AI e Psicologia: scenari possibili per la salute mentale del futuro

Articolo scritto in collaborazione con @appuntiseduta

Introduzione

Negli ultimi anni, il rapporto tra intelligenza artificiale (AI) e salute mentale ha iniziato ad attirare l'attenzione di ricercatori, clinici e policy maker. Non si tratta ancora di una realtà consolidata, ma di un insieme di possibilità in rapida evoluzione, alcune già parzialmente testate, altre ancora allo stadio di ipotesi promettente. Come sottolineano Torous et al. (2021), l'AI non si propone come sostituto del professionista della salute mentale, ma come uno strumento potenzialmente in grado di estendere la portata dei servizi, ridurre le barriere di accesso e supportare il lavoro clinico. Prima di entusiasmarsi o allarmarsi, vale la pena esplorare con attenzione cosa potrebbe realisticamente cambiare — e cosa, invece, difficilmente cambierà.

L'AI come possibile assistente clinico

Una delle applicazioni più immediate e meno controverse riguarda l'automazione dei compiti amministrativi. Documentazione clinica, compilazione di report, gestione degli appuntamenti: si tratta di attività che occupano una parte significativa del tempo dei professionisti, sottraendolo alla relazione con il paziente. Sistemi di trascrizione automatica e di sintesi delle note cliniche potrebbero alleggerire questo carico, restituendo tempo prezioso alla dimensione umana del lavoro terapeutico (Luxton, 2016).

Parallelamente, i sistemi di supporto alle decisioni cliniche (Clinical Decision Support Systems, CDSS) potrebbero affiancare il clinico nell'analisi dei dati del paziente, suggerendo ipotesi diagnostiche preliminari o segnalando fattori di rischio. È importante precisare che questi strumenti non sarebbero progettati per sostituire il giudizio clinico, ma per integrarlo: la decisione finale resterebbe sempre in capo al professionista (Obermeyer & Emanuel, 2016). Rimangono tuttavia aperti interrogativi rilevanti sulla validità di questi sistemi in contesti clinici reali e sulla loro capacità di adattarsi alla complessità dei casi individuali.

Diagnosi precoce e monitoraggio: le promesse del Machine Learning

Tra le aree di ricerca più attive vi è l'utilizzo del Machine Learning (ML) per la diagnosi precoce dei disturbi mentali. (Verma, 2025) Gli algoritmi di ML sono in grado di analizzare grandi quantità di dati clinici e comportamentali, identificando pattern che potrebbero sfuggire all'osservazione umana. Alcuni studi hanno mostrato risultati incoraggianti nella previsione di episodi depressivi, stati d'ansia e rischio suicidario (Shatte et al., 2019), ma è necessaria cautela nell'interpretare questi risultati: molti studi sono condotti su campioni ristretti, in contesti controllati, e la generalizzabilità clinica rimane una questione aperta.

Un contributo altrettanto interessante viene dal Natural Language Processing (NLP), che consente ai sistemi informatici di analizzare il linguaggio umano scritto e parlato. Nel contesto psicologico, il NLP potrebbe essere utilizzato per esaminare trascrizioni di colloqui, messaggi di testo o post sui social media, individuando indicatori lessicali e semantici associati a stati di disagio psicologico (Gkotsis et al., 2017). Anche in questo caso, i risultati preliminari sono promettenti, ma le implicazioni etiche, in particolare relative alla privacy e al consenso,  richiedono una riflessione approfondita prima di qualsiasi applicazione clinica su larga scala.

Fenotipizzazione digitale: costruire un "ritratto" psicologico dai dati quotidiani

Uno degli sviluppi concettualmente più affascinanti è quello della fenotipizzazione digitale (digital phenotyping), termine introdotto da Torous et al. (2016) per descrivere la raccolta e l'analisi continua di dati generati dalle interazioni quotidiane dell'individuo con i propri dispositivi digitali. Smartphone e wearable potrebbero registrare informazioni relative a movimento, qualità del sonno, frequenza cardiaca, interazioni sociali e pattern comunicativi, restituendo una rappresentazione dinamica e oggettiva dello stato psicologico della persona (Rahman, 2025).

