FDA e IA generativa: nessuna nuova policy, ma un quadro regolatorio prende forma

Il 18 agosto 2026 la Food and Drug Administration statunitense ha pubblicato il proprio documento di discussione Considerations for the Regulation of Generative AI-Enabled Medical Devices.

Lo status giuridico del documento è rilevante. Non è una draft guidance, non è una guidance definitiva e non è una nuova policy della FDA. L'Agenzia afferma espressamente che il documento non stabilisce nuove aspettative regolatorie né requisiti probatori per future domande di immissione in commercio. Non risolve nemmeno se gli approcci in discussione siano attuabili con i poteri attuali della FDA o ne richiedano di nuovi.

Detto ciò, il documento non va liquidato come meramente esplorativo.

Delinea una consultazione notevolmente più strutturata su come la FDA potrebbe trattare i dispositivi medici basati su IA generativa lungo l'intero ciclo di vita del prodotto: dalla caratterizzazione del rischio e dall'evidenza pre-commercializzazione fino alla prestazione post-commercializzazione e al controllo delle modifiche. Non è la prima volta che la FDA affronta questioni di ciclo di vita per l'IA generativa, ma è un'articolazione più specifica delle domande ora rivolte alle parti interessate.

Una precisazione preliminare sull'ambito è essenziale. La FDA non regolamenta l'IA generativa come categoria tecnologica. Regolamenta prodotti che soddisfano la definizione giuridica di dispositivo medico. L'analisi regolatoria resterà quindi ancorata alla destinazione d'uso del prodotto, alla sua funzionalità e ai rischi connessi all'affidamento sui suoi output.

Tre elementi meritano particolare attenzione.

1. Un quadro più sfumato per il rischio

La FDA sta valutando un quadro su due assi. Il primo asse riguarda l'attività del dispositivo: in che misura una funzione fornisce informazioni, orienta l'utilizzatore verso un'azione o agisce essa stessa, compresi grado e indipendenza di tale attività. Il secondo asse riguarda le conseguenze dell'affidamento su un output errato, compresa la potenziale gravità del danno.

È un'impostazione più sfumata rispetto al considerare l'autonomia come unico fattore di rischio. Una funzione apparentemente solo informativa può diventare orientativa dell'azione per formulazione, specificità, personalizzazione o contesto clinico. Il documento chiede inoltre come valutare il rischio nelle interazioni a più turni, nei casi d'uso rivolti al paziente e dove errori nell'escalation assistenziale possono causare danno sia per escalation insufficiente sia per escalation eccessiva.

L'implicazione pratica è chiara: una futura strategia di evidenza potrebbe dover affrontare non solo la finalità medica prevista del dispositivo, ma anche ciò che il dispositivo fa nella pratica, con quanta indipendenza agisce, chi si affida al suo output e quali sono le conseguenze di un errore.

2. Un approccio basato sulle competenze per l'evidenza pre-commercializzazione

La FDA discute un possibile approccio pre-commercializzazione che combina benchmarking non clinico del dispositivo e conferma clinica.

L'unità di valutazione decisiva sarebbe il dispositivo finale rivolto all'utilizzatore nella configurazione di impiego prevista, non il foundation model isolatamente considerato. Profondità e ampiezza della valutazione sarebbero calibrate sulla destinazione d'uso e sul profilo di rischio del dispositivo.

Per i dispositivi rilevanti la FDA discute un benchmarking che va oltre la prestazione convenzionale su un set di test. Le dimensioni possibili comprendono riconoscimento ed escalation nelle situazioni critiche per la sicurezza, aderenza all'ambito previsto, comunicazione calibrata dell'incertezza, ragionamento clinico, analisi quantitativa, qualità della comunicazione, robustezza, riproducibilità e prestazione nei sottogruppi clinicamente significativi. Per i sistemi agentici il documento aggiunge pianificazione a più passi, uso affidabile degli strumenti, punti di controllo per la supervisione umana prima di azioni ad alta conseguenza e resistenza alla prompt injection.

