L’IA può diagnosticare, ma non può ancora prendersi cura di un paziente

Google News ha riportato all’attenzione un saggio di TIME imperniato su un netto conflitto: l’IA medica continua a migliorare, eppure non è ancora in grado di prendersi davvero cura delle persone. Il saggio mette in discussione la previsione ormai familiare secondo cui macchine più intelligenti sostituiranno semplicemente i medici. Le evidenze cliniche sostengono sempre più un futuro più complesso.

L’IA può identificare schemi, riassumere cartelle cliniche, raccomandare esami e aiutare i clinici a riesaminare casi difficili. Alcuni sistemi riescono persino a produrre un linguaggio che i pazienti percepiscono come empatico. Tuttavia, un’espressione di preoccupazione convincente non equivale necessariamente a una reale preoccupazione.

Questa distinzione conta perché la medicina implica più che scegliere la risposta statisticamente più solida. I pazienti hanno bisogno di qualcuno che si assuma la responsabilità, comprenda le loro priorità e resti presente quando nessuna opzione disponibile è buona. La sfida centrale, quindi, non è tra medici e algoritmi. È tra empatia simulata e cura umana responsabile.

Cosa ha davvero cambiato la storia di Google News

La storia ha riformulato l’IA medica attorno ai limiti della cura, non ai limiti del calcolo.

L’articolo diffuso attraverso Google News è apparso originariamente come saggio TIME Ideas di William Warr. TIME ora lo presenta con il titolo Healthcare Is AI’s Hardest Test. Il saggio si basa su interviste con l’informatico Geoffrey Hinton e il cardiologo Eric Topol.

Il suo contributo più importante non è un nuovo prodotto medico né una decisione normativa. Collega invece diversi sviluppi spesso discussi separatamente. Tra questi figurano modelli diagnostici più efficaci, errori clinici persistenti, monitoraggio preventivo, incertezza legale e il significato umano dell’empatia.

Hinton aveva previsto che gli ospedali avrebbero dovuto smettere di formare radiologi perché l’IA li avrebbe presto superati. Quasi un decennio dopo, la radiologia è diventata uno dei campi medici a più alta intensità di IA, ma i radiologi non sono scomparsi.

TIME cita una revisione che ha identificato 950 dispositivi medici di IA o machine learning autorizzati tra il 1995 e il 2024. Di questi dispositivi, 723 riguardavano la radiologia. Una migliore analisi delle immagini ha ampliato gli strumenti disponibili senza eliminare i professionisti responsabili dell’interpretazione dei risultati e della cura dei pazienti.

Questo esito indebolisce la più semplice narrazione dell’automazione. Una macchina può diventare migliore in un compito senza assorbire l’intera professione che lo circonda. Il lavoro medico comprende raccolta di contesto, gestione dell’incertezza, comunicazione, esame fisico, escalation e responsabilità.

Hinton ha offerto una spiegazione economica. La domanda di assistenza sanitaria cresce quando aumenta la capacità, perché il bisogno non soddisfatto rimane enorme. Un’interpretazione più rapida delle scansioni crea spazio per più screening, follow-up e cure preventive, anziché garantire un minor numero di clinici.

Questa interpretazione merita attenzione. Eppure, l’economia non spiega l’intero divario tra previsione e realtà. L’IA medica entra anche in un ambiente strettamente interconnesso, dove un risultato tecnicamente corretto può comunque causare danni.

Una raccomandazione deve raggiungere la persona giusta al momento giusto. I clinici devono comprenderne rilevanza e limiti. I pazienti devono acconsentire alle cure conseguenti, mentre i sistemi sanitari devono registrare chi ha preso la decisione finale.

Il cambiamento più rilevante è quindi concettuale. La domanda sulla sostituzione ha perso gran parte della sua utilità. Una domanda migliore chiede quali responsabilità possano essere trasferite in sicurezza alle macchine e quali debbano restare legate a persone responsabili.

Questo cambiamento chiarisce anche il dibattito sull’empatia dell’IA in medicina. Un algoritmo può generare formulazioni compassionevoli. Non può assumere in autonomia gli obblighi morali e legali che danno peso a quelle parole.

Un paziente terminale non ha bisogno soltanto di una spiegazione elegante delle probabilità. Potrebbe avere bisogno di aiuto per scegliere tra ulteriori trattamenti e più tempo a casa. La scelta dipende da valori che non possono essere ricavati dalle sole medie cliniche.

