Badacze przygotowali 30 otwartych pytań dotyczących sześciu obszarów związanych z depresją i zaburzeniami lękowymi: diagnozy, objawów, czynników ryzyka, oceny stanu pacjenta, postępowania oraz rokowania. Nie były to proste pytania wymagające odpowiedzi „tak” lub „nie”. Zespół chciał sprawdzić, jak modele radzą sobie z sytuacjami wymagającymi wyjaśnienia problemu, rozumowania, empatycznego tonu oraz przedstawienia możliwych dalszych działań. Pytania tworzono między innymi na podstawie zagadnień pojawiających się w internetowych społecznościach pacjentów oraz wytycznych organizacji takich jak APA, NICE czy NIMH. Dotyczyły na przykład tego, kiedy należy zgłosić się do lekarza, jak rozumieć określone objawy albo czy długotrwałe stosowanie leków przeciwdepresyjnych może prowadzić do uzależnienia.
Każdemu modelowi przekazano dokładnie te same pytania i zastosowano ten sam schemat instrukcji. AI miała odpowiedzieć jasno, empatycznie i zgodnie z wiedzą naukową, uwzględnić wyjaśnienie medyczne lub psychologiczne, zaproponować konkretne działania oraz w razie potrzeby zachęcić do kontaktu ze specjalistą. Odpowiedzi oceniali niezależnie trzej eksperci posiadający doświadczenie kliniczne w psychiatrii i psychologii. Analizowano pięć elementów: trafność informacji, kompletność odpowiedzi, jej związek z pytaniem, różnorodność prezentowanych możliwości oraz zrozumiałość. Każda odpowiedź mogła otrzymać maksymalnie 25 punktów. Oceny przeprowadzono dwukrotnie w odstępie dwóch tygodni, a eksperci nie wiedzieli, który model wygenerował konkretny tekst. Dzięki temu ograniczono ryzyko faworyzowania najbardziej znanych marek AI.
W porównaniu uwzględniono pięć modeli: GPT-5.3-Codex firmy OpenAI, Claude-Opus-4.6 firmy Anthropic, Gemini-3-Flash firmy Google, GLM-5 oraz Qwen-3.5-Plus. Najwyższy wynik ogólny uzyskał GPT-5.3-Codex - średnio 21,35 punktu na 25 możliwych. Bardzo zbliżony rezultat osiągnął Claude-Opus-4.6 z wynikiem 21,25 punktu. Gemini-3-Flash uplasował się pośrodku analizowanych modeli. Różnice pomiędzy modelami jako całością były statystycznie istotne, a autorzy badania określili wielkość ogólnego efektu jako dużą. Wyniki pokazują więc, że nie wszystkie systemy generatywnej AI odpowiadają na pytania o zdrowie psychiczne na takim samym poziomie i samo określenie narzędzia jako „duży model językowy” niewiele mówi jeszcze o jakości jego odpowiedzi.
Ciekawe jest również to, że poszczególne modele miały różne mocne strony. Claude-Opus-4.6 otrzymał najwyższe średnie oceny za trafność oraz zrozumiałość odpowiedzi. GPT-5.3-Codex osiągał najlepsze rezultaty w kategorii kompletności, natomiast Gemini-3-Flash został najwyżej oceniony pod względem adekwatności odpowiedzi do konkretnego pytania oraz różnorodności prezentowanych informacji. Nie można więc wskazać jednego modelu, który dominował w każdej kategorii. Badacze podkreślają, że właśnie takie różnice mogą mieć znaczenie podczas projektowania przyszłych systemów wspierających zdrowie psychiczne. Model wykorzystywany do psychoedukacji może potrzebować innych cech niż system pomagający w przesiewowej ocenie problemu czy wspierający pacjenta pomiędzy wizytami u specjalisty.
