Oltre la fallacia dello 0.001%: integrità architetturale e responsabilità normativa nell'IA generativa aziendale

L'industrializzazione dell'intelligenza artificiale generativa ha raggiunto un punto di svolta critico in cui l'euforia iniziale della rapida implementazione sta cedendo il posto alle sobrie realtà del controllo normativo e dei limiti tecnici. Nel settembre 2024, il panorama della responsabilità dell'IA è stato alterato in modo fondamentale quando l'Attorney General del Texas ha raggiunto un accordo storico con Pieces Technologies, un'azienda di IA focalizzata sulla sanità con sede a Dallas.¹ Il cuore dell'azione di enforcement verteva sull'asserzione dell'azienda secondo cui il suo software di documentazione clinica manteneva un "tasso di allucinazione critica" inferiore allo 0.001%, una metrica che lo Stato ha dichiarato sia inaccurata sia ingannevole.³ Questo incidente non rappresenta soltanto un fallimento di marketing; funge da diagnosi sistemica dei rischi inerenti alle strategie di IA basate su "wrapper" e sottolinea la necessità di una transizione verso soluzioni di Deep AI che privilegino l'integrità architetturale rispetto all'iperbole statistica.

Per la leadership aziendale e gli architetti tecnici, il caso Pieces Technologies fornisce un modello per gli standard in evoluzione della governance dell'IA. Il software in questione è stato implementato in almeno quattro grandi ospedali del Texas—tra cui Houston Methodist, Children's Health System of Texas, Texas Health Resources e Parkland Hospital & Health System—dove è stato utilizzato per riassumere le cartelle dei pazienti, redigere note cliniche e monitorare gli ostacoli alla dimissione.⁴ Quando i sistemi di IA sono integrati in contesti ad alto rischio come questi, il margine di errore non è una mera curiosità statistica, ma una questione di sicurezza clinica e di interesse pubblico.¹ Questo whitepaper esplora le dimensioni tecniche, legali e operative di questo cambiamento, fornendo un framework rigoroso affinché le imprese possano valutare, implementare e monitorare sistemi di IA che vadano oltre le semplici astrazioni API verso un'intelligenza verificabile e profondamente integrata.

L'anatomia tecnica della rivendicazione dello 0.001 percento

L'asserzione di un tasso di allucinazione inferiore a uno su 100,000 è matematicamente e operativamente significativa nel contesto dei Large Language Models (LLM). Gli LLM sono fondamentalmente motori probabilistici che predicono token sulla base di pattern appresi piuttosto che di una logica deterministica. Il fondamento matematico di questo processo si basa sulla probabilità condizionata di una sequenza, in cui la verosimiglianza di un output generato è il prodotto delle probabilità di ciascun singolo token in quella sequenza.⁸ Questa relazione può essere espressa come:

In questa equazione, rappresenta il prompt di input, è il -esimo token generato, e rappresenta i parametri del modello.⁸ Le allucinazioni si verificano quando il modello assegna un'alta probabilità a un token linguisticamente plausibile ma fattualmente scorretto rispetto al contesto di input. Misurare questi errori con la precisione dello 0.001% richiede un dataset "gold-standard" straordinariamente ampio e perfettamente annotato, che attualmente non esiste per il dominio altamente frammentato e idiosincratico dei riassunti clinici.⁴

L'indagine dell'Attorney General del Texas ha concluso che le metriche utilizzate da Pieces Technologies per pubblicizzare i propri prodotti erano "likely inaccurate," potenzialmente fuorvianti per i clienti ospedalieri riguardo alla sicurezza e all'accuratezza degli strumenti.⁴ Sebbene l'azienda abbia difeso il proprio tasso di errore, citando la piattaforma proprietaria "SafeRead" e l'uso di IA avversariale per segnalare le allucinazioni, l'organismo di regolamentazione si è concentrato sulla mancanza di trasparenza riguardo a come queste metriche fossero definite e calcolate.⁴ Ciò evidenzia una tensione fondamentale nel settore: i vendor spesso sviluppano benchmark interni che mancano del rigore e dell'indipendenza richiesti per una validazione di livello enterprise.¹

