Abridge s GPT-5.5 želi liječniku dati manje šuma, a više provjerljivog konteksta

OpenAIjev novi video s Chaitanyom Asawom iz Abridgea pokazuje smjer u kojem se klinička umjetna inteligencija realno kreće: manje spektakla, više operativne gustoće. Tema nije još jedan generički chatbot za zdravstvo, nego sustav koji u trenutku skrbi pokušava povezati ono što liječnik već ima pred sobom: razgovor s pacijentom, prethodni kontekst i medicinske informacije koje treba brzo razumjeti.

Prema OpenAIjevom videu, Abridge koristi GPT-5.5 za sintezu pacijentova konteksta, kliničkog razgovora uživo i relevantnih informacija kroz snažnije rezoniranje i korištenje alata. To je važna razlika. U medicini sirovi volumen podataka često ne pomaže; može samo povećati pritisak. Koristan sustav mora znati što izvući, kako povezati i gdje ostaviti trag koji liječnik može provjeriti.

Abridge je već pozicioniran oko dokumentiranja kliničkih razgovora, ali ovaj primjer ide dalje od urednog sažetka nakon pregleda. Naglasak je na točki odlučivanja, kada dodatni kontekst može biti koristan samo ako je dovoljno precizan, sažet i relevantan. Upravo zato je zanimljivo što se u opisu ističu rezoniranje i alatna uporaba, a ne samo generiranje teksta. Model koji zna strukturirati pitanje, pozvati pravi izvor ili složiti kontekstualni pregled ima drukčiju ulogu od modela koji samo prepričava transkript.

To ne znači da je klinička odluka automatizirana. Iz dostupnog materijala nema temelja za takav zaključak, a bilo bi opasno i urednički nepošteno gurati priču u tom smjeru. Precizniji opis je da GPT-5.5, predstavljen kroz OpenAIjevu stranicu Build with GPT-5.5, služi kao inteligentni sloj za organiziranje konteksta oko rada liječnika. Ako je izvedba dobra, liječnik dobiva manje rasutih fragmenata i više smislenih veza.

Ovdje je i tvrda granica cijele kategorije. Klinička podrška odlučivanju mora biti objašnjiva u praktičnom smislu: odakle dolazi informacija, što je izravno rečeno u razgovoru, što proizlazi iz povijesti pacijenta, a što je zaključak modela. Bez te razlike, “više konteksta” vrlo brzo postaje samo uvjerljivije zapakiran rizik.

Zato je Abridgeov primjer bitan, ali ne zato što obećava čarobni medicinski autopilot. Bitan je jer pokazuje kako se modeli poput GPT-5.5 mogu seliti iz općih demonstracija u radne tokove gdje su gustoća informacije, provjerljivost i vrijeme reakcije stvarni parametri. U zdravstvu se AI ne mjeri samo time koliko dobro piše. Mjeri se time pomaže li stručnjaku da vidi relevantno bez gubitka kontrole nad odlukom.