In teoria, variazioni improvvise in questi parametri, una riduzione della mobilità, un peggioramento del sonno, un calo nelle interazioni sociali, potrebbero segnalare l'insorgenza di un episodio depressivo prima che i sintomi diventino clinicamente evidenti, aprendo la strada a interventi precoci e personalizzati (Insel, 2017). Nella pratica, tuttavia, permangono sfide significative: la qualità e l'affidabilità dei dati raccolti, la difficoltà di interpretarli in modo clinicamente significativo, e soprattutto le implicazioni legate alla privacy e alla sicurezza delle informazioni biometriche.

Chatbot terapeutici: supporto utile o falsa sicurezza?

I chatbot terapeutici rappresentano forse l'applicazione di AI più direttamente visibile al grande pubblico. Strumenti come Woebot, Wysa e Tess sono progettati per offrire supporto psicologico immediato, proporre esercizi di terapia cognitivo-comportamentale e monitorare il benessere emotivo dell'utente tra una seduta e l'altra. Alcune ricerche hanno rilevato effetti positivi sull'umore e sui sintomi depressivi in popolazioni non cliniche (Fitzpatrick et al., 2017), e questi strumenti potrebbero rivelarsi utili soprattutto come ponte tra il paziente e il professionista, o in contesti dove l'accesso ai servizi tradizionali è limitato.

Tuttavia, è fondamentale mantenere una prospettiva critica. I chatbot simulano l'ascolto e l'empatia, ma non le possiedono: sono sistemi statistici che generano risposte plausibili sulla base di pattern nei dati di addestramento (Zhang, Wang 2024). In situazioni di crisi acuta o elevata vulnerabilità psicologica, affidarsi esclusivamente a questi strumenti potrebbe essere non solo insufficiente, ma potenzialmente rischioso (Luxton, 2016). La distinzione tra supporto digitale e intervento clinico professionale non dovrebbe mai essere sfumata.

Sfide etiche: il nodo che non si può ignorare

Qualsiasi discussione sull'AI in psicologia non può prescindere da una riflessione approfondita sulle implicazioni etiche. La raccolta continua di dati personali e biometrici pone interrogativi seri in merito alla privacy, alla sicurezza informatica e alla qualità del consenso informato per questo è importante che il paziente e il professionista della salute mentale comprendano appieno come vengono utilizzati i propri dati quando si accettano i termini di utilizzo di un'app di salute mentale.

Un secondo problema riguarda i bias algoritmici. Gli algoritmi di ML apprendono dai dati storici, che spesso riflettono disuguaglianze e pregiudizi presenti nella società. Se addestrati su dataset non rappresentativi, questi sistemi rischiano di produrre valutazioni meno accurate — o addirittura discriminatorie — nei confronti di determinati gruppi etnici, di genere o socioeconomici (Obermeyer et al., 2019). Questo è un problema tecnico, ma anche profondamente etico, che la comunità scientifica sta solo cominciando ad affrontare in modo sistematico.

Infine, c'è la questione della responsabilità clinica: in un sistema in cui l'AI contribuisce alla diagnosi o al trattamento, chi risponde di un errore? La definizione di confini chiari tra il ruolo della macchina e quello del professionista è una delle sfide regolatorie più urgenti che il settore dovrà affrontare nei prossimi anni (Mittelstadt et al., 2016).

Verso il "terapeuta aumentato dall'AI": uno scenario possibile.

Le evidenze disponibili suggeriscono che lo scenario più realistico non è quello della sostituzione del terapeuta con una macchina, ma quello di una collaborazione tra intelligenza artificiale e intelligenza umana. Alcuni autori parlano di "AI-augmented therapist" (Torous et al., 2021): una figura professionale che integra competenze cliniche tradizionali con la capacità di leggere, interpretare e utilizzare criticamente i dati prodotti dai sistemi AI.

Questo scenario è possibile, ma non è automatico. Richiede che la formazione dei professionisti della salute mentale si evolva per includere competenze di data literacy e pensiero critico rispetto agli algoritmi. Richiede che la ricerca continui a testare l'efficacia e la sicurezza di questi strumenti in contesti clinici reali. E richiede, soprattutto, che le decisioni su come e quando adottare queste tecnologie siano guidate da criteri etici solidi, ponendo sempre al centro il benessere della persona e non l'efficienza del sistema.