Metriche di performance comparative nell'IA clinica

Tipo di metrica	Definizione standard	Rivendicazioni nel caso Pieces	Aspettativa regolamentare
Tasso di allucinazione critica	Percentuale di output contenenti errori che potrebbero causare danno clinico.	<0.001% (or <1 per 100,000).1	Sostanziato da audit indipendenti di terzi.11
Tasso di allucinazione grave	Percentuale di output con fatti medici o diagnosi fabbricati.	<0.001%.3	Chiara divulgazione del "meaning or definition" della metrica.1
Precisione del retrieval	Rapporto tra documenti rilevanti recuperati e documenti totali recuperati.	Non esplicitamente commercializzata in percentuali.	Deve essere divulgata se usata per rivendicare accuratezza.11
Faithfulness/Groundedness	Misura in cui la risposta deriva esclusivamente dal contesto fornito.	Gestita tramite IA avversariale.9	Divulgazione dei metodi usati per calcolare queste misurazioni.11

Decostruire il framework normativo: l'accordo con l'AG del Texas

L'accordo, finalizzato nel settembre 2024, è stato il primo nel suo genere a colpire un'azienda di IA generativa sanitaria per pratiche di marketing ingannevoli ai sensi del Texas Deceptive Trade Practices–Consumer Protection Act (DTPA).¹ È importante che i leader aziendali riconoscano che l'Attorney General non ha avuto bisogno di una nuova legislazione specifica sull'IA per agire; le esistenti leggi sulla tutela dei consumatori e sulla privacy sono state sufficienti per affrontare le presunte false rappresentazioni.¹⁰

L'Assurance of Voluntary Compliance (AVC) sottoscritta da Pieces Technologies impone un periodo di cinque anni di trasparenza e divulgazione rafforzate.¹¹ Questo strumento legale costituisce un precedente significativo su come le aziende di IA debbano interagire con i propri clienti e con il pubblico. Uno dei requisiti più critici è che l'azienda debba fornire "clear and conspicuous disclosures" a tutti i clienti attuali e futuri riguardo a "known or reasonably knowable harmful or potentially harmful uses or misuses" dei propri prodotti.¹ Ciò sposta l'onere del rischio dall'ospedale al vendor, richiedendo a quest'ultimo di identificare e comunicare in modo proattivo i limiti della propria tecnologia.

Inoltre, l'accordo impone a Pieces di divulgare i dati e i modelli specifici utilizzati per addestrare i propri prodotti, nonché la metodologia usata per calcolare qualsiasi metrica di performance pubblicizzata.¹ Questo livello di trasparenza è progettato per assicurare che lo staff clinico comprenda fino a che punto possa fare affidamento in sicurezza sulla documentazione generata dall'IA per la cura del paziente.¹⁰ L'accordo consente anche l'alternativa di avvalersi di un auditor indipendente di terze parti per verificare queste metriche, una pratica destinata a diventare un requisito standard per gli acquisti di IA ad alto rischio.¹¹

Obblighi chiave ai sensi dell'Assurance of Voluntary Compliance (AVC)

Obbligo	Descrizione	Esito previsto
Trasparenza delle metriche	Divulgare definizioni e metodi di calcolo per tutti i benchmark di accuratezza.1	Impedire l'uso di metriche di successo proprietarie o fuorvianti.
Divulgazione del rischio	Notificare ai clienti gli usi dannosi "known or reasonably knowable".2	Consentire decisioni informate da parte dello staff clinico e operativo.
Divulgazioni sull'addestramento	Fornire documentazione sui dati di training e sui tipi di modello utilizzati.1	Migliorare l'osservabilità e la spiegabilità del modello.
Monitoraggio della compliance	Rispondere alle richieste di informazioni dell'AG entro 30 giorni.12	Garantire l'adesione continuativa ai termini dell'accordo per cinque anni.

