Almen praksis i Europa er under betydeligt administrativt pres. Ventelister vokser, konsultationstider bliver kortere, og læger bruger en uforholdsmæssig stor del af deres arbejdsdag på dokumentation frem for direkte patientpleje. Kunstig intelligens-dokumentationsværktøjer, herunder ambient scribes, realtidstransskriptionsassistenter og automatiserede generatorer af journalnotater, bliver af leverandører og sundhedsteknologikommentatorer ofte præsenteret som en direkte løsning på dette problem. Alligevel er udbredelsen på tværs af europæisk primærsektor stadig påfaldende ujævn. Teknologien findes. Problemet, den hævder at løse, er reelt. Så hvorfor bruger flere læger den ikke?

Svaret er ikke simpel modstand. Når læger bliver spurgt direkte i undersøgelser, fokusgrupper og kvalitative interviews, fremkommer der et nuanceret sæt bekymringer, der er rationelle, specifikke og i vid udstrækning ikke adresseret af den nuværende generation af AI-dokumentationsprodukter. At forstå disse bekymringer er afgørende for alle, der er involveret i indkøb, implementering eller udvikling af AI-værktøjer til europæiske sundhedsmiljøer.

Implementeringsparadokset: "Jeg har ikke tid til at lære et nyt system lige nu"

Den mest umiddelbare barriere, læger beskriver, er også den mest kontraintuitive. Selve det problem, som AI-dokumentationsværktøjer er designet til at løse – den tunge administrative byrde – bliver ofte nævnt som grunden til, at læger ikke kan finde tid til at evaluere eller tage dem i brug.

En undersøgelse fra 2025 blandt 1.005 britiske praktiserende læger, publiceret i Digital Health, viste, at 75 procent stadig ikke brugte generative AI-værktøjer i klinisk praksis. Af dem, der brugte dem, anvendte kun 35 procent dem til dokumentation efter konsultation – den kerneanvendelse, som de fleste AI-dokumentationsleverandører sigter mod. Kritisk nok rapporterede 85 procent af de praktiserende læger, at deres arbejdsgiver ikke havde opfordret dem til at bruge generative AI-værktøjer, og 95 procent havde ikke modtaget professionel træning i, hvordan man bruger dem.

Dette er ikke en historie om læger, der har prøvet AI-værktøjer og afvist dem. Det er i høj grad en historie om læger, der aldrig har haft den institutionelle støtte til overhovedet at prøve dem. Uden beskyttet tid til evaluering, struktureret onboarding eller en udpeget person til at lede implementeringen, falder den kognitive belastning ved at tage et nyt system i brug udelukkende på de enkelte læger, der allerede arbejder på fuld kapacitet.

En kvalitativ undersøgelse af litauiske familielæger viste, at selv mindre ineffektivitet, herunder en 15 til 20 sekunders behandlingsforsinkelse i AI-genereret output, blev opfattet som et alvorligt problem i travle kliniske miljøer. Når hvert sekund af en konsultation tæller, vil ethvert værktøj, der skaber friktion – uanset hvor lille – sandsynligvis blive fravalgt.

Hvordan ved jeg, at det faktisk er nøjagtigt?

Tillid til nøjagtigheden af AI-genererede journalnotater er en vedvarende og reel bekymring. Praktiserende læger er ikke blot forsigtige for forsigtighedens skyld. De reagerer på et reelt ansvarsspørgsmål. Hvis en AI-assistent fejlrepræsenterer, hvad der blev sagt i en konsultation, eller genererer en unøjagtig klinisk kode, bærer lægen – ikke leverandøren – det juridiske og professionelle ansvar.

Ledsageartiklen til 2025-undersøgelsen blandt britiske praktiserende læger viste, at de praktiserende lægers åbne kommentarer samlede sig om temaer som ukendt territorium, ambivalens og bekymring for AI's rolle i kliniske opgaver. Mens 69 procent af de praktiserende læger mente, at AI ville forbedre dokumentationen – op fra 59 procent i 2024, hvilket tyder på, at holdningerne gradvist ændrer sig – halter adoptionen fortsat langt efter den udtrykte optimisme.

