L’intelligenza artificiale può velocizzare la raccolta dei dati alimentari, facilitare il monitoraggio e proporre bozze di menu coerenti con vincoli espliciti. Non equivale, tuttavia, a una valutazione clinico-nutrizionale. Gli studi disponibili mostrano risultati promettenti nei compiti circoscritti, ma documentano errori nelle porzioni, nell’apporto energetico e nei micronutrienti, una minore affidabilità nei pazienti con più patologie e una personalizzazione spesso solo apparente. Il modello più sicuro non è la sostituzione del professionista, ma un impiego dell’IA come supporto sottoposto a verifica, responsabilità e monitoraggio umano.
Dalla dieta automatica alla dietoterapia
Chiedere a un sistema di intelligenza artificiale di elaborare una dieta è diventato semplice: bastano età, peso, altezza, obiettivo e qualche preferenza alimentare per ottenere in pochi secondi un menu ordinato, corredato da quantità e ricette. La qualità formale del risultato può essere elevata. Il testo è fluido, le proposte sembrano plausibili e la struttura ricorda quella di un piano professionale. Proprio questa credibilità rappresenta il primo elemento da valutare con cautela: una risposta ben scritta non è necessariamente corretta, sicura o adatta alla persona che la riceve.
In ambito clinico, la dieta non è un semplice elenco di alimenti. È il risultato di un processo che comprende anamnesi patologica e farmacologica, esame obiettivo, valutazione antropometrica e funzionale, interpretazione degli esami, diagnosi nutrizionale, definizione delle priorità, negoziazione degli obiettivi e rivalutazione nel tempo. Nella stessa persona possono coesistere indicazioni in tensione tra loro: ridurre il peso senza aggravare la sarcopenia, limitare alcuni nutrienti senza indurre carenze, controllare la glicemia mantenendo un’alimentazione sostenibile, proteggere la funzione renale senza ridurre impropriamente l’apporto proteico. È in questo spazio di priorità, eccezioni e compromessi che il ragionamento clinico resta decisivo.
Non tutte le applicazioni di IA sono uguali. Gli algoritmi di machine learning addestrati su dati strutturati possono stimare risposte glicemiche, riconoscere alimenti da immagini o individuare soggetti a rischio nutrizionale mentre i modelli generativi linguistici producono testi sulla base di regole e informazioni apprese da grandi quantità di dati: sono particolarmente efficaci nel riassumere informazioni, così nell’adattare il registro del linguaggio, proporre alternative o organizzare una bozza.
Una revisione sistematica del 2025, comprendente undici studi su interventi dietetici personalizzati mediante IA, ha riportato risultati favorevoli su controllo glicemico, salute metabolica e alcuni esiti riferiti dai pazienti. Gli autori sottolineano però l’eterogeneità degli interventi, la necessità di validare gli effetti a lungo termine e il fatto che gran parte delle evidenze riguarda sistemi specifici basati su biomarcatori e machine learning, non chatbot generalisti liberamente interrogabili.
La revisione di Ngo e collaboratori ha incluso 97 studi relativi a tecnologie integrate nel processo assistenziale nutrizionale. Sono emersi possibili vantaggi in termini di efficienza e coinvolgimento del paziente, ma anche accuratezza variabile e problemi etici o di sicurezza in 17 studi. La conclusione è coerente con un uso di supporto, accompagnato da formazione professionale e governance clinica.
I possibili effetti avversi della dieta generata
L’espressione “effetti avversi” non indica qui un effetto farmacologico diretto dell’algoritmo. Descrive le conseguenze che possono derivare da una raccomandazione nutrizionale errata, incompleta o applicata senza adeguato contesto clinico.
Un menu può apparire equilibrato e, al calcolo, discostarsi significativamente dall’energia o dai nutrienti richiesti. In uno studio recentemente pubblicato, che verteva su diete destinate a profili ipotetici con allergie alimentari, ChatGPT risultava generalmente accurato, ma poteva produrre diete potenzialmente dannose anche se non fatali; gli errori più frequenti riguardavano porzioni e contenuto calorico di alimenti, pasti o intere giornate sebbene non la presenza degli alimenti o sostanze incriminati. Un altro studio comparativo su piani dimagranti generati da Gemini, Copilot e ChatGPT ha rilevato punteggi complessivi di qualità alimentare relativamente elevati, ma criticità nelle sottodimensioni del punteggio e scostamenti rispetto ai target calorici richiesti.
L’errore numerico è particolarmente insidioso perché non sempre è riconoscibile dal paziente. Una differenza modesta può essere irrilevante in educazione alimentare generale, ma diventare clinicamente importante in condizioni quali diabete insulinotrattato, malattia renale cronica, malnutrizione, disfagia, gravidanza, patologiecongenite del metabolismo o in contests oncologico.
