывают другую сторону ИИ

Было бы ошибкой сделать из опроса вывод, что ИИ в сестринской практике приносит преимущественно вред.

Опубликованный в августе 2026 года систематический обзор исследований ИИ-систем поддержки клинических решений в острой и интенсивной терапии обнаружил потенциальную пользу таких технологий. Авторы включили семь исследований примерно с 75 тысячами пациентов. Системы применялись, в частности, для выявления ухудшения состояния, сепсиса и других ситуаций, где ранний сигнал может изменить лечение.

В трёх исследованиях, данные которых удалось объединить, применение таких систем было связано с более низкой больничной смертностью. Однако авторы подчёркивают ограниченность доказательной базы: исследований мало, системы сильно различаются, а интервал прогнозирования статистической модели допускал отсутствие эффекта.

Особенно примечательна другая проблема обзора: данных о том, как сами медсёстры воспринимают подобные системы и как меняется их работа, оказалось мало.

Таким образом, две картины не противоречат друг другу. Алгоритм может помогать обнаруживать ухудшение состояния пациента и одновременно создавать дополнительную нагрузку для человека, который должен реагировать на его предупреждения.

Эффективность модели и эффективность рабочего процесса — разные характеристики.

Почти половина готова искать работу с меньшим количеством ИИ

96 из 202 участников опроса Black Book Research — около 48% — сообщили, что с высокой или достаточно высокой вероятностью будут искать работу, перевод или клиническое назначение с меньшим объёмом ИИ-мониторинга и алгоритмической поддержки, пока технологии не станут надёжнее и прозрачнее.

Это важное уточнение к исходной формулировке о «50%»: в полном отчёте речь идёт о 96 респондентах, то есть примерно о 48%.

И эту цифру также нельзя экстраполировать на весь сестринский персонал. Выборка небольшая и специально состояла из людей, уже непосредственно сталкивавшихся с подобными технологиями. Исследование поперечное и основано на самоотчётах, поэтому оно не доказывает, что именно ИИ вызвал недовольство, изменение поведения или желание сменить работу.

Но для больниц даже намерение имеет значение. Дефицит персонала означает, что технологию нельзя оценивать исключительно через экономию рабочего времени. Если автоматизация одновременно ухудшает удержание сотрудников, экономический эффект может оказаться совсем другим.

Главная проблема ИИ в больнице оказалась организационной

Всемирная организация здравоохранения ещё в своих принципах управления ИИ в здравоохранении выделила несколько требований, которые особенно хорошо объясняют результаты этого опроса: сохранение человеческой автономии, прозрачность, понятность алгоритмов, ответственность и возможность оспаривать решения.

В 2026 году Панамериканская организация здравоохранения совместно с Межамериканским банком развития предложила инструмент AI-GUARD для оценки ИИ ещё до внедрения или масштабирования. В нём отдельно рассматриваются институциональное управление, человеческий контроль, риски и способы уменьшения алгоритмической предвзятости.

Это отражает более широкий поворот в отношении медицинского ИИ. Вопрос постепенно меняется с «насколько хорошо работает алгоритм?» на «насколько хорошо работает вся система после появления алгоритма?».

Для больницы это означает необходимость измерять не только точность модели и число автоматизированных операций, но и дополнительное время на проверку результатов, число предупреждений, объём исправлений, возможность безопасно не согласиться с рекомендацией, прозрачность использования данных сотрудников и изменения в культуре сообщения об ошибках.

ИИ должен освобождать время для пациента, а не превращать работу в обслуживание алгоритма

Реальное значение исследования Black Book выходит далеко за пределы отношения медсестёр к новой технологии.

ИИ внедряется в здравоохранение именно потому, что способен взять на себя часть огромного информационного потока, обнаруживать закономерности и автоматизировать рутинные действия. В условиях дефицита медицинского персонала эта возможность особенно ценна.

Но существует принципиальная граница между поддержкой специалиста и управлением специалистом через непрозрачные показатели.

Если медсестра получает полезный сигнал о начинающемся ухудшении состояния пациента — технология усиливает её возможности. Если система заставляет её дополнительно объяснять десятки предупреждений, менять порядок действий ради показателя и опасаться несогласия с алгоритмом — часть предполагаемой эффективности исчезает.

Следующим этапом развития медицинского ИИ поэтому станет не просто создание более точных моделей. Больницам придётся научиться оценивать последствия внедрения на уровне всей рабочей системы: сколько времени действительно вернулось медицинскому персоналу, какие новые обязанности появились, кто отвечает за ошибку, можно ли оспорить вывод алгоритма и остаётся ли за человеком реальное право принять другое клиническое решение.