Royal College of General Practitioners' forskningsrapport fra december 2025 beskrev denne spænding direkte. Praktiserende læger i fokusgrupper advarede mod at overvurdere tidsbesparelsespotentialet ved AI-værktøjer og bemærkede, at hvis man "bruger tid på at tjekke ting i mange detaljer, kan tidsbesparelsesfordelene blive formindsket." Dette er en klinisk ansvarlig holdning. Hvis en praktiserende læge skal læse hvert AI-genereret notat ord for ord, før det underskrives, kan effektivitetsgevinsten være marginal eller ikke-eksisterende.

En italiensk undersøgelse fra 2025 om optimisme-videns-gabet blandt læger viste, at sundhedsprofessionelle generelt er positive over for AI, men mangler den specifikke viden, der er nødvendig for at vurdere dens pålidelighed i praksis – et gab, der gør meningsfuld og informeret adoption vanskelig.

Bekymringer om nøjagtighed gælder især for strukturerede data og kliniske koder. Fejl i fritekstnotater er én ting. Fejl i kodede diagnoser eller medicinregistre har konsekvenser for patientsikkerhed, henvisningsveje og datakvalitet på befolkningsniveau.

Hvad sker der med mine patienters data?

Datasikkerhed og databeskyttelse er særligt presserende i europæisk primærsektor, hvor GDPR-overholdelse er et juridisk krav snarere end en valgfri overvejelse. Når praktiserende læger spørger "Er dette overhovedet lovligt i mit land?", er de ikke obstruerende. De stiller et spørgsmål, som mange AI-dokumentationsleverandører ikke har besvaret tydeligt nok.

Ledsageundersøgelsen blandt britiske praktiserende læger viste, at læger specifikt udtrykte bekymring for "tredjeparter, der har adgang til patientdata" – en bekymring, der er velbegrundet, da de fleste AI-dokumentationsværktøjer behandler lyd eller tekst på cloud-infrastruktur, som kan være placeret uden for EU.

RCGP-rapporten viste, at praktiserende læger rejste spørgsmål om, hvor patientdata opbevares, om det bruges til kommercielle formål, og om deling af patientdata virkelig gavner de personer, hvis data bliver brugt. Dette er ikke hypotetiske bekymringer. De afspejler reel usikkerhed om, hvordan mange AI-værktøjer håndterer datalokation i EU og sekundær brug.

European General Practice Research Network keynote-artiklen om AI i europæisk primærsektor rejste yderligere bekymringer, der er specifikke for den europæiske forskningskontekst: dataejerskab, dataforurening og risikoen for datalækage – særligt relevant, når patientsamtaler behandles af tredjeparts AI-infrastruktur.

En større EU-bestilt undersøgelse om AI-implementering i europæisk sundhedsvæsen identificerede juridisk og regulatorisk kompleksitet som en af fire primære barrierekategorier og bemærkede, at både udbydere og patienter bekymrer sig om AI-pålidelighed og databeskyttelse. Rapporten viste, at de fleste EU-medlemsstater mangler klare refusionsveje for AI-værktøjer, og at adoption i øjeblikket er koncentreret på større akademiske hospitaler snarere end i primærsektoren, hvor datagovernance-infrastrukturen ofte er mindre udviklet.

Vores journalsystem er forældet – vil det overhovedet virke?

Integration med eksisterende journalsystemer er en praktisk begrænsning, som leverandører ofte undervurderer. I virkeligheden er IT-infrastrukturen i europæisk primærsektor meget forskelligartet, ofte forældet og sjældent designet med tredjeparts AI-integration for øje.

Den spanske proof-of-concept-undersøgelse fra Catalonien, som testede et AI-værktøj til generering af journalnotater kaldet "Relisten" i primærsektoren, afslørede netop disse friktionspunkter: integration med journalsystemets arbejdsgange, udfordringer med tidsmåling og vanskeligheder ved at sammenligne AI-genereret dokumentation med eksisterende standarder i virkelige kliniske miljøer.