La fallacia del modello wrapper e il passaggio alla Deep AI

L'incidente Pieces Technologies espone l'intrinseca fragilità del modello "wrapper" negli ambienti enterprise. Un modello wrapper si riferisce tipicamente a un'applicazione software che invia i prompt dell'utente a un'API di un modello di fondazione (come GPT-4 di OpenAI) e visualizza la risposta restituita con un'elaborazione o un ancoraggio domain-specific minimi.¹⁶ Sebbene questo approccio consenta un rapido ingresso sul mercato, manca delle salvaguardie tecniche necessarie per mitigare allucinazioni, data leakage e attacchi di prompt injection.¹⁸

Al contrario, le soluzioni di Deep AI integrano il modello nel tessuto dati centrale dell'impresa, impiegando tecniche quali Retrieval-Augmented Generation (RAG), fine-tuning su corpora domain-specific e supervisione multi-livello human-in-the-loop (HITL).⁸ Veriprajna si posiziona come fornitore di queste soluzioni profonde, riconoscendo che il "Refactoring Wall" spesso impedisce agli LLM generici di mantenere il contesto in workflow aziendali complessi.¹⁹ Ad esempio, studi hanno mostrato che il 65% degli sviluppatori riferisce che l'IA "perde il contesto rilevante" durante compiti di refactoring complessi, portando all'introduzione di bug sottili o di inconsistenze architetturali.¹⁹

I rischi del modello wrapper sono amplificati in sanità, dove la complessità delle Electronic Health Records (EHR) e la sfumatura della comunicazione clinica possono aumentare la propensione alle allucinazioni.⁹ Una semplice chiamata API a un modello general-purpose non può tenere conto della storia longitudinale di un paziente o dello stile di redazione specifico di un medico.²¹ Per raggiungere i livelli di accuratezza richiesti per la sicurezza clinica, i sistemi devono usare la "Sculpted AI," che adatta i modelli al livello della specifica unità, specialità o addirittura del singolo medico.⁵ Ciò richiede un'orchestrazione sofisticata di molteplici modelli e knowledge graph clinici per validare i contenuti rispetto alle cartelle dei pazienti in tempo reale.⁹

Confronto dei rischi: integrazione Wrapper vs. Deep AI

Fattore di rischio	Profilo del modello Wrapper	Profilo della soluzione Deep AI
Mantenimento del contesto	Limitata dalla finestra di token del modello e dalla mancanza di memoria esterna.	Potenziata tramite RAG e storage vettoriale a lungo termine.19
Data Poisoning	Suscettibile a input manipolati provenienti da fonti esterne.18	Mitigato tramite sanitizzazione degli input e set di training curati.18
Controllo delle allucinazioni	Si affida alle salvaguardie generiche del modello di fondazione.	Implementa detection avversariale e knowledge graph clinici.9
Sicurezza/Compliance	Spesso implica il transit dei dati verso provider di terze parti.	Supporta deployment di sovereign AI all'interno dell'infrastruttura locale.23

Framework di valutazione per l'IA ad alto rischio

Per andare oltre il "silent failure" delle implementazioni di IA—dove gli investimenti sottoperformano silenziosamente per mancanza di impatto misurabile—le imprese devono adottare framework di valutazione rigorosi.²⁴ La rapida proliferazione dell'IA generativa ha superato lo sviluppo di metriche standard, portando a una dipendenza da metriche tecniche fondazionali quali sensibilità e specificità, che spesso non riescono a catturare l'impatto clinico nel mondo reale.²⁵

Il Med-HALT (Medical Domain Hallucination Test) è uno di tali benchmark progettati specificamente per gli LLM in sanità. Va oltre i semplici punteggi di accuratezza per valutare sia le allucinazioni basate sul ragionamento sia quelle basate sulla memoria, attraverso un dataset multinazionale derivato da esami medici.²⁷ Ad esempio, il "False Confidence Test" (FCT) di Med-HALT valuta se un modello riesce a giudicare la validità di una risposta "corretta" suggerita in modo casuale, testando la sua capacità di resistere all'eccesso di fiducia di fronte alla disinformazione.²⁷ Analogamente, il test "None of the Above" (Nota) sfida i modelli a identificare quando le opzioni fornite sono scorrette, una competenza critica per evitare allucinazioni "forzate".²⁸

Un altro approccio completo è il FAIR-AI (Framework for the Appropriate Implementation and Review of AI) in sanità. Questo framework organizza la valutazione clinica in domini quali validazione, equità, utilità e trasparenza.²⁵ Impone la creazione di un "AI Label" che consolida le informazioni per gli utenti finali, assicurando che il clinico che usa lo strumento ne comprenda le origini e le modalità di fallimento note.²⁵ Questa trasparenza strutturale è la pietra angolare di un deployment responsabile dell'IA.

