هلوسة الذكاء الاصطناعي 2026: إحصائيات 108 نماذج، ولماذا تتضارب الاختبارات

تضيف نماذج الذكاء الاصطناعي ادعاءات غير مدعومة إلى 1.8% حتى 24.2% من الملخصات، وتخمّن خطأً في ما يصل إلى 96.5% من الأسئلة الصعبة التي لا تعرفها

فتحنا كل إحصائية من إحصائيات هلوسة الذكاء الاصطناعي أدناه عند مصدرها الأول في 6 أكتوبر 2026. أما الوسيط وعدد النماذج المتطابقة فهما من حسابنا نحن على جداول Vectara المنشورة.

يعرض الرسم AA-Omniscience كما أظهرته Artificial Analysis في 6 أكتوبر 2026، عند أعلى إعداد استدلال تدرجه لكل نموذج. على المحور الأفقي الدقة في 6,000 سؤال صعب. وعلى المحور الرأسي نسبة الهلوسة: من الأسئلة التي لم يصب فيها النموذج، حصة ما أجاب عنه خطأً بدل أن يقول إنه لا يعرف. نموذج Claude Fable 5.1 من Anthropic هو الأكثر معرفة، بـ67.2% إجابات صحيحة. ومع ذلك يجيب عن 72.6% مما فاته بشيء كاذب. أما Gemini 4 Argon من Google فيصيب أقل، 49.9%، ويستقر عند 15.1% لأنه يمتنع عن الإجابة أكثر بكثير. المعرفة والتخمين مهارتان منفصلتان.

ما نسبة هلوسة الذكاء الاصطناعي حسب النموذج؟

على لوحة Vectara، تتراوح نسبة هلوسة الذكاء الاصطناعي حسب النموذج من 1.8% لنموذج Finix S1 32B من Ant Group إلى 24.2% لنموذج Ministral 3 3B من Mistral، ويقف النموذج الوسيط عند 9.6%. تعطي Vectara كل نموذج المجموعة نفسها من أكثر من 7,700 مقال، وتحسب كم مرة يتضمن ملخصه ادعاءً لا يقوله المقال. ولا يحصل أي نموذج على صفر.

كل صف هنا من لوحة Vectara بتاريخ 22 سبتمبر 2026، والقائمة الكاملة للنماذج الـ108 موجودة على صفحة Vectara في GitHub. وكثيرًا ما يكون النموذج الصغير لدى أي مختبر أفضل في هذا من النموذج الرائد: يسجل GPT-5.4 nano من OpenAI نسبة 3.1%، بينما يسجل GPT-5.6 Sol نسبة 12.4%. والأحدث ليس دائمًا الأقل أيضًا. فنموذج Claude Opus 4.7 من Anthropic، عند 12.0%، يقع فوق Claude Sonnet 4.6 الأقدم. وتصرّح Vectara بما لا يستطيعه اختبارها. فالأسئلة الشائعة لديها تقرّ بأن نموذجًا ينسخ الجمل حرفيًا من المقال سينال درجة كاملة.

النموذج الواحد قد يحمل ثلاثة أرقام مختلفة جدًا. صفحة إطلاق GPT-6 Astra لدى OpenAI، بتاريخ 3 سبتمبر 2026، تذكر 4.2% على اختبار داخلي. وتقيسه Vectara عند 8.7%، وتضعه Artificial Analysis بين 44.8% و51.3% بحسب إعداد الاستدلال الذي يعمل به. لا أحد من الأرقام الثلاثة خاطئ. كل منها يطرح سؤالًا مختلفًا.

لماذا تتضارب اختبارات هلوسة الذكاء الاصطناعي؟

تتضارب اختبارات هلوسة الذكاء الاصطناعي لأن كل اختبار يقيس إخفاقًا مختلفًا، في مهمة مختلفة، وبمقام مختلف. اقرأ التعريف قبل أن تقتبس الرقم.

