Una alucinación es una respuesta plausible que resulta ser falsa
Pídele a un modelo de lenguaje el número de página de una cita en un libro sobre el que ha leído pero que nunca ha visto, y te dará un número de página. No dirá "no puedo saber eso". El número está formateado correctamente, se sitúa en una frase que suena como cualquier otra cita en sus datos de entrenamiento, y está inventado.
Eso es una alucinación: una afirmación fluida y segura sin ningún hecho detrás. La palabra es una metáfora, y algo engañosa, porque nada está fallando. Al modelo se le pidió la continuación más probable de una cita y produjo una. En una pregunta donde la respuesta que suena más probable también es la verdadera, que es la mayoría de las preguntas, ese mismo proceso es lo que hace útil al modelo.
Las formas que adopta son predecibles: referencias y URL inventadas, estadísticas sin fuente, citas atribuidas a personas reales que nunca las dijeron, funciones de un producto que no existen, y afirmaciones legales o médicas entregadas como hechos consumados. Por qué la IA se equivoca repasa cómo detectar cada tipo; esta página trata sobre por qué ocurren en primer lugar.
Por qué un modelo que leyó toda la internet sigue inventando cosas
Dos mecanismos, y se suman.
El modelo predice, no recupera. Un modelo de lenguaje no tiene un índice de hechos. Todo lo que leyó quedó comprimido en sus parámetros, y al momento de responder regenera texto un token a la vez a partir de esa compresión, eligiendo cada token por probabilidad. Cuando la respuesta verdadera era común en los datos de entrenamiento, la continuación probable es la verdadera. Cuando era rara, ausente o contradicha, el modelo aun así tiene que elegir un token, y elige uno plausible. Qué es un LLM explica la arquitectura; en resumen, no hay un paso en el que el modelo se pregunte si la frase que está escribiendo es real.
El entrenamiento premia adivinar. En septiembre de 2025, OpenAI publicó un artículo titulado "Why Language Models Hallucinate" que argumenta que las pruebas usadas para calificar modelos puntúan igual, cero, una respuesta equivocada y una respuesta en blanco, mientras que una suposición afortunada obtiene la nota máxima. Un modelo optimizado contra esa forma de calificar aprende la misma lección que aprende un estudiante en un examen de opción múltiple sin penalización por respuestas equivocadas: siempre adivinar. La propuesta del artículo es cambiar la calificación para que "no lo sé" valga más que un fallo seguro.
Dos casos judiciales que le pusieron una cifra en dólares a una alucinación
Mata contra Avianca, Nueva York, 2023. Dos abogados presentaron un escrito citando seis decisiones judiciales que ChatGPT había producido. Ninguna de las seis existía. El juez sancionó a los abogados con $5,000 en junio de 2023 y los obligó a escribir a los jueces a quienes se habían atribuido las opiniones inventadas. Las capturas de pantalla presentadas con la declaración jurada del abogado muestran que le preguntó a ChatGPT si los casos eran reales, y ChatGPT confirmó que lo eran.
Moffatt contra Air Canada, Columbia Británica, 2024. El chatbot del sitio web de Air Canada le dijo a un cliente que podía reservar un boleto de tarifa completa para un funeral y reclamar después un descuento por duelo. La política real de la aerolínea decía lo contrario. Cuando Air Canada argumentó que el chatbot era una entidad legal separada responsable de sus propias palabras, el Tribunal de Resolución Civil rechazó eso en febrero de 2024 y ordenó a la aerolínea pagar C$812.02.
Ningún modelo estaba averiado. Cada uno produjo la respuesta que sonaba más plausible a una pregunta cuya respuesta verdadera estaba fuera de su alcance. El costo cayó sobre la persona que no verificó.
La alucinación es uno de cuatro tipos de fallo, y las soluciones difieren
La gente usa la palabra para cualquier respuesta equivocada, y eso oculta que los cuatro fallos comunes tienen cuatro causas distintas.
| Fallo | Qué ocurrió | Cómo detectarlo | La solución |
|---|---|---|---|
| Alucinación | El modelo inventó un hecho para completar una frase plausible | Específico, verificable, sin fuente | Pide la fuente, luego ábrela; pregunta a un segundo modelo |
| Conocimiento desactualizado | El hecho era verdadero cuando terminó el entrenamiento y ya no lo es | Precios, versiones, cargos de funcionarios, cualquier cosa fechada | Activa la búsqueda web o pega la página actual |
| Fallo de recuperación | La búsqueda o el archivo subido devolvió el pasaje equivocado | La respuesta cita tu documento pero aborda una pregunta distinta | Lee el pasaje citado, no solo la cita |
| Malinterpretación | El modelo respondió una pregunta ligeramente distinta a la que hiciste | La respuesta es correcta sobre otra cosa | Reformula la pregunta dejando explícita la restricción |
Solo la primera fila es una alucinación en sentido estricto. Las filas dos y tres son problemas de fundamentación y se resuelven en gran parte dándole al modelo algo que leer. La fila cuatro es un problema de instrucción. Tratar las cuatro como un único fallo misterioso lleva a la solución equivocada, normalmente "usar un modelo más grande", que es lo que menos ayuda con la primera fila.