EU-rapporten om AI-implementering i sundhedsvæsenet kategoriserede teknologiske og datamæssige problemer som en særskilt barrierekategori, adskilt fra regulatoriske eller organisatoriske bekymringer. Legacy-systemer i europæisk offentlig sundhedsvæsen – hvoraf mange ikke blev designet til at understøtte application programming interfaces eller acceptere struktureret input fra eksterne værktøjer – udgør en reel teknisk forhindring, der ikke kan løses på praksisniveau.

For praktiserende læger, der arbejder i offentlige sundhedsmiljøer, er beslutningen om at integrere et nyt AI-værktøj sjældent deres alene. Det kræver typisk IT-afdelingens involvering, indkøbsgodkendelse og i nogle tilfælde godkendelse fra nationale eller regionale sundhedsmyndigheder. Afstanden mellem en læge, der downloader en app, og et AI-værktøj, der formelt integreres i praksissens journalsystem, er betydelig.

Ingen i praksis har godkendt dette

Individuel klinisk interesse for AI-dokumentationsværktøjer fører ikke automatisk til institutionel adoption. Mange praktiserende læger beskriver en situation, hvor de personligt er nysgerrige på AI-assistenter, men møder organisatoriske eller ledelsesmæssige barrierer, der forhindrer dem i at gå videre.

2025-undersøgelsen blandt britiske praktiserende læger gør dette strukturelle problem tydeligt: 85 procent af de praktiserende læger sagde, at deres arbejdsgiver ikke havde opfordret dem til at bruge generative AI-værktøjer, og 95 procent havde ikke modtaget professionel træning. Dette er ikke et billede af en arbejdsstyrke, der har fået tilbudt AI-værktøjer og har afvist dem. Det er et billede af en arbejdsstyrke, der i vid udstrækning er blevet overladt til selv at navigere AI-adoption uden institutionel støtte.

Den tyske undersøgelse af lægers holdninger fra RWTH Aachen University viste, at på trods af entusiasme blandt enkelte læger forblev klinisk integration begrænset på grund af bekymringer om brugervenlighed, etiske implikationer og lægeaccept. Undersøgelsen opfordrede eksplicit til standardiserede implementeringsstrategier frem for at overlade adoptionen til individuel initiativ.

Governance-bekymringer omfatter også spørgsmål om klinisk ansvar. Hvis et AI-genereret notat indeholder en fejl, hvem er så ansvarlig? Hvis et værktøj ikke er blevet formelt godkendt af praksissens kliniske leder eller af en national regulerende myndighed, kan enkelte praktiserende læger være tilbageholdende med at bruge det – selv hvis de tror, det ville hjælpe – netop fordi ansvarsrammen er uklar.

Jeg har set for mange værktøjer komme og gå

Læger har oplevet flere bølger af sundhedsteknologiske løfter, fra journalsystemimplementeringer, der tog år at stabilisere, til kliniske beslutningsstøtteværktøjer, der blev påbudt og derefter stille og roligt opgivet. Denne historie præger, hvordan de vurderer nye værktøjer.

European General Practice Research Network keynote-artiklen bemærkede direkte, at tempoet i AI-integration overgår den tilgængelige evidens, der understøtter dens effektivitet og sikkerhed. For læger, der er trænet til at vurdere interventioner ud fra evidens, er dette en reel bekymring. Et værktøj, der har vist sig at reducere dokumentationstid i et leverandørsponsoreret pilotstudie, er ikke det samme som et værktøj med en solid evidensbase fra uafhængig evaluering i praksis.

Den polske mixed-methods-undersøgelse viste, at AI-adoption forbliver begrænset på grund af modvilje mod forandring, misforståelser og videnshuller. Den bemærkede også, at bekymringer om jobfortrængning stort set er aftaget, og at AI i stigende grad ses som et supplement snarere end en erstatning for læger. Dette er fremskridt, men det fører ikke automatisk til tillid til konkrete værktøjer.

Den PubMed-indekserede undersøgelse af primærsektorens læger om klinisk beslutningsstøtte til HIV-præ-eksponeringsprofylakse viste, at selv når læger vurderede et værktøj som relevant og nyttigt, blev adoptionen hæmmet af barrierer i arbejdsgange og brugervenlighed – hvilket understreger, at oplevet værdi og faktisk adoption ikke er det samme. Dårligt understøttede udrulninger, mangelfuld forandringsledelse og værktøjer, der ikke passer til reelle arbejdsgange, har efterladt en rest af skepsis, som nye AI-dokumentationsprodukter må håndtere.

