Perché un piano nutrizionale non si improvvisa su un assistente AI generico

È martedì mattina e sulla scrivania ci sono due piani alimentari per lo stesso paziente: uno scritto da un assistente AI generalista, uno da PappAI. Sembrano quasi identici: stessa struttura, stesso tono sicuro, un totale kcal netto in cima alla pagina.

Il problema non riguarda la forma, ma la sostanza: quel totale, sommato davvero ingrediente per ingrediente contro un database nutrizionale reale, risulta quasi sempre diverso da quello dichiarato. E il modello non ha modo di saperlo.

Qui non si tratta di scegliere l'assistente giusto. Come vedremo più avanti, l'errore non segue un pattern prevedibile per modello: è strutturale a qualunque sistema che stima il valore nutrizionale dal linguaggio invece che da un database reale.

Come abbiamo testato

26 richieste identiche testate alla cieca su tre assistenti conversazionali generalisti, confrontate pasto per pasto, ingrediente per ingrediente, contro il database nutrizionale CREA in uso in produzione su PappAI.

Il campione copre 20 casi a complessità crescente, da un mantenimento standard fino a un caso di insufficienza renale con proteine alte, passando per vincoli contraddittori ed esclusioni multiple, più 6 casi costruiti a partire da segnalazioni reali ricevute da professionisti che usano PappAI in beta.

Ogni richiesta è stata riformulata in linguaggio naturale, così da poter essere incollata senza contesto in un qualunque assistente conversazionale: esattamente come farebbe un professionista che "spara un prompt" durante una giornata di lavoro. Per un sottoinsieme di casi, le calorie dichiarate da ciascun assistente sono state riverificate sommando la grammatura reale di ogni ingrediente per il suo valore nutrizionale nel database CREA: un conteggio, non un'opinione.

Primo limite: la precisione dichiarata è spesso inventata

Un assistente generalista non "sa" quante calorie ha 100 g di lievito alimentare in scaglie o di una bevanda vegetale specifica: lo stima dal linguaggio con cui l'ha visto descritto durante l'addestramento. Il numero che scrive suona plausibile, ma non è mai stato calcolato davvero.

Il pattern è chiaro: più l'ingrediente è comune (pollo, pasta, patate) più lo scarto reale si riduce, spesso sotto il 5%. Più è specifico (proteine isolate, bevande vegetali, frutta secca meno comune, lievito alimentare in scaglie) più lo scarto sale, arrivando a superare il 17% su un singolo pasto. E lo scarto non è mai segnalato dal modello: la sicurezza con cui viene scritto il numero non cambia mai tra un caso preciso e uno che sbaglia di dieci punti percentuali.

PappAI non ha questo problema per costruzione: ogni ingrediente viene idratato contro lo stesso database nutrizionale reale usato per fare questa verifica. Il numero che il professionista vede è una somma verificabile fino alla singola voce del database, non una stima linguistica.

Secondo limite: un vincolo di sicurezza non è mai garantito

Lo stesso tipo di richiesta (un'esclusione religiosa, un'allergia, un vincolo dietetico assoluto) viene gestito in modo diverso a seconda di quale assistente risponde, e non sempre nel modo più prudente.

Caso reale: un piano halal, con una nota che chiedeva esplicitamente di aggiungere prosciutto crudo due volte a settimana.
Su tre assistenti messi alla stessa identica prova, due hanno riconosciuto la contraddizione e sostituito l'ingrediente con un'alternativa compatibile con il vincolo halal, segnalandolo esplicitamente.
Il terzo ha inserito realmente carne di maiale due volte nel piano finale, esattamente come richiesto dal testo libero, segnalando il conflitto solo in una nota separata, facile da perdere in un documento di più pagine.

Se il professionista non legge quella nota, il piano consegnato al paziente halal conterrebbe carne di maiale reale.

La lezione qui non riguarda un singolo assistente meno affidabile degli altri, ma il fatto che nessuno di questi sistemi ha un concetto di vincolo assoluto. Tutto, incluse le esclusioni di sicurezza, passa dallo stesso canale linguistico della richiesta ed è soggetto alla stessa variabilità di interpretazione riga per riga. Un professionista che si affida a un assistente generalista per un paziente con un'allergia reale sta affidando quella sicurezza a un modello di linguaggio, non a una regola.

Terzo limite: lo stesso conflitto, risolto in modo diverso ogni volta

Messi davanti a conflitti dello stesso tipo (una nota che contraddice un vincolo dichiarato), gli assistenti generalisti non seguono una regola prevedibile.

Su un piano chetogenico con una nota che chiedeva pasta e pane a cena, uno degli assistenti ha generato comunque, sostituendo silenziosamente con alternative chetogeniche. Sullo stesso tipo di conflitto ma applicato a un vincolo senza glutine, lo stesso assistente si è invece fermato, rifiutandosi di procedere senza una conferma. Su un terzo caso, un target calorico incompatibile con i grammi di macronutrienti dichiarati nella stessa richiesta, un assistente ha rilevato l'incoerenza aritmetica e si è fermato a chiederne la priorità; un altro l'ha risolta in autonomia dando priorità a uno dei due numeri, senza mai segnalare che un conflitto esisteva.

Per un professionista, questa incoerenza è più costosa di un limite dichiarato e stabile: si impara a lavorare attorno a un limite noto, ma non si può costruire un flusso di lavoro affidabile attorno a un comportamento che cambia in modo imprevedibile a parità di richiesta.

Nessun modello è strutturalmente più affidabile di un altro

L'errore di stima calorica non segue un pattern prevedibile legato a quale assistente risponde. Nei primi casi testati un assistente sembrava sottostimare sistematicamente le proprie calorie dichiarate; un caso successivo, con ingredienti diversi, ha smentito l'ipotesi con uno scarto reale vicino allo zero. L'unica variabile che correla in modo consistente con l'errore è quanto l'ingrediente richiesto sia comune o specifico, non quale sistema lo genera.

Cambiare assistente generalista, o aspettare che il prossimo modello sia "più bravo", non risolve il problema, perché è strutturale: un sistema che stima il valore nutrizionale dal linguaggio, per quanto sofisticato, resta un sistema che stima, non uno che calcola.

Cosa rende PappAI diverso

I dati sono verificabili. Ogni piano è idratato contro un database nutrizionale reale (CREA + USDA), lo stesso standard usato in questo test per arbitrare i confronti.
Le esclusioni funzionano come regola, non come testo libero: allergie, esclusioni religiose e restrizioni dietetiche sono un filtro deterministico applicato a ogni piano generato, e il sistema non le reinterpreta caso per caso.
Il professionista resta sempre nel ciclo di revisione: ogni piano generato dall'AI nasce con stato proposto, e nessun output arriva al paziente senza la sua conferma.
Il controllo qualità è continuo: questo stesso test fa parte di un processo di verifica ricorrente, con ogni scostamento tracciato e ri-verificato prima di essere considerato chiuso.

Se vuoi vedere come lavora un piano idratato contro un database nutrizionale reale invece che stimato dal linguaggio, la prova gratuita dura 30 giorni.

Nota metodologica: test interno condotto l'8 settembre 2026 su 26 richieste, con verifica indipendente contro il database nutrizionale CREA in uso in produzione su PappAI. È un test di qualità, non uno studio peer-reviewed: il campione è mirato a esplorare casi a complessità crescente, non a rappresentare in modo statisticamente esaustivo tutte le combinazioni possibili di vincoli e diete. I risultati vanno letti come un'evidenza direzionale solida, non come una misura di probabilità d'errore definitiva.