Componenti fondamentali del framework di valutazione Med-HALT

Modalità di test	Obiettivo	Meccanismo
Reasoning: False Confidence	Rilevare l'eccesso di fiducia nelle risposte sbagliate.27	Presentare una domanda con una risposta scorretta ma "suggerita".
Reasoning: Fake Questions	Gestire in modo appropriato query senza senso.27	Testare con domande mediche fabbricate o logicamente impossibili.
Memory: PMID-to-Title	Verificare il richiamo fattuale dai dati di training.27	Fornire un PubMed ID e richiedere il titolo esatto dell'articolo.
Memory: Title-to-Link	Valutare l'accuratezza della generazione di link/fonti.27	Fornire un titolo e richiedere l'URL o il DOI verificabile.
Reasoning: Nota Test	Identificare l'assenza di informazioni corrette.27	Fornire una domanda a scelta multipla in cui l'opzione corretta è "None of the Above."

Mitigazione avanzata: IA avversariale e Human-in-the-Loop

La difesa presentata da Pieces Technologies contro le accuse dell'AG del Texas era incentrata sull'uso di "adversarial and collaborative AI" insieme a sistemi human-in-the-loop (HITL).⁵ Sebbene il tasso rivendicato fosse contestato, la strategia di usare un modello di IA per sorvegliarne un altro è un componente chiave dell'architettura Deep AI. Ciò coinvolge un Adversarial Detection Module (ADM) che analizza i riassunti generati per identificare discrepanze tra l'output dell'IA e i dati clinici sottostanti.⁹

Nella piattaforma "SafeRead" di Pieces, i riassunti segnalati dall'ADM sono deferiti a medici board-certified per la revisione e la correzione.⁹ Ciò crea un modello di sicurezza a livelli in cui gli output ad alto rischio non vengono mai presentati all'utente finale senza validazione umana. L'analisi tecnica di questo sistema ha mostrato che l'ADM era 7.5 volte più efficace nell'identificare allucinazioni clinicamente significative rispetto al campionamento casuale.⁹ Ciò suggerisce che un ADM correttamente configurato sia un componente essenziale per scalare in sicurezza la documentazione clinica generata dall'IA.

Tuttavia, l'efficacia dei sistemi HITL dipende dall'"Effective Remedy Time"—la velocità con cui un errore segnalato può essere corretto. Per i riassunti analizzati da Pieces, il tempo mediano di rimedio era di 3.7 ore.⁹ In un contesto di acute care, questo ritardo può essere accettabile per le progress notes ma potrebbe essere catastrofico per il decision support in tempo reale. Ciò evidenzia la necessità per le imprese di stratificare i casi d'uso dell'IA in base al rischio e alla velocità di intervento richiesta.

Il framework AI Safety Level (ASL) per la sanità

Livello	Descrizione	Caso d'uso esemplificativo	Requisito di oversight
ASL 1-2	Task a basso impatto con rischio minimo per la sicurezza o la privacy.	Redazione di email amministrative o scheduling.31	Audit periodici e controlli standard sulla privacy dei dati.
ASL 3	Impatto moderato; assiste decisioni cliniche o operative.	Assistenti di documentazione per progress notes.31	Revisione obbligatoria da parte del clinico e log di trasparenza.25
ASL 4	Alto impatto; influenza la cura diretta del paziente o la sicurezza.	Scoring predittivo del rischio di riammissione o recidiva.31	Output spiegabili e validazione human-in-the-loop.31
ASL 5	Impatto critico; interazione autonoma con i pazienti.	Chatbot per crisis intervention o terapia.31	Protocolli di escalation e guardrail rigorosi sull'ambito d'uso.31