Jeg er ikke sikker på, at det faktisk ville hjælpe mit workflow

Selv praktiserende læger, der er åbne over for AI-dokumentationsværktøjer, udtrykker ofte tvivl om, hvorvidt eksisterende produkter er designet til deres faktiske arbejdsgange. Europæisk primærsektor omfatter en bred vifte af konsultationsformater, sprog og dokumentationskrav, der ikke altid matcher de brugsscenarier, AI-værktøjer er udviklet til.

RCGP-rapporten viste, at praktiserende læger identificerede administration som et nøgleområde, hvor AI kunne hjælpe. Deres fokusgrupper afslørede dog også skepsis om, hvorvidt AI-værktøjer kan levere på det løfte i praksis – især i forhold til den tid, der kræves for at verificere AI-genereret indhold.

European General Practice Research Network keynote-artiklen fremhævede, at den praktiske værdi af AI-værktøjer i høj grad afhænger af lægers prompt engineering-færdigheder – et kompetencegab, som de fleste praktiserende læger ikke har fået træning i at håndtere. Et AI-dokumentationsværktøj, der kræver omfattende konfiguration eller prompting for at give brugbare resultater, er ikke egnet til den tidspressede virkelighed i en konsultation hos en praktiserende læge.

Videokonsultationer tilføjer yderligere kompleksitet. Ambient Voice Technology, der er udviklet til fysiske konsultationer, fungerer muligvis ikke pålideligt i telefon- eller videotriage. Flersprogede patientinteraktioner – almindelige i urbane europæiske praksis – skaber yderligere udfordringer med transskriptionsnøjagtighed og notatkvalitet. Den litauiske kvalitative undersøgelse viste, at læger forblev skeptiske over for AI's pålidelighed og effektivitet, med tillid, databeskyttelse og lægeautonomi som vedvarende bekymringer – bekymringer, der forstærkes, når værktøjet opleves som ikke helt tilpasset den kliniske kontekst.

AI-parathedsstudiet af unge europæiske familielæger publiceret i Annals of Family Medicine vurderede parathed på tværs af fire dimensioner – kognition, evne, vision og etik – og fandt betydelig variation mellem landene, hvilket tyder på, at adoptionsgabet ikke er ensartet og formes af både strukturelle og individuelle faktorer.

Hvad koster det, og hvem betaler for det?

Budgetusikkerhed er en væsentlig og ofte overset barriere, især i europæiske offentlige sundhedssystemer, hvor indkøbsbeslutninger er underlagt regler og centrale finansieringsbegrænsninger.

EU-rapporten om AI-implementering i sundhedsvæsenet viste, at de fleste EU-medlemsstater mangler refusionsveje for AI-værktøjer, og at organisatoriske og finansielle forhindringer udgør en af de fire primære barrierekategorier for AI-adoption i europæisk sundhedsvæsen. Uden en klar mekanisme til finansiering af AI-dokumentationsværktøjer – hvad enten det er gennem nationale sundhedsbudgetter, forbrug på praksisniveau eller refusion fra forsikringsselskaber – er de enkelte praksis overladt til at bære omkostninger, der kan være svære at retfærdiggøre i ressourcemæssigt pressede miljøer.

Prismodeller for AI-dokumentationsværktøjer varierer betydeligt og er ikke altid gennemsigtige. Abonnementsbaserede modeller, gebyrer pr. konsultation og enterprise-licensaftaler skaber hver især forskellige økonomiske dynamikker for praksis af forskellig størrelse. I blandede sundhedssystemer, hvor praktiserende læger kan se både offentligt og privat finansierede patienter, tilføjer spørgsmålet om, hvilke konsultationer der falder under hvilken priskategori, yderligere kompleksitet.

Den kvalitative britiske patientundersøgelse om AI i primærsektoren for patienter med flere kroniske tilstande viste, at implementeringsudfordringer og acceptfaktorer er tæt forbundne, og at finansielle og organisatoriske barrierer spiller sammen med kliniske og sociale forhold på måder, der gør adoption til en systemudfordring snarere end et individuelt valg.

