Alucinaciones de la IA en 2026: tasas en 108 modelos y por qué las pruebas no coinciden

Los modelos de IA añaden afirmaciones sin respaldo al 1.8% o hasta al 24.2% de los resúmenes, y aciertan mal hasta en el 96.5% de las preguntas difíciles que no saben

Abrimos cada estadística de alucinaciones de la IA que aparece abajo en su fuente primaria el 6 de octubre de 2026. La mediana y el número de modelos emparejados son cálculos propios sobre las tablas publicadas de Vectara.

El gráfico muestra AA-Omniscience tal como lo presentó Artificial Analysis el 6 de octubre de 2026, con el nivel de razonamiento más alto que lista para cada modelo. En la base está el acierto en 6,000 preguntas difíciles. En el lateral está la tasa de alucinación: de las preguntas que un modelo no acertó, la parte que respondió mal en lugar de decir que no lo sabía. Claude Fable 5.1 de Anthropic es el que más sabe, con un 67.2% de aciertos. Aun así responde con algo falso al 72.6% de sus fallos. Gemini 4 Argon de Google acierta menos, un 49.9%, y queda en 15.1% porque se abstiene con mucha más frecuencia. Saber y adivinar son habilidades distintas.

¿Cuál es la tasa de alucinaciones de la IA por modelo?

En el ranking de Vectara, la tasa de alucinaciones de la IA por modelo va del 1.8% de Finix S1 32B de Ant Group al 24.2% de Ministral 3 3B de Mistral, y el modelo mediano está en el 9.6%. Vectara da a cada modelo el mismo conjunto de más de 7,700 artículos y cuenta con qué frecuencia su resumen afirma algo que el artículo no dice. Ninguno saca cero.

Cada fila viene del ranking de Vectara del 22 de septiembre de 2026, y la lista completa de los 108 modelos está en la página de GitHub de Vectara. El modelo pequeño de un laboratorio suele hacerlo mejor que su modelo estrella: GPT-5.4 nano de OpenAI saca 3.1%, mientras que GPT-5.6 Sol saca 12.4%. Tampoco lo más nuevo siempre baja. Claude Opus 4.7 de Anthropic, con 12.0%, queda por encima del anterior Claude Sonnet 4.6. Vectara es transparente sobre lo que su prueba no puede hacer. Su FAQ admite que un modelo que copiara frases enteras del artículo obtendría una puntuación perfecta.

Un mismo modelo puede tener tres cifras muy distintas. La página de lanzamiento de GPT-6 Astra de OpenAI, fechada el 3 de septiembre de 2026, informa de 4.2% en un benchmark interno. Vectara lo mide en 8.7%, y Artificial Analysis lo sitúa entre 44.8% y 51.3%, según el nivel de razonamiento con que se ejecute. Ninguna de las tres está equivocada. Cada una plantea una pregunta diferente.

¿Por qué no coinciden los benchmarks de alucinaciones de la IA?

Los benchmarks de alucinaciones de la IA no coinciden porque cada uno prueba un fallo distinto, en una tarea distinta y con un denominador distinto. Lee la definición antes de citar la cifra.

Los investigadores de OpenAI argumentaron en septiembre de 2025 que la forma de puntuar a los modelos empeora esto. Su texto dice que "los procedimientos estándar de entrenamiento y evaluación premian adivinar en lugar de reconocer la incertidumbre". Las cifras de SimpleQA que usaron para demostrarlo son contundentes. o4-mini, el modelo anterior de OpenAI, acertó el 24% de las preguntas y falló el 75%, y se abstuvo solo en el 1%. El más reciente gpt-5-thinking-mini acertó el 22%, pero se abstuvo en el 52% y falló solo el 26%. En un marcador que solo cuenta lo acertado, gana quien adivina.

Por eso no existe una única "tasa de alucinación" para un modelo. Quien quiera ver a dos laboratorios discrepar puede enviar una pregunta a dos de los más de 280 modelos de Whizi en la vista en paralelo, y por qué la IA se equivoca explica cómo comprobar la respuesta que llegue.

¿Bajan con el tiempo las tasas de alucinaciones de la IA?

En una prueba fija, las tasas de alucinaciones de la IA han bajado en su mayoría. Pero las pruebas se vuelven cada vez más difíciles, así que una cifra destacada puede subir mientras los modelos mejoran. El ranking de Vectara muestra con claridad este segundo efecto.

