Contenuti AI in settori regolati: il metodo per validarli

Un modello linguistico non distingue tra una frase vera e una frase plausibile. Sa costruire testi che suonano corretti, ma non ha un criterio interno per fermarsi quando la frase è un claim vietato dalla normativa. In un settore regolato (nutraceutico, farmaceutico, medicale, finanziario, alimentare) questo scarto vale multe, prodotti ritirati, contenziosi con autorità di vigilanza.

La domanda giusta non è “possiamo usare l’AI per scrivere?”. È: “qual è il metodo che separa quello che l’AI può affermare in autonomia da quello che deve passare per verifica umana specialistica?”. Questa guida risponde a quella domanda con un flusso operativo replicabile.

Il rischio specifico dei settori regolati

Nei settori non regolati, un errore fattuale in un articolo si corregge con una modifica e un aggiornamento della data. Nei settori regolati, la stessa frase può diventare un illecito. Un integratore alimentare che nel copy dichiara di “curare l’ipertensione” viola il Regolamento (CE) 1924/2006 sui claim nutrizionali e salutistici. Un contenuto finanziario che promette rendimenti espone a sanzioni CONSOB. Un post medicale che suggerisce un uso off-label di un farmaco tocca il perimetro AIFA.

L’AI non conosce questi perimetri. Li apprende dai dati di training, in cui convivono contenuti conformi e contenuti scorretti, sorgenti autorevoli e blog di dubbia qualità. Chiedere a un modello “scrivi una scheda prodotto per questo integratore a base di melatonina” produrrà, statisticamente, frasi che nessun ufficio regolatorio approverebbe. Non perché il modello sia “cattivo”: perché non è addestrato a distinguere tra claim ammessi e claim vietati per quella specifica sostanza in quella specifica giurisdizione.

Il principio: separare generazione, verifica, approvazione

Il metodo che funziona in produzione si basa su una separazione netta di tre fasi. Confonderle è la fonte principale degli errori che vediamo passare online.

1. Generazione: l’AI produce il testo dentro un perimetro dichiarato. Sa cosa può dire e cosa non può dire perché glielo abbiamo scritto nel prompt di sistema.
2. Verifica automatica: un secondo passaggio (regole, blacklist, un secondo modello con prompt di controllo) segnala i claim potenzialmente problematici.
3. Approvazione umana: un revisore qualificato, regolatorio, medico o legale a seconda del settore, chiude il ciclo. Nessun contenuto va online senza questo passaggio.

La tentazione è saltare il punto 3. È la tentazione più costosa. Un flusso ben progettato riduce il tempo del revisore umano dal 100% del testo al 15-20% (le parti realmente a rischio), non lo elimina.

Costruire il prompt di sistema con i vincoli regolatori

Il primo controllo si fa in generazione, non in revisione. Il prompt di sistema deve dichiarare esplicitamente cosa il modello può e non può affermare. Un esempio operativo per il nutraceutico, replicabile con adattamenti per altri settori:

Sei un copywriter per un'azienda di integratori alimentari operante nel mercato UE.

REGOLE VINCOLANTI (non derogabili):
1. NON puoi attribuire al prodotto proprietà di prevenzione, trattamento o cura di malattie.
2. Puoi usare SOLO i claim salutistici autorizzati dal Regolamento (CE) 432/2012 e successivi aggiornamenti, riferiti alle sostanze effettivamente presenti nel prodotto.
3. NON puoi usare espressioni comparative con farmaci ("efficace come...", "alternativa a...").
4. NON puoi citare studi clinici senza indicare titolo, autori, rivista e anno.
5. Termini vietati: "cura", "guarisce", "elimina", "risolve", "tratta", "previene [malattia]".
6. Termini da usare con cautela: "supporta", "contribuisce a", "favorisce", ammessi solo se collegati a un claim EFSA autorizzato.

FORMATO OUTPUT:
- Testo del copy
- Sezione "CLAIM UTILIZZATI": elenco puntato dei claim inseriti, con indicazione della sostanza di riferimento
- Sezione "PUNTI DA VERIFICARE": elenco delle affermazioni che richiedono controllo regolatorio

Se una richiesta ti porta fuori da questi vincoli, rifiuta e spiega quale regola viene violata.

