Una dieta scritta dall'intelligenza artificiale

Una dieta scritta dall'intelligenza artificiale

Chiedere una dieta a un chatbot costa zero, richiede trenta secondi e restituisce qualcosa che sembra un piano alimentare: giorni, pasti, grammature, perfino una nota motivazionale in fondo. È comprensibile che moltissime persone lo abbiano già fatto, e altrettanto comprensibile che poi si chiedano quanto valga quel foglio.

La buona notizia è che non serve rispondere per opinioni. Negli ultimi due anni diversi gruppi di ricerca hanno preso i piani generati dai modelli linguistici e li hanno analizzati con gli stessi software di analisi dietetica usati negli studi professionali, confrontandoli con i valori di riferimento e con piani redatti da dietisti. I risultati sono più interessanti, e più sfumati, di quanto suggerisca sia l'entusiasmo sia il rifiuto pregiudiziale.

Che cosa è stato misurato finora

Il quadro d'insieme più aggiornato è una revisione sistematica pubblicata sulla rivista Dietetics, che ha raccolto 23 studi peer-reviewed sulle prestazioni di ChatGPT nella pianificazione dei pasti e nei consigli alimentari (Guo et al., 2025).

Il bilancio non è liquidatorio, anzi. Venti studi su ventitré riportano risultati complessivamente positivi. L'accuratezza nell'identificazione degli alimenti si attesta intorno all'87,5%, quella media sui macronutrienti al 84,19%, e in diversi confronti i piani generati risultavano difficilmente distinguibili da quelli redatti da professionisti. GPT-4 fa meglio del suo predecessore su precisione dei nutrienti e varietà dei pasti.

Ma la stessa revisione elenca con altrettanta chiarezza i limiti: prestazioni incoerenti negli scenari complessi con più condizioni di salute contemporanee, oltre metà degli studi condotti in setting sperimentali anziché su dati reali e nessuno studio che abbia esaminato l'aderenza nel tempo o gli esiti di salute. Sappiamo com'è fatto il foglio; non sappiamo che cosa succede alle persone che lo seguono per sei mesi. L'eterogeneità metodologica era tale da non consentire una meta-analisi.

Il problema delle calorie: i piani escono più poveri di quello che dichiarano

Uno studio del 2026 pubblicato su Nutrients ha usato i modelli come li usa una persona qualunque. Prompt banali, nessuna competenza tecnica, tre obiettivi calorici (2.000, 2.500 e 3.000 kcal) e piani da 35 giorni, poi analizzati con software dietetico professionale contro gli standard nutrizionali nazionali (Dobrowolski, 2026).

Tutti i modelli hanno prodotto piani con un contenuto energetico significativamente inferiore all'obiettivo dichiarato, con un deficit compreso tra 284 e 546 kcal al giorno a seconda del modello. Sul profilo dei macronutrienti: proteine sistematicamente alte (20,2–22,3% dell'energia), grassi insufficienti (21,8–29,6% contro il 30–40% raccomandato), carboidrati adeguati. Sui micronutrienti la situazione era eterogenea: due modelli su tre generalmente adeguati, uno con carenze frequenti soprattutto ai livelli calorici più bassi, ma l'AI fa comunque fatica a stimare accuratamente l'apporto di vitamine e minerali.

Uno dei problemi più importanti che emerge è che il piano dichiara, per esempio, 2.000 kcal, ma ne contiene 1.600: chi lo segue non sta assumendo le kcal che crede di assumere.

Sugli adolescenti il divario si allarga

Un secondo studio del 2026, su Frontiers in Nutrition, ha ristretto il campo a una popolazione specifica. Sono stati generati 60 piani alimentari di tre giorni con cinque modelli diversi per quattro profili standardizzati di adolescenti quindicenni in sovrappeso e obesità, e confrontati con i piani di riferimento redatti da una dietista sulla base delle linee guida (Bilen et al., 2026).

Gli scarti medi rispetto ai piani professionali: −695 kcal di energia, −19,9 g di proteine, −15,8 g di lipidi, −114,6 g di carboidrati. E una distorsione strutturale del profilo: i carboidrati coprivano il 32,4–36,3% dell'energia contro il 45–65% raccomandato, mentre proteine e lipidi eccedevano le indicazioni. Gli scostamenti sono clinicamente significativi e queste raccomandazioni «non sono appropriate all'uso senza supervisione professionale».

Il rischio che non si vede: casi complessi e sicurezza

Finché si parla di un adulto sano che vuole mangiare meglio, un piano un po' ipocalorico è un problema recuperabile. Il quadro cambia quando ci sono condizioni cliniche in mezzo.

La revisione sistematica del 2025 segnala che alcuni piani generati da AI contenevano allergeni per profili dichiaratamente allergici. Non è un errore di calcolo: è un errore di sicurezza, che un professionista intercetta in anamnesi, ma che uno strumento statistico può non intercettare affatto. Nella stessa revisione, il 53% degli esperti interpellati in uno degli studi riteneva che i consigli del modello non debbano essere l'unica base di un piano alimentare critico.