Entre octubre de 2025 y septiembre de 2026, Vectara sustituyó su conjunto de datos por más de 7,700 artículos, algunos de hasta 24,000 palabras, y cambió su juez de HHEM-2.1 a HHEM-2.3. Emparejamos los 44 modelos listados con el mismo nombre en ambos rankings, dejando fuera cualquier nombre que el ranking antiguo tuviera en dos versiones. Treinta y nueve puntuaron peor en la nueva prueba. Cuatro puntuaron mejor, y DeepSeek V3.1 no se movió. La mediana de los 44 pasó de 4.1% a 7.95%, con cada modelo en la misma versión de antes.

GPT-5 de OpenAI con esfuerzo de razonamiento alto dio el mayor salto, de 1.4% a 15.1%. Por eso una cifra de 2025 y otra de 2026 del mismo ranking no pueden leerse como una tendencia. Cita la fecha y el conjunto de datos junto con el número.

Las cifras propias de OpenAI apuntan sobre todo a la baja, con una excepción. Su ficha del sistema de abril de 2025 mostró que o3 alucinaba en el 33% de las preguntas de PersonQA, el doble del 16% del anterior o1, y que o4-mini lo hacía en el 48%. En agosto de 2025 OpenAI dijo que GPT-5 con razonamiento tenía un 80% menos de probabilidad que o3 de cometer un error factual. En septiembre de 2026 la página de GPT-6 Astra situó al modelo en 4.2%, frente al 12.2% de GPT-5.6 Sol. La ficha del sistema explica que esta prueba usa conversaciones que los usuarios habían marcado, así que sus tasas superan con mucho lo que se ve en el uso cotidiano.

La propia cifra de lanzamiento cambió. Fortune informó el 4 de septiembre de 2026 de que OpenAI cambió las cifras de Astra y GPT-5.6 Sol a 2% y 9.4% después de publicar la página, y luego restituyó el 4.2% y el 12.2% que había mostrado al principio. OpenAI dijo a Fortune que las ediciones buscaban asegurar que los números fueran su mejor estimación.

Las auditorías independientes se movieron en ambos sentidos. NewsGuard halló que los chatbots repetían afirmaciones falsas de noticias el 35% de las veces en agosto de 2025, frente al 18% un año antes, mientras su tasa de rechazo caía del 31% a cero. Su auditoría de enero de 2026 situó la tasa por encima del 28%. La comparación propia de la BBC fue en sentido contrario: las respuestas con un problema significativo bajaron del 51% en su primer estudio al 37% en la ronda que la EBU publicó en octubre de 2025.

Artificial Analysis halló en noviembre de 2025 que todos los modelos salvo tres tenían más probabilidad de alucinar que de responder correctamente en sus preguntas difíciles. En octubre de 2026, 15 de las 30 configuraciones de frontera que muestra por defecto siguen respondiendo mal más de la mitad de sus fallos. La mediana es 49.8%.

¿Con qué frecuencia se equivocan los asistentes de IA con las noticias?

Los asistentes de IA dieron una respuesta con fallos significativos al 45% de las preguntas de noticias en el estudio de la EBU y la BBC publicado el 21 de octubre de 2025, realizado por 22 emisoras públicas de 18 países. La EBU lo considera una de las mayores evaluaciones de su tipo.

Periodistas revisaron 2,709 respuestas de ChatGPT, Copilot, Gemini y Perplexity en 14 idiomas. Las fuentes dieron más problemas. En el 31% de las respuestas había un problema grave de fuentes, como una fuente ausente, errónea o mal atribuida. Una de cada cinco tenía un problema grave de exactitud, con datos inventados o desactualizados. Gemini de Google salió peor parado, con problemas significativos en el 76% de sus respuestas. Copilot le siguió con 37%, ChatGPT con 36% y Perplexity con 30%.

El Tow Center de Columbia pasó 1,600 consultas por ocho herramientas de búsqueda con IA y pidió a cada una que nombrara el artículo del que procedía una cita. Las herramientas dieron respuestas incorrectas a más del 60% de las consultas, según el informe de marzo de 2025. Perplexity se equivocó en el 37%. Grok 3 de xAI se equivocó en el 94%.

¿Cuánto cuestan en el mundo real las alucinaciones de la IA?

El coste más claro aparece en los tribunales. El 6 de octubre de 2026, la base de datos de Damien Charlotin listaba 2,149 decisiones en las que un tribunal trató con material inventado por IA, y 1,473 de ellas eran de Estados Unidos.