Il valore di questa struttura non sta nel vincolo (un modello può sempre sbagliare), ma nel fatto che l’output include già una autodichiarazione dei claim usati. Il revisore umano non deve rileggere tutto il testo a caccia di problemi: guarda la sezione “CLAIM UTILIZZATI” e verifica quella. Il tempo di revisione crolla.

Il livello di verifica automatica: blacklist e secondo modello

Tra la generazione e la revisione umana inserisci uno strato di controllo automatico. Fa due cose diverse.

Blacklist deterministica

Un elenco di termini e pattern che, se presenti, bloccano il contenuto prima ancora della revisione. Per il nutraceutico un esempio minimo:

BLACKLIST_NUTRA = [
    r"\bcura\b", r"\bguarisce\b", r"\bcurativo\b",
    r"previene (il|la|l')\s+\w+",
    r"tratta(mento)? (di|del|della)\s+(diabete|ipertensione|cancro|depressione)",
    r"alternativa (a|al|alla)\s+(farmaco|medicinale)",
    r"efficace (come|quanto)\s+(il|la)\s+\w+",
    r"clinicamente provato",  # vietato senza documentazione
    r"garantis(ce|ciamo)\s+(risultati|efficacia)",
]

Il codice esatto dipende dallo stack, ma la logica è la stessa: un match nella blacklist blocca la pubblicazione automatica e richiede revisione forzata. La blacklist si costruisce partendo dalle linee guida del Ministero della Salute sugli integratori e dal registro EFSA dei claim autorizzati.

Secondo modello con prompt di controllo

Un LLM può controllare l’output di un altro LLM. È meno accurato di una regola deterministica su termini vietati, ma cattura le sfumature che una regex non vede (parafrasi di claim vietati, insinuazioni implicite). Prompt di esempio per la fase di controllo:

Sei un revisore regolatorio per il settore integratori alimentari UE.

Riceverai un testo di marketing. Il tuo compito è identificare:
1. CLAIM VIETATI ESPLICITI: attribuzioni di cura, prevenzione o trattamento di patologie.
2. CLAIM VIETATI IMPLICITI: frasi che suggeriscono efficacia terapeutica senza dirla apertamente.
3. CLAIM DA VERIFICARE: affermazioni che potrebbero essere ammesse ma richiedono corrispondenza esatta con il registro EFSA.
4. RIFERIMENTI SCIENTIFICI: qualsiasi citazione di studi, percentuali, dati numerici.

Per ciascun elemento indica: la frase esatta, il tipo di problema, la modifica suggerita.
Se non trovi problemi in una categoria, scrivilo esplicitamente.
Non riscrivere il testo: produci solo il report.

Il report del secondo modello arriva al revisore umano insieme al testo. Ha già un elenco di punti caldi su cui concentrarsi.

Cosa l’AI può affermare in autonomia e cosa no

Questa è la distinzione operativa che risolve la maggior parte dei dubbi. In un settore regolato, dividi i contenuti in tre categorie e assegna a ciascuna un flusso diverso.

• AI in autonomia (revisione leggera): contenuti informativi generici che non toccano il prodotto o la patologia. Esempio: un articolo sulla storia degli integratori alimentari, una guida su come leggere un’etichetta nutrizionale, un post su un ingrediente in termini biochimici generali. Rischio regolatorio basso, il revisore controlla per completezza.
• AI con verifica specialistica: contenuti che toccano proprietà, benefici, meccanismi d’azione delle sostanze. Ogni claim deve essere verificato contro il registro EFSA. Il revisore regolatorio approva prima della pubblicazione.
• Verifica umana obbligatoria dall’inizio: schede prodotto, materiale medico-scientifico per la classe medica, comunicati stampa su nuove formulazioni, risposte a reclami di consumatori. L’AI può fare la prima bozza ma il testo finale è scritto o riscritto da un umano qualificato.