Il saggio di TIME affianca questa tensione alle prove che l’IA può talvolta superare i medici. Questo accostamento impedisce di liquidare facilmente la tecnologia. Il vantaggio umano non consiste in una superiorità diagnostica universale.

Piuttosto, il ruolo umano duraturo inizia dove la previsione tecnica incontra le conseguenze vissute. La medicina ha bisogno di qualcuno che sappia cogliere l’esitazione, riconoscere una paura inespressa e restare responsabile dopo che una decisione ha cambiato una vita.

Risposte mediche migliori non equivalgono a una medicina migliore

L’IA può migliorare una valutazione clinica pur restando rischiosa come decisore indipendente.

Uno studio randomizzato del 2026 illustra entrambi i lati di questa affermazione. I ricercatori hanno valutato AMIE, un modello linguistico medico sperimentale di grandi dimensioni basato su Gemini 2.0 Flash, in casi cardiologici complessi.

Nove cardiologi generalisti hanno valutato dati retrospettivi di 107 pazienti con sospette cardiomiopatie genetiche. I casi includevano referti e dati grezzi provenienti da elettrocardiogrammi, ecocardiogrammi, imaging cardiaco, test da sforzo e test genetici.

Ogni caso ha ricevuto una valutazione da un cardiologo che usava AMIE e un’altra da un cardiologo che lavorava senza di esso. Tre subspecialisti in cieco hanno poi confrontato i risultati.

Lo studio cardiologico ha favorito le valutazioni assistite dall’IA nel 46,7 percento dei confronti. Le valutazioni non assistite sono state preferite nel 32,7 percento dei casi, mentre il 20,6 percento si è concluso con un pareggio.

Errori clinicamente significativi sono comparsi nel 13,1 percento delle risposte assistite dall’IA e nel 24,3 percento delle risposte non assistite. Contenuti importanti mancavano nel 17,8 percento delle valutazioni assistite e nel 37,4 percento di quelle non assistite.

Questi risultati offrono un sostegno significativo all’IA medica come supporto clinico. I cardiologi generalisti hanno inoltre segnalato un risparmio di tempo nel 50,5 percento dei casi. Hanno dichiarato che il sistema ha migliorato la loro valutazione nel 57 percento dei casi.

Tuttavia, AMIE ha generato una probabile allucinazione clinicamente significativa nel 6,5 percento dei casi. Un’allucinazione è un contenuto non supportato presentato come se fosse fondato sulle prove disponibili.

Gli esempi includevano reperti di imaging inventati, supposizioni sulle caratteristiche dei pazienti e confusione tra misurazioni effettuate in condizioni diverse. Non si trattava solo di frasi mal formulate. Avrebbero potuto modificare il ragionamento diagnostico o la gestione clinica.

La supervisione umana ha modificato il risultato. I cardiologi talvolta hanno contestato al modello un’affermazione sospetta, inducendolo a correggersi. La correzione non nasceva da una consapevolezza interna dell’errore.

Il clinico ha fornito dubbio, contesto e una ragione per riesaminare l’affermazione. Questa interazione coglie la versione produttiva dell’IA medica. Il sistema amplia lo spazio di ricerca del clinico, mentre il clinico controlla il confine decisionale.

Espone anche una debolezza delle affermazioni guidate dai benchmark. Un modello può ottenere un punteggio medio elevato e produrre comunque una raccomandazione inaccettabile per un determinato paziente. La medicina valuta sia la performance aggregata sia il danno individuale.

Il confronto appropriato non è quindi tra una macchina ideale e un medico soggetto a errori. La medicina umana già produce gravi sbagli, comprese diagnosi ritardate e mancate. I limiti dell’IA sanitaria devono essere giudicati rispetto a questa base di partenza imperfetta.

Allo stesso tempo, la fallibilità umana non giustifica il fallimento della macchina. Il software può diffondere uno schema difettoso in migliaia di interazioni. L’automazione conferisce inoltre alle raccomandazioni deboli un’apparenza di coerenza e autorità.

Il modello di progettazione più utile colloca l’IA all’interno di un sistema di revisione. Il modello recupera prove, identifica omissioni e propone alternative. Un clinico abilitato verifica la cartella, esamina il paziente e si assume la decisione finale.

