AI generativa in odontoiatria: perché servono benchmark prima dell’uso clinico

Introduzione editoriale

L’intelligenza artificiale generativa è passata in pochi anni da curiosità tecnologica a strumento quotidiano per molti professionisti. Anche in odontoiatria la domanda non è più se l’AI arriverà, ma come verrà integrata nei processi clinici, organizzativi, formativi e tecnico-laboratoriali. I large language models, spesso abbreviati in LLM, sono sistemi capaci di generare testo, sintetizzare informazioni, rispondere a domande e simulare ragionamenti strutturati. Alcuni modelli più recenti sono multimodali: possono elaborare testo e immagini, con implicazioni potenzialmente rilevanti per radiologia odontoiatrica, documentazione fotografica, didattica, triage informativo e supporto ai workflow digitali.

La novità editoriale di questo Focus nasce da un gruppo di pubblicazioni e benchmark comparsi nel 2026, tra cui GlobalDentBench, pubblicato su arXiv a maggio 2026, e studi indicizzati su PubMed relativi alla performance degli LLM in esami odontoiatrici e prove specialistiche. Questi lavori non devono essere letti come autorizzazione all’uso clinico autonomo dei chatbot, ma come segnale di maturazione del dibattito: la comunità scientifica sta iniziando a misurare in modo più specifico dove gli LLM funzionano, dove falliscono e in quali condizioni diventano potenzialmente rischiosi.

Per DentalGenius AI il punto centrale è culturale prima ancora che tecnologico. Uno studio odontoiatrico o un laboratorio odontotecnico non dovrebbe adottare l’AI perché è di moda, né rifiutarla per principio. Dovrebbe invece costruire una governance: definire obiettivi, limiti, responsabilità, controlli, documentazione, privacy, formazione del team e criteri di verifica. In odontoiatria, infatti, l’output digitale non è mai neutro quando influenza comunicazione al paziente, diagnosi, piano di trattamento, progettazione protesica, tracciabilità di un dispositivo o decisioni organizzative.

Questo dossier ha finalità divulgative e professionali. Non fornisce indicazioni terapeutiche individuali, non sostituisce linee guida cliniche e non autorizza l’uso di strumenti AI per decisioni cliniche non validate. Le valutazioni operative devono essere sempre contestualizzate da professionisti qualificati e, quando pertinente, da consulenti privacy, risk manager, responsabili qualità e produttori dei dispositivi o software utilizzati.

Contesto: che cosa sono gli LLM e perché interessano l’odontoiatria

Un large language model è un sistema di intelligenza artificiale addestrato su grandi quantità di testo, progettato per prevedere e generare sequenze linguistiche plausibili. La sua forza è produrre risposte coerenti, spiegazioni ordinate, riassunti, bozze di documenti, checklist, lettere, materiali didattici e simulazioni conversazionali. La sua debolezza è altrettanto importante: la plausibilità linguistica non coincide con la verità clinica. Un testo scritto bene può contenere errori, omissioni, riferimenti inesistenti, semplificazioni eccessive o ragionamenti apparentemente logici ma non validi.

In odontoiatria gli LLM possono essere impiegati, con prudenza, in attività a basso rischio: preparazione di bozze informative da revisionare, sintesi di articoli, supporto alla formazione interna, standardizzazione di procedure amministrative, checklist di magazzino, descrizione non diagnostica di workflow, traduzione preliminare di documenti tecnici, creazione di schede educative generali. Il rischio aumenta quando il modello viene usato per interpretare sintomi, suggerire diagnosi, valutare radiografie, proporre piani terapeutici, scegliere farmaci, modificare prescrizioni, definire priorità cliniche o sostituire il giudizio professionale.

La differenza tra supporto e decisione è fondamentale. Un LLM può assistere nella forma, nella ricerca preliminare e nell’organizzazione del pensiero; non dovrebbe essere trattato come fonte autonoma di verità clinica. Anche quando appare molto competente, il modello non conosce realmente il paziente, non visita, non palpa, non sonda, non valuta direttamente il parodonto, non verifica l’occlusione, non conosce la storia medica completa, non gestisce le urgenze e non assume responsabilità professionale.

