GPT-5 e gli agenti AI che consultano il web non sono ancora strumenti affidabili per formulare autonomamente diagnosi mediche complesse. Uno studio pubblicato il 9 ottobre 2026 su npj Digital Medicine ha analizzato dieci configurazioni basate su GPT-5 in 161 casi clinici reali validati da medici. La conclusione centrale è controintuitiva: aggiungere ricerca online e passaggi agentici non porta necessariamente a diagnosi migliori; in alcuni casi, la ricerca di informazioni peggiora il risultato.
La ricerca non dimostra che ogni utilizzo dell’intelligenza artificiale nella sanità sia inefficace. Individua invece limiti specifici della diagnosi multimodale: interpretazioni errate delle immagini, integrazione incoerente delle prove recuperate e opacità nei passaggi decisionali. Sono problemi particolarmente importanti quando un errore può avere conseguenze cliniche.
Come è stato valutato GPT-5 nella diagnosi medica
Il gruppo di ricerca ha confrontato dieci configurazioni basate sulla famiglia GPT-5 utilizzando 161 casi clinici reali validati da professionisti. Ogni configurazione è stata esaminata per accuratezza diagnostica, qualità del ragionamento, recupero di informazioni, integrazione delle evidenze e resistenza a input di scarsa qualità.
Non si è trattato di misurare soltanto quante risposte finali fossero corrette. Gli autori hanno esaminato anche il modo in cui il sistema arrivava alla conclusione, se comprendeva immagini e storia clinica e se impiegava correttamente le informazioni trovate online. Questa distinzione aiuta a capire perché un benchmark con domande pulite non descrive necessariamente l’affidabilità in ospedale.
Perché cercare sul web può peggiorare una risposta
Un agente AI può suddividere un caso in passaggi, cercare pubblicazioni o linee guida e formulare una sintesi. Sulla carta sembra una procedura più robusta della sola risposta generata dal modello. Ma se la ricerca recupera materiale non pertinente, incompleto o interpretato male, aggiunge rumore anziché chiarire il caso.
Lo studio segnala ricerche web incoerenti che talvolta hanno ridotto le prestazioni. Il punto non è vietare il recupero di fonti, bensì progettare sistemi capaci di valutarne attendibilità e pertinenza, correggere gli errori e mostrare al clinico quali prove sostengono la conclusione. Più passaggi automatici non sono automaticamente sinonimo di maggiore controllo.
Le immagini mediche restano un punto critico
La valutazione ha documentato errori di interpretazione visiva. Un modello può descrivere bene i sintomi riferiti dal paziente, ma collegarli in modo scorretto a un’immagine o non riconoscere un dettaglio diagnostico rilevante. Quando testo, immagini e risultati degli esami devono essere integrati, un errore in un solo elemento può cambiare la valutazione complessiva.
Gli autori suggeriscono quindi di migliorare l’integrazione tra informazioni testuali e visive e di adottare standard pratici per la qualità e la chiarezza delle immagini. Un’immagine sfocata, incompleta o priva di contesto non diventa più informativa soltanto perché viene fornita a un modello avanzato.
Cosa ha funzionato meglio nei sistemi valutati
La ricerca non descrive soltanto insuccessi. Tra gli aspetti positivi emergono l’impiego efficace della storia clinica, la capacità di articolare passaggi di ragionamento comprensibili, la formulazione di ipotesi diagnostiche plausibili e, in alcune configurazioni, una maggiore specificità quando il ragionamento è reso esplicito.
Questo però non elimina la necessità di verifica. Un ragionamento apparentemente ordinato può comunque poggiare su un dettaglio visivo sbagliato. Una fonte pertinente può essere collegata male al caso. La qualità del testo prodotto non deve essere scambiata con una misura diretta della sicurezza clinica.
Perché 161 casi non bastano per autorizzare diagnosi autonome
Il campione comprende 161 casi con validazione clinica: è una base concreta per identificare modalità di errore, non una dimostrazione definitiva delle prestazioni su tutti i reparti, pazienti e contesti sanitari. Anche il confronto riguarda configurazioni specifiche del modello, quindi non può essere automaticamente esteso a ogni versione futura o a software medici specialistici.
Una prova retrospettiva o di valutazione tecnica non equivale a uno studio prospettico su pazienti assistiti con un sistema integrato nel lavoro dei medici. Per un’applicazione clinica servono verifiche su popolazioni diverse, supervisione, analisi dei danni potenziali e processi di responsabilità chiari.
Cosa cambia per chi usa ChatGPT per parlare di salute
La distinzione pratica è netta: un assistente AI può aiutare a comprendere termini, preparare domande per una visita o organizzare informazioni, ma non va usato per sostituire una valutazione medica. In presenza di sintomi importanti, il risultato generato non deve ritardare l’assistenza sanitaria.
Il tema si collega alle nostre analisi su AI e diagnosi precoce con Ainu e sui bias dei sistemi AI nella diagnosi oncologica. La novità dello studio su GPT-5 è l’attenzione all’insieme del flusso: immagine, ragionamento, consultazione di prove e affidabilità del risultato finale.
Qual è la conclusione dello studio?
Il lavoro sostiene che la trasparenza del ragionamento e la qualità degli input contano più della semplice complessità del sistema. Ricercatori e sviluppatori dovrebbero concentrarsi su modelli orientati al ragionamento, meccanismi di recupero e correzione delle informazioni, migliore interpretazione delle immagini e standard clinici verificabili.
È un risultato importante perché sposta la domanda da «quanti strumenti può usare l’agente?» a «come sappiamo che li usa correttamente?». Nella diagnosi medica, una risposta ben spiegata è utile soltanto se le evidenze che la sostengono sono affidabili e se un professionista può controllarne i limiti.
Entra nella conversazione
Condividi il tuo punto di vista: non serve creare un account. I contributi restano soggetti alla moderazione editoriale.