Lo studio di Rutgers sull'uso di sostanze e l'AI rileva un uso diffuso, ma la sicurezza resta non misurata

I ricercatori di Rutgers hanno rilevato che il 32,3% dei giovani adulti intervistati aveva utilizzato l'AI generativa per ottenere informazioni relative alle sostanze, senza stabilire se tali interazioni li avessero aiutati o danneggiati. Lo studio di Rutgers sull'uso di sostanze e l'AI quantifica un comportamento delicato: chiedere a software conversazionali informazioni su droghe, alcol e relative conseguenze. La sua tensione centrale riguarda la distanza tra la fiducia delle persone in una risposta e le prove che quella risposta meriti tale fiducia.

I risultati arrivano mentre i chatbot diventano un altro luogo a cui le persone affidano domande che potrebbero esitare a porre faccia a faccia. L'AI generativa, software che produce contenuti in risposta ai prompt, può rendere questi scambi diretti e personali. Questa comodità crea una responsabilità di salute pubblica, anche quando il prodotto è nato come assistente per scopi generali.

La ricerca Google offre un confronto importante. I ricercatori hanno rilevato una sostanziale sovrapposizione tra chi utilizza i chatbot e chi cerca sul web informazioni relative alle sostanze. La vicenda riguarda quindi un ulteriore livello influente tra una domanda e una decisione. Sviluppatori, clinici e comunicatori sanitari affrontano ora la stessa questione irrisolta: cosa accade dopo che qualcuno accetta una risposta conversazionale?

Cosa ha effettivamente misurato lo studio di Rutgers sull'uso di sostanze e l'AI

Lo studio documenta l'uso riportato e le percezioni, anziché benefici o danni medici dimostrati.

Pubblicato il 19 ottobre 2026 su JMIR Formative Research, il sondaggio sull'AI e le sostanze ha analizzato le risposte di 995 residenti statunitensi tra i 18 e i 29 anni. I partecipanti sono stati reclutati tramite Prolific nell'aprile 2026. Di questo campione, 321 hanno dichiarato di aver usato almeno una volta l'AI generativa per finalità relative alle sostanze.

Tra questi utenti, il 48,2% ha riferito di farlo almeno mensilmente. Le domande sulle conseguenze erano particolarmente comuni. Il sondaggio ha inoltre rilevato che il 57,5% di tutti gli intervistati aveva cercato su Google informazioni relative alle sostanze. Tra coloro che hanno riferito di usare l'AI per questo tema, il 92,8% aveva utilizzato anche Google a tale scopo.

Questi pubblici sovrapposti complicano qualsiasi affermazione secondo cui i chatbot abbiano sostituito la ricerca. Una persona può passare da un motore di ricerca a un chatbot e ad altre fonti durante lo stesso processo di ricerca informativa. Il sondaggio non stabilisce quale fonte sia arrivata per prima, quale risposta abbia prevalso o se qualcuno abbia verificato risposte in conflitto.

Questa distinzione cambia le implicazioni per il business e il prodotto. Un chatbot non deve diventare l'unica fonte di informazioni di qualcuno per influenzarne la comprensione. Potrebbe riassumere ciò che la persona ha trovato altrove, spiegare una terminologia poco familiare o fornire la risposta finale che ricorda. Si tratta di ruoli possibili, non di comportamenti accertati da questo sondaggio.

Anche le tempistiche meritano pari attenzione. Ottobre segna la pubblicazione e la diffusione dei risultati; le risposte descrivono comportamenti riferiti ad aprile. I lettori dovrebbero evitare di interpretare il titolo come una misurazione in tempo reale dell'adozione odierna. Nemmeno le modifiche ai prodotti successive alla raccolta dei dati possono spiegare le risposte già raccolte dai ricercatori.