رأى باحثو OpenAI في سبتمبر 2025 أن طريقة تقييم النماذج تزيد الأمر سوءًا. تقول ورقتهم إن "إجراءات التدريب والتقييم المعتادة تكافئ التخمين على الاعتراف بعدم اليقين". وأرقام SimpleQA التي استخدموها لإثبات ذلك صارخة. فنموذج o4-mini الأقدم من OpenAI أصاب في 24% من الأسئلة وأخطأ في 75% منها، ولم يمتنع إلا في 1%. أما gpt-5-thinking-mini الأحدث فأصاب في 22%، لكنه امتنع في 52% وأخطأ في 26% فقط. وفي لوحة نتائج لا تحسب إلا الصواب، يفوز المخمّن.

ولهذا لا يوجد "معدل هلوسة" واحد للنموذج. ومن أراد أن يرى مختبرين يختلفان، فيمكنه إرسال سؤال واحد إلى نموذجين من نماذج Whizi التي تزيد على 280 في العرض المتجاور، ويشرح لماذا يخطئ الذكاء الاصطناعي كيف تتحقق من الإجابة التي تلي ذلك.

هل تنخفض نسب هلوسة الذكاء الاصطناعي مع الوقت؟

في أي اختبار ثابت، انخفضت نسب هلوسة الذكاء الاصطناعي في الغالب. لكن الاختبارات تزداد صعوبة باستمرار، فقد يرتفع الرقم المعلن بينما تتحسن النماذج. وتُظهر لوحة Vectara التأثير الثاني بوضوح.

بين أكتوبر 2025 وسبتمبر 2026، استبدلت Vectara مجموعة بياناتها بأكثر من 7,700 مقال، بعضها يصل إلى 24,000 كلمة، ونقلت حَكَمها من HHEM-2.1 إلى HHEM-2.3. طابقنا 44 نموذجًا مدرجًا بالاسم نفسه على اللوحتين، واستبعدنا أي اسم حملته اللوحة القديمة بإصدارين. ساءت نتيجة تسعة وثلاثين منها في الاختبار الجديد. وتحسنت نتيجة أربعة، ولم يتحرك DeepSeek V3.1. وانتقل وسيط الـ44 من 4.1% إلى 7.95%، مع بقاء كل نموذج على الإصدار نفسه كما كان.

سجل GPT-5 من OpenAI بجهد استدلال مرتفع القفزة الأكبر، من 1.4% إلى 15.1%. لذلك لا يمكن قراءة رقم 2025 ورقم 2026 من اللوحة نفسها على أنهما اتجاه. اذكر التاريخ ومجموعة البيانات مع الرقم.

أرقام OpenAI نفسها تشير في الغالب إلى الانخفاض، مع استثناء واحد. فقد أظهرت بطاقة نظامها لأبريل 2025 أن o3 هلوس في 33% من أسئلة PersonQA، أي ضعف نسبة o1 الأقدم البالغة 16%، وأن o4-mini فعل ذلك في 48%. وفي أغسطس 2025 قالت OpenAI إن GPT-5 مع التفكير أقل احتمالًا بنحو 80% من o3 لارتكاب خطأ واقعي. وفي سبتمبر 2026 وضعت صفحة GPT-6 Astra لديها النموذج عند 4.2%، مقابل 12.2% لـGPT-5.6 Sol. وتقول بطاقة النظام إن هذا الاختبار يستخدم محادثات وسمها المستخدمون، لذا تأتي نسبه أعلى بكثير مما يراه الناس في الاستخدام اليومي.

حتى رقم الإطلاق نفسه تحرك. نقلت Fortune في 4 سبتمبر 2026 أن OpenAI غيّرت رقمي Astra وGPT-5.6 Sol إلى 2% و9.4% بعد نشر الصفحة، ثم أعادت 4.2% و12.2% اللذين عرضتهما أولًا. وقالت OpenAI لـFortune إن التعديلات كانت للتأكد من أن الأرقام هي أفضل تقدير لديها.

تحركت التدقيقات المستقلة في الاتجاهين. وجدت NewsGuard أن روبوتات الدردشة كررت ادعاءات إخبارية كاذبة في 35% من الحالات في أغسطس 2025، ارتفاعًا من 18% قبل عام، فيما هبط معدل امتناعها عن الرد من 31% إلى الصفر. وبلغت النسبة في تدقيق يناير 2026 أكثر من 28%. أما مقارنة BBC نفسها فسارت في الاتجاه المعاكس: انخفضت الإجابات ذات المشكلة الجوهرية من 51% في دراستها الأولى إلى 37% في الجولة التي نشرتها EBU في أكتوبر 2025.

