Pensa no que acontece com o dado de uma paciente no instante em que ele entra numa janela de IA. Você cola um trecho de diário, ou descreve um padrão de pontuação que apareceu numa escala, e do outro lado um modelo lê aquilo. A pergunta que costuma ficar de fora, e que é a mais importante, é o que esse modelo sabe sobre o que está lendo, de onde vem o que ele vai responder e o que acontece com aquele dado depois que a conversa termina.

Essa é a diferença que separa uma IA de uso geral, do tipo que você abre no navegador, de uma IA construída pro contexto clínico. A marca não é o que está em jogo. O que muda é o comportamento diante de uma tarefa que aparece o tempo todo na clínica: ler um material sensível, sustentar uma afirmação com a fonte certa e admitir o que não se sabe. Este artigo é sobre por que essa distinção importa quando do outro lado existe uma paciente real, um sigilo a proteger e uma decisão que tem o seu nome.

Se você quiser o enquadramento mais amplo antes, vale começar pelo guia sobre inteligência clínica e IA na saúde mental, que define a categoria. Aqui o recorte é mais estreito e mais prático: a comparação entre os dois tipos de ferramenta.

A tentação de abrir o ChatGPT e perguntar sobre um caso

A tentação é compreensível, e seria estranho fingir que ela não existe. A ferramenta está ali, é gratuita, responde em segundos e parece saber de tudo. Num dia cheio, entre uma sessão e outra, abrir uma janela e digitar "quais instrumentos acompanham evitação experiencial" ou "o que esse padrão de escore pode indicar" é o caminho mais curto entre uma dúvida e alguma resposta.

E a resposta vem articulada, com cara de quem domina o assunto, às vezes com nome de autor e ano de publicação, o que dá uma sensação de respaldo. O problema é que essa fluência é justamente o que engana. Um modelo de linguagem de uso geral foi treinado pra produzir texto plausível, e plausível nem sempre é verdadeiro. Ele aprendeu como a linguagem técnica costuma soar e reproduz esse padrão com confiança mesmo quando não tem base pra afirmar o que afirma.

Vale separar dois usos que costumam se misturar nesse momento. Uma coisa é pedir ajuda pra redigir um e-mail ou resumir um texto público, onde o risco de a IA errar tem consequência baixa. Outra, bem diferente, é colocar dado de paciente ou pedir respaldo clínico pra uma decisão, onde o erro custa caro e onde o tipo de ferramenta passa a importar muito.

O que muda quando a IA foi treinada pro contexto clínico

A diferença entre as duas está em duas coisas verificáveis: como cada uma lê o material que recebe e de onde ela tira o que devolve.

Leitura de instrumento validado contra resposta genérica

Quando você mostra a uma IA generalista um escore de um instrumento, ela trata aquilo como mais um pedaço de texto. Ela não sabe necessariamente que aquele instrumento tem um ponto de corte validado pra uma população específica, uma margem de variação esperada que distingue oscilação de medida de mudança clínica real. Ela responde a partir do que costuma aparecer na internet sobre aquele nome, o que pode estar certo, pode estar desatualizado, ou pode ser uma média confusa de fontes de qualidades diferentes.

Uma IA construída pro contexto clínico parte de outro lugar. Ela foi desenhada sabendo o que cada instrumento representa, qual a lógica de pontuação, o que uma série temporal daquela escala permite ou não permite concluir. Lê um diário ou um registro de automonitoramento como material clínico, com o cuidado que esse tipo de fonte pede. A IA clínica sabe qual instrumento está lendo e o que ele mede, enquanto a generalista recebeu números sem saber direito do que eles tratam.

Fonte rastreável contra fonte ausente

A segunda diferença é o que sustenta a resposta. Uma IA clínica bem feita devolve a informação amarrada à fonte: você consegue ver de onde veio o que ela disse, qual instrumento, qual dado do acompanhamento, qual referência. A generalista, na maior parte das vezes, devolve uma síntese sem rastro, e quando ela inventa um rastro, esse é exatamente o ponto onde o risco fica mais sério, que é o assunto da próxima seção.

O risco de fabricação de referência

Esse é o ponto que mais separa os dois tipos de ferramenta, e já foi medido em pesquisa de saúde mental.