Questa divisione del lavoro spiega anche perché gli strumenti di documentazione hanno guadagnato terreno più rapidamente della diagnosi autonoma. Redigere una nota di visita comporta rischi diversi dal decidere se un dolore toracico richieda un trattamento d’emergenza.

L’output può essere rivisto prima di entrare nella cartella clinica. La sua utilità è evidente e un errore di solito resta correggibile. Più l’IA si avvicina a un’azione irreversibile, più solide devono diventare le prove e la supervisione.

L’implementazione dell’IA medica dovrebbe quindi seguire prove specifiche per ciascun compito. Il successo nella valutazione delle cardiomiopatie non dimostra prestazioni sicure nel triage d’emergenza, nell’oncologia, nella pediatria o nella salute mentale.

Questo è l’errore ricorrente alla base delle ampie affermazioni sull’IA in medicina. Il “ragionamento medico” non è un’unica attività stabile. È una raccolta di compiti con dati, conseguenze e tassi di errore accettabili diversi.

La vera sfida è tra empatia simulata e cura responsabile

Un modello può riprodurre il linguaggio dell’empatia senza condividere la vulnerabilità di un paziente né accettare la responsabilità dell’esito.

Hinton e Topol hanno presentato posizioni opposte nel saggio di TIME. Hinton ha affermato che i sistemi di IA possono provare autentica empatia. Topol ha sostenuto che possono veicolare empatia, ma non possono sapere cosa significhi.

La differenza può sembrare filosofica, eppure ha conseguenze immediate sui prodotti. Gli sviluppatori possono ottimizzare un modello per calore umano, riconoscimento delle emozioni e formulazioni di supporto. Questi comportamenti possono migliorare un’interazione stressante.

Un paziente potrebbe preferire la risposta calma di un chatbot a un messaggio clinico frettoloso o sbrigativo. I professionisti sanitari non sono automaticamente compassionevoli e carichi di lavoro pesanti spesso limitano il tempo disponibile per una conversazione accurata.

I ricercatori hanno anche rilevato che i pazienti talvolta valutano le risposte dei chatbot come più empatiche delle risposte scritte dai clinici. Questi confronti rivelano debolezze nell’erogazione dell’assistenza sanitaria. Non dimostrano che una macchina provi preoccupazione.

L’empatia espressa è un comportamento comunicativo osservabile. L’empatia provata implica riconoscere l’esperienza di un’altra persona e rispondere perché tale esperienza conta. La cura clinica aggiunge un ulteriore livello: la responsabilità per ciò che segue.

Un modello non si preoccupa dopo aver rimandato un paziente a casa. Non ripensa a una conversazione difficile durante la notte. Non può subire sanzioni professionali, rimorso morale o dolore dopo una morte evitabile.

Questi fatti non rendono inutile il linguaggio empatico. Ne stabiliscono i confini. Il linguaggio diventa clinicamente prezioso quando aiuta una persona responsabile a comunicare più chiaramente o offre ai pazienti una via più sicura verso il supporto umano.

I problemi sorgono quando la fluidità emotiva viene trattata come prova di comprensione. I modelli linguistici di grandi dimensioni prevedono sequenze di parole contestualmente appropriate. Il loro tono sicuro può oscurare l’incertezza delle informazioni sottostanti.

Un paziente con depressione, cancro, dolore cronico o una spaventosa complicazione della gravidanza potrebbe rivelare di più a un sistema che appare infinitamente paziente. Questa apertura crea obblighi riguardanti privacy, escalation e continuità.

Se il sistema fraintende un riferimento indiretto all’autolesionismo, qualcuno deve essere pronto a intervenire. Se minimizza un sintomo, qualcuno deve restare reperibile. Una frase conclusiva rassicurante non fornisce questa struttura di sicurezza.

L’Organizzazione mondiale della sanità pone l’autonomia umana al centro dei suoi principi per l’IA sanitaria. Le sue linee guida etiche affermano che le persone dovrebbero mantenere il controllo sulle decisioni mediche e ricevere informazioni significative sui sistemi di IA.

Questo principio separa l’assistenza dalla sostituzione. I pazienti dovrebbero sapere quando un software ha influenzato una raccomandazione. Hanno inoltre bisogno di un metodo pratico per mettere in discussione l’output, rifiutarne l’uso o contattare un professionista qualificato.

