AI-Powered Surgical Robotics: A Practical Guide to Precision, Autonomy, and What Is Actually in the OR

AI-powered surgical robotics is best understood as a stack of technologies rather than a single “robot surgeon.” In today’s operating room, the most mature systems still keep the surgeon in control while software improves planning, visualization, instrument guidance, motion control, workflow analysis, or selected automated tasks. The practical question is not whether a platform “uses AI,” but which decisions and actions the software performs, what the clinician still controls, and whether those capabilities are authorized and validated for the intended procedure.

That distinction matters because “precision” can mean several different things: reproducing a planned bone cut more accurately, stabilizing an instrument, constraining motion inside a virtual boundary, measuring tissue force, recognizing phases in surgical video, or proposing a patient-specific plan. These functions can be valuable, but none automatically guarantees a better clinical outcome for every patient or procedure.

Quick Reference: What AI and Automation Actually Do in Surgical Robotics

Start With the Most Important Distinction: Robotics Is Not the Same as AI

The U.S. Food and Drug Administration describes robotically assisted surgical systems as computer-assisted devices that allow trained physicians to control instruments during surgery. For many soft-tissue systems, the robot does not independently perform the operation; the surgeon remains the active controller. The FDA’s computer-assisted surgical systems guidance is a useful baseline because it separates the popular image of an autonomous robot from the actual role of many current systems.

AI can be added to that robotic foundation in several places. A machine-learning model might segment anatomy from an image, recognize a procedural phase, flag a pattern in video, or help generate a patient-specific plan. But advanced robotics can also improve precision without machine learning. Force feedback, tremor filtering, robotic kinematics, motion constraints, and deterministic planning algorithms may all be sophisticated without being “AI” in the regulatory sense.

The FDA’s AI-enabled medical device list can help verify whether an authorized device has been identified as AI-enabled, although the FDA explicitly notes that the list is not comprehensive.

Where Surgical Robotics Can Improve Precision

1. Motion can be steadier and more constrained

Robotic mechanisms can scale motion, filter tremor, hold an instrument at a fixed pose, or prevent a cutting tool from moving beyond a virtual boundary. In orthopedics, for example, Stryker describes its Mako systems as using patient-specific planning and haptic boundaries that constrain a tool relative to the planned anatomy. The relevant point is not the brand claim itself, but the engineering pattern: software defines a geometric plan and the robot physically helps keep the instrument within that plan.

For a concrete example, Stryker’s Mako Spine documentation describes automatic patient registration, smart segmentation, algorithm-driven screw suggestions, and haptic guidance. Some of those functions are algorithmic rather than necessarily machine learning, which is exactly why buyers should ask what “AI” means in a specific system.

2. Force sensing can add information that vision alone cannot provide

Intuitive’s da Vinci 5 received FDA 510(k) clearance in March 2024. One of its notable additions is force-sensing technology that can measure forces at the instrument and feed a sense of tissue force back to the surgeon. Intuitive describes this capability in its da Vinci 5 clearance announcement.

Force feedback is a good illustration of why “AI-powered” can be an imprecise label. This feature may improve the information available to the surgeon, but it is fundamentally a sensing-and-control capability rather than an autonomous decision-maker.

3. Computer vision can turn surgical video into structured data

Video is one of the richest data streams in a modern operating room. AI can divide a procedure into phases, detect instruments, estimate how long anatomy remains in view, and support post-operative review. Medtronic’s Touch Surgery Performance Insights is a current commercial example of AI-enabled analysis for selected procedures.

The limitation is just as important as the capability. Medtronic states that, at present, the platform does not provide real-time decision support or live critical-structure identification. That is a useful reality check: post-operative AI analytics are already practical, while some of the more dramatic “AI guiding the surgeon live” scenarios remain limited, procedure-specific, investigational, or unreleased.

4. Patient-specific planning can reduce variation in repeatable tasks

Planning systems can use CT, MRI, intraoperative imaging, registration, and anatomical models to propose where an implant, screw, cut, or trajectory should go. The robot may then help the surgeon execute that plan. This is especially relevant in orthopedics, spine surgery, and stereotactic procedures, where a target can be represented geometrically.

The tradeoff is dependence on data quality and registration accuracy. A perfect robot following an inaccurate model is still following the wrong model. Teams therefore need clear checks for imaging quality, registration error, plan approval, and conditions that require abandoning or revising the robotic workflow.

How Autonomous Are Surgical Robots Today?

A 2024 systematic review in npj Digital Medicine examined FDA-cleared surgical robots from 2015 through 2023 using a six-level autonomy framework. Of 49 systems identified, 86% were classified as Level 1 robot assistance, 8% as Level 2 task autonomy, and 6% as Level 3 conditional autonomy. The review found no Level 4 or Level 5 systems in that dataset. It also reported that only two systems had machine-learning-enabled features explicitly recognized in FDA submissions, while some additional products used AI-related claims in marketing materials.