Anche il riferimento del titolo ai giovani adulti richiede un confine. Questa ricerca riguarda adulti in una fascia d'età specificata. Non dovrebbe trasformarsi in un'affermazione sui bambini, su tutti gli studenti o su chiunque faccia uso di sostanze. Porre una domanda relativa alle sostanze non dimostra nemmeno consumo personale, dipendenza o intenzione di sperimentare.

Per i lettori interessati alla tecnologia, il cambiamento concreto è la visibilità. La ricerca di Rutgers sui chatbot attribuisce a un caso d'uso precedentemente poco esaminato un pubblico misurabile all'interno di questo campione. La pubblicazione rende più difficile ignorare quel pubblico, lasciando però aperte all'indagine la qualità e le conseguenze delle sue interazioni.

Questo basta a giustificare l'attenzione senza forzare il risultato. La ricerca sull'adozione può identificare dove sia necessaria una valutazione. Non può tuttavia sostituirsi a tale valutazione, per quanto il titolo possa sembrare eclatante o l'interfaccia del chatbot sia diventata familiare.

I comunicatori sanitari affrontano un pubblico oltre i propri siti web

I risultati aumentano la pressione sulle organizzazioni le cui informazioni affidabili devono competere per l'attenzione all'interno delle interfacce conversazionali.

Nelle sue conclusioni sui chatbot tra i giovani adulti del 23 ottobre, Rutgers ha descritto i partecipanti come impegnati soprattutto nella ricerca di informazioni su rischi e conseguenze. L'autrice principale Mireia Triguero Roura ha avvertito che la disinformazione generata da questi strumenti potrebbe contribuire a comportamenti rischiosi. L'avvertimento individua un potenziale pericolo; non dimostra che il sondaggio abbia osservato un danno di questo tipo.

L'implicazione pratica va oltre la pubblicazione di un'altra pagina web accurata. Le organizzazioni sanitarie devono considerare come le loro informazioni resistano quando qualcuno le incontra attraverso una spiegazione generata. Una risposta può conservare una conclusione generale omettendo al contempo precisazioni importanti per uno specifico lettore.

Si consideri una situazione illustrativa: qualcuno chiede a un chatbot di spiegare un avvertimento incontrato su un sito sanitario. L'assistente fornisce una risposta più breve e la persona chiede se l'avvertimento si applichi alle sue circostanze. Questo esempio è ipotetico, ma mostra come uno scambio informativo possa evolvere verso un'interpretazione personalizzata.

Questa transizione conta per le organizzazioni che forniscono le conoscenze sottostanti. La loro pagina originale potrebbe distinguere attentamente tra istruzione generale e valutazione individuale. Un riassunto conversazionale potrebbe oscurare tale distinzione. La domanda per i comunicatori diventa se il confine essenziale resti visibile quando l'informazione cambia formato.

I clinici affrontano una sfida comunicativa correlata. Una persona che arriva con una spiegazione generata dall'AI può già avere un'interpretazione sicura di ciò che significa la sua domanda. Come implicazione dei risultati, le conversazioni cliniche dovrebbero lasciare spazio per esaminare questa interpretazione senza trattare la ricerca di informazioni della persona come una scorrettezza.

Una risposta liquidatoria lascerebbe senza risposta la domanda di fondo. Una risposta acritica attribuirebbe al chatbot più autorità di quanta ne giustifichino le prove. L'approccio più utile consiste nell'identificare quali informazioni la persona abbia ricevuto, cosa abbia compreso e dove resti l'incertezza.

I team di salute pubblica affrontano anche un problema di distribuzione. Il materiale chiaro deve essere reperibile, comprensibile e adatto a una citazione o sintesi accurata. Ciò non garantisce che un chatbot ne preservi il significato. Offre però ai comunicatori un punto concreto da cui iniziare a valutare come il loro lavoro appaia oltre i propri canali di pubblicazione.

La pressione è al contempo immediata e continua. Le organizzazioni possono riesaminare ora la chiarezza delle risorse esistenti. Stabilire se la diffusione conversazionale migliori la comprensione richiede ulteriori prove. Sono responsabilità correlate, ma operano su tempistiche diverse e non dovrebbero essere presentate come lo stesso risultato.