Uno studio del 2026, sempre su Frontiers in Nutrition, ha spinto la verifica sul terreno più difficile: piani pediatrici per tre malattie metaboliche ereditarie che richiedono un controllo millimetrico degli amminoacidi (fenilchetonuria, leucinosi e acidemia propionica). Anche quando i piani generati rientravano nei margini su un parametro, nessuno dei due modelli testati rispettava simultaneamente tutti i target specifici della patologia: proteine in eccesso da una parte, tirosina insufficiente dall'altra, distribuzione proteica squilibrata nel terzo caso. Gli autori osservano anche che le consuete misure di adeguatezza nutrizionale, da sole, non bastano nemmeno a giudicare se un piano generato sia clinicamente appropriato (Ülger & Adıgüzel, 2026).

Va detto per correttezza che si tratta di simulazioni su casi standardizzati, non di pazienti reali, e che i modelli spesso cambiano ogni pochi mesi.

Dove l'intelligenza artificiale è invece utile

Sarebbe sciocco archiviare lo strumento. La lettura corretta dei dati è che il problema non è la macchina: è il compito che le viene affidato.

Su compiti generativi e non prescrittivi questi modelli funzionano bene, e sono un aiuto concreto: trovare idee di ricette rispettando vincoli già stabiliti («ho questi ingredienti, questo è il mio piano, cosa posso preparare in venti minuti»), riformulare una lista della spesa, spiegare che cosa significa una voce in etichetta, tradurre un concetto nutrizionale in parole comprensibili, organizzare la preparazione dei pasti della settimana. Sono le stesse funzioni per cui l'accuratezza sull'identificazione degli alimenti misurata dalla revisione, vicina al 90%, è più che sufficiente.

Cosa un chatbot non può fare, per costruzione

C'è un elenco di cose che nessun modello linguistico, per quanto avanzato, è in grado di fare, e non per limiti temporanei della tecnologia.

Non può misurare. La composizione corporea si valuta con la bioimpedenziometria, la plicometria, la forza di presa, etc.: dati che si raccolgono sulla persona, non si deducono da una descrizione testuale. Un modello parte da quello che gli scrivi; se ti descrivi male, il piano sarà coerente con la descrizione sbagliata.

Non può fare un'anamnesi. Non conosce la storia clinica, i farmaci in corso e le loro interazioni, gli esami recenti, le intolleranze verificate, il rapporto con il cibo di quella persona specifica.

Non ha una responsabilità. In Italia l'elaborazione di un piano alimentare personalizzato è un atto professionale, che spetta a figure sanitarie abilitate ciascuna nel proprio ambito. Nessuno degli assistenti conversazionali di uso generale è un dispositivo medico certificato, e le loro condizioni d'uso lo dichiarano esplicitamente.

Non ti vede cambiare. Il valore di un percorso nutrizionale non sta nel primo foglio: sta nel confronto tra la valutazione iniziale e quella a tre mesi, e nella correzione di rotta che ne deriva.

Tre regole per usare bene l'AI

1. Usala per generare, non per decidere. Idee, varianti, spiegazioni: sì. Grammature e obiettivi calorici: no, non da sola.
2. Non affidarle i casi in cui l'errore costa. Gravidanza, età pediatrica e adolescenziale, patologie croniche o metaboliche, allergie, terapie farmacologiche in corso: sono esattamente gli scenari in cui gli studi mostrano gli scostamenti maggiori.
3. Verifica i numeri insieme a un professionista. Se hai già un piano generato e ci tieni, portalo in consulenza: valutarlo e, eventualmente, correggerlo è un lavoro sensato.

Il punto

Il dato più utile di tutta questa letteratura non riguarda l'intelligenza artificiale: riguarda che cosa sia davvero un piano alimentare. Se fosse solo un elenco di alimenti e grammature, un modello statistico ben addestrato basterebbe e, in buona parte, ci arriva già. Se invece è la traduzione di una misurazione, di una storia clinica e di una vita reale in qualcosa che una persona riesca a seguire, allora l'elenco è l'ultimo passo, non il primo.

Nel nostro studio, quel primo passo è la valutazione: composizione corporea, anamnesi, obiettivi. Se hai già provato a farti scrivere una dieta da un'AI e vuoi capire quanto è valida, è un buon punto di partenza per una consulenza.

Bibliografia

1. Guo, P., Liu, G., Xiang, X., & An, R. (2025). From AI to the Table: A Systematic Review of ChatGPT's Potential and Performance in Meal Planning and Dietary Recommendations. Dietetics, 4(1), 7. https://doi.org/10.3390/dietetics4010007

2. Dobrowolski, H. (2026). An Analysis of the Nutritional Value of Diets Generated by Large Language Models Under Average User Conditions — 3(LM)Diet Study. Nutrients, 18(14), 2363. https://doi.org/10.3390/nu18142363

3. Bilen, A. B., Kalkan, G. E., & Önal, H. Y. (2026). Artificial intelligence diet plans underestimate nutrient intake compared to dietitians in adolescents. Frontiers in Nutrition. https://doi.org/10.3389/fnut.2026.1765598

4. Ülger, T. G., & Adıgüzel, E. (2026). Exploratory benchmarking of AI-generated diet plans for inherited protein metabolism disorders: a simulation-based evaluation of nutritional accuracy and clinical safety. Frontiers in Nutrition, 13, 1877144. https://doi.org/10.3389/fnut.2026.1877144

5. Società Italiana di Nutrizione Umana (SINU). LARN — Livelli di Assunzione di Riferimento di Nutrienti ed energia per la popolazione italiana, V revisione. https://sinu.it/larn/

Le informazioni contenute in questo articolo hanno finalità divulgativa e non sostituiscono il parere di un professionista della nutrizione o del medico.