Consultare l'IA prima di una decisione personale importante vs. decidere senza
Se agisci
Consultare l'IA prima di decidere
22%
Se non agisci
Decidere senza apporto dell'IA
28%
Percentuale di chi poi rimpiange ciascuna scelta. Le barre e il registro completo dei dati compaiono sotto.
Stile di vita
Ultima revisione 2026-05-11
Qualità delle prove 4.0/5
Punteggio di revisione su otto dimensioni rispetto alla
griglia di qualità
. Ogni dimensione valutata da 1 a 5.
D1 Verifica delle fonti
4/5
D2 Autorità e indipendenza delle fonti
5/5
D3 Precisione del tasso di rimpianto
2/5
D4 Comparabilità delle fonti
2/5
D5 Schema di Gilovich
4/5
D6 Qualità della prosa
5/5
D7 Completezza degli avvertimenti
5/5
D8 Qualità del campione
5/5
Media4.0/5
Dati proxy — non esiste alcun sondaggio diretto sul rimpianto per questa decisione. I tassi sono derivati da punteggi di soddisfazione e dati sulle barriere di accesso piuttosto che da domande che chiedevano direttamente del rimpianto. Vedi avvertenze di seguito.
Rimpianto per azione
Consultare l'IA prima di decidere
22%
~22% di chi ha consultato l'IA per una decisione significativa riferisce un esito dannoso o problematico (proxy; 11% ha ricevuto raccomandazioni sanitarie non sicure; 21-49% delle risposte mediche dell'IA sono valutate problematiche in studi controllati)
Adulti statunitensi che hanno consultato chatbot IA per decisioni sanitarie, finanziarie o di vita
ottobre-dicembre 2025
Rimpianto per inazione
Decidere senza apporto dell'IA
28%
~28% di chi ha saltato la consultazione IA potrebbe aver perso informazioni utili che avrebbero potuto migliorare la propria decisione (proxy; il 46-59% degli utenti IA in ambito sanitario riferisce benefici concreti; il 66-90% degli utenti IA finanziari l'ha trovato utile)
Adulti statunitensi che hanno preso decisioni significative senza consultare l'IA
2025-2026
% rimpiange questa scelta
Consultare l'IA prima di decidereDecidere senza apporto dell'IA
22%28%
balanced — Approssimativamente equilibrato — entrambe le scelte comportano un rimpianto simile.
Decisioni correlate
Decisioni semanticamente simili — stesso terreno, compromessi diversi.
Sottoporsi a un aumento del senoNon sottoporsi a un aumento del seno
7,0%5,0%
Equilibrato
Approssimativamente equilibrato
About 1 in 4 US adults has now consulted AI for health information or advice, according to a West Health/Gallup panel of 5,660 adults surveyed in late 2025. Among those users, 46% felt more confident asking their providers questions afterward, and 59% used AI to prepare before a doctor visit — concrete stated benefits that non-users forgo. But the same survey found that 11% of AI health users reported receiving unsafe recommendations, and a parallel UCLA/BMJ Open study rating 250 AI responses to medical questions found 49.6% were problematic to some degree — mostly delivered with confidence and few caveats, making them difficult for users to identify as unreliable. An MIT Media Lab study published in NEJM AI documented that participants systematically overestimated AI medical reliability and could not distinguish AI-generated from physician responses, even when the AI response was inaccurate.
The regret arithmetic here is genuinely ambiguous, which is unusual in this dataset. The action-side risk (22% proxy, bounded by 11% unsafe-recommendation rate and 49.6% problematic-response rate) and the inaction-side opportunity cost (28% proxy, based on AI users’ reported benefits) are close enough that the entry is classified as ‘mixed’ rather than clearly inaction-dominates. How AI is used matters more than whether it is used: supplementing a scheduled doctor visit with AI research before attending is a different action category than using AI as a triage replacement for a symptom that warrants evaluation. The former has low action-risk and meaningful information benefit; the latter has higher action-risk and may cause harmful delay. The 14 million Americans who skipped a provider visit based on AI advice represent the higher-risk end of the use spectrum, though some of those skipped visits may have been genuinely unnecessary.
The honest summary of this entry’s evidentiary state: the AI consultation decision is too domain-specific, use-case-dependent, and rapidly evolving to generate a stable regret-pair estimate. Financial AI consultation self-reports are overwhelmingly positive (Wells Fargo: ~90% found results worthwhile), which would pull the inaction-regret figure up substantially if the financial domain were weighted equally with health. Medical AI consultation carries real documented risk of inaccurate confident advice in a domain where acting on wrong information has direct health consequences. The mixed classification reflects both the genuine uncertainty and the heterogeneity of “consulting AI” as a decision — something between a research tool and an advisor, with properties of each and the disclaimers of neither.