وجدت Artificial Analysis في نوفمبر 2025 أن كل النماذج عدا ثلاثة كانت أرجح أن تهلوس من أن تجيب بشكل صحيح عن أسئلتها الصعبة. وفي أكتوبر 2026، ما زالت 15 من 30 تهيئة متقدمة تعرضها افتراضيًا تجيب خطأً عن أكثر من نصف ما يفوتها. والوسيط 49.8%.

كم مرة تخطئ مساعدات الذكاء الاصطناعي في الأخبار؟

أعطت مساعدات الذكاء الاصطناعي إجابة معيبة جوهريًا عن 45% من الأسئلة الإخبارية في دراسة EBU وBBC المنشورة في 21 أكتوبر 2025، وقد أجرتها 22 هيئة بث عامة في 18 دولة. وتصفها EBU بأنها من أكبر التقييمات من نوعها.

راجع صحفيون 2,709 إجابات من ChatGPT وCopilot وGemini وPerplexity بـ14 لغة. وكان العزو إلى المصادر أكثر ما سبب المشاكل. ففي 31% من الإجابات كانت هناك مشكلة جسيمة في المصادر، كمصدر مفقود أو خاطئ أو منسوب إلى جهة غير صحيحة. وفي واحدة من كل خمس إجابات مشكلة كبيرة في الدقة، بينها تفاصيل مخترعة أو قديمة. وكان Gemini من Google الأسوأ أداءً، بمشاكل جوهرية في 76% من إجاباته. ثم Copilot بـ37%، وChatGPT بـ36%، وPerplexity بـ30%.

أجرى Tow Center في جامعة كولومبيا 1,600 استعلام عبر ثماني أدوات بحث بالذكاء الاصطناعي، وطلب من كل أداة تسمية المقال الذي جاء منه اقتباس ما. وأعطت الأدوات إجابات غير صحيحة عن أكثر من 60% من الاستعلامات، بحسب تقرير مارس 2025. أخطأ Perplexity في 37%. وأخطأ Grok 3 من xAI في 94%.

كم تكلف هلوسات الذكاء الاصطناعي في الواقع؟

أوضح كلفة تظهر في المحاكم. ففي 6 أكتوبر 2026، أدرجت قاعدة بيانات Damien Charlotin ما مجموعه 2,149 حكمًا تعاملت فيه محكمة مع مواد اخترعها الذكاء الاصطناعي، منها 1,473 في الولايات المتحدة.

ويتعلق معظمها بأشخاص بلا محامٍ: 1,233 إدخالًا يذكر متقاضيًا يمثل نفسه. ويمثل المحامون 854 والقضاة 33. وتُظهر بيانات Charlotin 852 حكمًا مؤرخًا في عام 2025 كله و1,208 من يناير إلى سبتمبر 2026، فقد تجاوز هذا العام سابقه بالفعل. وحيث يذكر الملف الأداة، يظهر ChatGPT في 139 من 235 قضية. ومن بين 192 عقوبة مذكورة بالدولار الأمريكي، بلغت ست منها $50,000 أو أكثر.

أما أول قضية شهيرة فقد وضعت لها ثمنًا منخفضًا. ففي قضية Mata v. Avianca، غرّم قاضٍ اتحادي في نيويورك محاميَين وشركتهما $5,000 في 22 يونيو 2023. فقد استشهدوا بستة أحكام قضائية ألّفها ChatGPT.

الأدوات القانونية المدفوعة تساعد دون أن تعالج المشكلة. فقد وجد اختبار Stanford RegLab المسجل مسبقًا، الصادر في مايو 2024، أن أداتي البحث بالذكاء الاصطناعي من LexisNexis وThomson Reuters هلوست كل منهما بين 17% و33% من الوقت.