Lo studio mette quindi in discussione una definizione ristretta della comunicazione sanitaria digitale. Pubblicare contenuti accurati resta essenziale. Comprendere le interfacce attraverso cui le persone interpretano tali contenuti diventa un'altra parte del lavoro, soprattutto quando queste interfacce invitano a domande di approfondimento che l'autore originale non vede mai.

L'accesso conversazionale e la guida verificata rispondono a esigenze diverse

Una risposta accessibile può migliorare l'accesso alle informazioni lasciando comunque irrisolta la sua affidabilità.

L'attrattiva di un'interfaccia conversazionale è facile da comprendere come proposta di prodotto. Un utente può formulare una domanda imbarazzante in linguaggio comune, chiedere chiarimenti e proseguire senza navigare tra una raccolta di pagine. Queste caratteristiche descrivono uno stile di interazione. Non dimostrano l'idoneità clinica.

Questo è il compromesso centrale alla base delle informazioni sanitarie generate dall'AI. Ridurre l'attrito può rendere una domanda più facile da porre. La stessa riduzione può rendere più facile accettare una risposta senza esaminarne il fondamento. Stabilire se ciò accada nella pratica e con quali conseguenze richiede uno studio diretto.

La ricerca Google offre un riferimento utile perché presenta comunemente più destinazioni ed editori visibili. Gli utenti devono comunque valutare tali fonti e i risultati di ricerca non garantiscono l'accuratezza. Un chatbot può comprimere questo lavoro in un'unica risposta, rendendo particolarmente importante la base della sua sintesi.

ChatGPT, Google Gemini, Meta AI e My AI di Snap sono apparsi come esempi nella descrizione dell'AI generativa nel sondaggio di Rutgers. La loro inclusione non stabilisce prestazioni comparative. La ricerca non offre alcuna base per dichiarare un vincitore o attribuire a un prodotto un vantaggio di sicurezza misurato.

Un confronto significativo dovrebbe esaminare le stesse domande in condizioni comparabili. I valutatori dovrebbero registrare cosa ha risposto ciascun sistema, quali prove ha fornito e come ha gestito il contesto mancante. Una risposta ben formulata, da sola, sarebbe una base inadeguata per classificare i prodotti in questo contesto.

I sondaggi storici rafforzano la necessità di distinguere l'uso dalla fiducia. Nel suo sondaggio del 2024 sulle informazioni sanitarie e l'AI di agosto, KFF ha rilevato che il 25% degli adulti sotto i 30 anni usava chatbot almeno mensilmente per informazioni sanitarie. Tra tutti gli adulti, il 29% ha dichiarato di fidarsi dei chatbot per fornire informazioni sanitarie affidabili.

Queste cifre descrivono un sondaggio diverso e una categoria più ampia di domande sanitarie. Non possono stabilire una tendenza di adozione rispetto ai risultati di Rutgers. Popolazioni, domande e misure differiscono. Il loro valore qui è contestuale: l'uso dei chatbot e i giudizi sulla loro affidabilità erano già questioni pubbliche distinte prima di questo specifico studio.

La sfida per il prodotto è rendere comprensibile questa separazione durante uno scambio. Un'interfaccia utile dovrebbe comunicare quando sta spiegando informazioni generali e quando la domanda dell'utente supera ciò che il sistema può stabilire responsabilmente. Si tratta di un obiettivo progettuale, non di un risultato dimostrato dalla ricerca di Rutgers.

Anche la visibilità delle fonti è importante. Una citazione offre all'utente qualcosa da esaminare, ma la sua presenza non dimostra che la risposta rappresenti accuratamente il materiale citato. La valutazione deve esaminare il collegamento tra un'affermazione e le sue prove, incluso se le precisazioni siano sopravvissute al riassunto.