Hvad disse indvendinger faktisk fortæller os om adoption

De bekymringer, europæiske praktiserende læger rejser om AI-dokumentationsværktøjer, er ikke et katalog over irrationel modstand. De udgør et sammenhængende sæt spørgsmål om tillid, relevans, governance og støtte – spørgsmål, som den nuværende generation af AI-dokumentationsprodukter og de sundhedssystemer, der skal implementere dem, endnu ikke har besvaret overbevisende nok til at drive bred adoption.

Barriererne kan opdeles i fire overordnede kategorier:

• Tillid og nøjagtighed: Læger skal have tillid til, at AI-genererede notater er pålidelige nok til at underskrive uden omfattende gennemgang, og at fejl i strukturerede data og kliniske koder ikke skaber risiko for patientsikkerheden

• Datagovernance: GDPR-overholdelse, datalokation i EU og klarhed om sekundær databrug er ufravigelige krav for europæiske læger, der arbejder under forskellige nationale lovgivninger

• Integration og relevans: Værktøjer, der ikke kan integreres pålideligt med eksisterende journalsystemer, eller som ikke er designet til de specifikke konsultationsformater og sproglige forskelligheder i europæisk primærsektor, vil ikke blive taget i brug – uanset deres tekniske muligheder

• Institutionel parathed: Individuel lægeinteresse er ikke nok – adoption kræver arbejdsgiverens opbakning, professionel træning, governance-rammer og i mange tilfælde central finansiering eller refusionsveje

2025-undersøgelsen blandt britiske praktiserende læger, der viste, at 95 procent af de praktiserende læger ikke havde modtaget professionel træning i generative AI-værktøjer, er måske det vigtigste datapunkt for alle, der ønsker at forstå, hvorfor adoptionen stadig er lav. Det tyder på, at det primære gab ikke ligger i lægernes holdninger – som bliver mere positive – men i den institutionelle infrastruktur, der kræves for at understøtte ansvarlig og informeret adoption.

For sundhedssystemledere og indkøbsansvarlige er implikationen, at opbygning af en business case for implementering af AI-dokumentationsværktøjer ikke primært er et teknologisk problem. Det er et implementeringsproblem – et der kræver investering i træning, governance, integrationsstøtte og klar kommunikation om datahåndtering, før læger med rimelighed kan forventes at ændre deres arbejdsgange.

Ofte stillede spørgsmål

▶ Hvorfor bruger flere europæiske praktiserende læger ikke AI-dokumentationsværktøjer?

Evidensen tyder på, at hovedbarrieren ikke er modstand mod teknologien. En undersøgelse fra 2025 blandt 1.005 britiske praktiserende læger viste, at 85 procent ikke havde fået opbakning fra deres arbejdsgiver til at bruge generative AI-værktøjer, og 95 procent havde ikke modtaget professionel træning. De fleste praktiserende læger har ikke haft den institutionelle støtte, der er nødvendig for overhovedet at prøve disse værktøjer.

▶ Hvad siger praktiserende læger om nøjagtigheden af AI-genererede journalnotater?

Nøjagtighed er en vedvarende og praktisk bekymring. Hvis en praktiserende læge skal læse hvert AI-genereret notat grundigt, før det underskrives, kan tidsbesparelsen være minimal. Fejl i strukturerede data og kliniske koder medfører risiko for patientsikkerhed og henvisningsveje. Lægen – ikke leverandøren – har det juridiske og professionelle ansvar for, hvad der kommer ind i journalen.

▶ Hvordan påvirker GDPR og databeskyttelse adoptionen af AI-dokumentationsværktøjer i Europa?

GDPR-overholdelse er et juridisk krav for europæiske læger, ikke en valgfri overvejelse. Praktiserende læger har rejst konkrete bekymringer om tredjeparter, der får adgang til patientdata, hvor data opbevares, om det bruges til kommercielle formål, og om patienter reelt får gavn af at dele deres data. Mange AI-dokumentationsværktøjer behandler lyd eller tekst på cloud-infrastruktur, der kan være placeret uden for EU, hvilket skaber reel usikkerhed om datalokation og sekundær brug.

