Perplexity sembra la risposta «adulta» a ChatGPT. Fa una domanda, riceve una risposta fluente e, proprio lì nelle note, ci sono le fonti. L’UX è pulita, le citazioni sembrano autorevoli e – aspetto cruciale per un paziente che guarda i propri referti – l’intera esperienza suggerisce: «è affidabile perché è citato».
Dal punto di vista della progettazione di prodotto, Perplexity ha fatto qualcosa di davvero ingegnoso: ha portato il RAG (Retrieval-Augmented Generation) in un’esperienza consumer e ha reso visibile il recupero. È un risultato concreto. Ma, come persona che da anni osserva gli utenti interagire con l’IA medica, posso dirLe che il segnale di fiducia svolge un lavoro che il sistema sottostante non si è del tutto guadagnato. In questo articolo voglio spiegare dove Perplexity eccelle, dove fallisce nello specifico in medicina e perché un RAG in stile Wizey su un corpus curato è un prodotto diverso, anche se l’architettura si somiglia.
Che cos’è davvero Perplexity
Perplexity è un prodotto LLM potenziato dalla ricerca. Sotto il cofano, una query attiva una ricerca dal vivo sul web, i primi risultati vengono recuperati e suddivisi in frammenti, i frammenti vengono trasformati in embedding, quelli più pertinenti vengono passati a un LLM – spesso GPT, Claude o il modello Sonar proprietario di Perplexity – insieme alla query, e al modello viene chiesto di rispondere usando quei frammenti e di citare ogni affermazione. È RAG da manuale, come descritto in Lewis et al. (2020), avvolto in un’interfaccia rapida e accattivante.
Le scelte ingegneristiche chiave sono: recuperare dal web aperto in tempo reale, usare un LLM generalista per sintetizzare e mostrare le citazioni nel testo. Questa combinazione è all’origine sia dei suoi punti di forza sia delle sue debolezze in ambito medico.
Che cosa funziona: cultura generale, attualità, visibilità delle fonti
Per le domande non cliniche, Perplexity è eccellente. Batte gli LLM statici su qualsiasi tema in cui conta l’attualità – nuove uscite di prodotti, cambiamenti normativi, sviluppi di mercato – perché legge davvero il web al momento della query. Le citazioni Le permettono di cliccare e verificare, il che è una vera disciplina rispetto a un chatbot puro che Le chiede di fidarsi del suo addestramento. Un’analisi di JAMA (2023) ha osservato che l’indicazione visibile delle fonti aumenta in modo sostanziale la fiducia percepita nelle risposte dell’IA, nel bene e nel male.
Per un medico che fa ricerca bibliografica, Perplexity Pro, con la sua ricerca orientata all’ambito accademico, può essere uno strumento da biblioteca davvero utile. Se sa che cosa cercare in una citazione, fa risparmiare tempo.
Per un paziente che cerca di interpretare il PDF dei propri referti, le stesse funzioni diventano un rischio. Vale la pena capire perché.
Perché in medicina le citazioni non equivalgono all’accuratezza
Quando i pazienti usano Perplexity per interpretare i referti, ricorrono tre specifiche modalità di errore:
1. La fonte è reale, ma l’affermazione che sostiene non è ciò che la fonte dice davvero. Un LLM che riassume un frammento di testo recuperato può scivolare dal senso originale. Perplexity potrebbe citare una pagina legittima del NIH mentre formula un’affermazione che quella pagina non contiene – la pagina e l’affermazione si trovano vicine statisticamente, non semanticamente. La ricerca documentata in The Lancet Digital Health (2024) mostra questo schema in diversi sistemi RAG: le citazioni aumentano la fiducia percepita senza necessariamente aumentare l’accuratezza fattuale.
2. La fonte sembra legittima ma non è autorevole dal punto di vista medico. Il recupero di Perplexity tratta il web aperto come proprio corpus. Un blog di salute ben posizionato, un riassunto di Healthline, un articolo di Medium, un popolare thread medico di Reddit: compaiono abitualmente nelle citazioni accanto a PubMed e alla Mayo. Un paziente non ha un modo semplice per soppesarli. Linee guida cliniche sottoposte a revisione paritaria stanno accanto al post di un influencer del benessere, entrambi resi con lo stesso stile di nota.
