KI og helse

Er dette den siste generasjonen med tradisjonelle leger?

Spørsmålet om KI kan erstatte leger stilles nå i fullt alvor, og svarene spriker fra «legeyrket er ferdig om ti år» til «dette er bare en bedre stavekontroll». Denne gjennomgangen tar for seg hva forskningen faktisk har målt – hvor tallene er sterke, hvor de er svake, og hvorfor det viktigste skillet i hele feltet er skillet mellom et papirkasus og en ekte pasient.

Oppdatert august 2026 11 min lesetid 15 kilder

Tre helt ulike ting kalles «treffsikkerhet»

Nesten hver gang du leser at «KI slår legene», ligger det et tall bak. Og nesten hver gang kommer det tallet fra én av tre svært ulike typer forsøk, som blandes systematisk sammen i offentlig omtale.

Det første nivået er eksamensspørsmål: flervalgsoppgaver fra amerikansk legeeksamen, med fasit og konstruerte svaralternativer. Her får moderne modeller over 90 prosent riktig. Det er en reell prestasjon, men det den måler er hvor godt modellen har memorert lærebokstoff.

Det andre nivået er kliniske vignetter – papirkasus. En ferdig strukturert tekst der all relevant informasjon allerede er samlet inn og sortert av en lege. Her er bildet blandet. I en randomisert studie av 50 amerikanske leger ga tilgang til GPT-4 en forskjell på to prosentpoeng i diagnostisk resonnement, som ikke var statistisk sikker (p = 0,60). Samme forskergruppe fant året etter 6,5 prosentpoeng da oppgaven var behandlingsvalg i stedet for diagnose. Effekten er oppgaveavhengig, ikke en generell «KI hjelper leger»-effekt.

Det tredje nivået er ekte pasientforløp. Uklar informasjon, uttalt og uuttalt, i sanntid, med konsekvenser. Her finnes det svært lite forskning – og den som finnes viser mye mer beskjedne effekter.

Det som skjedde da noen målte på ekte pasienter

I juni 2026 publiserte Nature Medicine den så langt største randomiserte studien av språkmodellbasert beslutningsstøtte i ekte drift: over 9 600 pasienter ved 16 primærhelseklinikker i Kenya, med verktøyet integrert i journalsystemet.

Resultatet på det primære utfallet: behandlingssvikt innen 14 dager var 2,2 prosent med KI mot 2,0 prosent uten – ingen statistisk sikker forskjell. Ingen forskjell i innleggelser, dødsfall eller pasienttilfredshet. Det som ble bedre, vurdert av et blindet legepanel, var dokumentasjonskvaliteten og behandlingsplanleggingen.

Den største randomiserte studien i ekte klinisk drift fant altså ingen effekt på hvordan det gikk med pasientene – bare på hvordan det ble skrevet ned. Forfatterne er åpne om at studien trolig var for liten til å fange små effekter, og anslår at det kan kreves over 100 000 pasienter fordi alvorlige utfall er sjeldne. Det er likevel noe ganske annet enn det man leser i markedsføringen.

Den andre studien verdt å kjenne brukte ekte journaler i stedet for kunstige kasus. I Nature Communications i 2024 ga GPT-modeller anbefalinger på 10 000 akuttmottaksbesøk: innleggelse, bildediagnostikk og antibiotika. Legenes treffsikkerhet lå på 78–83 prosent. GPT-4-turbo lå i snitt 8 prosentpoeng dårligere, og på innleggelsesbeslutninger 25 prosentpoeng dårligere. Feilretningen er verdt å merke seg: modellene var ikke uforsiktige, de var overforsiktige, og anbefalte tiltak for ofte. Det er også en risiko, men det er ikke den risikoen folk flest frykter.

MASAI: eksempelet på det som faktisk virker

Det finnes ett område der dokumentasjonen er sterk, og det er verdt å se nøye på, fordi det viser hva gevinsten faktisk består i.