Those numbers should not be treated as a complete picture of the 2026 market because the review stops at 2023. They are still useful as a baseline: clinically deployed surgical robotics has historically been dominated by surgeon-controlled assistance, with higher autonomy appearing in narrow, bounded tasks rather than whole-procedure replacement of the surgeon.

The market has continued to evolve. In July 2026, Johnson & Johnson announced FDA De Novo authorization for the OTTAVA robotic surgical system for multiple upper-abdominal general surgery procedures. That is meaningful competition in soft-tissue robotics, but authorization of a robotic platform should not be interpreted as authorization for autonomous surgery or for every AI feature a company may be developing.

What About Fully Autonomous Surgery?

Badania wykazały coraz większą autonomię zadań chirurgicznych, zwłaszcza w kontrolowanych warunkach przedklinicznych. Jednym z często cytowanych przykładów jest Smart Tissue Autonomous Robot (STAR), który w badaniu z 2022 roku opisanym przez Uniwersytet Johnsa Hopkinsa wykonał laparoskopowe zespolenia jelitowe u świń . Projekt wykazał, że robot mógł zaplanować i wykonać złożone zadanie szycia tkanek miękkich, dostosowując się jednocześnie do ruchu tkanek.

Ma to istotne znaczenie naukowe, ale nie stanowi dowodu na to, że autonomiczna chirurgia tkanek miękkich jest gotowa do rutynowej opieki medycznej. Przejście od demonstracji przedklinicznej do szeroko wdrożonego systemu klinicznego wymaga solidnej wydajności w przypadku zróżnicowanej anatomii, krwawienia, nieoczekiwanych odkryć, usterek urządzeń, interakcji zespołowych i nagłych przypadków przekazania. Wymagania dotyczące niezawodności w chirurgii są znacznie wyższe niż samo osiągnięcie wysokiej średniej dokładności w testach laboratoryjnych.

Precyzja nie jest tym samym, co lepsze wyniki

Szpitale powinny oddzielać precyzję techniczną od korzyści dla pacjenta. System może umieścić instrument bliżej zaplanowanej trajektorii lub odtworzyć cel geometryczny w sposób bardziej spójny, jednak wyniki kliniczne nadal mogą zależeć od wyboru procedury, doświadczenia chirurga, powikłań, znieczulenia, kontroli zakażeń, biologii tkanek i opieki pooperacyjnej.

FDA zaleca, aby pacjenci rozważający operację z wykorzystaniem robota omawiali ryzyko, korzyści, alternatywy oraz szkolenie i doświadczenie chirurga. Ta rada pozostaje aktualna nawet w miarę rozwoju funkcji sztucznej inteligencji. Zaawansowany proces technologiczny powinien być uzasadniony problemem klinicznym, a nie innowacyjnością platformy.

Praktyczna lista kontrolna oceny dla szpitali i zespołów chirurgicznych

Kontrole regulacyjne i dotyczące przeznaczenia

• Czy system robotyczny jest autoryzowany do stosowania w konkretnym zabiegu, pod względem anatomii i dla określonej grupy pacjentów?
• Które funkcje oprogramowania wchodzą w skład autoryzowanego urządzenia, a które są funkcjami badawczymi, opcjonalnymi lub przyszłymi?
• Jeśli dostawca używa terminu „AI”, czy element uczenia maszynowego można zidentyfikować w dokumentacji regulacyjnej?
• Czy system oferuje rekomendacje, egzekwuje ograniczenia, wykonuje ograniczone zadania, czy też niezależnie wybiera działania?

Kontrole walidacji klinicznej

• Który punkt końcowy został sprawdzony: dokładność geometryczna, czas trwania procedury, powikłania, wskaźnik konwersji, długość pobytu, wynik funkcjonalny czy inny parametr?
• Czy wydajność została przetestowana w klinicznie realistycznych warunkach i na reprezentatywnych grupach pacjentów?
• Czy dostępne są wyniki podgrup dotyczące trudnej anatomii, otyłości, wcześniejszych operacji lub innych czynników mających znaczenie dla lokalnej populacji pacjentów?
• Jakie są znane tryby awarii, granice ufności i sytuacje, w których nie należy używać sztucznej inteligencji lub funkcji robotycznych?

Czynniki ludzkie i kontrole szkoleń

• Kto odpowiada za zatwierdzanie planów i monitorowanie zautomatyzowanych działań?
• Czy chirurg może natychmiast wyłączyć robota lub go wyłączyć?
• Jaka jest ścieżka uzyskiwania uprawnień dla chirurgów, asystentów medycznych, pielęgniarek i techników?
• Jak system zachowuje się w przypadku utraty kamery, błędu rejestracji, kolizji instrumentów, przerwy w zasilaniu lub awarii sieci?
• Czy przepływ pracy tworzy nowe martwe pola, alarmy lub obciążenie poznawcze dla zespołu?