La cura autentica richiede attenzione a ciò che un paziente ritiene importante. Due persone con la stessa diagnosi possono scegliere diversamente per responsabilità familiari, convinzioni religiose, tolleranza dell'incertezza o precedenti traumi medici.

Un sistema di AI può chiedere informazioni su questi fattori e riassumere le risposte. Non può decidere cosa quei valori debbano significare per quella persona. Questo giudizio nasce da un processo decisionale condiviso, non dal completamento di schemi.

Lo stesso limite emerge nella presenza fisica. Un medico può notare che un paziente afferma che va tutto bene mentre evita il contatto visivo o fatica a respirare. Un familiare può rivelare una confusione mai registrata nella cartella clinica.

I sensori e i modelli multimodali possono acquisire più segnali, ma acquisire non significa prendersi cura. Più dati possono migliorare il rilevamento senza creare una relazione. La relazione dipende dal riconoscimento reciproco e da un impegno continuativo.

Per questo il principale antagonismo non è AI contro medici. Molti dei risultati clinici più solidi derivano dalla loro combinazione. Il vero conflitto riguarda il rischio che le organizzazioni sanitarie scambino un'interfaccia fluida per una relazione di cura.

Questo errore risponderebbe a un allettante obiettivo aziendale. Una conversazione automatizzata può operare ininterrottamente e gestire più utenti di un team clinico. Può anche rendere meno visibili le riduzioni dei servizi.

Un sistema sanitario potrebbe usare la compassione generata dall'AI per migliorare l'assistenza, oppure per mascherare un minore accesso alle persone. L'interfaccia può apparire simile in entrambi i casi. Il modello di personale, le regole di escalation e la struttura di responsabilità rivelano la differenza.

La strada migliore usa l'AI per offrire alle persone più tempo da dedicare alla cura. La documentazione automatizzata, la sintesi delle cartelle cliniche e i follow-up di routine possono ridurre il lavoro amministrativo. Il tempo recuperato dovrebbe tornare ai pazienti, anziché svanire in obiettivi quantitativi più elevati.

I team che adottano questi sistemi necessitano anche di pratiche affidabili di gestione della conoscenza. Una base di conoscenza AI ricercabile può preservare il contesto delle fonti, le policy e le decisioni. Non può sostituire la governance clinica né il giudizio professionale.

I limiti dell'AI sanitaria iniziano dall'evidenza e dalla responsabilità

La domanda più difficile non è se una risposta dell'AI sembri competente, ma se qualcuno possa verificarla e rispondere delle sue conseguenze.

Gli Stati Uniti regolano già molti dispositivi medici abilitati dall'AI attraverso gli attuali percorsi di regolamentazione dei dispositivi. La FDA mantiene un elenco pubblico dei dispositivi medici, pur precisando che non è esaustivo.

L'autorizzazione normativa è importante, ma non risolve ogni questione relativa all'implementazione. Le prestazioni possono variare tra ospedali, popolazioni di pazienti, flussi di lavoro e versioni software.

Un modello addestrato su dati accuratamente selezionati può incontrare cartelle incomplete o apparecchiature non familiari nell'assistenza di routine. La prevalenza locale può differire dall'ambiente di sviluppo. I medici possono inoltre usare un output in modi mai testati nella valutazione originale.

Queste differenze rendono essenziale il monitoraggio dopo l'implementazione. Gli ospedali devono tracciare errori, annullamenti delle raccomandazioni, prestazioni nei sottogruppi ed esiti per i pazienti. Devono inoltre disporre di un processo per sospendere un sistema quando le prestazioni peggiorano.

I sistemi generativi introducono un'ulteriore sfida perché i loro output sono meno prevedibili rispetto a calcoli fissi. Una piccola variazione nella formulazione o nel contesto può produrre una raccomandazione diversa.

Gli aggiornamenti del modello possono inoltre modificarne il comportamento dopo che un'organizzazione ha concluso la propria valutazione. Gli acquirenti nel settore sanitario hanno quindi bisogno di controlli delle versioni, piste di audit e avvisi chiari quando un fornitore modifica un sistema sottostante.

La responsabilità diventa particolarmente difficile quando più soggetti contribuiscono a un errore. Lo sviluppatore del modello fornisce il software. Un sistema sanitario lo configura, mentre un medico ne interpreta l'output.