Non è una scala di “quanto ci fidiamo dell’AI”. È una scala di rischio legale. La stessa logica si applica al finanziario (contenuti educativi contro consigli di investimento), al medicale (informazione generale contro indicazioni terapeutiche), al legale (concetti generali contro pareri specifici). Le tre categorie di contenuto hanno destini editoriali diversi.

Tracciabilità: registrare cosa ha generato, chi ha approvato

Nei settori regolati, in caso di contestazione, devi poter dimostrare il processo. Non basta pubblicare contenuti conformi: devi poter mostrare come li hai validati. Ogni contenuto generato dovrebbe avere una traccia che include:

• Prompt utilizzato: la versione esatta del prompt di sistema al momento della generazione.
• Modello e versione: es. “Claude Sonnet 4.5” o l’ID del modello utilizzato, con data.
• Output grezzo: il testo prodotto dall’AI prima delle modifiche.
• Report del controllo automatico: blacklist matches e report del secondo modello.
• Revisore umano: nome, ruolo, data di approvazione, modifiche apportate.
• Fonti citate: se il contenuto include dati o studi, i riferimenti esatti.

Un foglio di calcolo condiviso è sufficiente per iniziare. Chi lavora su volumi maggiori integra questa tracciabilità direttamente nel CMS con custom fields, o dentro il flusso di automazione editoriale AI che alimenta la pubblicazione. Il principio non cambia: se non è tracciato, non è dimostrabile.

Il caso EFSA per il nutraceutico

Applichiamo il metodo a un caso specifico. Un’azienda vuole comunicare i benefici di un integratore a base di vitamina D. L’AI genera una prima bozza. Il flusso di validazione:

1. Il prompt di sistema contiene la lista dei claim EFSA autorizzati per la vitamina D: contributo al normale funzionamento del sistema immunitario, mantenimento di ossa e denti normali, normale funzione muscolare, assorbimento e utilizzo di calcio e fosforo (Regolamento UE 432/2012).
2. Il modello produce il copy usando solo quei claim, nella loro formulazione autorizzata.
3. La blacklist verifica assenza di termini vietati (cura, previene osteoporosi, ecc.).
4. Il secondo modello controlla che non ci siano riformulazioni improprie (“aiuta a evitare le fratture” è una parafrasi di “previene”, non passa).
5. Il revisore regolatorio approva la corrispondenza esatta tra claim usati e claim autorizzati per il dosaggio effettivo del prodotto (i claim EFSA hanno dosaggi minimi di riferimento).

Il passaggio 5 non è delegabile all’AI, perché richiede accesso alla documentazione del prodotto specifico (scheda tecnica, dosaggio per porzione, forma chimica della vitamina). Sono dati che il modello non ha, e che inventerebbe se glieli chiedessi. Su questo punto ho scritto più diffusamente parlando di uso responsabile dell’AI nel marketing.

Errori comuni che vediamo passare

Alcuni pattern ricorrono con frequenza sufficiente da meritare una menzione esplicita.

• Fidarsi delle citazioni prodotte dall’AI: i modelli linguistici allucinano riferimenti bibliografici. Uno studio “pubblicato su Nature nel 2019” citato dall’AI può non esistere. Ogni citazione va verificata su PubMed o sulla rivista originale.
• Confondere autorevolezza stilistica e accuratezza fattuale: un testo scritto bene sembra vero. È il rischio più insidioso in ambito medicale.
• Prompt di sistema generici: “scrivi in modo conforme alle normative” non serve a nulla. Serve elencare le normative specifiche e i claim ammessi per le sostanze specifiche.
• Approvazione a campione: in un settore regolato non esistono contenuti “minori” che si possono pubblicare senza revisione. Un post social può causare una sanzione quanto una scheda prodotto.
• Nessun aggiornamento del prompt: le liste di claim autorizzati cambiano. Il prompt di sistema va aggiornato periodicamente. Un flusso serio prevede una revisione trimestrale.

Sull’ultimo punto: il flusso descritto qui è vivo, non è un’installazione una tantum. Chi lo mette in piedi bene lo tratta come un sistema editoriale, con la stessa manutenzione. Su come costruire questa pipeline in modo modulare rimando al lavoro sul flusso editoriale AI in produzione.