Fonti: azione
Registro delle fonti
Ogni numero qui sotto è ciò che ciascuna fonte ha riportato, con la citazione testuale su cui ci siamo basati e come siamo arrivati alla nostra cifra. Clicca su qualsiasi link per verificare direttamente.
2/3 fonti verificate in modo indipendente e alla lettera rispetto alla fonte citata
[1]West Health / Gallup — Millions of Americans Now Consult AI Before, After, and Sometimes Instead of Seeing a Doctor
Verificato
Fonte di riferimento
About 1 in 4 US adults (over 66 million) report having used AI tools or chatbots for health information or advice; 11% of US adults who used AI for health information reported receiving unsafe recommendations; 14% (~14 million) skipped a provider visit based on AI advice
Estratto
“"One in four U.S. adults — the equivalent of over 66 million Americans — report having used artificial intelligence tools or chatbots for physical or mental healthcare information or advice. ... 11% of AI health users reported receiving unsafe health recommendations from AI. 14% of recent AI health users skipped a provider visit based on AI advice. 46% felt more confident asking providers questions after using AI."
”
Dati originali da
2026-01-01
Consultato
2026-05-11
Verifica
Estratto recuperato in modo indipendente e confermato parola per parola rispetto alla fonte citata durante il nostro audit di attendibilità.
Calcolo
West Health / Gallup panel survey of n=5,660 US adults, fielded October–December 2025, margin of error ±2.1pp. This is the most methodologically rigorous large-sample US survey on AI health consultation outcomes. The "one in four US adults (over 66 million)" overall-prevalence figure grounds the entry's opening body sentence, which previously cited this survey for that figure without a matching excerpt/statistic. The 11% unsafe-recommendation rate is the primary action-regret proxy: it represents the share of users who received advice that was later identified as unsafe, which is a necessary precursor to regret even if regret is not directly measured. The 14% who skipped a provider visit based on AI advice is a behavioral-consequence measure; it does not directly map to regret (some may have correctly assessed that no visit was needed). The 22% action-regret estimate is bounded by the 11% unsafe-recommendation rate (lower bound) and the broader 21–49% problematic-response rates from academic accuracy studies (upper bound), centered at approximately 22% to reflect that problematic responses do not always produce regrettable outcomes.
[2]CIDRAP (University of Minnesota) reporting on UCLA / BMJ Open study — AI Chatbots Provide Poor Answers to Medical Questions Half the Time
Verificato
Fonte di riferimento
49.6% of AI responses to medical questions were rated as problematic in a blinded evaluation of 5 major chatbots (30% somewhat, 19.6% highly problematic)
Estratto
“"49.6% of AI chatbot responses to medical questions were rated as problematic — 30% 'somewhat problematic' and 19.6% 'highly problematic.' Chatbot responses were consistently given with confidence and certainty, with few caveats or disclaimers."
”
Dati originali da
2025-02-01
Consultato
2026-05-11
Verifica
Estratto recuperato in modo indipendente e confermato parola per parola rispetto alla fonte citata durante il nostro audit di attendibilità.
Calcolo
UCLA / BMJ Open study of 250 total questions across 5 major chatbots (ChatGPT, Gemini, DeepSeek, Meta AI, Grok), 10 questions each across 5 medical categories, data collected February 2025, published 2026. The 49.6% problematic-response rate establishes the upper bound of action-side risk for health-domain AI consultation. The key finding about confident framing with few caveats is the mechanism that converts problematic responses into potential harm: users cannot easily identify which responses are in the unreliable half. Used here to anchor the upper bound of the 22% action-regret estimate; the lower bound is the West Health/Gallup 11% unsafe-recommendation rate from real-world self-report.
[3]NEJM AI (Shekar, Pataranutaporn, Sarabu, Cecchi & Maes) / MIT Media Lab — People Overtrust AI-Generated Medical Advice despite Low Accuracy
Articolo peer-reviewed
Across 300 participants, people were unable to distinguish AI-generated from doctors' responses, rated high-accuracy AI responses as more valid/trustworthy/complete, gave low-accuracy AI responses ratings similar to doctors', and showed a high tendency to follow potentially harmful AI advice
Estratto
“"Participants were unable to effectively distinguish between AI-generated responses and doctors' responses [and] rated high-accuracy AI responses as significantly more valid, trustworthy, and complete than the other two types of responses. Low-accuracy AI responses tended to receive ratings similar to those given to doctors' responses [and participants showed] a high tendency to follow the potentially harmful medical advice contained in those responses."
”
Dati originali da
2025-05-13
Consultato
2026-05-11
Calcolo
NEJM AI / MIT Media Lab study on AI medical response evaluation. The overtrust finding is the mechanism explanation: users systematically overestimate AI reliability in the medical domain, meaning the problematic-response rates from accuracy studies translate into real-world harm more readily than they would if users could identify unreliable responses. This supports using the problematic-response rate (not just the unsafe- recommendation rate) as the relevant risk bound.