Modele uzyskiwały stosunkowo wysokie wyniki w odpowiedziach dotyczących objawów oraz czynników ryzyka depresji i zaburzeń lękowych. Jest to dość łatwe do wyjaśnienia. Informacje takie jak typowe symptomy depresji, wpływ przewlekłego stresu, znaczenie obciążeń rodzinnych czy rola zaburzeń snu są szeroko opisywane w literaturze medycznej i materiałach edukacyjnych. Model może więc uporządkować dostępne informacje i przedstawić je użytkownikowi w przystępnej formie. W takim zastosowaniu AI może być przydatna jako narzędzie psychoedukacyjne: pomóc zrozumieć pojęcia, wyjaśnić różnicę pomiędzy chwilowym obniżeniem nastroju a objawami wymagającymi konsultacji czy przygotować listę kwestii, które warto omówić podczas wizyty u lekarza lub psychologa.
Najniższe średnie wyniki wszystkie modele uzyskały natomiast w obszarze dotyczącym diagnozy. To bardzo ważna obserwacja, ponieważ właśnie możliwość „zdiagnozowania się przez AI” może być dla użytkownika szczególnie kusząca. Objawy depresji, lęku, zaburzeń adaptacyjnych, chorób somatycznych, problemów ze snem czy działań niepożądanych leków mogą częściowo się pokrywać. Postawienie rozpoznania wymaga zebrania wywiadu, oceny czasu trwania objawów, ich wpływu na funkcjonowanie, historii chorób i leczenia, a czasem także badania lekarskiego. Model otrzymujący kilka zdań tekstu dysponuje znacznie węższym kontekstem. Fakt, że właśnie diagnoza okazała się najsłabszym obszarem testowanych systemów, jest więc ważnym argumentem przeciwko traktowaniu odpowiedzi chatbota jako odpowiednika profesjonalnej oceny klinicznej.
Nie. To najważniejsze zastrzeżenie dotyczące interpretacji nowego badania. Autorzy oceniali jakość odpowiedzi na 30 przygotowanych wcześniej pytań, a nie bezpieczeństwo AI podczas wielogodzinnych rozmów z prawdziwymi osobami znajdującymi się w różnych stanach psychicznych. Do modeli nie wprowadzano dokumentacji medycznej ani informacji pochodzących od realnych pacjentów. Nie było również możliwości obserwowania, jak użytkownik interpretuje odpowiedź i czy zastosowanie się do niej zmienia jego późniejsze zachowanie. Wysoki wynik oznacza więc przede wszystkim, że model potrafił przygotować dobrą odpowiedź tekstową w kontrolowanych warunkach eksperymentu. Nie dowodzi jeszcze, że potrafiłby prawidłowo prowadzić człowieka przez rzeczywisty proces leczenia depresji lub zaburzenia lękowego. Sami autorzy wskazują, że konieczne są badania prowadzone w realnych warunkach przed rozważaniem konkretnych zastosowań klinicznych.
Różnica jest szczególnie ważna w sytuacjach kryzysowych. W literaturze dotyczącej AI i zdrowia psychicznego opisywano między innymi problemy z wykrywaniem kryzysu, możliwość generowania nieprawdziwych informacji medycznych oraz ryzyko nadmiernego emocjonalnego przywiązania użytkownika do systemu. Autorzy nowego badania przywołują przegląd, w którym niewystarczające rozpoznawanie sytuacji kryzysowych było najczęściej zgłaszaną barierą bezpieczeństwa i pojawiało się w 21 z 27 analizowanych badań. Człowiek może pisać o zamiarach samobójczych w sposób niebezpośredni, zmieniać temat albo używać języka wymagającego rozumienia szerszego kontekstu jego życia. W takich sytuacjach błąd nie jest jedynie pomyłką merytoryczną - może oznaczać zbyt późne skierowanie osoby do natychmiastowej pomocy.