La mayoría involucra a personas sin abogado: 1,233 entradas citan a una parte que se representa a sí misma. Los abogados suman 854 y los jueces 33. Los datos de Charlotin muestran 852 decisiones fechadas en todo 2025 y 1,208 de enero a septiembre de 2026, así que este año ya superó al anterior. Cuando un escrito nombra la herramienta, ChatGPT aparece en 139 de 235 casos. De las 192 sanciones indicadas en dólares estadounidenses, seis llegaron a $50,000 o más.

El primer caso famoso puso un precio bajo. En Mata v. Avianca, un juez federal de Nueva York multó a dos abogados y a su despacho con $5,000 el 22 de junio de 2023. Habían citado seis decisiones judiciales que ChatGPT se inventó.

Las herramientas jurídicas de pago ayudan sin resolverlo. La prueba preregistrada de Stanford RegLab, publicada en mayo de 2024, halló que las herramientas de investigación con IA de LexisNexis y Thomson Reuters alucinaban cada una entre el 17% y el 33% de las veces.

Las consultoras tampoco se libran. Deloitte Australia aceptó en octubre de 2025 devolver el último pago de un contrato público de A$440,000, según informó Associated Press. Un investigador de la Universidad de Sídney había encontrado hasta 20 errores en su informe de 237 páginas, incluida una cita inventada de una sentencia de un tribunal federal. El informe revisado reveló que se usó Azure OpenAI para redactarlo.

En el trabajo el coste es más silencioso. En una encuesta de KPMG y la Universidad de Melbourne a 48,000 personas de 47 países, publicada en abril de 2025, el 66% de los empleados que usan IA dijo confiar en sus resultados sin evaluarlos. Y el 56% dijo haber cometido errores en su trabajo por culpa de la IA.

Cómo reunimos estas cifras

Abrimos cada cifra de esta página en su fuente primaria el 6 de octubre de 2026, y estas son las fuentes que usamos:

• El ranking de Vectara en GitHub, en su conjunto de datos actual y en el anterior
• La página de AA-Omniscience de Artificial Analysis y su entrada de lanzamiento de noviembre de 2025
• El artículo, las fichas del sistema y las páginas de lanzamiento de OpenAI
• El AI False Claims Monitor de NewsGuard
• El informe News Integrity de la EBU y la BBC, y el Tow Center de Columbia
• La base de datos de Damien Charlotin y el expediente de Mata v. Avianca
• El artículo de Stanford RegLab y la encuesta de KPMG y la Universidad de Melbourne
• Fortune y Associated Press, para dos hechos que las empresas no publicaron por su cuenta

Algunas cifras son cálculo propio. La mediana de 9.6% y el recuento de 50 modelos salen de la tabla de Vectara del 22 de septiembre de 2026. La comparación emparejada une modelos listados con el mismo nombre en los rankings de octubre de 2025 y septiembre de 2026. Dejamos fuera cualquier nombre con dos versiones en el ranking antiguo o sin versión clara, lo que excluye GPT-4o, DeepSeek R1, DeepSeek V3, Command R Plus y Mistral Large. Llama 3.3 70B se empareja entre la versión Instruct del ranking antiguo y la versión Turbo del nuevo. La mediana de 49.8% abarca las 30 configuraciones que Artificial Analysis muestra por defecto, y algunas son un mismo modelo con dos niveles de razonamiento. Los totales judiciales de 2025 y 2026 suman los recuentos trimestrales de Charlotin.

Descartamos lo que no pudimos rastrear. Muchas páginas de estadísticas repiten que las alucinaciones de la IA costaron a las empresas $67.4 mil millones en 2024. Las copias que encontramos atribuyen la cifra al sitio AllAboutAI, y no hallamos ningún estudio primario detrás. También dejamos fuera dos cifras de navegación de OpenAI que aparecen solo como etiquetas de gráfico en la ficha del sistema de GPT-5, porque no pudimos asignar con seguridad cada etiqueta a su modelo.

Cómo citar estas estadísticas de alucinaciones de la IA

Todas las cifras de esta página se pueden usar libremente con un enlace a esta página. Basta una línea de crédito sencilla:

• Fuente: Whizi Research, "AI hallucination statistics 2026: rates across 108 models, and why the tests disagree", whizi.io/resources/ai-hallucination-statistics, actualizado en octubre de 2026.

Cuando cites una tasa, pon al lado el benchmark y la fecha. Una cifra de Vectara y otra de AA-Omniscience para el mismo modelo pueden diferir casi seis veces. Nuestras páginas de estadísticas de ChatGPT, cuota de mercado de chatbots de IA, estadísticas de precios de API de LLM y estadísticas de suscripciones de IA siguen las mismas reglas de fuentes.