Klinisk champion vurderer å slutte — ingen av leverandørene hjelper henne.
Torbjørn Aas-Lie, 47 — Digitaliseringsdirektør
Helse Vest RHF, Bergen. Kom fra McKinsey til rollen for 3 år siden. Har bakgrunn fra prosessindustri (Equinor konsulent) — ser på helseforetak som en underoptimalisert industrioperasjon. Driver nå et ambisiøst AI-pilotprogram i samarbeid med Haukeland Universitetssykehus.
helsedigitaliseringEPJ
foredlet
persona
Gemma2:9b→Haiku 4.5→Sonnet 4.6
· 3-lags foredling · open weight → scoring → destillering
Situasjon
Torbjørn fikk budsjettgodkjenning for et politisk synlig AI-pilotprogram. Godkjenningen kom med en uformell forventning om synlige resultater innen ett år. Det vet han. Legen som er klinisk champion er den eneste som kan gi prosjektet klinisk legitimitet i offentligheten — og overfor klinikerne i akuttmottaket som er skeptiske. Hvis hun slutter, er prosjektet teknisk mulig men politisk umulig å forsvare. Torbjørn har ikke hatt en direkte, ærlig samtale med henne om hva hun faktisk trenger for å bli. Han frykter at svaret er noe han ikke kan levere innen tidsplanen — og at spørsmålet i seg selv vil avdekke at han ikke har lyttet.
Det du sier i møtet vs. det som faktisk skjer
AI-assistert triage er det riktige første AI-prosjektet for akuttmottak.
AI-assistert dokumentasjon (automatisk journalnotat fra diktat, strukturert epikrise) gir raskere gevinst, lavere MDR-risiko og direkte svar på det klinikerne faktisk klager på. Triage er politisk attraktivt fordi det høres dramatisk og innovativt ut — ikke fordi det er det riktige kliniske startpunktet.
Styresekretærens bekymringer er et kommunikasjonsproblem.
Styresekretæren har lest Datatilsynets veileder for AI i helse (2023) og Helse- og omsorgsdepartementets strategi for kunstig intelligens (2023-2030). Hun spør om ansvarskjede ved AI-feil i akuttmottak. Det er et riktig spørsmål som ingen i prosjektet har svart på ennå.
Tre leverandørtilbud gir oss forhandlingsmakt.
Torbjørn forhandler med alle tre simultant uten definerte kliniske suksesskriterier, ansvarskjede eller evalueringsprotokoll. Leverandørene vet dette og presenterer alle seg som best-of-breed. Ingen har dokumentert klinisk effekt i norsk akuttmottak-kontekst. Torbjørn har ikke forhandlingsmakt — han har forvirring.
Blindsoner — hva en sverm-analyse avdekker
Klikk for å lese mer
Under helsepersonelloven § 4 (forsvarlig virksomhet) og § 39-40 (journalplikt) har legen personlig ansvar for alle beslutninger — uansett hva AI-systemet foreslår. Ingen av de tre leverandørene Torbjørn forhandler med (Philips HealthSuite, norsk startup, intern utvikling) har klargjort ansvarskjeden ved feil. Det er ikke styresekretærens kommunikasjonsproblem — det er et ubesvart juridisk og klinisk spørsmål som blokkerer implementering.
Klikk for å lese mer
Torbjørn ser helseforetak som underoptimaliserte industrioperasjoner. Men triageringslogikken i Haukeland er allerede algoritmisk (NEWS2, Manchester Triage System). AI-verktøyet legger ikke til triageringslogikk — det legger til administrativ støtte. Det er et annet produkt enn det som ble godkjent, med lavere klinisk gevinst og høyere politisk eksponering.
Klikk for å lese mer
Legen som er klinisk champion bruker 40% av vakttid på dokumentasjon og administrativt arbeid. Hun ble lovet at AI-prosjektet ville redusere det. Ingen av de tre leverandørløsningene Torbjørn vurderer adresserer dokumentasjonsbyrden. Torbjørn tror hennes frustrasjon handler om faglig uenighet om AI. Den handler om løftebrudd.
Slik ville Torbjørn Aas-Lie brukt sverm
sverm ny: Du er Torbjørn Aas-Lie, 47 år, Digitaliseringsdirektør i Helse Vest RHF. Kom fra McKinsey. Har nettopp fått godkjent budsjett for AI-assistert triagering i akuttmottak på Haukeland. Tre leverandørforhandlinger pågår simultant (Philips HealthSuite, norsk startup, intern utvikling). Klinisk champion vurderer å slutte. Styresekretæren spør om ansvar etter AI-feil i USA. Hva er den egentlige risikoen i dette prosjektet?
Denne persona-profilen er generert av Gemma2 (open weight, lokal), scoret av Haiku, og foredlet av Sonnet 4.6. Alt åpent, alt transparent.
Hvordan sverm-analyser lages