Fonti: inazione
Registro delle fonti
Ogni numero qui sotto è ciò che ciascuna fonte ha riportato, con la citazione testuale su cui ci siamo basati e come siamo arrivati alla nostra cifra. Clicca su qualsiasi link per verificare direttamente.
[1]West Health / Gallup — Millions of Americans Now Consult AI Before, After, and Sometimes Instead of Seeing a Doctor
Fonte di riferimento
46% of AI health users felt more confident asking providers questions afterward; 59% used AI to research before a doctor visit
Estratto
“"46% of AI health users felt more confident asking providers questions after using AI. 59% used AI to research before a doctor visit. 71% were motivated by wanting answers quickly; 71% wanted additional information."
”
Dati originali da
2026-01-01
Consultato
2026-05-11
Calcolo
West Health / Gallup panel, n=5,660, October–December 2025. The 46% who felt more confident asking providers questions is a concrete stated benefit of AI consultation — a benefit that non-users forgo. The 28% inaction-regret proxy is derived conservatively from the proportion of AI users who report concrete preparation or information benefits (46–59%), adjusted downward to reflect that non-users may have obtained similar information through other channels (search, calling a nurse line, reading drug inserts). No direct "do you regret not consulting AI for this decision?" survey was identified. This is the most data-sparse side of the entry.
[2]ABA Banking Journal (reporting on Wells Fargo and TD Bank surveys) — Bank Surveys Find Consumers Increasingly Turning to AI for Financial Advice
Fonte di riferimento
~90% of US adults who used AI for financial decisions and acted on the advice said results were 'profitable or worthwhile' (Wells Fargo 2026); 55% of adults use AI for financial management decisions (TD Bank 2026)
Estratto
“"19% of U.S. adults used AI for financial advice; 38% among Gen Z. Two-thirds of those who used AI acted on its suggestions. Approximately 90% of those who acted said the results were 'profitable or worthwhile.'"
”
Dati originali da
2026-04-01
Consultato
2026-05-11
Calcolo
Wells Fargo consumer survey and TD Bank consumer survey, both reported April 2026. Sample sizes and full methodology not disclosed. The 90% "worthwhile" self-report is the most positive available outcome figure for AI financial consultation but is highly susceptible to self-serving bias: people who acted on AI advice and lost money are less likely to report the action as worthwhile, but are also less likely to be included in a consumer satisfaction survey. Used here as directional corroboration that AI financial consultation produces positive self-reported outcomes at high rates, supporting the inaction-regret proxy. Not used as a primary figure due to methodological opacity.
Avvertenze
MISURE PROXY OVUNQUE. Nessuna indagine ha chiesto direttamente agli individui "si pente di aver consultato l'IA per questa decisione?" o "vorrebbe aver consultato l'IA prima di decidere?" Entrambi i lati sono interamente costruiti da dati adiacenti: studi sulla qualità degli esiti (per il rischio lato azione), benefici riportati (per il costo opportunità lato inazione) e misure comportamentali (tassi di salto di visite mediche). Il regret_delta di -0,06 è troppo piccolo per classificare in modo affidabile questo come dominato dall'inazione; è classificato come 'misto' perché l'evidenza non supporta chiaramente nessun pattern. Il rischio lato azione varia drasticamente per dominio e per come l'IA viene usata: integrare una visita medica (basso rischio, alto beneficio) vs. sostituirla per un sintomo serio (alto rischio). Gli studi accademici di accuratezza (tassi di risposta problematica 21-49%) riflettono la performance dell'IA su domande mediche specificamente — il dominio con la posta in gioco più alta. Decisioni finanziarie e di vita generali hanno probabilmente tassi di risposta problematica più bassi ma meno benchmark di accuratezza pubblicati. Lo studio NEJM AI sull'eccesso di fiducia è un caveat particolarmente importante: il meccanismo che converte risposte problematiche in danno è l'incapacità degli utenti di rilevarle, e l'inquadramento sicuro con pochi caveat (documentato nello studio UCLA/BMJ Open) sistematicamente nasconde questa incertezza. "Usare l'IA" non è una singola azione: leggere un riassunto IA per prepararsi a una visita medica è categoricamente diverso dall'agire su una diagnosi IA invece di vedere un medico. Questa voce aggrega questi usi eterogenei, il che limita la sua precisione. I dati auto-riferiti di Wells Fargo e TD Bank sono opachi sulla metodologia e dovrebbero essere trattati solo come direzionali. Le capacità dell'IA stanno migliorando rapidamente; i benchmark di accuratezza e affidabilità del 2025-2026 differiranno probabilmente da quelli applicabili 12-24 mesi dopo. Questa voce ha una shelf life più breve della maggior parte nel dataset.