Cosa dicono i benchmark dentali del 2026

Il lavoro GlobalDentBench, diffuso su arXiv nel maggio 2026, presenta un benchmark multinazionale per valutare il ragionamento clinico degli LLM in odontoiatria. Secondo l’abstract, il dataset comprende domande validate da esperti, distribuite su diverse specialità odontoiatriche, Paesi e livelli di complessità. Il dato più interessante non è solo la performance media, ma il peggioramento progressivo quando si passa da compiti di richiamo nozionistico a quesiti che richiedono ragionamento individualizzato e interpretazione di casi. Gli autori riportano una riduzione della performance al crescere della complessità e segnalano una quota di raccomandazioni potenzialmente non sicure in scenari clinici simulati.

È importante sottolineare che GlobalDentBench è un preprint: non va interpretato come prova definitiva e deve essere valutato con cautela fino alla revisione tra pari. Tuttavia, il suo valore editoriale è elevato perché sposta la conversazione dalla domanda generica quanto è bravo ChatGPT? a una domanda più utile: su quali compiti odontoiatrici, con quale formato, con quale livello di complessità e con quale rischio di errore?

Un secondo filone, rappresentato dallo studio pubblicato sull’International Dental Journal nel 2026 sulla performance di modelli LLM nel Korean Dental Licensing Examination, mostra un risultato apparentemente incoraggiante: alcuni modelli raggiungono o superano soglie d’esame in contesti standardizzati. Ma lo stesso abstract evidenzia limiti persistenti nella interpretazione visiva e nel ragionamento clinico integrato, suggerendo un ruolo supplementare rispetto all’esperienza umana. In altre parole, superare un test non significa essere pronti a gestire un paziente reale.

Altri studi pubblicati o indicizzati nel 2026, inclusi lavori su prove protesiche e board-style questions, confermano un pattern ricorrente: gli LLM sono promettenti per formazione, ripasso e generazione di domande, ma diventano meno affidabili quando la risposta dipende da immagini, contesto, sfumature operative, variabili biologiche e giudizio clinico. Questa distinzione è cruciale per lo studio odontoiatrico: un modello che risponde bene a un quiz può fallire davanti a una radiografia, una lesione atipica, una storia farmacologica complessa o una protesi con problemi biomeccanici.

Il quadro istituzionale: OMS, Europa, Italia

L’Organizzazione Mondiale della Sanità, nel documento Ethics and governance of artificial intelligence for health: guidance on large multi-modal models, pubblicato nel 2024, richiama l’attenzione su benefici e rischi dei modelli multimodali in sanità. L’OMS cita applicazioni in assistenza clinica, formazione, comunicazione con i pazienti, documentazione e ricerca, ma insiste sulla necessità di trasparenza, valutazione, gestione dei rischi, audit, coinvolgimento degli stakeholder e protezione dei diritti.

Per l’odontoiatria questo significa che l’AI non può essere ridotta a un software utile o a un abbonamento digitale. Deve essere considerata una tecnologia sanitaria o para-sanitaria quando entra in processi che influenzano salute, diagnosi, prevenzione, trattamento o comunicazione clinica. Il principio di prudenza è particolarmente rilevante nei sistemi multimodali che promettono di leggere immagini intraorali, radiografie o scansioni: l’output può sembrare autorevole anche quando non è stato validato per quella popolazione, quel setting o quel compito.

La Commissione europea, nelle pagine dedicate all’intelligenza artificiale in sanità, ricorda che l’AI Act è entrato in vigore il 1 agosto 2024 e che i sistemi AI ad alto rischio, compresi software AI destinati a finalità mediche, devono rispettare requisiti come gestione del rischio, qualità dei dati, informazioni chiare per l’utente e supervisione umana. Inoltre, il documento MDCG 2025-6 affronta l’interazione tra AI Act, regolamento dispositivi medici MDR e regolamento dispositivi medico-diagnostici in vitro. Per il settore dentale europeo, questo è un passaggio fondamentale: un software che supporta decisioni cliniche o interpreta dati sanitari potrebbe rientrare in un quadro regolatorio molto diverso da un semplice strumento di produttività.

In Italia, il Garante per la protezione dei dati personali raccoglie documenti e indicazioni sull’AI, incluso il decalogo per servizi sanitari nazionali attraverso sistemi di intelligenza artificiale. Il punto culturale che interessa gli studi è chiaro: i dati sanitari sono dati particolarmente sensibili, e l’uso di strumenti digitali deve essere compatibile con protezione dei dati, trasparenza, minimizzazione, sicurezza, responsabilità e non esclusività della decisione algoritmica. AGENAS, nel proprio ruolo di Agenzia nazionale per la sanità digitale, indica la necessità di infrastrutture AI al servizio dell’assistenza e richiama il tema delle competenze digitali, dell’HTA, della qualità dei dati e della governance etico-normativa.