MASAI-studien fra Sverige, med sluttresultater i The Lancet 30. januar 2026, randomiserte 105 934 kvinner til KI-støttet mammografiscreening eller vanlig dobbeltgranskning av to radiologer. Intervallkreft – kreft som dukker opp mellom to screeninger – var 1,55 per 1 000 med KI mot 1,76 uten. Forholdstallet var 0,88, altså 12 prosent færre, men med konfidensintervall fra 0,65 til 1,18 og p = 0,41. Studien var utformet for å vise at KI-støtte ikke var dårligere, ikke at den var bedre – og det var det den viste. Sensitiviteten steg fra 73,8 til 80,5 prosent uten at andelen falske positive økte.

Det viktigste tallet i MASAI er likevel et annet: granskningsarbeidet for radiologene falt med 44 prosent. Slik fungerte opplegget: KI sorterte undersøkelsene, de lavrisikomerkede ble lest av én radiolog i stedet for to, og de høyrisikomerkede gikk fortsatt til dobbeltgranskning. Hver eneste undersøkelse ble altså fortsatt lest av et menneske.

Det er den beste illustrasjonen som finnes på hva KI faktisk er god til i medisin: å avlaste, ikke å erstatte. I et land med radiologmangel er nesten halvert granskningsbyrde en betydelig gevinst. Den gevinsten forutsetter at radiologen fortsatt er der.

Like selvsikker når den tar feil

En egenskap ved språkmodeller gjør feilene farligere enn feilraten alene tilsier: modellen høres like sikker ut uansett om den har rett. Det er direkte målt. I en studie fra 2026 ble 48 språkmodeller testet på 300 gastroenterologiske eksamensspørsmål. Nøyaktigheten varierte fra 30,3 til 81,5 prosent. Den selvrapporterte sikkerheten varierte fra 7,99 til 9,58 på en skala fra 0 til 10. En modell som svarte riktig på tre av ti spørsmål, oppga altså omtrent like høy sikkerhet som en som svarte riktig på åtte av ti. Bare 5 av 48 klarte å skille sine egne riktige svar fra sine egne gale bedre enn tilfeldig.

Hvorfor «les gjennom først» ikke er nok

Den vanligste beroligelsen i debatten er at et menneske uansett kontrollerer. Det er et godt prinsipp, men dårligere dokumentert enn det høres ut.

I en tysk studie i Radiology vurderte 27 radiologer mammogrammer med KI-forslag. De ti første forslagene var riktige, slik at tilliten rakk å bygge seg opp. Deretter var noen bevisst feil:

Fenomenet kalles automasjonsskjevhet, og det er eldre enn språkmodellene. Det som er nytt, er hvor godt det nå er målt. En randomisert studie av 44 leger, alle med opplæring i KI-bruk, viste at diagnostisk treffsikkerhet falt fra 84,9 til 73,3 prosent når anbefalingene inneholdt bevisst innlagte feil. KI-kompetanse beskyttet ikke.

Det betyr at «les gjennom før du signerer» ikke er en tilstrekkelig kontroll. Faren er ikke at ingen leser utkastet. Faren er at man leser det og finner det rimelig – fordi det er rimelig formulert. Og automasjonsskjevhet rammer hardest under tidspress, som er nøyaktig den situasjonen verktøyene selges inn for å avhjelpe. Hva som faktisk fungerer som kontroll, går vi gjennom i artikkelen om hvordan behandlere kan bruke KI.

Modellene svarer også når bildet er borte

Et av de mest oppsiktsvekkende og minst omtalte funnene kom i Nature Medicine i 2026. Forskere fra Microsoft Research og Scripps stresstestet frontmodellene på seks medisinske bildeoppgaver – og fjernet så bildet.

De fleste modellene stilte diagnose likevel. Flere gjenga til og med samme svar som da bildet var der. De gjettet riktig uten den avgjørende inndataen, fordi de brukte snarveier i selve oppgaveformatet – formuleringer, svaralternativer, statistiske mønstre – i stedet for medisinsk resonnement. Modellene ble også forvirret av små endringer i instruksjonen, og produserte det forfatterne kaller «overbevisende, men mangelfulle resonnementskjeder». Én modell, GPT-4o, nektet konsekvent å svare uten bildet.

