Duże modele języka stały się znaczącymi dostawcami wsparcia zdrowia psychicznego, jednak pozostają produktami ekonomii uwagi nastawionej na maksymalne zaangażowanie użytkownika, co często koliduje z wymogami efektywnego wspierania psychologicznego. Obecne podejścia do bezpieczeństwa są głównie reaktywne - rozwiązują widoczne aktualne zagrożenia, podczas gdy subtelniejsze, długoterminowe ryzyka takie jak psychologiczna zależność, rozmycie granic terapeutycznych czy wzmacnianie zniekształconych przekonań pozostają poza zainteresowaniem.
Bezpieczeństwo strukturalne wymaga wyrównania zorganizowanego na trzech poziomach, których organizacja odbija to, jak społeczeństwo zapewnia bezpieczeństwo ludzkiej praktyki klinicznej. Po pierwsze: jasne określenie wartości zakorzenione w kodeksach praktyki klinicznej. Po drugie: trening wbudowujący te wartości w model. Po trzecie: nadzór mogący wykrywać odchylenia wartości i długoterminowe szkody podczas wdrażania systemu, podobnie jak nadzór kliniczny dla praktyków lekarskich.
Proponowany construct alignment plausibility to strukturalna demonstracja, że wartości systemu, reżim treningowy i mechanizmy nadzoru są łącznie spójne z bezpiecznym i pozytywnym wynikiem dla zdrowia. Naukowcy wskazują alignment plausibility jako potencjalny standard regulacyjny dla AI w medycynie - ugruntowany sposób na uzasadnienie lub podważenie zaufania, że systemy są rzeczywiście wyrównane do pozytywnych rezultatów zdrowotnych.