3. Il problema del cherry-picking (selezione di comodo). Il RAG recupera i frammenti il cui embedding è vicino alla domanda. Su un tema medico ricco di sfumature, il frammento più pertinente alla domanda è spesso una frase fuori contesto che non riflette l’indicazione completa. Per esempio, alla domanda «una ferritina alta è sempre sovraccarico di ferro» può essere recuperato un frammento che afferma che la ferritina aumenta con le riserve di ferro – vero in un contesto e profondamente fuorviante nel contesto, molto più comune, dell’infiammazione. La frase citata è accurata; la risposta costruita a partire da essa è sbagliata.
L’esempio della ferritina, in concreto
Le illustro uno schema reale che osservo spesso. Un paziente chiede a Perplexity: «la mia ferritina è 450, che cosa significa?». Una risposta tipica pesca frammenti che parlano di sovraccarico di ferro, emocromatosi e malattia epatica, cita MedlinePlus e produce un testo dal tono equilibrato su queste patologie. Sembra autorevole.
Ciò che di solito le sfugge, a meno che l’utente non abbia formulato la domanda nel modo esatto, è che la ferritina è una proteina della fase acuta. In presenza di infiammazione – un’infezione, la riacutizzazione di una malattia autoimmune, un intervento chirurgico recente, l’infiammazione di basso grado legata all’obesità – la ferritina aumenta indipendentemente dalle reali riserve di ferro. Il riferimento di MedlinePlus sulla ferritina lo afferma esplicitamente. L’interpretazione clinica corretta dipende dalla lettura congiunta della PCR e dell’intero assetto marziale (sideremia, saturazione della transferrina, TIBC). Senza quella lettura congiunta, una risposta sulla «ferritina alta» non è sbagliata in sé: semplicemente ragiona nel quadro sbagliato.
Wizey gestisce questo aspetto perché la pipeline estrae dal Suo PDF la ferritina e la PCR e l’assetto marziale come valori strutturati, e lo strato di interpretazione ha regole esplicite nel suo grafo di conoscenza sull’interpretazione in fase acuta. Stesso schema architetturale di recupero di Perplexity, corpus completamente diverso e vincoli completamente diversi.
La qualità del RAG è un problema di corpus, non di UX
È il punto che voglio far arrivare agli ingegneri che leggono. L’UX di Perplexity offre le citazioni. Il suo corpus è il web aperto. È il corpus a determinare a che cosa si può e non si può rispondere in modo affidabile.
Il RAG di Wizey è architetturalmente simile: estrarre i frammenti pertinenti, passarli a uno strato di ragionamento, produrre una risposta ancorata alle fonti. La differenza è il corpus – un grafo di conoscenza medico curato, costruito su linee guida sottoposte a revisione paritaria (USPSTF, ACP, NICE, raccomandazioni delle società di cardiologia ed endocrinologia), intervalli di riferimento filtrati e percorsi clinici validati. Nel corpus non c’è Reddit. Nel corpus non ci sono blog di salute. Il compromesso è: meno ampiezza, molta più affidabilità, e non può usare Wizey per cercare le notizie di IA della settimana scorsa – solo per interpretare i dati di laboratorio.
Per uno sguardo più ampio sul perché l’IA medica richieda questo tipo di specializzazione, consiglio il confronto di riferimento Wizey vs ChatGPT, che approfondisce la distinzione tra IA generativa ed estrattiva.
Privacy: il Perplexity consumer e le PHI
Il prodotto consumer di Perplexity conserva le query e gli output per migliorare il servizio, secondo la sua informativa sulla privacy standard. Non è un servizio coperto dall’HIPAA e non è destinato alle informazioni sanitarie protette (Protected Health Information). Perplexity Enterprise offre un trattamento dei dati più solido, ma un BAA non è la sua impostazione predefinita, e il prodotto resta essenzialmente uno strumento di ricerca generalista.
Un paziente che incolla i propri valori di laboratorio, con il nome nell’intestazione e la data di nascita, in una chat consumer di Perplexity sta esponendo le PHI a un prodotto di ricerca consumer. Il prodotto non fa nulla per avvertirlo, perché non è costruito per questo scenario d’uso.
