19 серпня 2026 року TechCrunch опублікував матеріал про стартап, який публічно заявляє: штучний інтелект поки не близький до лікування раку — але команда каже, що знає, чого саме бракує, щоб наблизити цей момент. За даними TechCrunch, це визнання прозвучало на тлі хвилі заяв інших компаній про «прорив у боротьбі з раком за допомогою ШІ» — заяв, які рідко витримують перевірку клінічними даними.

Це нетипова для стартап-індустрії відвертість. Здебільшого компанії, що піднімають раунди на онкологічних AI-продуктах, обіцяють результат за роки, а не десятиліття. Визнання, що прорив далеко, і чітке пояснення умов, за яких він стане можливим, — сигнал, вартий уваги і для інвесторів, і для розробників AI-продуктів у медицині.

Для AiiN це привід розібратися, де саме проходить межа між тим, що ШІ вже вміє в онкології, і тим, чого йому бракує, щоб дійти до «лікування» у клінічному сенсі слова.

Чому ШІ досі не лікує рак?

Тому що онкологія — це не задача класифікації тексту чи зображень, а мультимодальна біологічна проблема, розтягнута на роки спостережень за пацієнтом. Модель можна навчити розпізнавати підозрілі ділянки на знімках або передбачати ймовірність мутації за геномними даними — і це вже працює в клінічній практиці. Але «лікування» вимагає причинного розуміння: чому конкретна комбінація терапії спрацює саме для цього пацієнта, а не кореляції на історичних даних.

• Клінічні дані по онкології здебільшого розкидані по окремих лікарнях і несумісні між собою.
• Результати лікування фіксуються роками, тоді як цикл навчання моделі — тижні.
• Біологічна валідація гіпотези — лабораторні досліди, клінічні випробування — не масштабується так, як інференс моделі.

Тому навіть найбільша мультимодальна модель не компресує ці роки в тижні — вона може лише прискорити окремі етапи всередині цього циклу.

Чого, за словами стартапу, насправді бракує?

Команда стартапу наполягає: проблема не в розмірі моделей, а в якості й структурі даних, на яких ці моделі можна перевірити. Йдеться про пов’язані між собою масиви — геном, лікування, результат — зібрані за єдиним протоколом у багатьох клініках, а не розрізнені датасети під конкретний бенчмарк.

Практично це інфраструктурна, а не суто модельна задача: домовленості з лікарнями про обмін даними, стандартизація форматів, довгострокове спостереження за пацієнтами. Це повільніше й дорожче за тренування ще однієї великої моделі, зате саме такий фундамент відрізняє демо від клінічно валідного інструменту.

Ймовірно, саме тому стартап публічно фреймує себе як компанію з даних та інфраструктури, а не як «AI, що лікує рак» — це чесніша, хоч і менш ефектна, пропозиція для інвесторів.

Що це означає для тих, хто будує AI-продукти в медицині?

Головний практичний висновок — не гнатися за наративом «AI виліковує рак», а обирати вузьку задачу, де вже є дані для валідації: другий висновок при читанні знімків, пріоритизація пацієнтів для клінічних випробувань, пошук біомаркерів для вже відомих терапій. Такі продукти не звучать як прорив у пресрелізі, зате мають шанс дійти до реального застосування.

• Регуляторний шлях (FDA, EMA) варто рахувати частиною продуктової архітектури з першого дня, а не етапом «після MVP».
• Партнерства з лікарнями за доступ до лонгітюдних даних цінніші за ще один бенчмарк на Kaggle-датасеті.
• Метрика успіху — не accuracy на тестовій вибірці, а зміна клінічного рішення лікаря.

Схожий розрив між хайпом і реальним прогресом ми розбирали, коли писали про те, чому самовдосконалення ШІ досі не спричинило вибух інтелекту — і онкологія тут не виняток, а ще один приклад того, що технологічний прогрес рідко скорочує біологічні й регуляторні цикли так, як скорочує обчислювальні.

Висновок AiiN: чому чесність про терміни — це і є конкурентна перевага

Наша теза проста: у медичному AI перемагатиме не той стартап, який голосніше обіцяє вилікувати рак, а той, хто першим побудує інфраструктуру довірених клінічних даних — і буде готовий продавати саме її, а не міфічну «модель, що лікує». Ринок обіцянок про AI-прорив в онкології вже перегрітий, і кожна наступна заява порівнюється не з реальністю, а з попередньою заявою конкурента — це погана основа для довгострокового бізнесу в галузі, де ціна помилки — людське життя.

Для AI-білдерів це означає просте правило: оцінюйте медичні AI-стартапи не за демо на конференції, а за тим, скільки років лонгітюдних клінічних даних і скільки партнерств із лікарнями стоїть за заявою.

Чи означає це, що ШІ в медицині взагалі не працює?

Ні. У вужчих задачах — аналіз медичних знімків, пріоритизація пацієнтів, пошук патернів у геномних даних — ШІ вже застосовується в клінічній практиці. Мова саме про «лікування раку» як комплексну задачу, а не про діагностику чи допоміжні інструменти.

Скільки часу може знадобитися до реального прориву?

Джерело не називає точних термінів, і ми не будемо вигадувати дату. За нашою оцінкою, йдеться радше про роки, ніж місяці — просто тому, що збір лонгітюдних клінічних даних і регуляторне схвалення фізично не прискорюються швидкістю тренування моделей.

Чи варто довіряти стартапам, які обіцяють «вилікувати рак за допомогою ШІ»?

Варто перевіряти не саму обіцянку, а фундамент під нею: чи є в компанії реальний доступ до клінічних даних, партнерства з лікарнями і план щодо регуляторного схвалення. Заява без цього — маркетинг, а не медичний продукт.