Negli ultimi anni i chatbot conversazionali sono entrati stabilmente nelle domande legate al benessere: dagli interrogativi su sintomi e esami ai consigli su sonno, attività fisica e alimentazione. Oggi la piattaforma di OpenAI ha annunciato un potenziamento delle sue capacità in campo sanitario puntando sul modello GPT-5.5 Instant e su un’area dedicata chiamata ChatGPT Health. L’obiettivo dichiarato è offrire risposte più affidabili, richiedere più contesto e riconoscere quando un caso richiede attenzione urgente.
Questa evoluzione tecnica si accompagna a numeri impressionanti di utilizzo: la società stima che oltre 230 milioni di persone ogni settimana pongano a ChatGPT domande relative alla salute. Per migliorare la qualità delle risposte sono stati coinvolti centinaia di medici in sessanta Paesi, coprendo 26 specialità e valutando contenuti in 49 lingue, con un lavoro volto non solo alla verifica dell’accuratezza ma anche all’identificazione dei punti di fragilità come l’eccessiva sicurezza del modello o le risposte generiche.
Integrazione dei fascicoli sanitari e limiti funzionali
A gennaio 2026 è stata resa disponibile un’area che consente di sincronizzare dati personali sanitari, cartelle cliniche elettroniche e informazioni provenienti da app di wellness come Apple Health o MyFitnessPal. Questo permette al modello di contestualizzare meglio una domanda: non si tratta più di rispondere a quesiti isolati ma di ragionare su una storia clinica personale. Tuttavia, gli sviluppatori ribadiscono un principio fondamentale: il chatbot non è un sostituto del medico e non deve essere utilizzato per diagnosi o prescrizioni terapeutiche. In pratica, la funzione è pensata come supporto informativo e filtro di complessità tra l’utente e il sistema sanitario.
Vantaggi tecnici del nuovo modello
Secondo l’azienda, GPT-5.5 Instant ha raggiunto livelli di performance comparabili con i modelli di fascia alta della famiglia “Thinking” nelle valutazioni interne dedicate alla salute. I miglioramenti riguardano tre ambiti principali: riconoscere i segnali di urgenza, chiedere informazioni aggiuntive prima di formulare risposte e comunicare in modo più trasparente quando esistono incertezze. Questo approccio mette al centro non solo la correttezza del contenuto, ma anche il modo in cui il sistema guida la conversazione clinica.
Rischi legati ai dati clinici e alle normative
Accanto agli sviluppi tecnologici emergono però criticità di tipo etico, legale ed epistemico. Le cartelle cliniche non sono archivi neutri: contengono errori, annotazioni stigmatizzanti e pregiudizi istituzionali accumulati nel tempo. Quando un modello ingestisce un fascicolo completo senza la selezione clinica che un professionista opererebbe, rischia di amplificare quei pregiudizi. Un caso emblematico è quello di una paziente giovane con anemia falciforme la cui cartella riporta un’etichetta di «drug-seeking»: se tale annotazione entra nel processo decisionale automatico, l’algoritmo può orientare le risposte verso opzioni che non sono appropriate per il dolore severo.
Sul piano normativo, la protezione dei dati sanitari varia molto a seconda delle giurisdizioni. Negli Stati Uniti esistono limiti: norme come l’HIPAA tutelano informazioni in mano a entità cliniche tradizionali, ma non si applicano sempre alle aziende che offrono servizi direct-to-consumer. Questo crea scenari in cui dati sensibili possono essere trattati con tutele inferiori rispetto a quelle attese dagli utenti. In Europa la situazione è differente: il GDPR considera i dati sanitari tra le categorie più protette e prevede obblighi stringenti su consenso, minimizzazione e trasferimenti internazionali. Inoltre, l’AI Act europeo introduce la possibilità di classificare certe funzionalità come ad alto rischio, con conseguenti obblighi di documentazione e verifica.
Trasparenza e valutazione indipendente
Un problema cruciale è l’opacità di sistemi che trattano dati sanitari: senza accesso a valutazioni indipendenti non è possibile misurare su larga scala se e come i modelli amplifichino bias, quali errori commettano e con quale frequenza. La mancanza di dati pubblici sulle performance cliniche e sull’impiego a livello di popolazione limita la capacità di valutazione e di accountability. Per questo motivo diversi esperti sollecitano norme più forti, audit indipendenti e regole chiare sul consenso e sulla gestione dei dati quando vengono sincronizzati con modelli linguistici.
Al tempo stesso mette in luce sfide complesse legate alla qualità dei dati, alla protezione della privacy e alla necessità di verifiche esterne. La questione non è solo quanto siano potenti i modelli, ma come vengano governati e integrati nel sistema sanitario reale.