Wizey, come le altre IA mediche sviluppate appositamente, mantiene le PHI entro un perimetro conforme e tratta i dati di laboratorio come protetti fin dalla progettazione.
Quando Perplexity è davvero utile
Per chiudere con l’equilibrio che l’argomento merita: Perplexity è un buono strumento per compiti specifici vicini all’ambito sanitario.
- Passare in rassegna la letteratura recente su un farmaco o una malattia prima di una visita specialistica
- Verificare se una linea guida è stata aggiornata di recente
- Trovare fonti autorevoli su un tema circoscritto che poi può leggere di persona
- Orientarsi in un sottoambito medico poco familiare per capire quali termini cercare
- Leggere notizie mediche straniere con il contesto di traduzione integrato
Per questi usi, il recupero web in tempo reale è un vantaggio. Ricordi soltanto che, per il compito più difficile di interpretare i Suoi risultati di laboratorio numerici, il web aperto è il corpus sbagliato, per quanto ordinatamente si presentino le citazioni.
Confronto diretto
| Dimensione | Perplexity | Wizey |
|---|---|---|
| Corpus | Web aperto, recuperato in tempo reale | Grafo di conoscenza medico curato + protocolli clinici |
| Stile delle citazioni | Visibili nel testo, autorevolezza mista | Implicite, sempre da fonti validate |
| Gestione dei PDF di laboratorio | Legge i numeri, incolla frammenti dal web | Estrazione strutturata + interpretazione ancorata ai protocolli |
| Ragionamento tra marcatori | Debole – dipende da ciò che dicono i frammenti recuperati | Esplicito nel grafo di conoscenza (ferritina × PCR, TSH × fT4) |
| Monitoraggio longitudinale | Non supportato | Serie temporali native |
| HIPAA / BAA | Consumer no, Enterprise limitato | Integrato per l’uso dei pazienti |
| Uso migliore | Ricerca bibliografica, attualità, rapido orientamento | Interpretazione completa dei referti per i pazienti |
Mini-FAQ
Se Perplexity cita le fonti, perché in medicina non basta? Una citazione dimostra che una fonte esiste vicino all’affermazione. Non dimostra che la fonte convalidi l’affermazione specifica. Perplexity cita regolarmente pagine reali che in realtà non sostengono la risposta assemblata, soprattutto su temi clinici ricchi di sfumature.
Perplexity può interpretare i miei referti? Può commentare ogni marcatore cucendo insieme frammenti dal web. Non può ancorare l’interpretazione a protocolli clinici validati, collegare tra loro marcatori correlati o seguire gli andamenti nel tempo.
Perplexity è conforme all’HIPAA? Perplexity consumer, no. Perplexity Enterprise ha un trattamento più rigoroso ma resta uno strumento di ricerca generalista, non una piattaforma di livello medico.
Qual è la vera differenza tra il RAG di Perplexity e quello di Wizey? Il corpus. Stesso schema architetturale; web aperto contro grafo di conoscenza medico curato.
Quando è utile Perplexity in ambito sanitario? Ricerca bibliografica, verifiche di attualità, orientamento su un tema, per utenti in grado di valutare criticamente le fonti citate.
In sintesi
Perplexity ha trasformato il RAG in un bellissimo prodotto consumer e, per molte domande non cliniche, è il miglior strumento di IA generalista disponibile. L’UX con citazioni visibili è una disciplina davvero utile per qualsiasi sistema di IA.
In medicina, però, la parte del sistema che determina davvero l’affidabilità è il corpus, non l’UX. Il web aperto è il posto sbagliato dove ancorare l’interpretazione dei referti di un paziente. Un grafo di conoscenza medico curato, fondato su linee guida sottoposte a revisione paritaria e percorsi clinici validati, è ciò su cui è costruito uno strumento specialistico come Wizey. Stesso schema di recupero, promessa molto diversa – e per il compito circoscritto di leggere in sicurezza le Sue analisi del sangue, ciò che conta è la promessa. Se desidera l’argomentazione architetturale più approfondita, l’articolo di riferimento Wizey vs ChatGPT la percorre dall’inizio alla fine.
