Ha egy állam algoritmussal dönti el, mennyit „bírsz el” egészségügyre, az két dolgot ígér: igazságosságot és hatékonyságot. Kenyában most épp az ellenkezőjét látni: sokaknak drágább lett a hozzáférés ott, ahol a legolcsóbbnak kellett volna lennie.

Mi történt

Kenya 2024 októberében országos egészségügyi reformot indított, amely a régi nemzeti biztosítási rendszert váltaná le. A cél kifejezetten az volt, hogy az informális gazdaságban dolgozók – napszámosok, utcai árusok, kisgazdák, nem bérből élők – is kiszámítható, megfizethető közfinanszírozott ellátáshoz jussanak.

A rendszer a lakosság egészségbiztosítási hozzájárulását egy „AI-alapú” megoldással számolja. A gyakorlatban ez nem a ChatGPT-hez hasonló, szöveget értő generatív MI, hanem egy prediktív gépi tanulási algoritmus: sok kérdésből és jelből próbálja megbecsülni, mennyit keres egy háztartás, és ebből képez díjat.

A terepen ez úgy néz ki, hogy regisztrátorok telefonos kérdőíven keresztül sokszor kellemetlenül részletes kérdéseket tesznek fel (például a vécé típusáról, a tető anyagáról, tulajdonról). A válaszok után az algoritmus kiszámolja az éves fizetendő összeget. A feltárt problémák lényege: a legszegényebbek jövedelmét rendszeresen túlbecsüli (így túl magas díjat kapnak), a tehetősebbekét pedig alábecsüli (így kevesebbet fizetnek, mint kellene). A kritikák szerint a képlet hibás, és a működése alig átlátható.

Miért fontos

Az egészségbiztosításnál a „rossz besorolás” nem adminisztratív kellemetlenség, hanem ellátási kockázat. Ha valakit a rendszer a valóságosnál tehetősebbnek gondol, olyan díjat kaphat, ami a bevétele 10–20%-át is elviheti – ez a mindennapi megélhetésből vesz el. És mivel a nem fizetők ellátásból való kizárást vagy nagy kórházi számlát kockáztatnak, a hiba könnyen azt jelenti: halogatott kezelés, elmaradó vizsgálatok, végül súlyosabb állapot és magasabb összköltség. Gondolj rá úgy, mint egy rosszul kalibrált mérlegre: nemcsak pontatlan, de következményei vannak annak, hogy kit „mér nehezebbnek”.

Mire figyelj

  1. Mit értünk „AI” alatt? A vita egyik kulcsa, hogy itt jövedelem-becslő gépi tanulásról van szó, nem „beszélgetős” MI-ről. Ettől még lehet hasznos, de más hibákat produkál: a múltbeli mintákat és feltételezéseket skálázza fel milliókra.
  2. Átláthatóság és fellebbezés: ha a díj egy képlet és egy modell eredménye, létkérdés, hogy az állampolgár megértse, miért ennyi az annyi, és legyen gyors, működő út a felülvizsgálatra.
  3. A módszer alapja: „proxy means testing” (PMT): ez egy régi, sok helyen használt megközelítés, ahol nem a tényleges jövedelmet mérik, hanem „helyettesítő jelekből” (ingatlanjellemzők, eszközök, háztartásméret) következtetnek rá. Olyan, mintha a fizetésedet abból saccolnák meg, milyen a tetőd és van-e rádiód – bizonyos esetekben közelíthet, de könnyen mellélő.
  4. Kinek kedvez a tévedés? A feltárt döntési dilemmát egy korábbi minisztériumi tanácsadó úgy írta le, hogy a rendszer korlátai miatt választani kellett: a szegényeket vagy a gazdagokat mérje pontosabban. Ha ez igaz, akkor ez nem pusztán technikai hiba, hanem szakpolitikai prioritás kérdése is – és ezt érdemes nyomon követni, hogyan javítják (vagy nem).