Per i lettori che già organizzano materiale tecnico attraverso una base di conoscenza personale, la distinzione nella gestione delle informazioni è familiare. Mantenere accessibile una fonte originale rende possibile una verifica successiva. Non trasforma una spiegazione salvata in una guida medica verificata.

L'implicazione più ampia è che accessibilità e responsabilità richiedono misure separate. Un sistema può essere facile da avvicinare ma difficile da verificare. I team di prodotto dovrebbero essere in grado di spiegare come valutano entrambe, anziché chiedere a una conversazione soddisfacente di valere come prova per ciascuna.

La fiducia richiede una valutazione che la soddisfazione non può offrire

L'impressione positiva di un utente è un'osservazione importante, ma non è un test di accuratezza.

Rutgers ha riferito che i partecipanti hanno percepito gli strumenti di IA come utili, affidabili e degni di fiducia. Queste percezioni aiutano a spiegare perché questo caso d'uso merita attenzione. Dicono ai ricercatori qualcosa sul rapporto che gli utenti ritengono di avere con la tecnologia, senza stabilire se una determinata risposta fosse corretta.

Questa differenza è particolarmente importante quando l'utente pone una domanda perché non possiede le conoscenze necessarie per valutare una risposta. La leggibilità può rendere una spiegazione più facile da comprendere. La sicurezza espressa può renderla più facile da accettare. Nessuna delle due qualità stabilisce autonomamente che la spiegazione contenga i fatti e le precisazioni necessari.

Una valutazione futura dovrebbe quindi separare diverse domande. La risposta riportava informazioni accurate? Ometteva qualcosa di rilevante? L'utente ne comprendeva l'incertezza? Lo scambio ha influenzato una decisione successiva? Riunire queste domande in un punteggio generale di soddisfazione nasconderebbe le distinzioni che contano.

Le linee guida sull'IA generativa dell'Organizzazione mondiale della sanità affrontano applicazioni sanitarie più ampie di modelli che accettano e generano diversi tipi di contenuti. Individuano preoccupazioni tra cui affermazioni false o incomplete, pregiudizi e un eccessivo affidamento sugli output automatizzati. Queste preoccupazioni forniscono un quadro per la valutazione, anziché dimostrare che ogni scambio fallisca.

Una risposta incompleta è particolarmente rilevante per i test dei prodotti. I valutatori dovrebbero esaminare ciò che un sistema omette, oltre a ciò che afferma esplicitamente. Una risposta potrebbe contenere affermazioni generali accurate, ma non riuscire a comunicare i limiti della loro applicazione a una situazione individuale.

Lo stesso principio vale per l'incertezza. Un disclaimer all'inizio di una conversazione non dimostra che le risposte successive mantengano limiti appropriati. La valutazione dovrebbe seguire l'interazione mentre l'utente aggiunge dettagli, chiede rassicurazioni o mette in discussione una risposta prudente.

Queste sono priorità di test proposte, non risultati dello studio Rutgers sull'uso di sostanze e IA. La distinzione impedisce all'articolo di attribuire capacità o fallimenti a sistemi che i ricercatori non hanno testato. Inoltre, orienta l'attenzione verso le prove che gli sviluppatori potrebbero produrre per affrontare la lacuna effettiva.

L'utilità percepita resta comunque parte di tale valutazione. Una spiegazione tecnicamente accurata che gli utenti non riescono a comprendere presenta un proprio problema di comunicazione. L'obiettivo dovrebbe essere valutare insieme comprensione e accuratezza, preservandone i significati distinti.

Questo crea uno standard rigoroso per le dichiarazioni sui prodotti. Un'azienda che descrive un assistente come utile per domande sensibili dovrebbe spiegare cosa significhi “utile” nelle proprie evidenze. Risposte più rapide, formulazioni più chiare, contenuti accurati e decisioni migliori sono risultati diversi. La dimostrazione di uno non dovrebbe trasformarsi silenziosamente in una dichiarazione su tutti gli altri.