Em 2023, McGowan e colegas testaram se um modelo de linguagem de uso geral conseguia produzir referências confiáveis pra apoiar uma busca de literatura em psiquiatria. Numa dessas trocas, o ChatGPT gerou 35 citações, das quais apenas 2 eram reais. Doze eram parecidas com manuscritos verdadeiros, mas com lista de autores, periódico ou ano trocados, e as 21 restantes, embora plausíveis, eram uma colagem de vários trabalhos existentes, referências que não existiam mas pareciam existir. A conclusão dos autores foi direta: o output de modelos conversacionais precisa ser verificado (McGowan et al., 2023).

Em 2025, Linardon e colegas levaram isso pra um teste mais controlado, ainda em pesquisa de saúde mental, e o resultado complica um pouco a história, porque o problema não é só a invenção pura. Das 141 citações que o modelo gerou e que de fato existiam, 64 (45,4%) continham algum erro bibliográfico, sendo o DOI incorreto o tipo mais comum (Linardon et al., 2025). Ou seja, mesmo quando a referência é real, há uma chance considerável de algum detalhe estar errado. E isso basta pra mandar quem confiou na resposta pro lugar errado.

Por que o risco cresce nos temas mais especializados

O achado mais incômodo do estudo de Linardon é onde a invenção se concentra. A taxa de fabricação pura variou conforme o tema, ficando em torno de 6% em transtorno depressivo maior, que é um assunto de alta visibilidade pública, e subindo pra perto de 28% e 29% em quadros mais específicos, como transtorno da compulsão alimentar e transtorno dismórfico corporal (Linardon et al., 2025).

A leitura prática disso é desconfortável, porque inverte a intuição. Quanto mais especializado e menos popular o assunto, maior o risco de a IA generalista inventar com confiança. E o terreno mais especializado é justamente o da clínica refinada: o caso menos comum, o instrumento menos conhecido, a pergunta que você não acha respondida em qualquer lugar. É justamente onde você mais precisaria de uma fonte confiável que a generalista mais falha. Esse comportamento é parte de uma família maior de riscos técnicos, que inclui viés de treino e o limite do dado faltante, no artigo sobre vieses e riscos da IA na saúde mental.

O risco de LGPD ao colar dado de paciente numa ferramenta genérica

Há ainda um risco que independe da qualidade da resposta. Ele tem a ver com o que acontece com o dado depois que você o cola. Dado de paciente é dado pessoal sensível de saúde, e a Lei Geral de Proteção de Dados trata essa categoria com exigências específicas, que incluem base legal adequada e consentimento informado pra esse tipo de tratamento.

Quando você cola um trecho de diário, um relato de sessão ou um conjunto de escores numa ferramenta de uso geral, você não controla onde esse dado fica guardado, quem acessa, nem se ele pode ser usado pra treinar o próprio modelo. Em parte das ferramentas generalistas, dependendo da configuração, o que você digita pode alimentar o sistema.

Isso entra em rota de colisão com o sigilo profissional, que não muda de natureza porque entrou uma IA no meio, e com a Resolução CFP 09/2024 e o Código de Ética Profissional do Psicólogo, que sustentam a responsabilidade do profissional sobre o dado e sobre a decisão. A revisão de Ni e Jia, de 2025, lista o risco de privacidade entre os desafios recorrentes da IA em saúde mental e aponta a necessidade explícita de design ético e supervisão humana (Ni & Jia, 2025).

A questão regulatória completa, com o recorte de CFP e LGPD ponto a ponto, está no artigo sobre o que CFP e LGPD exigem do profissional ao usar IA. Pro propósito aqui, basta o limite: colar dado identificável de paciente numa ferramenta genérica é um risco que vale evitar até entender onde aquele dado vai parar.

Quando a IA generalista até serve, e quando definitivamente não

Nada disso é um argumento pra abandonar a IA de uso geral. O ponto é usar cada ferramenta no que ela faz bem, e a linha entre os dois usos é razoavelmente clara.

A generalista serve bem pra tarefas que não envolvem dado de paciente nem precisam de respaldo clínico verificável, como redigir um texto, destravar uma ideia, resumir um material público que você mesma vai conferir. Nesses usos, se ela errar um detalhe, o custo é baixo e você percebe na hora.

Ela definitivamente não serve pra duas coisas. Uma é receber dado identificável de paciente, pelo risco de privacidade que acabamos de ver. A outra é fechar uma decisão clínica a partir do que ela respondeu, sobretudo quando a resposta vem com referência, porque é exatamente aí que a fabricação de citação aparece com mais força. Se você usar uma generalista pra buscar literatura, a regra que a própria pesquisa sugere é tratar tudo o que ela devolver como hipótese a verificar na fonte original, nunca como fato.