Inserire molte informazioni in una richiesta non garantisce che il sistema sappia attribuire loro il corretto peso clinico. Nello studio di Ponzo e collaboratori, l’appropriatezza dei consigli forniti da ChatGPT 3.5 per diverse malattie non trasmissibili variava dal 55,5% per la sarcopenia al 73,3% per la steatosi epatica. La prestazione peggiorava quando nello stesso caso coesistevano più patologie, con comparsa di indicazioni contraddittorie o inappropriate.
Un altro studio esplorativo, condotto su dieci chatbot e su due casi di obesità di diversa complessità, ha mostrato differenze importanti tra sistemi in accuratezza, completezza e riproducibilità. I chatbot più completi non erano necessariamente accurati in ogni dominio, e la definizione dell’apporto energetico rimaneva problematica nei profili personalizzati. La personalizzazione linguistica, quindi, non coincide con la personalizzazione clinica.
Il sistema risponde ai dati che riceve. Non osserva spontaneamente una perdita di peso involontaria, non misura la forza, non riconosce un cambiamento del tono dell’umore, non verifica l’effettiva capacità di masticare o cucinare e non ricostruisce una terapia se il paziente la omette. Può inoltre non porre le domande che, durante una visita, modificano radicalmente la prescrizione: presenza di vomito, diarrea, sanguinamento, allergie, disturbo della nutrizione e dell’alimentazione, fragilità, cadute, uso di integratori, difficoltà economiche o supporto familiare insufficiente.
La criticità non è soltanto la mancanza di un dato, ma l’incapacità di riconoscere quando quel dato debba interrompere la generazione del menu e richiedere una valutazione clinica. Un professionista può decidere che il problema prioritario non sia il dimagrimento richiesto dal paziente, bensì il rischio di malnutrizione, un sintomo d’allarme o una possibile interazione tra dieta e terapia farmacologica.
Una dieta efficace non è quella teoricamente perfetta, ma quella che può essere seguita, corretta e mantenuta. Il professionista interpreta il contesto: turni di lavoro, nausea da farmaci incretinici, stagionalità, capacità di spesa, cultura alimentare, abilità in cucina, pasti consumati fuori casa e disponibilità del caregiver. Può decidere di allontanarsi temporaneamente dallo schema ideale per tutelare aderenza, autonomia o qualità di vita.
I modelli generativi possono offrire molte alternative, ma non possiedono una comprensione vissuta della fatica decisionale, della vergogna, dell’ambivalenza o del significato relazionale del cibo. Inoltre, la stessa domanda può produrre risposte differenti in momenti diversi. La variabilità può essere creativa, ma in un percorso clinico diventa un limite se non esistono criteri espliciti di controllo e continuità.
I sistemi riflettono la distribuzione e la qualità dei dati su cui sono stati addestrati. Possono proporre alimenti costosi, poco reperibili o culturalmente incongrui; associare la salute a modelli corporei stereotipati; offrire prestazioni peggiori nelle lingue meno rappresentate. In uno studio su 50 profili simulati, la qualità dei consigli nutrizionali di ChatGPT-4 risultava moderata in inglese e russo, ma sostanzialmente inadeguata in kazako, nonostante l’uso di richieste equivalenti.
Un modello linguistico genera la sequenza di parole più plausibile, non consulta necessariamente una banca dati verificata né dimostra il percorso logico che ha seguito. Può inventare riferimenti, attribuire a una linea guida raccomandazioni inesistenti, combinare dati provenienti da popolazioni diverse o presentare con sicurezza informazioni superate. Chiedere le fonti migliora la verificabilità, ma non elimina il problema: ogni citazione deve essere controllata nella banca dati originale e letta nel contesto dello studio.
La scoping review più recente sui modelli linguistici in nutrizione ha identificato 40 studi, quasi tutti basati su scenari ipotetici: soltanto una quota minima riguardava applicazioni reali. Gli autori concludono che l’evidenza resta emergente e che servono studi in contesti assistenziali reali, modelli specifici di dominio e il coinvolgimento di professionisti e persone con patologie [8].
Per ottenere una risposta davvero personalizzata, l’utente è indotto a inserire dati sanitari, farmaci, referti, storia psicologica e abitudini familiari. Prima di utilizzare uno strumento generativo occorre conoscere modalità di trattamento dei dati, conservazione, eventuale uso per l’addestramento e possibilità di trasferimento verso soggetti terzi. I dati identificativi non dovrebbero essere immessi in strumenti non autorizzati dall’organizzazione sanitaria.
Resta inoltre la questione della responsabilità. Se un professionista utilizza una bozza generata dall’IA, la verifica non può essere formale: deve controllare indicazioni, quantità, controindicazioni, coerenza con linee guida e sostenibilità. La responsabilità della decisione clinica non viene trasferita allo strumento.