La verificación de dos modelos, y lo que cuesta
El hábito más confiable para el tipo estricto de alucinación es preguntarle la misma pregunta a un segundo modelo distinto y comparar. Dos modelos de laboratorios diferentes, entrenados con datos distintos y con un post-entrenamiento distinto, rara vez inventan la misma cita. El acuerdo es evidencia débil de que el hecho es real. El desacuerdo es una señal fuerte para ir a comprobar antes de actuar.
La razón por la que esto funciona donde "pídele al mismo modelo que se autoverifique" no funciona: una segunda pasada del mismo modelo es el mismo predictor adivinando otra vez a partir de la misma compresión. Un modelo distinto es una compresión distinta.
La segunda opinión no tiene que venir de un modelo caro. En el Artificial Analysis Intelligence Index, un compuesto de pruebas públicas de razonamiento, código y conocimiento leído el 2026-09-17, DeepSeek V4 Flash puntúa 40 y cuesta 1 crédito de Whizi por mensaje; Claude Sonnet 5 puntúa 38 y cuesta 10. La línea punteada es la frontera, la mejor puntuación a cada precio, y cada punto en ella es de un laboratorio distinto. Una verificación cruzada de dos laboratorios a 1 y 10 créditos cuesta 11 créditos, y la vista lado a lado envía una pregunta a ambos en una sola pantalla. Los abogados de Mata contra Avianca pagaron $5,000 por la verificación que no hicieron.
Qué reduce las alucinaciones, ordenado por cuánto
- Fundamentación. La búsqueda web, un documento subido o una fuente pegada convierte la tarea de "recordar" en "leer y resumir", algo que los modelos hacen mucho más de forma fiable. Esta es la reducción más grande de todas y es un ajuste del producto, no un truco de instrucción.
- Un segundo modelo. Entrenamiento distinto, fallos distintos. Atrapa la mayoría de los datos específicos inventados.
- Pedir fuentes y abrirlas. Un modelo al que se le pide citar, citará; la verificación es si la cita existe y dice lo que la respuesta afirma.
- Permiso para decir que no. "Si no estás seguro, dilo" cambia cuál es la continuación más probable, así que en preguntas difíciles el modelo se abstiene más a menudo en lugar de inventar.
- Un modelo más grande. Los modelos de frontera alucinan menos que los pequeños en conocimiento común, pero la brecha es más pequeña justo donde más importa, en hechos raros y específicos.
El orden es la clave. La mayoría recurre primero al punto cinco, y es la palanca más débil de la lista.
- Trata cualquier afirmación específica y verificable sin fuente como no verificada: una cita, una estadística, una frase, una función de producto
- Activa la búsqueda web o adjunta el documento siempre que la respuesta dependa de algo reciente, privado o preciso
- Pregunta a un segundo modelo de otro laboratorio antes de actuar sobre un número o una cita; el desacuerdo significa verificar
- Abre la fuente citada y confirma que dice lo que la respuesta afirma, no solo que existe
- Añade "dilo si no estás seguro" a las instrucciones en preguntas difíciles
Preguntas frecuentes
¿Por qué alucinan los modelos de IA?
Porque generan las palabras siguientes más plausibles en lugar de buscar hechos, y porque su entrenamiento premia una suposición segura por encima de admitir ignorancia. El artículo de OpenAI de septiembre de 2025, "Why Language Models Hallucinate", muestra que las pruebas puntúan igual una respuesta en blanco y una equivocada, así que adivinar es la estrategia ganadora que aprende el modelo.
¿Se pueden evitar por completo las alucinaciones de IA?
No con los modelos actuales, porque generar texto plausible es el mismo mecanismo que produce tanto respuestas correctas como inventadas. Sí se pueden reducir de forma sustancial: fundamentar al modelo en resultados de búsqueda o un documento, preguntar a un segundo modelo, y exigir fuentes que luego abras eliminan una gran parte. Lo que queda es el riesgo residual en hechos raros y específicos.
¿Qué IA alucina menos?
Los modelos de frontera de OpenAI, Anthropic y Google alucinan menos que los modelos pequeños en conocimiento común, pero la diferencia se reduce en hechos raros y específicos, que es donde está el daño. Un modelo pequeño fundamentado con la búsqueda web activada suele superar a un modelo de frontera sin fundamentar en preguntas factuales, así que el ajuste importa más que la etiqueta.
¿Es una alucinación lo mismo que un error?
Es un tipo de error. Una alucinación es un hecho inventado presentado con seguridad. El conocimiento desactualizado (verdadero al momento del entrenamiento, falso ahora), un fallo de recuperación (se obtuvo el pasaje equivocado) y una pregunta malinterpretada son fallos distintos con soluciones distintas, y solo el primero responde a "pide fuentes".
¿Qué pasó en el caso del abogado y ChatGPT?
En Mata contra Avianca, presentado en Nueva York, dos abogados presentaron un escrito citando seis casos que ChatGPT había inventado. El tribunal los sancionó con $5,000 en junio de 2023. Un año después, en Moffatt contra Air Canada, un tribunal ordenó a la aerolínea pagar C$812.02 después de que su chatbot inventara una política de reembolso por duelo, rechazando el argumento de que el chatbot era responsable de sus propias afirmaciones.