Il paziente potrebbe non sapere mai quale componente ha fallito. I contratti possono ripartire la responsabilità finanziaria senza offrire ai pazienti un ricorso comprensibile. Una responsabilità trasparente deve quindi accompagnare l'implementazione tecnica.

L'OMS ha avvertito che i modelli linguistici orientati alla salute possono generare risposte plausibili ma gravemente errate. Il suo avviso sulla sicurezza dell'AI evidenzia inoltre pregiudizi, privacy, disinformazione e adozione prematura.

I pregiudizi restano una preoccupazione concreta perché i dataset medici riflettono disuguaglianze nell'accesso e nei trattamenti. Un algoritmo può apprendere da questi schemi e riprodurli sotto un'apparenza di neutralità.

Le medie delle prestazioni possono nascondere questi fallimenti. Un sistema può funzionare bene nel complesso, pur non rilevando una malattia più spesso all'interno di un gruppo sottorappresentato. Le valutazioni cliniche devono riportare i risultati per sottogruppo ogni volta che le dimensioni del campione consentono un'analisi significativa.

La privacy crea un ulteriore punto di pressione. I pazienti spesso condividono dettagli intimi quando cercano orientamento medico. Le interfacce conversazionali per i consumatori potrebbero non offrire le stesse protezioni, procedure di consenso o controlli sulla conservazione dei dati dei sistemi clinici regolamentati.

Le organizzazioni sanitarie non possono presumere che un'interfaccia conversazionale familiare sia appropriata per informazioni protette. Devono definire quali dati entrano nel sistema, dove transitano e se addestrano modelli futuri.

La visione scettica si applica anche alle affermazioni sull'empatia. Il fatto che i pazienti valutino una risposta più calorosa di un'altra non dimostra un'assistenza migliore nel lungo periodo. Una risposta rassicurante può aumentare la fiducia anche quando il suo contenuto medico è errato.

Quell'interazione crea una combinazione pericolosa. La fluidità accresce la fiducia, mentre la trasparenza limitata rende più difficile la verifica. Il modello più persuasivo potrebbe non essere il più sicuro.

Le organizzazioni cliniche dovrebbero quindi misurare esiti separati. Correttezza medica, calibrazione dell'incertezza, comprensione del paziente, qualità dell'escalation e appropriatezza emotiva sono aspetti correlati ma distinti.

Un sistema di AI potrebbe migliorare una misura indebolendone un'altra. Una risposta concisa può ridurre la confusione ma omettere l'incertezza. Una risposta esaustiva può coprire più possibilità, ma sopraffare il paziente.

Neppure la revisione umana è automaticamente sufficiente. I medici possono fare eccessivo affidamento su raccomandazioni ripetute, specialmente sotto pressione di tempo. Il bias dell'automazione si verifica quando le persone accettano il suggerimento di un sistema nonostante prove contrarie.

Lo studio di cardiologia ha mostrato un'interazione più costruttiva perché i medici potevano interrogare il modello. Una supervisione efficace richiede tempo, competenze e la possibilità di dissentire. Un controllo umano solo nominale serve a poco quando i carichi di lavoro incoraggiano l'approvazione automatica.

Gli acquirenti nel settore sanitario dovrebbero esaminare l'intero flusso di lavoro, non soltanto la dimostrazione del modello. Dovrebbero chiedersi chi rivede gli output, come viene mostrata l'incertezza, cosa attiva l'escalation e come i pazienti segnalano un danno.

Dovrebbero inoltre chiedersi se l'automazione riduce il carico amministrativo o si limita ad aumentare le aspettative di produttività. La risposta determina se l'AI crea più assistenza umana o meno.

Le implementazioni più difendibili iniziano con attività circoscritte e risultati misurabili. Mantengono procedure alternative per quando il sistema fallisce. Informano inoltre i pazienti quando l'AI influenza materialmente l'assistenza.

L'AI medica conquista la fiducia attraverso evidenza, correzione e responsabilità. Una voce amichevole può sostenere queste qualità. Non può sostituirle.

Cosa dovrebbero osservare i lettori di Google News

La prossima fase sarà decisa dagli studi clinici, dalle regole operative e dalla capacità di far arrivare ai pazienti il tempo risparmiato.