Implicazioni pratiche per odontoiatri e studi dentistici

Per il titolare di studio o il direttore sanitario, la prima implicazione è definire una politica interna. Non basta dire usiamo l’AI con attenzione. Serve chiarire quali strumenti sono consentiti, per quali attività, da quali membri del team, con quali dati e con quale processo di revisione. Un assistente alla poltrona, una segreteria, un igienista, un odontoiatra collaboratore e un consulente esterno possono avere bisogni diversi e livelli di rischio differenti.

Un uso ragionevole può riguardare attività non diagnostiche: bozze di comunicazioni generali, riorganizzazione di procedure interne, sintesi di documentazione non identificativa, preparazione di checklist, supporto alla formazione, creazione di promemoria per campagne preventive generiche. Anche in questi casi, il contenuto deve essere rivisto da una persona competente, soprattutto se sarà visto dai pazienti.

Un uso ad alto rischio comprende invece l’inserimento di dati identificativi del paziente in piattaforme non autorizzate, la richiesta di diagnosi, la generazione di piani terapeutici personalizzati, l’interpretazione autonoma di radiografie o foto cliniche, la scelta di farmaci, l’indicazione di urgenza o non urgenza, la comunicazione di prognosi e l’elaborazione di consensi informati non verificati. Queste attività possono generare errori clinici, violazioni privacy, problemi medico-legali e perdita di fiducia.

Lo studio dovrebbe distinguere almeno tre livelli: uso amministrativo, uso educativo e uso clinico. L’uso amministrativo richiede controllo su dati e comunicazione. L’uso educativo richiede verifica scientifica e aggiornamento delle fonti. L’uso clinico richiede validazione, conformità regolatoria, supervisione professionale, tracciabilità e, quando pertinente, valutazione come dispositivo medico o supporto decisionale. Confondere questi livelli è uno degli errori più frequenti.

Un altro tema è la documentazione. Se uno strumento AI contribuisce alla generazione di una nota, una lettera, una scheda informativa o una procedura, lo studio dovrebbe sapere chi ha revisionato l’output, quando, con quale finalità e con quali modifiche. Non è necessario burocratizzare ogni bozza, ma è prudente avere regole chiare per i contenuti che entrano nel fascicolo, nel consenso, nella comunicazione clinica o nella relazione con altri professionisti.

Implicazioni per odontotecnici e laboratori

Nei laboratori odontotecnici l’AI può comparire in forme diverse: automazione del design, suggerimenti nel CAD, generazione di documentazione, controllo qualità, ottimizzazione dei tempi, comunicazione con lo studio, gestione di immagini e scansioni, supporto alla formazione dei tecnici. Qui il rischio principale non è solo clinico, ma tecnico, produttivo e documentale.

Un modello linguistico può aiutare a redigere istruzioni operative, creare checklist di controllo, standardizzare descrizioni di lavorazioni, sintetizzare richieste dello studio o preparare materiali formativi interni. Ma non dovrebbe sostituire la competenza del tecnico nella valutazione di margini, spessori, connessioni implantari, compatibilità dei materiali, limiti delle resine, parametri di stampa, sinterizzazione, cementazione o finitura. Se un output AI influenza la progettazione di un dispositivo su misura, diventa necessario chiedersi come viene validato, documentato e tracciato.

Il laboratorio deve inoltre prestare attenzione alla riservatezza dei file. Scansioni intraorali, STL, immagini, prescrizioni e dati identificativi possono contenere informazioni sanitarie. Caricarli su piattaforme generative senza adeguata base contrattuale, misure di sicurezza e verifica del trattamento può essere problematico. La regola pratica è semplice: se non si inserirebbe quel dato in un servizio non autorizzato, non lo si dovrebbe inserire nemmeno in un chatbot.

Per il rapporto studio-laboratorio, l’AI può migliorare la qualità se usata come strumento di standardizzazione: schede di prescrizione più chiare, checklist di prova, descrizione delle criticità, confronto su fotografie, promemoria per documentazione minima. Ma la responsabilità resta condivisa secondo ruoli distinti: il clinico definisce indicazioni e prescrizione; il laboratorio realizza secondo competenza tecnica, materiali e requisiti; entrambi mantengono tracciabilità e comunicazione verificabile.