Model językowy tworzy odpowiedź na podstawie przetwarzania tekstu i wzorców znajdujących się w danych, na których został wytrenowany oraz informacji przekazanych w rozmowie. Nie przeprowadza natomiast pełnego badania psychicznego w takim znaczeniu jak lekarz czy psycholog. Nie obserwuje wszystkich elementów zachowania pacjenta, nie zna automatycznie jego historii leczenia i nie może zweryfikować, czy zgłaszane objawy wynikają z depresji, działania substancji psychoaktywnych, choroby tarczycy, zaburzeń neurologicznych, przyjmowanych leków albo innego problemu zdrowotnego. Może również wygenerować odpowiedź brzmiącą bardzo przekonująco nawet wtedy, gdy zawiera błąd. W obszarze zdrowia psychicznego płynny i empatyczny język może dodatkowo zwiększać zaufanie użytkownika do informacji, której poprawności sam nie potrafi ocenić.
Nie oznacza to, że AI nie ma żadnego miejsca w systemie opieki psychicznej. Może pomagać w psychoedukacji, porządkowaniu informacji, przygotowaniu do rozmowy ze specjalistą, przypominaniu o ćwiczeniach czy wspieraniu niektórych cyfrowych programów terapeutycznych. Potencjalnie może również pomagać profesjonalistom w analizie danych lub w prowadzeniu określonych elementów opieki. Aktualne badania pozostają jednak w dużej części eksperymentalne. Przegląd opublikowany w 2026 roku wykazał, że spośród 41 analizowanych prac dotyczących zastosowania dużych modeli językowych w zdrowiu psychicznym jedynie około jedna trzecia oceniała ich działanie wobec klinicystów przy wykorzystaniu danych rzeczywistych pacjentów. Znaczna część badań opierała się na przygotowanych scenariuszach, pytaniach testowych lub treściach z mediów społecznościowych.
Najbezpieczniej patrzeć na AI jako na narzędzie wspierające, a nie osobnego terapeutę. Osoba, która nie rozumie swoich objawów, może poprosić model o wyjaśnienie, czym różni się lęk od ataku paniki, jakie symptomy bywają związane z depresją albo jak przygotować się do pierwszej wizyty u psychiatry. Chatbot może pomóc stworzyć listę objawów, uporządkować pytania do lekarza, wyjaśnić niezrozumiałe pojęcia czy zaproponować ogólne techniki radzenia sobie ze stresem. Takie zastosowania wykorzystują największą zaletę modeli językowych - zdolność do szybkiego tłumaczenia złożonych informacji i prowadzenia rozmowy dostosowanej do pytań użytkownika. Nowe badanie sugeruje, że najlepsze obecnie modele potrafią wykonywać takie zadania na wysokim poziomie w kontrolowanych scenariuszach dotyczących depresji i lęku.
Granica powinna pojawić się tam, gdzie potrzebne są decyzje kliniczne. Rozpoznanie zaburzenia, dobór leków, zmiana ich dawek, ocena ryzyka samobójczego czy decyzja o przerwaniu terapii wymagają kontaktu z odpowiednio przygotowanym człowiekiem. Podobnie osoba, której stan szybko się pogarsza albo która zaczyna mieć myśli o zrobieniu sobie krzywdy, nie powinna polegać wyłącznie na rozmowie z chatbotem. Rozwój AI może zmniejszać część barier w dostępie do informacji o zdrowiu psychicznym, ale największą wartość prawdopodobnie będzie miał wtedy, gdy technologia zostanie połączona z realnym systemem opieki. Wyniki porównania pięciu modeli są więc obiecujące, lecz nie odpowiadają jeszcze twierdząco na pytanie, czy sztuczna inteligencja może samodzielnie i bezpiecznie prowadzić osobę z depresją lub lękiem. Pokazują raczej, że niektóre modele stają się coraz lepszymi narzędziami wspierającymi rozmowę, których zastosowanie kliniczne nadal wymaga bardzo dokładnego sprawdzania.