Il primo segnale è l'evidenza specifica per ciascuna attività proveniente da studi clinici prospettici. I casi retrospettivi e le vignette controllate sono utili, ma la medicina di routine comporta interruzioni, dati mancanti e comportamenti imprevedibili dei pazienti.

I ricercatori devono testare i sistemi nei flussi di lavoro reali e riportare sia i benefici sia i danni. Gli studi utili confronteranno l'AI da sola, i medici da soli e i team combinati. Dovrebbero inoltre identificare quali fallimenti richiedono un'immediata escalation umana.

Più evidenze randomizzate simili allo studio AMIE rafforzerebbero la tesi a favore di un'assistenza clinica supervisionata. Tassi elevati di errore nel triage o nel trattamento autonomo indebolirebbero la tesi per una delega più ampia.

I lettori dovrebbero resistere ai titoli che trasformano un singolo risultato in un verdetto su tutta l'AI medica. Un modello che aiuta i cardiologi a gestire una condizione rara non ha dimostrato competenza nell'intera medicina.

Il secondo segnale è una responsabilità effettivamente applicabile. Le autorità di regolamentazione e i sistemi sanitari hanno bisogno di regole più chiare per gli aggiornamenti dei modelli, i registri di audit, l'informazione ai pazienti e la responsabilità dopo un danno.

Una policy significativa identificherà chi detiene la decisione finale. Offrirà inoltre ai pazienti un percorso visibile per contestare una raccomandazione influenzata dall'AI.

Una governance debole si affiderà a dichiarazioni generiche sulla supervisione umana. Una governance solida specificherà soglie di revisione, procedure di escalation, intervalli di monitoraggio e criteri di sospensione.

Questo segnale è importante perché l'incertezza legale può rallentare un'adozione utile, consentendo al contempo il proseguimento di esperimenti mal governati. Regole chiare possono proteggere i pazienti e offrire agli sviluppatori responsabili un percorso più prevedibile.

Il terzo segnale riguarda il modo in cui le organizzazioni sanitarie usano il tempo risparmiato dall'AI. L'efficienza non equivale automaticamente a un beneficio per il paziente.

Se la documentazione ambientale e la sintesi delle cartelle riducono il lavoro burocratico, i medici possono dedicare più tempo all'ascolto e alla spiegazione delle scelte. Questo risultato sosterrebbe l'argomento secondo cui l'AI può rafforzare il nucleo umano della medicina.

Se invece le organizzazioni aumentano il numero di appuntamenti senza migliorare l'accesso o la comunicazione, l'AI intensificherà le condizioni che già rendono l'assistenza impersonale. L'empatia simulata potrebbe allora diventare un sostituto del personale disponibile.

Pazienti e medici possono osservare indicatori pratici. Le visite sono meno dominate dagli schermi? Alle domande di follow-up si risponde più rapidamente? I pazienti riescono a contattare una persona quando un sistema automatizzato fallisce?

Questi esiti contano più del fatto che un chatbot produca una prosa rassicurante. La promessa essenziale dell'empatia nell'AI medica non è che il software sviluppi sentimenti. È che l'automazione crei spazio affinché le persone possano praticare la cura.

Google News ha dato nuova visibilità a una questione che sopravvivrà all'attuale ciclo dei modelli. La medicina continuerà ad adottare sistemi che individuano schemi più velocemente degli esseri umani e recuperano più informazioni di quante ogni singola persona possa ricordare.

L'obiettivo responsabile non è preservare ogni attività esistente. È assegnare ogni attività al partecipante più adatto a svolgerla in sicurezza.

Le macchine possono calcolare, cercare, monitorare e redigere bozze. I medici possono interrogare, esaminare, interpretare e assumersi la responsabilità. I pazienti devono conservare l'autorità di esprimere ciò che conta e contestare decisioni che riguardano il loro corpo.

La parte più difficile sarà resistere a un'illusione comoda. Un linguaggio empatico può far sembrare completo un servizio automatizzato prima che siano complete le sue tutele.

Seguite l'evidenza alla base di ciascun caso d'uso, non la promessa generica associata all'AI medica. Chiedete chi verifica la raccomandazione, chi interviene quando fallisce e se l'automazione restituisce tempo significativo alla cura.

Queste domande offrono un criterio migliore rispetto al chiedersi se una macchina sembri umana. Il futuro della medicina dipende dall'uso delle crescenti capacità dell'AI senza confondere una conversazione convincente con la premura umana.