Il punto più ampio è che perfino un benchmarking non clinico esteso può non stabilire pienamente come un dispositivo basato su IA generativa si comporterà nella pratica clinica. La FDA valuta quindi se possa essere necessaria una conferma clinica in condizioni reali o clinicamente rappresentative. Ciò non richiederebbe necessariamente uno studio clinico prospettico in ogni caso; l'evidenza richiesta resterebbe proporzionata al rischio.

In altri termini, la domanda emergente non è semplicemente se un modello possa generare una risposta accettabile in condizioni predefinite. È se il dispositivo distribuito possa operare in sicurezza entro il proprio ruolo clinico previsto, riconoscere quando debba astenersi o escalare, comunicare adeguatamente l'incertezza e funzionare in modo affidabile tra utilizzatori, contesti, popolazioni di pazienti e modalità di interazione rilevanti.

3. La prestazione post-commercializzazione può diventare parte integrante della strategia di evidenza

La FDA discute inoltre possibili approcci a un monitoraggio post-commercializzazione proporzionato al rischio. Vi rientrano un nuovo benchmarking periodico, la revisione campionaria di input e output reali da parte di clinici indipendenti qualificati e il monitoraggio del degrado prestazionale o della deriva derivante da cambiamenti nella popolazione in ingresso, nell'ambiente dei dati, nel modello sottostante o nell'architettura di impiego.

Ciò è particolarmente rilevante quando un dispositivo incorpora un foundation model di terzi. Il documento distingue tra aggiornamenti avviati dallo sponsor, riaddestramento o modifiche adattive e modifiche non pianificate introdotte dallo sviluppatore di un modello di terzi sottostante. La FDA sta valutando se una valutazione delle competenze pre-commercializzazione possa fornire la linea di base rispetto a cui misurare nuovamente il dispositivo dopo una modifica. Discute inoltre i Predetermined Change Control Plans come possibile meccanismo per determinate modifiche e chiede riscontri sui Foundation Model Device Master File volontari. È importante notare che tale master file non trasferirebbe la responsabilità: lo sponsor del dispositivo resterebbe responsabile di dimostrare sicurezza ed efficacia del proprio dispositivo.

Che cosa dovrebbero fare ora i fabbricanti?

I fabbricanti non dovrebbero trattare questo documento come una nuova checklist di conformità. Non lo è.

Dovrebbero però usarlo come utile prova di sforzo per la propria strategia di sviluppo ed evidenza. Ciò significa definire il ruolo clinico previsto e i confini comportamentali di ogni funzione basata su IA generativa; documentare quando il sistema debba astenersi, escalare o richiedere una revisione umana; valutare il dispositivo distribuito anziché affidarsi ad affermazioni su un modello sottostante; e stabilire una linea di base difendibile per modifiche future e monitoraggio post-commercializzazione.

Per i prodotti che dipendono da modelli di terzi le domande pratiche diventano sempre più concrete. Che cosa è sotto controllo di versione? Quali modifiche avviate dal fornitore potrebbero incidere su sicurezza o efficacia? Quali asset di test e criteri di accettazione sostengono un nuovo benchmarking? Come saranno rilevati, indagati e governati degrado prestazionale, effetti nei sottogruppi, interazioni impreviste e guasti critici per la sicurezza?

La policy non è definita. La direzione di marcia, però, sta diventando più chiara.

Per i dispositivi medici basati su IA generativa, validare un algoritmo in un singolo momento può non bastare. La FDA sta esplorando come i fabbricanti possano dimostrare il controllo sul comportamento del dispositivo distribuito lungo tutto il suo ciclo di vita.

I commenti pubblici sono aperti sul Docket FDA-2026-N-7874 fino al 19 ottobre 2026.

Elaborato da fonti primarie FDA; questo articolo ha finalità informative e non costituisce consulenza legale.