Realtà strategiche del ROI dell'IA aziendale: la regola del 5%

La promessa dell'IA generativa è spesso disaccoppiata dalla sua realtà economica. La ricerca indica che, sebbene l'investimento aziendale sia massiccio, solo il 5% delle aziende sta ottenendo valore di business misurabile su scala.¹⁹ Questi "leader" si differenziano concentrandosi sulla qualità dei dati e sul redesign della forza lavoro piuttosto che solo sulla capacità tecnica.¹⁹ Seguono una regola "70:20:10" per l'implementazione: il 10% dello sforzo è dedicato all'algoritmo, il 20% allo stack tecnologico e il 70% alla trasformazione organizzativa.¹⁹

Per aziende come Veriprajna, il valore risiede nel colmare questo divario. Ciò implica uno spostamento verso un'IA platform-led, che ha dimostrato di ridurre i costi per caso d'uso fino al 15%.²⁴ Un approccio di piattaforma consente una governance unificata, prevenendo la creazione di "AI islands" che aumentano complessità e rischio.²⁴ Inoltre, la decisione "buy vs. build" è critica; le aziende che acquistano strumenti di IA specializzati da vendor hanno un tasso di successo del 67%, mentre quelle che tentano di costruire strumenti interni da zero riescono solo nel 33% dei casi.¹⁹ Ciò suggerisce che il valore enterprise dell'IA si sblocca non attraverso la creazione di nuovi modelli, ma attraverso la profonda integrazione di modelli specializzati esistenti in workflow governati.

Differenziatori di ROI per leader vs. ritardatari dell'IA

Fattore	Leader (Il 5%)	Ritardatari (Il 95%)
Strategia dati	Investimento pesante in qualità dei dati e governance prima dello scaling.19	Scaling di modelli su dati "messy" o siloed.19
Metriche di successo	Focalizzate su outcome di business e impatto su P&L.19	Focalizzate sulla capacità tecnica e sul volume dei pilot.19
Strategia della forza lavoro	Esteso redesign di ruoli e workflow.19	Focus sulla sola fluency/educazione all'IA senza cambi di ruolo.23
Modello di integrazione	Piattaforme modulari, cloud-native con principi secure-by-design.23	Progetti di IA frammentati e isolati con oversight inconsistente.24

Conclusione: una roadmap per un'implementazione resiliente dell'IA

L'accordo dell'Attorney General del Texas con Pieces Technologies segna la fine dell'era speculativa dell'IA in sanità e nei settori enterprise ad alto rischio. Stabilisce uno standard legale e tecnico chiaro: se si commercializza l'accuratezza, bisogna essere in grado di definirla, calcolarla e sostanziarla con trasparenza.¹ Per l'impresa, ciò impone un allontanamento dai wrapper LLM generici e verso soluzioni di Deep AI integrate e profonde che privilegino sicurezza e verificabilità.

Per raggiungere questo obiettivo, le organizzazioni dovrebbero implementare i seguenti imperativi strategici:

●​ Stabilire una strategia di valutazione multi-livello: usare framework come Med-HALT e FAIR-AI per fare benchmark delle performance del modello rispetto a esigenze cliniche e operative domain-specific.²⁵

●​ Operazionalizzare la trasparenza: sviluppare "AI Labels" o model card per ogni strumento implementato, divulgando all'utente finale i dati di training, la versione del modello e le modalità di fallimento note.²⁵

●​ Integrare controlli avversariali: implementare moduli di detection indipendenti che validino gli output dell'IA rispetto ai dati di "ground truth" dell'impresa, come le cartelle EHR o i libri contabili finanziari.⁹

●​ Dare priorità alla supervisione umana: mantenere un requisito rigoroso di human-in-the-loop per tutti i casi d'uso ad alto rischio, assicurando che i clinici o gli esperti di dominio restino l'autorità finale sulle decisioni influenzate dall'IA.²⁰

●​ Adottare una governance a livello di piattaforma: andare oltre i pilot isolati verso una piattaforma di IA unificata che imponga standard enterprise di qualità, interoperabilità e security-by-design.²³

Abbracciando questi principi, le imprese possono navigare il panorama normativo in evoluzione catturando al contempo il potenziale trasformativo dell'IA generativa. L'obiettivo non è più soltanto generare testo, ma generare valore che sia sicuro, sostenibile e sostenuto da un'integrità tecnica rigorosa. Veriprajna è pronta a guidare i partner attraverso questa transizione, assicurando che le loro implementazioni di IA non siano solo "altamente accurate" nel marketing, ma dimostrabilmente resilienti nella pratica.