Il dibattito pubblico trae beneficio dalla stessa disciplina. È possibile riconoscere l'attrattiva dell'accesso conversazionale chiedendo al contempo prove più solide sull'affidabilità. Questa posizione deriva direttamente dalle domande irrisolte, senza presumere né un beneficio universale né un danno inevitabile.

Il campionamento e le differenze demografiche limitano il titolo

Il risultato di “un terzo” riguarda questo campione di indagine e non dovrebbe diventare una stima nazionale precisa.

I ricercatori identificano un campione online non probabilistico come limite. In questo disegno, i partecipanti non vengono inclusi attraverso un processo che assegna a ogni persona idonea una probabilità nota di selezione. Le persone particolarmente attive online o familiari con l'IA potrebbero quindi essere sovrarappresentate.

Le quote di reclutamento possono migliorare l'equilibrio demografico di un campione senza eliminare tale problema di selezione. Corrispondere a determinate caratteristiche della popolazione non stabilisce che i partecipanti assomiglino a tutti gli altri nelle loro abitudini informative. La distinzione conta perché il comportamento oggetto dell'indagine è di per sé strettamente collegato all'attività online.

Questa precisazione non cancella il comportamento riportato. Cambia ciò che il numero può dimostrare. Lo studio fornisce evidenza di un uso sostanziale nel gruppo reclutato e un motivo per approfondire l'indagine. Non stabilisce con precisione quanto tale comportamento sia comune tra tutti i giovani adulti statunitensi.

L'indagine si basa inoltre sul fatto che i rispondenti ricordino e descrivano il proprio comportamento. Gli autori osservano che le misure adattate non erano state precedentemente testate in uno studio pilota né validate. I lettori dovrebbero pertanto considerare i risultati come un primo tentativo di misurazione con incertezza riconosciuta, anziché come uno strumento definitivo per monitorare l'intera popolazione.

I risultati demografici richiedono una cautela analoga. I rispondenti neri e maschi avevano maggiori probabilità di riferire l'uso dell'IA legato alle sostanze. Rutgers discute possibili spiegazioni che riguardano accesso all'assistenza sanitaria, stigma, fiducia e abitudini di ricerca delle informazioni. Tali spiegazioni restano ipotesi, piuttosto che cause stabilite dall'indagine.

Un'associazione non dimostra che una caratteristica demografica produca un comportamento. Non rivela neppure se gruppi diversi abbiano ricevuto risposte differenti o sperimentato conseguenze differenti. Queste domande richiedono evidenze sulle interazioni e sugli esiti che questo studio non fornisce.

Per gli sviluppatori, l'implicazione è verificare se le valutazioni rappresentino adeguatamente le persone che utilizzano il prodotto. Un pubblico di test che trascura importanti gruppi di utenti può lasciare senza risposta domande importanti. Questa raccomandazione dovrebbe orientare una ricerca inclusiva, anziché giustificare supposizioni sul giudizio o sulla vulnerabilità di qualsiasi gruppo.

Per giornalisti e lettori, la formulazione conta. “Giovani adulti intervistati” preserva il confine attorno al risultato. “Giovani adulti”, senza precisazioni, può implicare una certezza più ampia. La differenza è piccola in un titolo e sostanziale nell'interpretazione.

La ricerca Rutgers sui chatbot non può neppure stabilire una direzione causale tra l'uso dell'IA e le esigenze di informazioni sanitarie. Le persone in cerca di maggiori informazioni potrebbero rivolgersi a più canali. Diverse abitudini informative potrebbero precedere l'adozione dei chatbot. Una singola indagine non può determinare la sequenza.

Questi limiti rendono più preziosa la ricerca di follow-up. Indagini ripetute con metodi comparabili potrebbero esaminare i cambiamenti nel tempo. Studi che seguono i partecipanti potrebbero indagare cosa sia accaduto dopo uno scambio. Audit diretti delle risposte potrebbero affrontare l'accuratezza. Ogni disegno risponde a una domanda diversa, quindi non ci si dovrebbe aspettare che un singolo follow-up risolva tutto.

