Nove LLM di frontiera, messi davanti a 2.005 decisioni oncologiche tra linee guida NCCN e casi di tumore del colon-retto, falliscono in modo collettivo quasi la metà dei quesiti che richiedono un impegno terapeutico. Il problema non è la conoscenza medica: in una quota tra il 3 e il 9 per cento dei casi, i modelli indicano il passo clinico successivo corretto ma non arrivano a impegnarsi. Lo studio, presentato come Oncology Decision Boundary Benchmark, ha usato uno scorer completamente deterministico, senza chiamare un altro LLM a giudicare le risposte, e ha fatto validare un campione stratificato di 225 item da due oncologi.

Trattando i nove modelli come un unico super-modello aggregato, il 42,1% degli item non riceve una risposta corretta da nessun modello: il 35,7% dei 1.586 item NCCN e il 66,4% dei 419 casi di cancro del colon-retto. Non è quindi un problema di diversità tra architetture closed-source e famiglie open-weight: il buco è condiviso. Le carenze si concentrano nella scelta tra percorsi previsti dalle linee guida, prima ancora del ragionamento dentro ciascun percorso. Gli autori lo descrivono come un limite di meta-giudizio clinico, che probabilmente richiede un intervento architetturale piuttosto che più dati di addestramento o fine-tuning.

Due modelli regolati per essere più decisi, GPT-5.5 e Gemini 3.1 Pro Preview, assumono impegni non sicuri da tre a cinque volte più spesso rispetto ai sette modelli prudenti, senza ottenere punteggi più alti. È un segnale contro l'idea che una maggiore assertività sia sinonimo di utilità clinica: in un contesto oncologico, un impegno sbagliato produce costi di revisione e rischi di responsabilità molto più pesanti di una risposta cauta.

Per chi valuta deployment on-premise, il benchmark sposta l'asse della discussione. Aggiungere VRAM o scegliere un modello con più parametri non affronta il limite osservato, perché il difetto non è di capacità pura ma di architettura decisionale. Un sistema self-hosted può tenere sotto controllo locale i log, le escalation e le regole deterministiche che decidono quando fermarsi, evitando che i dati clinici escano verso API cloud. Ma questo introduce un costo diverso: il TCO della supervisione umana e dell'integrazione con i flussi ospedalieri, non solo l'hardware per l'inference. AI-RADAR offre framework analitici per valutare questi trade-off, ma il punto qui è più radicale: la variabile da misurare non è più l'accuratezza media del modello, bensì la qualità del confine che il sistema sa riconoscere.

Questo cambia gli incentivi per i fornitori di modelli. Chi propone LLM decisi per la sanità rischia di offrire un'automazione apparente: un sistema che si impegna più spesso ma in modo non sicuro aumenta il carico di revisione clinica e il rischio legale, non lo riduce. Il segnale strutturale è che la prossima generazione di sistemi clinici non si gioca sulla scala dei parametri ma su componenti in grado di rilevare il confine di competenza e instradare la decisione a un medico.

Se nove modelli di frontiera condividono lo stesso punto cieco, la domanda non è quale LLM scegliere, ma come progettare un sistema che sappia fermarsi prima di decidere.