والاستشاريون ليسوا بمنأى. فقد وافقت Deloitte أستراليا في أكتوبر 2025 على رد القسط الأخير من عقد حكومي بقيمة $440,000 دولار أسترالي، بحسب ما نقلته Associated Press. وكان باحث من جامعة سيدني قد وجد ما يصل إلى 20 خطأً في تقريرها البالغ 237 صفحة، منها اقتباس مخترع من حكم محكمة اتحادية. وكشف التقرير المنقّح أن Azure OpenAI استُخدم في كتابته.

وفي العمل تكون الكلفة أهدأ. ففي استطلاع أجرته KPMG وجامعة ملبورن على 48,000 شخص في 47 دولة، ونُشر في أبريل 2025، قال 66% من الموظفين الذين يستخدمون الذكاء الاصطناعي إنهم يعتمدون على مخرجاته دون تقييمها. وقال 56% إنهم ارتكبوا أخطاء في عملهم بسببه.

كيف جمعنا هذه الأرقام

فتحنا كل رقم في هذه الصفحة عند مصدره الأول في 6 أكتوبر 2026، وهذه هي المصادر التي استخدمناها:

• لوحة Vectara على GitHub، على مجموعة بياناتها الحالية والسابقة
• صفحة AA-Omniscience من Artificial Analysis ومنشور إطلاقها في نوفمبر 2025
• ورقة OpenAI وبطاقات النظام وصفحات الإطلاق
• NewsGuard AI False Claims Monitor
• تقرير EBU وBBC لنزاهة الأخبار، ومركز Tow Center في كولومبيا
• قاعدة بيانات Damien Charlotin وسجل قضية Mata v. Avianca
• ورقة Stanford RegLab واستطلاع KPMG وجامعة ملبورن
• Fortune وAssociated Press، لحدثين لم تنشرهما الشركتان بنفسيهما

بعض الأرقام من حسابنا نحن. فالوسيط 9.6% وعدد النماذج 50 مستخرجان من جدول Vectara بتاريخ 22 سبتمبر 2026. وتقوم المقارنة المتطابقة على ربط النماذج المدرجة بالاسم نفسه على لوحتي أكتوبر 2025 وسبتمبر 2026. واستبعدنا أي اسم له إصداران على اللوحة القديمة أو بلا إصدار واضح، ما أخرج GPT-4o وDeepSeek R1 وDeepSeek V3 وCommand R Plus وMistral Large. أما Llama 3.3 70B فيُطابَق بين بناء Instruct على اللوحة القديمة وبناء Turbo على الجديدة. ويغطي الوسيط 49.8% التهيئات الثلاثين التي تعرضها Artificial Analysis افتراضيًا، وبعضها نموذج واحد بإعدادي استدلال. أما مجاميع المحاكم لعامي 2025 و2026 فهي جمع لأعداد Charlotin الفصلية.

استبعدنا ما لم نستطع تتبعه. فكثير من صفحات الإحصاءات تكرر ادعاءً بأن هلوسات الذكاء الاصطناعي كلفت الشركات $67.4 مليار في 2024. والنسخ التي وجدناها تنسبه إلى موقع AllAboutAI، ولم نجد دراسة أولية وراءه. كما تركنا رقمين لتصفح OpenAI يظهران فقط كتسميات على الرسوم في بطاقة نظام GPT-5، لأننا لم نستطع مطابقة كل تسمية بنموذجها بثقة.

كيف تستشهد بإحصائيات هلوسة الذكاء الاصطناعي هذه

كل رقم في هذه الصفحة حر الاستخدام مع رابط يعود إلى هذه الصفحة. وسطر عزو بسيط يكفي:

• المصدر: Whizi Research، "هلوسة الذكاء الاصطناعي 2026: إحصائيات 108 نماذج، ولماذا تتضارب الاختبارات"، whizi.io/resources/ai-hallucination-statistics، آخر تحديث أكتوبر 2026.

حين تقتبس نسبة، ضع الاختبار والتاريخ بجانبها. فرقم Vectara ورقم AA-Omniscience للنموذج نفسه قد يختلفان بنحو ستة أضعاف. وصفحاتنا إحصائيات ChatGPT وحصة روبوتات الدردشة بالذكاء الاصطناعي في السوق وإحصائيات أسعار LLM API وإحصائيات اشتراكات الذكاء الاصطناعي تتبع قواعد المصادر نفسها.