Det er en ubehagelig påminnelse om hvor tynt grunnlaget under mange imponerende tall er: når en modell skårer høyt på en medisinsk bildeoppgave, vet vi ikke uten videre om den leste bildet.

Flaskehalsen er sjelden kunnskap

Bak spørsmålet «kan KI erstatte legen» ligger en antakelse: at kunnskap er det knappe godet i en konsultasjon. Hvis maskinen kan mer medisin enn legen, følger resten av seg selv.

Den antakelsen holder ikke, og det finnes et ganske direkte bevis. I en kontrollert studie skulle 1 298 vanlige mennesker – ikke helsepersonell – kjenne igjen en tilstand og avgjøre hvilket omsorgsnivå den krevde, i ti scenarier. Noen fikk hjelp av en språkmodell, noen ikke.

Modellene alene traff riktig tilstand i 94,9 prosent av kasusene. Deltakerne som brukte de samme modellene, traff i under 34,5 prosent – og gjorde det ikke bedre enn kontrollgruppen uten KI. Kunnskapen var i systemet hele tiden. Den kom ikke ut.

Det som manglet, var anamnesen: å få riktig informasjon inn, og riktig konklusjon ut til en person som skal handle på den. Det er den delen av jobben som ser enklest ut utenfra, og som er vanskeligst.

Legg så til et norsk funn som sjelden nevnes i KI-debatten. En registerstudie av 4 552 978 nordmenn på fastlegeliste fant at jo lenger man hadde hatt den samme fastlegen, jo lavere var risikoen – for legevaktbruk, for akutt innleggelse og for å dø. Mot ett års fastlegeforhold var oddsratio for død 0,75 (95 % KI 0,70–0,80) ved over 15 år. Studien er observasjonell, og friskere folk bytter kanskje sjeldnere fastlege, så årsakssammenheng er ikke bevist. Men gradienten er konsistent over tre uavhengige utfall.

Det som er målt til å henge sammen med lavere dødelighet i norsk allmennpraksis, er altså ikke diagnostisk presisjon. Det er at det er den samme personen over tid. Det er nøyaktig den egenskapen et system som starter tomt hver samtale, per definisjon ikke har.

Her hører en ærlig innvending hjemme: KI-svar vurderes gjentatte ganger som mer empatiske enn legesvar. I en norsk studie i Tidsskriftet ble GPT-4-svar på 192 helsespørsmål vurdert som mer empatiske, mer informative og mer nyttige enn legenes, av 344 vurderere med helsefaglig bakgrunn. Det er et reelt funn. Men det som måles er hvordan en tekst leses, ikke hva en relasjon gjør. En modell som alltid har tid, aldri er sliten og aldri avbryter, skriver mer empatisk tekst enn en travel lege. Det gjør den ikke til et forhold over femten år.

Løser KI personellmangelen?

Det sterkeste praktiske argumentet for KI i helsetjenesten handler ikke om diagnostikk, men om bemanning. Der er den norske analysen tydelig.

Helsepersonellkommisjonen (NOU 2023:4) slo fast at helse- og omsorgstjenestenes andel av arbeidsstyrken ikke kan øke vesentlig. Sektoren sysselsatte allerede over 400 000 personer, over 15 prosent av alle sysselsatte i Norge. Framskrivningen viste at etterspørselen etter årsverk i kommunal helse og omsorg ville øke med over 50 prosent fra 2019 til 2040 – over 100 000 årsverk – og kommisjonen konkluderte med at den veksten ikke lar seg realisere selv med full finansiering, fordi arbeidskraften ikke finnes.

Det gjør avlastende teknologi relevant. Men kommisjonen selv er nøktern: teknologi er ett av seks innsatsområder, og de skriver eksplisitt at erfaringene med ny teknologi er blandede. To ting til er verdt å ta med:

• Leger er ikke den gruppen det mangler mest av. SSBs framskrivninger peker mot mangel på sykepleiere og helsefagarbeidere, mens bildet for leger er nærmere balanse. Bemanningsargumentet treffer altså ikke først og fremst legeyrket.
• Produktivitetsgevinsten er ikke dokumentert. Den grundigste statusgjennomgangen som finnes, fra Peterson Health Technology Institute, fant at de fleste organisasjoner rapporterte ingen økning i antall pasientkonsultasjoner etter innføring av KI-journalverktøy. Flere ledere sier at økt gjennomstrømning heller ikke er ønsket, fordi det ville spise opp gevinsten på arbeidsmiljø.