La checklist operativa

Prima di considerare pronto per la pubblicazione un contenuto generato dall’AI in un settore regolato, verifica:

1. Il prompt di sistema dichiara i vincoli regolatori specifici del settore e delle sostanze o prodotti trattati.
2. L’output include un’autodichiarazione dei claim utilizzati.
3. Il testo è passato attraverso la blacklist deterministica senza match aperti.
4. Il secondo modello ha prodotto un report che è stato letto (non solo generato).
5. Il contenuto è stato classificato nella corretta categoria di rischio (autonomia, verifica specialistica, verifica umana obbligatoria).
6. Un revisore qualificato ha approvato per iscritto (email, sistema di ticketing, campo dedicato nel CMS).
7. Tutte le citazioni di studi, dati numerici, riferimenti normativi sono state verificate su fonte primaria.
8. La tracciabilità è registrata: prompt, modello, revisore, data, modifiche.
9. Il prompt di sistema è stato aggiornato negli ultimi 3-6 mesi.
10. Esiste un piano di correzione se l’autorità di vigilanza contesta un contenuto pubblicato.

Domande frequenti

Posso usare ChatGPT o Claude per scrivere una scheda prodotto di un integratore?

Sì, ma non come output finale. Come prima bozza da sottoporre a revisione regolatoria. La scheda prodotto è nella categoria di rischio più alta: l’AI genera, un umano qualificato riscrive dove serve e approva. Non pubblicare mai una scheda prodotto integratore senza il passaggio di un consulente regolatorio o di un responsabile qualità aziendale.

Le regole cambiano se il contenuto è “solo educativo” e non promuove un prodotto specifico?

Cambia il livello di rischio, non il metodo. Un articolo educativo sul ruolo della vitamina D nell’organismo, senza riferimento al prodotto aziendale, ha un rischio regolatorio più basso. Ma se pubblicato sul sito di un’azienda che vende integratori di vitamina D, l’autorità può considerarlo comunicazione commerciale indiretta. Il flusso di validazione va applicato lo stesso, con soglia di revisione proporzionata.

Chi è il “revisore qualificato” in un’azienda piccola che non ha un ufficio regolatorio interno?

Un consulente esterno con competenze specifiche del settore. Per il nutraceutico esistono farmacisti e food law consultant che lavorano a chiamata su singoli contenuti o pacchetti mensili. Costa meno di una sanzione. In assenza totale di competenza interna o esterna, la scelta responsabile è non pubblicare quel tipo di contenuto, non pubblicarlo senza verifica.

Il modello può controllare da solo il proprio output invece di usare un secondo modello?

Meno efficace. Un modello che si autorivede tende a confermare le proprie scelte. Usare due passaggi con prompt diversi (uno che genera, uno che critica) produce più segnalazioni utili. Ancora meglio se i due modelli sono di provider diversi: riducono il rischio di bias condivisi nel training.

Come gestisco il fatto che le liste di claim autorizzati cambiano?

Assegna a una persona il compito di monitorare gli aggiornamenti del registro EFSA e delle linee guida ministeriali con cadenza trimestrale. Quando esce un aggiornamento, il prompt di sistema viene modificato e la modifica viene datata. I contenuti pubblicati in precedenza vanno rivisti se toccano sostanze i cui claim sono cambiati. È lavoro noioso ma non delegabile all’AI: la verifica dell’autorità è sempre a data.

Il metodo prima degli strumenti

La discussione sugli strumenti (quale modello, quale piattaforma, quale integrazione) è secondaria rispetto alla discussione sul metodo. Un’azienda che ha un flusso di validazione chiaro può usare qualsiasi modello e ottenere contenuti conformi. Un’azienda che non ha metodo può comprare lo strumento più sofisticato del mercato e produrre contenuti che l’autorità ritira il mese dopo.

Se stai valutando di introdurre l’AI nel workflow editoriale di un settore regolato, il primo investimento è nel metodo: chi genera, chi verifica, chi approva, chi traccia. Gli strumenti vengono dopo, e sono sostituibili. Il metodo no.