Opere citate

1. AI Firm Reaches Settlement With Texas Attorney General Over Misleading Accuracy Claims, consultato il 6 febbraio 2026, https://www.bakerdonelson.com/ai-firm-reaches-settlement-with-texas-attorney-general-over-misleading-accuracy-claims

2. Rising AI Enforcement: Insights From State Attorney General ... - Sidley, consultato il 6 febbraio 2026, https://www.sidley.com/en/insights/newsupdates/2024/12/rising-ai-enforcement-insights-from-state-attorney-general-settlement-and-us-ftc-sweep

3. Takeaways From Texas AG's Novel AI Health Settlement - Troutman Pepper Locke, consultato il 6 febbraio 2026, https://www.troutman.com/insights/takeaways-from-texas-ags-novel-ai-health-settlement/

4. Texas attorney general, generative AI company settle over accuracy allegations, consultato il 6 febbraio 2026, https://www.healthcaredive.com/news/texas-attorney-general-ken-paxton-settles-pieces-technologies-generative-ai-accuracy/727699/

5. Pieces Pioneers “Sculpted AI” for Health Systems using Amazon Bedrock, consultato il 6 febbraio 2026, https://www.piecestech.com/media/pieces-pioneers-sculpted-ai-for-health-systems-using-amazon-bedrock

6. Pieces Pioneers "Sculpted AI" for Health Systems using Amazon Bedrock - PR Newswire, consultato il 6 febbraio 2026, https://www.prnewswire.com/news-releases/pieces-pioneers-sculpted-ai-for-health-systems-using-amazon-bedrock-301987253.html

7. Texas attorney general, healthcare gen AI company settle ..., consultato il 6 febbraio 2026, https://www.fiercehealthcare.com/ai-and-machine-learning/texas-ag-pieces-technologies-settle-allegations-inaccurate-generative-ai

8. LLM Hallucination Detection and Mitigation: Best Techniques - Deepchecks, consultato il 6 febbraio 2026, https://www.deepchecks.com/llm-hallucination-detection-and-mitigation-best-techniques/

9. System to Classify, Detect and Prevent Hallucinatory Error in Clinical ..., consultato il 6 febbraio 2026, https://cdn.prod.website-files.com/6697ef98eaaeed02377be5ef/678060c7be019cd6a113ebbc_Pieces%20Technical%20Paper%20V11.13-combined.pdf

10. Lessons From Texas' Healthcare Generative AI Investigation - Securiti, consultato il 6 febbraio 2026, https://securiti.ai/lessons-from-texas-healthcare-generative-ai-investigation/

11. Texas Attorney General Reaches Novel Generative AI Settlement ..., consultato il 6 febbraio 2026, https://www.orrick.com/en/Insights/2024/09/Texas-Attorney-General-Reaches-Novel-Generative-AI-Settlement

12. Texas Attorney General Settles with Healthcare AI Firm Over False Claims on Product Accuracy and Safety | Privacy World, consultato il 6 febbraio 2026, https://www.privacyworld.blog/2024/09/texas-attorney-general-settles-with-healthcare-ai-firm-over-false-claims-on-product-accuracy-and-safety/

13. Texas Attorney General Settles Deceptive Marketing Allegations ..., consultato il 6 febbraio 2026, https://www.manatt.com/insights/newsletters/client-alert/texas-attorney-general-settles-deceptive-marketing

14. Top 5 Tools to Evaluate RAG Performance in 2026 - Maxim AI, consultato il 6 febbraio 2026, https://www.getmaxim.ai/articles/top-5-tools-to-evaluate-rag-performance-in-2026/

15. Texas Attorney General Obtains Settlement of Alleged False and Misleading Statements About Healthcare Artificial Intelligence Product Accuracy - Quarles, consultato il 6 febbraio 2026, https://www.quarles.com/newsroom/publications/texas-attorney-general-obtains-settlement-of-alleged-false-and-misleading-statements-about-healthcare-artificial-intelligence-product-accuracy