Conclusioni

L'intelligenza artificiale potrebbe portare contributi significativi alla salute mentale: nella diagnosi precoce, nel monitoraggio continuo, nel supporto tra le sedute e nella gestione amministrativa. Allo stesso tempo, presenta limiti reali e rischi non trascurabili, che impongono prudenza, rigore scientifico e una riflessione etica costante. Il futuro del rapporto tra AI e psicologia non è già scritto: dipenderà dalle scelte che faremo come professionisti, ricercatori e società.

Riferimenti

Fitzpatrick, K. K., Darcy, A., & Vierhile, M. (2017). Delivering cognitive behavior therapy to young adults with symptoms of depression and anxiety using a fully automated conversational agent (Woebot): A randomized controlled trial. JMIR Mental Health, 4(2), e19. https://doi.org/10.2196/mental.7785

Gkotsis, G., Oellrich, A., Velupillai, S., Liakata, M., Hubbard, T. J., Dobson, R. J., & Dutta, R. (2017). Characterisation of mental health conditions in social media using informed deep learning. Scientific Reports, 7, 45141. https://doi.org/10.1038/srep45141

Insel, T. R. (2017). Digital phenotyping: Technology for a new science of behavior. JAMA, 318(13), 1215–1216. https://doi.org/10.1001/jama.2017.11295

Luxton, D. D. (Ed.). (2016). Artificial intelligence in behavioral and mental health care. Academic Press.

Mittelstadt, B. D., Allo, P., Taddeo, M., Wachter, S., & Floridi, L. (2016). The ethics of algorithms: Mapping the debate. Big Data & Society, 3(2), 1–21. https://doi.org/10.1177/2053951716679679

Obermeyer, Z., & Emanuel, E. J. (2016). Predicting the future — Big data, machine learning, and clinical medicine. New England Journal of Medicine, 375(13), 1216–1219. https://doi.org/10.1056/NEJMp1606181

Obermeyer, Z., Powers, B., Vogeli, C., & Mullainathan, S. (2019). Dissecting racial bias in an algorithm used to manage the health of populations. Science, 366(6464), 447–453. https://doi.org/10.1126/science.aax2342

Shatte, A. B. R., Hutchinson, D. M., & Teague, S. J. (2019). Machine learning in mental health: A scoping review of methods and applications. Psychological Medicine, 49(9), 1426–1448. https://doi.org/10.1017/S0033291719000151

Torous, J., Kiang, M. V., Lorme, J., & Onnela, J. P. (2016). New tools for new research in psychiatry: A scalable and customizable platform to empower data driven smartphone research. JMIR Mental Health, 3(2), e16. https://doi.org/10.2196/mental.5165

Torous, J., Myrick, K. J., Rauseo-Ricupero, N., & Firth, J. (2021). Digital mental health and COVID-19: Using technology today to accelerate the curve on access and quality tomorrow. JMIR Mental Health, 8(3), e18848. https://doi.org/10.2196/18848

Beg, M. J., Verma, M., Chanthar, V. K. M. M., & Verma, M. K. (2025). Artificial intelligence for psychotherapy: A review of the current state and future directions. Indian Journal of Psychological Medicine, 47(4), 314–325.,

Giotakos, O. (2025). Artificial intelligence-based psychotherapy: focusing on common psychotherapeutic factors. Frontiers in Psychiatry, 16, 1710715.

Rahman, M. A., Victoros, E., Davis, R., Duaa, T., Shanjana, Y., & Islam, M. R. (2025). Use of artificial intelligence in mental healthcare, health psychology, and related research: A narrative review to address challenges and opportunities. Health Science Reports, 8(12).,

Wajid, A., Azam, F., & Anwar, M. W. (2025). Applications of artificial intelligence in mental health: a systematic literature review. Discover Artificial Intelligence, 5(332).,

Zhang, Z., & Wang, J. (2024). Can AI replace psychotherapists? Exploring the future of mental health care. Frontiers in Psychiatry, 15, 1444382.