IA genérica no hospital: por que contratar OpenAI ou Anthropic não basta

A IA genérica no hospital virou tentação: os modelos da OpenAI e da Anthropic já têm versões para a saúde, com contratos de privacidade e auditoria.^[1][2] Mas, no ciclo de receita, o resultado depende de integração com os sistemas do hospital, das regras de cada operadora e de quem responde pelo erro, e um modelo usado sem essa estrutura ainda abre novas portas para vazamento de dados de pacientes.

Os modelos da OpenAI e da Anthropic servem para a saúde?

Servem, e já têm versões próprias para o setor. Em janeiro de 2026, a OpenAI lançou o OpenAI for Healthcare, com contrato de associado de negócios exigido pela lei americana de privacidade em saúde (BAA), registros de auditoria, opção de residência dos dados e o compromisso de não treinar modelos com o conteúdo dos clientes.^[1] Dias depois, a Anthropic anunciou o Claude for Healthcare, com ferramentas para autorização prévia, recursos de negativa e coordenação do cuidado.^[2]

O Claude passou a se conectar à base de cobertura do CMS, o órgão que administra o Medicare, à tabela CID-10 e ao registro nacional de prestadores dos EUA.^[3] Não é pouca coisa, e qualquer crítica séria precisa começar reconhecendo isso.

Meu ponto é outro. O modelo de linguagem é uma camada, não a solução. Essas conexões são americanas: não há conector nativo para o padrão TISS, para a tabela TUSS, para o contrato de cada operadora brasileira ou para o sistema de gestão do hospital, seja ele Tasy, MV ou outro. É exatamente aí que a glosa nasce.

Por que um modelo genérico não resolve o faturamento?

Porque o problema do faturamento não é falta de inteligência, é falta de contexto. O estudo do MIT sobre IA generativa nas empresas, de 2025, atribuiu o fracasso dos projetos não à qualidade dos modelos, mas a um déficit de aprendizado: ferramentas genéricas funcionam bem para o indivíduo, mas travam no uso corporativo porque não aprendem com os fluxos da empresa nem se adaptam a eles.^[4]

O mesmo estudo ficou conhecido pela manchete de que 95% dos pilotos fracassam, número muito criticado pela metodologia. O dado que me parece mais útil é outro: comprar de fornecedores especializados deu certo em cerca de 67% dos casos, enquanto as construções internas tiveram cerca de um terço desse sucesso.^[5]

No hospital, contexto quer dizer as regras contratuais de cada operadora, a tabela negociada, o histórico de glosas, a integração com o prontuário e alguém que responda pelo resultado financeiro. Nada disso vem dentro de uma assinatura de chatbot.

Quanto um modelo de linguagem erra na codificação?

Erra o bastante para gerar glosa, quando trabalha sem apoio. Em relatórios de cirurgia, modelos de linguagem inventaram códigos de procedimento plausíveis, mas inexistentes, com taxas de alucinação de 7% a 15%.^[6] Num estudo de 2026 com a mesma tarefa, o GPT-5 sem contexto adicional acertou apenas 44% dos códigos.^[9]

O exemplo mais didático vem de outra pesquisa: o modelo leu um exame de hemoglobina como hemoglobina glicada e atribuiu ao paciente, sem base, um código de diabetes.^[8] Num faturamento, isso é conta errada; num prontuário, é informação clínica falsa.

A boa notícia é que a arquitetura corrige boa parte do problema. Com o GPT-3.5 sozinho, a codificação CID-10 de 100 condições acertou 6%; com um sistema que primeiro busca os códigos candidatos e depois pede ao modelo para escolher, acertou 100%.^[7] O estudo usou termos simples, não prontuários reais, mas o recado vale: o que faz a diferença é o sistema em volta do modelo.

Quais riscos de segurança a IA genérica traz ao hospital?

Traz três riscos novos, somados aos que o setor já tem. O primeiro é a IA de sombra: funcionários colando dados de pacientes em ferramentas não autorizadas. Segundo o relatório anual da IBM, 20% das organizações tiveram violações ligadas a esse uso, e nas que mais usam IA sem controle o custo médio do incidente subiu US$ 670 mil. A saúde tem a violação mais cara pelo 14º ano seguido, US$ 7,42 milhões em média, com 279 dias para conter.^[10]

O segundo é a injeção de instruções. Injeção de prompt e vazamento de informação sensível lideram a lista da OWASP de vulnerabilidades em aplicações de modelos de linguagem, que também inclui a agência excessiva, quando um agente age além dos limites que deveria ter.^[11] Pesquisadores mostraram que agentes de IA médicos podem ser manipulados por instruções escondidas em páginas da web para vazar o histórico de conversas e dados de pacientes.^[12] Um agente que lê PDFs de prontuário, e-mails de operadoras e portais de glosa passa o dia exposto a esse tipo de texto.

O terceiro é a concentração. O ataque à Change Healthcare, em 2024, afetou financeiramente 94% dos hospitais americanos, e um terço deles teve mais da metade da receita interrompida.^[13] Pôr todo o fluxo de receita num único ponto sem governança é risco de continuidade, com ou sem IA.

No Brasil, o alvo já é grande: instituições de saúde sofreram em média 3.167 ataques por semana em 2025, cerca de 37% acima da média global, segundo a Check Point.^[16]

O que a LGPD e o CFM exigem de quem usa IA com dados de pacientes?

Exigem base legal, controle e registro. Pela LGPD, dado de saúde é dado pessoal sensível, e o compartilhamento desse dado para obter vantagem econômica é, como regra, vedado.^[14] Mandar prontuários para a nuvem de um fornecedor no exterior é transferência internacional, que só pode ocorrer nas hipóteses do artigo 33 da lei, como cláusulas contratuais específicas.^[14]

A fiscalização é real. A ANPD abriu processo de sanção contra uma organização social de saúde depois de um ataque de ransomware que expôs dados de cerca de 500 mil pacientes.^[15] E a Resolução CFM 2.454/2026 passou a classificar os sistemas de IA usados na medicina por nível de risco e a exigir o registro, no prontuário, do uso da ferramenta e da revisão humana.^[17]

O que o hospital deve exigir antes de usar IA no ciclo de receita?

Deve exigir as mesmas garantias que pediria a qualquer parceiro que toca dinheiro e dado de paciente. A minha lista mínima:

• Contrato de operador de dados nos termos da LGPD e, para operações nos EUA, o BAA.
• Residência dos dados definida e compromisso de não usar o conteúdo para treinar modelos.
• Registros de auditoria e controle de acesso por função.
• Uma pessoa responsável por toda decisão de cobrança, recurso ou cancelamento.
• Testes contra injeção de instruções antes de o agente ler documentos externos.
• Política clara contra o uso de ferramentas de IA não autorizadas.
• Responsabilidade contratual do fornecedor pelo resultado financeiro prometido.

Nenhum desses itens depende de qual modelo está por baixo. A escolha entre OpenAI, Anthropic ou outro fornecedor importa menos do que a integração, as regras e a governança que o hospital põe em volta dele.