16. AI Fire Daily - Rss, consultato il 6 febbraio 2026, https://media.rss.com/ai-fire-daily/feed.xml

17. Impact Measurement Platforms Market in China | Report - IndexBox - Prices, Size, Forecast, and Companies, consultato il 6 febbraio 2026, https://www.indexbox.io/store/china-impact-measurement-platforms-market-analysis-forecast-size-trends-and-insights/

18. Engaging with artificial intelligence | Cyber.gov.au, consultato il 6 febbraio 2026, https://www.cyber.gov.au/business-government/secure-design/artificial-intelligence/engaging-with-artificial-intelligence

19. Enterprise AI ROI Analysis Report: What Actually Works in 2025 | by Xue Langping, consultato il 6 febbraio 2026, https://ai.plainenglish.io/enterprise-ai-roi-analysis-report-what-actually-works-in-2025-87b6f35a7841

20. Reducing Hallucinations in Large Language Models for Healthcare - Cognome, consultato il 6 febbraio 2026, https://cognome.com/blog/reducing-hallucinations-in-large-language-models-for-healthcare

21. Pieces Technologies Unveils Pieces in Your Pocket, consultato il 6 febbraio 2026, https://www.piecestech.com/products/pieces-in-your-pocket

22. Puzzle Solved: How GenAI Improves Clinical Documentation - Healthcare Huddle, consultato il 6 febbraio 2026, https://www.healthcarehuddle.com/p/puzzle-solved-genai-improves-clinical-documentation

23. The State of AI in the Enterprise - 2026 AI report | Deloitte US, consultato il 6 febbraio 2026, https://www.deloitte.com/us/en/what-we-do/capabilities/applied-artificial-intelligence/content/state-of-ai-in-the-enterprise.html

24. Build vs. Buy: Expert Guidance on Scaling Enterprise AI | Kore.ai + BCG Whitepaper, consultato il 6 febbraio 2026, https://www.kore.ai/whitepaper/bcg-beyond-ai-islands

25. A practical framework for appropriate implementation and review of ..., consultato il 6 febbraio 2026, https://pmc.ncbi.nlm.nih.gov/articles/PMC12340025/

26. AI for IMPACTS Framework for Evaluating the Long-Term Real-World Impacts of AI-Powered Clinician Tools: Systematic Review and Narrative Synthesis - PMC, consultato il 6 febbraio 2026, https://pmc.ncbi.nlm.nih.gov/articles/PMC11840377/

27. Med-HALT: Medical Domain Hallucination Test for Large Language Models - GitHub, consultato il 6 febbraio 2026, https://github.com/medhalt/medhalt

28. Medical Hallucination in Foundation Models and Their Impact on Healthcare - arXiv, consultato il 6 febbraio 2026, https://arxiv.org/html/2503.05777v2

29. MedVH: Toward Systematic Evaluation of Hallucination for Large Vision Language Models in the Medical Context - NIH, consultato il 6 febbraio 2026, https://pmc.ncbi.nlm.nih.gov/articles/PMC12363988/

30. Pieces Technologies Awarded $2M From National Cancer Institute, Part of the National Institutes of Health, to Advance Use of Conversational AI to Improve the Care of Cancer Patients, consultato il 6 febbraio 2026, https://www.piecestech.com/media/pieces-technologies-awarded-2m-from-national-cancer-institute-part-of-the-national-institutes-of-health-to-advance-use-of-conversational-ai-to-improve-the-care-of-cancer-patients

31. AI Safety in Healthcare: Applying the ASL Framework to Responsible Innovation - Netsmart, consultato il 6 febbraio 2026, https://www.ntst.com/blog/2025/ai-safety-in-healthcare

32. Are You Generating Value from AI? The Widening Gap | BCG, consultato il 6 febbraio 2026, https://www.bcg.com/publications/2025/are-you-generating-value-from-ai-the-widening-gap

33. E-Briefings – Volume 22, No. 2, March 2025 - The Governance Institute, consultato il 6 febbraio 2026, https://www.governanceinstitute.com/page/EBriefings_V22N2Mar2025