Rischi di interpretazione errata

Il primo rischio è confondere linguaggio fluente con competenza clinica. Gli LLM sono progettati per produrre risposte plausibili, non per garantire verità. Possono inventare riferimenti, sovrastimare certezze, ignorare controindicazioni o non riconoscere quando un caso richiede invio, esame diretto o approfondimento.

Il secondo rischio è usare benchmark scolastici come prova di sicurezza clinica. Un esame a scelta multipla misura conoscenze e pattern di risposta, non la capacità di gestire un paziente reale. Il paziente reale porta comorbidità, farmaci, aspettative, ansia, limiti economici, storia pregressa, variabili anatomiche, rischio infettivo, qualità dell’igiene, aderenza al mantenimento e molte altre informazioni non sempre presenti nel prompt.

Il terzo rischio è sottovalutare l’immagine. In odontoiatria molte decisioni dipendono da radiografie, foto intraorali, scansioni, sondaggi, modelli, prove estetiche e occlusione. Gli studi del 2026 suggeriscono che le prestazioni possono calare nei compiti visuali e multimodali. Anche quando il modello accetta immagini, non significa che sia validato per interpretarle in modo sicuro in quel contesto.

Il quarto rischio riguarda i dati. Inserire dati sanitari in strumenti non governati può comportare problemi di privacy, sicurezza, trasferimento extra-UE, riuso dei dati, conservazione non controllata e assenza di tracciabilità. Questo vale per lo studio e per il laboratorio.

Il quinto rischio è comunicativo. Se un paziente riceve una spiegazione generata da AI ma non adeguatamente revisionata, può interpretarla come prescrizione, diagnosi o promessa di risultato. La comunicazione sanitaria deve essere chiara, prudente, personalizzata dal professionista e coerente con il consenso informato.

Checklist operativa per introdurre l’AI in modo prudente

1. Definire lo scopo

• Il compito è amministrativo, educativo, comunicativo, tecnico o clinico?
• L’output influenza una decisione sul paziente?
• Il modello viene usato solo per bozza o anche per raccomandazione?

2. Classificare il rischio

• Basso rischio: testi generali, checklist interne, bozze non cliniche.
• Rischio medio: materiali educativi per pazienti, documentazione tecnica, sintesi di letteratura.
• Alto rischio: diagnosi, interpretazione immagini, piani di trattamento, triage, farmaci, consenso, dispositivi personalizzati.

3. Proteggere i dati

• Non inserire dati identificativi o sanitari in strumenti non autorizzati.
• Verificare contratti, localizzazione dati, ruoli privacy, conservazione e riuso.
• Preferire dati anonimizzati o sintetici quando l’obiettivo è formativo.

4. Mantenere supervisione umana

• Ogni output destinato al paziente deve essere revisionato da un professionista qualificato.
• Le decisioni cliniche devono restare responsabilità del clinico.
• Il laboratorio deve validare tecnicamente ogni indicazione che impatta il dispositivo.

5. Verificare fonti e aggiornamento

• Chiedere sempre riferimenti verificabili e controllarli su fonti ufficiali o scientifiche.
• Diffidare di citazioni incomplete o non rintracciabili.
• Non usare l’AI come unica fonte su linee guida, farmaci, normativa o sicurezza.

6. Documentare le regole interne

• Creare una policy sintetica per il team.
• Stabilire chi può usare quali strumenti.
• Definire esempi di uso consentito e vietato.
• Prevedere revisione periodica della policy.

7. Formare il team

• Spiegare limiti, allucinazioni, bias, privacy e responsabilità.
• Simulare casi di errore.
• Insegnare prompt prudenti, verifica delle fonti e gestione dei dati.

Errori comuni da evitare

• Delegare il giudizio clinico: l’AI può aiutare a organizzare informazioni, non sostituire anamnesi, esame obiettivo e competenza.
• Usare dati reali senza base adeguata: la comodità non giustifica l’inserimento di dati sensibili in strumenti non governati.
• Confondere marketing e validazione: claim commerciali su accuratezza e automazione vanno verificati con documentazione tecnica, studi e conformità.
• Non distinguere tra modelli: un LLM generalista, un software certificato e un modulo AI integrato in un dispositivo medico non sono la stessa cosa.
• Ignorare il laboratorio: nei workflow protesici e digitali, la governance AI deve includere anche il partner odontotecnico.
• Non aggiornare la policy: modelli, regolamenti e standard evolvono rapidamente; una regola scritta oggi può essere insufficiente tra pochi mesi.