Dane, sztuczna inteligencja i kontrole cyklu życia

• Jakie dane posłużyły do ​​trenowania modelu i jak podobne są te dane do danych dotyczących populacji szpitala i przepływu pracy?
• Czy przed wdrożeniem klinicznym wymagane są lokalne testy akceptacyjne?
• W jaki sposób monitorowana jest wydajność po wdrożeniu?
• Czy model może zmieniać się w czasie, a jeśli tak, w jaki sposób aktualizacje są weryfikowane i komunikowane?
• Jakie dane opuszczają szpital, gdzie są przechowywane i w jaki sposób chronione są nagrania z kamer chirurgicznych oraz identyfikatory pacjentów?

Pytania te są zgodne z naciskiem FDA na kontrolę całego cyklu życia. Zasady Dobrej Praktyki Uczenia Maszynowego agencji kładą nacisk na reprezentatywne dane, klinicznie istotne testy, wydajność zespołu człowiek-sztuczna inteligencja, przejrzyste informacje dla użytkowników oraz monitorowanie wdrożonych modeli.

W przypadku funkcji sztucznej inteligencji, które mają ulec zmianie po autoryzacji, ostateczne wytyczne FDA z sierpnia 2025 r. dotyczące planu kontroli zmian z góry określają, w jaki sposób producenci mogą z wyprzedzeniem definiować planowane modyfikacje, metody walidacji i oceny wpływu.

Proste ramy dojrzałości dla decydentów

Im bliżej prawej kolumny znajduje się system, tym ważniejsze staje się formalne zarządzanie. Obejmuje ono wielodyscyplinarny przegląd, symulację, zgłaszanie incydentów, kontrolę wersji, nadzór po wprowadzeniu na rynek oraz udokumentowany proces wstrzymywania funkcji w przypadku niepewności co do jej wydajności.

Pytania, które pacjenci mogą zadać bez konieczności zrozumienia technologii

• Dlaczego w moim przypadku zaleca się operację z użyciem robota?
• Jakie są alternatywy, w tym konwencjonalna operacja laparoskopowa lub operacja otwarta?
• Jakie doświadczenie w korzystaniu z tego konkretnego systemu i procedury mają chirurg i zespół operacyjny?
• Które części operacji są kontrolowane bezpośrednio przez chirurga, a które są zautomatyzowane?
• Jakie dowody wskazują na korzyści dla pacjentów takich jak ja?
• Co się stanie, jeśli robota nie będzie można używać lub będzie trzeba go zatrzymać w trakcie zabiegu?
• Czy nagrania wideo z zabiegów chirurgicznych lub inne dane będą przechowywane lub wykorzystywane do analizy AI?

Co prawdopodobnie zmieni się dalej

W najbliższej przyszłości bardziej prawdopodobne jest stopniowe udoskonalenie niż gwałtowny skok w kierunku autonomicznej chirurgii. Można spodziewać się lepszego widzenia komputerowego, bardziej automatycznej segmentacji i rejestracji, bardziej zaawansowanego wykrywania siły i ruchu, alertów uwzględniających kontekst, inteligentniejszego indeksowania wideo chirurgicznego oraz ściśle ograniczonych, zautomatyzowanych podzadań. Modele multimodalne mogą docelowo łączyć wideo, telemetrię instrumentów, obrazowanie, patologię i dane pacjenta, aby poprawić świadomość sytuacyjną.

Trudność nie polega na generowaniu sugestii sztucznej inteligencji. Trudność polega na udowodnieniu, kiedy ta sugestia będzie wystarczająco wiarygodna, aby zmienić sposób postępowania chirurgicznego, zdefiniowaniu bezpiecznego zachowania przy niskim poziomie zaufania oraz walidacji skuteczności w różnych szpitalach, wśród chirurgów, na różnych urządzeniach i wśród różnych grup pacjentów.

Podsumowanie

Robotyka chirurgiczna oparta na sztucznej inteligencji już zmienia salę operacyjną, ale jej największa wartość wynika obecnie ze wspierania zespołów ekspertów, a nie ich zastępowania. Najsilniejsze zastosowania to te, w których technologia pełni jasno określoną rolę: planowanie uwzględniające anatomię pacjenta, stabilizacja lub ograniczanie ruchu, pozyskiwanie ustrukturyzowanych informacji z nagrań wideo z zabiegów chirurgicznych, poprawa wizualizacji lub automatyzacja wąskiego zadania pod nadzorem.

W przypadku szpitali, chirurgów i pacjentów właściwym pytaniem nie jest: „Czy ten robot jest napędzany sztuczną inteligencją?”, lecz: „Co dokładnie robi ten system, w jaki sposób potwierdzono tę funkcję, kto pozostaje odpowiedzialny za decyzję i co się dzieje, gdy technologia zawodzi?”. Takie podejście przekształca szeroki trend technologiczny w praktyczną ocenę bezpieczeństwa i wartości.