O que procurar numa IA clínica

Se a generalista falha nesses pontos, vale saber o que pedir de uma ferramenta construída pro contexto clínico, porque os critérios são os mesmos pra qualquer fornecedor, não só pra um. Resumindo a diferença, lado a lado:

Três condições sustentam a confiança:

• A primeira é rastreabilidade: você consegue ver de onde veio a informação que a IA devolveu, o instrumento, a fonte, o dado do acompanhamento.

• A segunda é linguagem que admite incerteza, porque uma IA clínica honesta sinaliza quando não tem base pra afirmar algo, em vez de preencher o vazio com uma resposta confiante, que é o comportamento documentado nos modelos generalistas.

• A terceira é o limite ético embutido por desenho, de modo que a ferramenta simplesmente não faz o que não deve fazer, como fechar diagnóstico ou recomendar medicação. Isso não depende da sua contenção, vem da construção da ferramenta.

Como aplicar esses critérios na prática, com um roteiro de verificação, é o assunto do artigo sobre como saber se uma IA clínica é confiável. É lá que a comparação deste artigo vira critério acionável na hora de avaliar uma ferramenta na sua frente.

A IA clínica na HumanTrack: por que a Artemi não é generalista

A diferença que este artigo descreve é exatamente o que separa a Artemi de uma IA de uso geral. Ela é a inteligência clínica da HumanTrack, treinada pro contexto de saúde mental: sabe o que cada instrumento validado mede, devolve a leitura amarrada à fonte e sinaliza incerteza em vez de afirmar o que não tem base. O dado do paciente é tratado por privacidade e segurança por desenho, dentro da LGPD, e não vira treino de modelo.

Ela opera como copiloto, sem fechar diagnóstico e sem recomendar medicação, com a decisão sempre na mão da psicóloga. Se você quer ver isso com um caso seu, dá pra começar um teste gratuito da HumanTrack e experimentar a Artemi, como copiloto e não como substituta.

Perguntas frequentes

Posso usar o ChatGPT pra me ajudar na clínica?

Pra tarefas que não envolvem dado de paciente nem decisão clínica verificável, como redigir um texto ou organizar uma ideia, ele ajuda. O cuidado começa em dois pontos: colar dado identificável de paciente, pelo risco de privacidade e de sigilo, e confiar em referência que ele gere sem checar na fonte, porque modelos de uso geral fabricam citação com frequência em saúde mental (McGowan et al., 2023; Linardon et al., 2025).

Por que uma IA generalista inventa referência?

Porque ela foi treinada pra produzir texto plausível, sem garantia de que seja verificado. Ela aprendeu como uma citação científica costuma parecer e reproduz esse formato mesmo sem ter a fonte real, o que produz referências que existem com detalhes errados ou referências que não existem. O risco cresce nos temas mais especializados e menos populares, justamente o terreno da clínica refinada (Linardon et al., 2025).

Qual a diferença prática entre uma IA generalista e uma IA clínica?

A clínica foi desenhada sabendo o que é cada instrumento e cada dado do acompanhamento, devolve a informação amarrada à fonte, admite quando não sabe e respeita limites éticos por construção. A generalista trata tudo como texto, costuma responder sem rastro de fonte e pode inventar com confiança. O que separa as duas é o comportamento verificável, não o nome no produto.

Referências

Linardon, J., Liu, C., Messer, M., Jarman, H. K., Anderson, C., McClure, Z., & Fuller-Tyszkiewicz, M. (2025). Influence of topic familiarity and prompt specificity on citation fabrication in mental health research using large language models: Experimental study. JMIR Mental Health, 12, e80371. https://doi.org/10.2196/80371

McGowan, A., Gui, Y., Dobbs, M., Shuster, S., Cotter, M., Selloni, A., Goodman, M., Srivastava, A., Cecchi, G. A., & Corcoran, C. M. (2023). ChatGPT and Bard exhibit spontaneous citation fabrication during psychiatry literature search. Psychiatry Research, 326, 115334. https://doi.org/10.1016/j.psychres.2023.115334

Ni, Y., & Jia, F. (2025). A scoping review of AI-driven digital interventions in mental health care: Mapping applications across screening, support, monitoring, prevention, and clinical education. Healthcare, 13(10), 1205. https://doi.org/10.3390/healthcare13101205