Cosa monitorare nei prossimi mesi

Il primo elemento da seguire è la revisione scientifica dei benchmark. Preprint come GlobalDentBench possono anticipare tendenze importanti, ma devono essere valutati alla luce di peer review, riproducibilità, disponibilità dei dataset, rappresentatività geografica e confronto con scenari clinici reali. Il secondo elemento è l’evoluzione delle linee guida europee sull’AI Act, in particolare per sistemi ad alto rischio e per l’interazione con il MDR. Il terzo è lo sviluppo di strumenti odontoiatrici verticali: software che promettono analisi radiografica, supporto al piano di trattamento, automazione CAD o comunicazione con il paziente dovranno essere valutati non solo per usabilità, ma per evidenza, conformità e responsabilità.

Un quarto fronte riguarda l’alfabetizzazione del team. L’AI non sarà governata solo dal titolare o dal consulente informatico. Segreteria, igienisti, assistenti, collaboratori clinici e laboratorio possono usarla informalmente. Senza una cultura condivisa, il rischio non è l’adozione ufficiale, ma l’uso sommerso. Una policy semplice, realistica e spiegata bene è spesso più efficace di un divieto assoluto non applicabile.

Punti chiave da ricordare

• Gli LLM mostrano potenzialità in odontoiatria, soprattutto in formazione, sintesi e supporto documentale.
• I benchmark 2026 indicano che la performance cala quando aumenta la complessità del ragionamento clinico e multimodale.
• Superare un test non equivale a gestire un caso reale.
• In studio e laboratorio serve una governance: scopo, rischio, privacy, supervisione, verifica e documentazione.
• Le decisioni cliniche e tecniche devono restare in capo a professionisti qualificati.
• Le fonti istituzionali, come OMS, Commissione europea, MDCG, Garante Privacy e AGENAS, convergono su prudenza, trasparenza, supervisione umana e qualità dei dati.

Conclusione

L’AI generativa può diventare uno strumento utile per l’odontoiatria, ma solo se inserita in un contesto professionale maturo. La vera innovazione non consiste nel chiedere a un chatbot cosa fare, ma nel progettare un sistema in cui tecnologia, competenza clinica, qualità tecnica, privacy e responsabilità lavorino insieme. I benchmark del 2026 ci ricordano che gli LLM possono essere brillanti nelle risposte teoriche e fragili nel ragionamento contestuale. Per questo il futuro più credibile non è l’autonomia dell’AI, ma una collaborazione controllata, verificabile e proporzionata al rischio.

Per gli studi odontoiatrici italiani ed europei, la priorità operativa è iniziare dalla governance: mappare gli usi reali, vietare gli usi ad alto rischio non validati, formare il team, coinvolgere il laboratorio, proteggere i dati e monitorare le evidenze. L’AI non deve essere né mito né minaccia: deve diventare uno strumento professionale, sottoposto agli stessi criteri di qualità che il settore dentale applica a materiali, dispositivi, procedure e comunicazione con il paziente.

Fonti e riferimenti

• GlobalDentBench: preprint arXiv pubblicato nel maggio 2026, utile per comprendere la necessità di benchmark odontoiatrici specifici e la differenza tra richiamo nozionistico, ragionamento routinario e ragionamento individualizzato.
• International Dental Journal, Comparative Performance of State-of-the-Art LLMs on the KDLE: studio 2026 che evidenzia performance elevate su esame standardizzato, ma anche limiti su interpretazione visiva e ragionamento clinico.
• Journal of Prosthetic Dentistry, studi 2026 su LLM e prove protesiche: utili per interpretare l’AI come supporto educativo, non come sostituto della competenza specialistica.
• OMS, Ethics and governance of artificial intelligence for health: large multi-modal models: riferimento istituzionale per rischi, benefici, governance e supervisione dei modelli multimodali in sanità.
• Commissione europea, Artificial Intelligence in healthcare: quadro sintetico su AI Act, sanità digitale, EHDS e requisiti per sistemi AI ad alto rischio.
• MDCG 2025-6: FAQ sull’interazione tra AI Act, MDR e IVDR, rilevante per software AI con possibili finalità mediche.
• Garante per la protezione dei dati personali, sezione AI e decalogo per servizi sanitari nazionali: riferimento italiano per privacy, dati sanitari e non esclusività della decisione algoritmica.
• AGENAS, Intelligenza Artificiale e Agenzia per la sanità digitale: utile per inquadrare governance, competenze digitali, HTA e infrastrutture AI nel contesto sanitario italiano.