Gevinsten som faktisk er dokumentert for journalassistenter, er på utbrenthet – ikke på tid eller kapasitet. Det er en reell gevinst, i en sektor der utbrenthet er et betydelig problem. Men det er en annen gevinst enn den som brukes i salgsargumentet.

Endringen har begynt – men ikke der folk tror

Mens debatten handler om diagnoser, har den faktiske endringen skjedd et helt annet sted: i dokumentasjonsarbeidet.

Helsedirektoratets helsepersonellundersøkelse, med 5 714 respondenter og datainnsamling høsten 2025, viser at over fire av ti norske fastleger regelmessig bruker verktøy som lager forslag til journalnotat fra lydopptak av konsultasjonen. Blant helsepersonell samlet var tallet 4 prosent. Kontrasten er i seg selv en historie: teknologien har spredt seg raskt i allmennpraksis, der den enkelte bestemmer selv, og langsomt i store virksomheter med innkjøpsprosesser.

De store utrullingene er også i gang. Helse Vest har prøvd ut «tale til sammendrag» med rundt 1 000 lisenser, og Helse Sør-Øst signerte kontrakter i mai 2026. Men legg merke til hvordan prosjektet selv oppsummerer erfaringene: «varierende resultater knyttet til faktisk spart tid», ulik effekt på arbeidstid og uklare økonomiske effekter. Det er påfallende nøkternt sagt av dem som selv innfører verktøyet.

Hva som gjelder rettslig, overrasker mange: KI-forordningen (EUs AI Act) gjelder ikke i Norge i dag. Den er ikke innlemmet i EØS-avtalen, og den norske KI-loven skal på ny høring høsten 2026 og først legges fram for Stortinget våren 2027. Det som binder en norsk behandler i dag er personvernforordningen, helselovgivningen, regelverket for medisinsk utstyr og Normen. Vi går grundig gjennom dette i artikkelen om regelverket for KI i helsetjenesten, og de praktiske grensene for hvilke pasientopplysninger som kan deles med KI i en egen artikkel.

Så: er dette den siste generasjonen?

Det ærlige svaret er nei – men ikke fordi ingenting endrer seg.

Det som endrer seg, og allerede har endret seg, er oppgavesammensetningen: referatskriving, granskning av normale bilder, koding, oppsummering, oversettelse. Det er der dokumentasjonen er best og gevinsten reell. Det er også der en ubehagelig bivirkning ligger, for rutineoppgavene er nettopp de som vedlikeholder ferdigheten. Én polsk studie fant at adenomdeteksjonsraten ved koloskopi uten KI falt fra 28,4 til 22,4 prosent etter at avdelingene hadde brukt KI i tre måneder. Studien er observasjonell og ikke gjentatt, så den skal ikke overtolkes – men avlæring er et reelt tema, ikke en fotnote.

Det som ikke endrer seg like fort, er kjernen: å hente ut informasjon fra en person som ikke vet hva som er viktig, undersøke henne, vekte usikkerhet, ta ansvaret for beslutningen, og være der neste gang. Ingen av dem er kunnskapsoppgaver i den forstand en språkmodell er god på kunnskap.

Det finnes per august 2026 ingen randomisert studie som viser at en språkmodell brukt i klinisk beslutningstaking gir bedre harde pasientutfall – ikke lavere dødelighet, ikke færre komplikasjoner, ikke færre innleggelser. Der harde utfall er målt, er resultatet nøytralt. Det kan endre seg. Men akkurat nå er det statusen, og den fortjener å bli sagt like tydelig som løftene.

Lurer du på om du kan stole på et svar du selv har fått av en chatbot, har vi en egen gjennomgang av hvordan du bruker KI som pasient – og hvor det svikter. Kortversjonen: det er et godt verktøy til å forberede spørsmål før timen hos behandler, og et dårlig verktøy til å avgjøre om noe haster.

Spørsmål og svar