▶ Hvorfor forårsager integration med eksisterende journalsystemer problemer?

Europæisk primærsektor kører på forskelligartet, ofte forældet IT-infrastruktur, der ikke er udviklet med henblik på tredjeparts AI-integration. Mange legacy-systemer i det offentlige sundhedsvæsen understøtter ikke application programming interfaces eller accepterer struktureret input fra eksterne værktøjer. For praktiserende læger i offentlige sundhedsmiljøer kræver integration af et nyt AI-værktøj typisk IT-afdelingens involvering, indkøbsgodkendelse og nogle gange godkendelse fra nationale eller regionale sundhedsmyndigheder.

▶ Hvilke organisatoriske barrierer forhindrer individuelle praktiserende læger i at tage AI-værktøjer i brug?

Personlig interesse for AI-dokumentationsværktøjer fører ikke automatisk til adoption på praksisniveau. Uden arbejdsgiverens opbakning, professionel træning og klare governance-rammer er de enkelte læger overladt til at navigere adoptionen alene, mens de allerede arbejder på fuld kapacitet. En tysk undersøgelse fra RWTH Aachen University viste, at klinisk integration forblev begrænset på trods af individuel entusiasme og opfordrede eksplicit til standardiserede implementeringsstrategier.

▶ Afskrækker den tid, det tager at lære et nyt AI-værktøj, praktiserende læger fra at bruge det?

Ja, og det er et kontraintuitivt problem. Den administrative byrde, som AI-dokumentationsværktøjer er udviklet til at reducere, bliver selv nævnt som grunden til, at læger ikke kan finde tid til at evaluere eller tage dem i brug. En kvalitativ undersøgelse af litauiske familielæger viste, at selv en 15 til 20 sekunders behandlingsforsinkelse i AI-genereret output blev opfattet som et alvorligt problem i travle kliniske miljøer.

▶ Er AI-dokumentationsværktøjer faktisk designet til, hvordan europæiske praktiserende læger arbejder?

Mange praktiserende læger tvivler på det. Europæisk primærsektor omfatter en bred vifte af konsultationsformater, sprog og dokumentationskrav. Ambient Voice Technology udviklet til fysiske konsultationer fungerer muligvis ikke pålideligt i telefon- eller videotriage. Flersprogede patientinteraktioner – almindelige i urbane europæiske praksis – skaber yderligere udfordringer med transskriptionsnøjagtighed. European General Practice Research Network har også bemærket, at den praktiske værdi af AI-værktøjer i høj grad afhænger af lægers prompt engineering-færdigheder – et kompetencegab, som de fleste praktiserende læger ikke har fået træning i at håndtere.

▶ Hvem betaler for AI-dokumentationsværktøjer i europæisk offentlig sundhedsvæsen?

Finansiering er en væsentlig og ofte overset barriere. En større EU-bestilt undersøgelse om AI-implementering i europæisk sundhedsvæsen viste, at de fleste EU-medlemsstater mangler klare refusionsveje for AI-værktøjer, og at organisatoriske og finansielle forhindringer er blandt de fire primære barrierekategorier for adoption. Uden en mekanisme til finansiering af disse værktøjer gennem nationale sundhedsbudgetter, forbrug på praksisniveau eller forsikringsrefusion er de enkelte praksis overladt til at bære omkostninger, der kan være svære at retfærdiggøre i ressourcemæssigt pressede miljøer.

▶ Hvad ville faktisk drive bredere adoption af AI-dokumentationsværktøjer i primærsektoren?

Evidensen peger på et implementeringsgab snarere end et holdningsgab. Lægers holdninger bliver mere positive, med 69 procent af britiske praktiserende læger, der i 2025 mener, at AI ville forbedre dokumentationen – op fra 59 procent i 2024. Det, der mangler, er den institutionelle infrastruktur til at understøtte ansvarlig adoption: arbejdsgiverens opbakning, professionel træning, klar datagovernance, pålidelig integration med eksisterende journalsystemer og i mange tilfælde central finansiering eller refusionsveje.