Come utilizzare l’IA in modo responsabile
L’IA può essere utile se occupa il posto corretto nel processo. Non dovrebbe formulare autonomamente una dietoterapia destinata a un paziente complesso, ma può ridurre il lavoro ripetitivo e liberare tempo per le attività che richiedono relazione e giudizio. Un impiego prudente comprende l’organizzazione di appunti o dati già anonimizzati, senza delegare l’interpretazione diagnostica; la produzione di una prima bozza di ricette, sostituzioni o materiale educativo, poi verificata dal professionista; il controllo del piano con software nutrizionali validati e banche dati di composizione degli alimenti; il monitorare esiti clinici, aderenza, sintomi e tollerabilità, correggendo il piano nel tempo e infinite soprattutto informare il paziente quando l’IA ha avuto un ruolo sostanziale e mantenere sempre una supervisione professionale identificabile.
La competenza umana non è infallibilità
Affermare che l’IA non possa sostituire il professionista non significa idealizzare il giudizio umano. Anche il medico e il dietista possono commettere errori, applicare schemi rigidi, sottovalutare preferenze o non aggiornarsi. L’algoritmo può diventare uno strumento utile proprio perché introduce controlli, rende più rapido il confronto tra opzioni e aiuta a individuare incoerenze.
La differenza essenziale è che la pratica clinica include responsabilità, possibilità di chiedere chiarimenti, conoscenza longitudinale della persona e capacità di modificare gli obiettivi quando il quadro cambia. Il valore dell’operatore umano non risiede in una presunta superiorità assoluta, ma nella capacità di interpretare l’eccezione, riconoscere ciò che manca e assumersi la responsabilità della scelta.
L’intelligenza artificiale può rendere la nutrizione più accessibile, favorire l’educazione alimentare e supportare alcune fasi del processo assistenziale. Oggi, tuttavia, un piano prodotto da un chatbot non dovrebbe essere considerato equivalente a una prescrizione dietetica personalizzata. I rischi maggiori emergono proprio dove la medicina diventa più complessa: multimorbilità, fragilità, terapie concomitanti, bisogni contrastanti e necessità di adattamento nel tempo.
La domanda utile non è quindi se l’IA elabori diete migliori o peggiori dell’essere umano in astratto. È quali compiti possano esserle affidati, con quali dati, quali controlli e quale supervisione. In nutrizione clinica, l’innovazione più credibile non è il pilota automatico, ma una collaborazione trasparente nella quale la tecnologia amplia le capacità del professionista senza sostituirne il giudizio.
Dr.ssa Valentina Fagotto
Bibliografia
1. Wang X, Sun Z, Xue H, An R. Artificial Intelligence Applications to Personalized Dietary Recommendations: A Systematic Review. Healthcare (Basel). 2025;13(12):1417. doi:10.3390/healthcare13121417. PMID: 40565444.
2. Ngo K, Mekhail S, Chan V, et al. The Use of Artificial Intelligence (AI) to Support Dietetic Practice Across Primary Care: A Scoping Review of the Literature. Nutrients. 2025;17(22):3515. doi:10.3390/nu17223515. PMID: 41305566.
3. Niszczota P, Rybicka I. The credibility of dietary advice formulated by ChatGPT: Robo-diets for people with food allergies. Nutrition. 2023;112:112076. doi:10.1016/j.nut.2023.112076. PMID: 37269717.
4. Kaya Kaçar H, Kaçar ÖF, Avery A. Diet Quality and Caloric Accuracy in AI-Generated Diet Plans: A Comparative Study Across Chatbots. Nutrients. 2025;17(2):206. doi:10.3390/nu17020206. PMID: 39861336.
5. Ponzo V, Goitre I, Favaro E, et al. Is ChatGPT an Effective Tool for Providing Dietary Advice? Nutrients. 2024;16(4):469. doi:10.3390/nu16040469. PMID: 38398794.
6. Ponzo V, et al. Comparison of the Accuracy, Completeness, Reproducibility, and Consistency of Different AI Chatbots in Providing Nutritional Advice: An Exploratory Study. J Clin Med. 2024;13(24):7810. doi:10.3390/jcm13247810. PMID: 39768733.
7. Adilmetova G, Nassyrov R, Meyerbekova A, Karabay A, Varol HA, Chan MY. Evaluating ChatGPT’s Multilingual Performance in Clinical Nutrition Advice Using Synthetic Medical Text: Insights from Central Asia. J Nutr. 2025;155(3):729-735. doi:10.1016/j.tjnut.2024.12.018. PMID: 39732434.
8. O’Hara C, Kent G, Leydon CL, et al. Language models in nutrition and dietetics: a scoping review. Am J Clin Nutr. 2026;123(2):101127. doi:10.1016/j.ajcnut.2025.101127. PMID: 41317995.
9. Onay T, et al. Artificial Intelligence in Clinical Nutrition: A Descriptive Comparison of ChatGPT- and Dietitian-Planned Diets for Chronic Disease Scenarios. J Hum Nutr Diet. 2025;38:e70135. doi:10.1111/jhn.70135. PMID: 41054023.
Ricerca bibliografica aggiornata al 22 settembre 2026. Tutti i lavori elencati risultano indicizzati in PubMed.