Le prossime evidenze dovrebbero collegare risposte e comprensione

Gli sviluppi successivi più utili mostreranno cosa dicono i sistemi, cosa comprendono gli utenti e come i due aspetti si collegano.

Lo studio Rutgers sull'uso di sostanze e IA stabilisce un motivo per osservare attentamente un'applicazione sensibile dell'IA di consumo. Nei prossimi mesi, i lettori dovrebbero cercare evidenze specifiche anziché presumere che una pubblicazione, un aggiornamento del prodotto o una dichiarazione sulla sicurezza risolva l'incertezza.

Il primo segnale è una valutazione indipendente delle risposte dei chatbot relative alle sostanze. Una valutazione utile pubblicherebbe il proprio set di domande, i criteri di valutazione, le versioni dei prodotti testate e l'approccio alle informazioni mancanti. La revisione degli esperti dovrebbe esaminare accuratezza, omissioni, incertezza e il punto in cui un sistema si orienta verso indicazioni personalizzate.

Risposte costantemente appropriate rafforzerebbero l'argomento secondo cui l'accesso conversazionale può servire questo pubblico in modo responsabile. Errori rilevanti ripetuti rafforzerebbero le preoccupazioni sull'affidarsi a sistemi per uso generale in questo contesto. Entrambi i risultati aggiungerebbero qualcosa che le sole cifre di adozione non possono fornire.

Il secondo segnale è la ricerca sull'interpretazione degli utenti. Gli investigatori dovrebbero esaminare cosa le persone ritengano che una risposta abbia stabilito, quali precisazioni ricordino e se verifichino le fonti. Una risposta può apparire adeguatamente prudente a un valutatore, pur lasciando il lettore con una certezza ingiustificata.

L'evidenza che gli utenti comprendano i limiti sosterrebbe l'efficacia degli attuali approcci comunicativi. L'evidenza che tali limiti vengano abitualmente trascurati li metterebbe in discussione. Ciò aiuterebbe a distinguere un problema nel contenuto generato da un problema nel modo in cui l'interfaccia presenta quel contenuto.

Il terzo segnale è un cambiamento trasparente del prodotto accompagnato da una valutazione misurabile. Occorre osservare se gli sviluppatori spiegano come gestiscono domande sanitarie ambigue, la verifica delle fonti e il passaggio verso consigli personalizzati. Una nuova funzione di avviso o di rinvio diventa significativa quando le evidenze mostrano come influisca sullo scambio.

Un miglioramento documentato rafforzerebbe la fiducia in un intervento specifico. Un annuncio senza un test divulgato lascerebbe irrisolta l'incertezza centrale. La domanda rilevante è cosa sia cambiato nel comportamento osservato, non quanto rassicurante suoni il linguaggio del rilascio.

Nessuno di questi segnali richiede di considerare tutte le informazioni sanitarie conversazionali come intrinsecamente inutili o intrinsecamente sicure. Richiedono evidenze proporzionate all'affermazione. Adozione, soddisfazione, qualità dei contenuti, comprensione ed esiti sanitari appartengono alla stessa indagine, mantenendo visibili le loro differenze.

Leggete lo studio Rutgers sull'uso di sostanze e IA tenendo presente questa distinzione, e portatela nel prossimo titolo sui chatbot. Chiedetevi chi ha partecipato, cosa hanno misurato i ricercatori e se un risultato riportato riguardi uso, fiducia, accuratezza o esiti. Quando un'azienda introduce una salvaguardia, cercate una valutazione dell'interazione effettiva. Quando un'indagine descrive la fiducia, evitate di leggerla come prova di correttezza. La domanda importante successiva è se risposte accessibili aiutino le persone a comprendere informazioni affidabili e a riconoscerne i limiti. Seguite le evidenze che collegano questi passaggi e mantenete la ricerca originale a portata di mano quando un titolo promette più di quanto lo studio abbia misurato.