Allucinazioni IA 2026: tassi su 108 modelli e perché i test non concordano

I modelli di IA aggiungono affermazioni non supportate dall'1.8% al 24.2% dei riassunti e sbagliano fino al 96.5% delle domande difficili a cui non sanno rispondere

Abbiamo aperto ogni statistica sulle allucinazioni IA qui sotto alla sua fonte primaria il 6 ottobre 2026. La mediana e il conteggio dei modelli abbinati sono calcoli nostri sulle tabelle pubblicate da Vectara.

Il grafico mostra AA-Omniscience come l'ha presentato Artificial Analysis il 6 ottobre 2026, con l'impostazione di ragionamento più alta indicata per ogni modello. In basso c'è l'accuratezza su 6,000 domande difficili. Sul lato c'è il tasso di allucinazione: tra le domande a cui un modello non ha risposto bene, la quota in cui ha risposto in modo sbagliato invece di dire che non sapeva. Claude Fable 5.1 di Anthropic sa di più, con il 67.2% di risposte corrette. Eppure risponde con qualcosa di falso al 72.6% dei suoi errori. Gemini 4 Argon di Google ne azzecca meno, il 49.9%, e arriva al 15.1% perché rinuncia a rispondere molto più spesso. Sapere e tirare a indovinare sono due abilità distinte.

Qual è il tasso di allucinazioni dell'IA per modello?

Nella classifica di Vectara, il tasso di allucinazioni dell'IA per modello va dall'1.8% di Finix S1 32B di Ant Group al 24.2% di Ministral 3 3B di Mistral, e il modello mediano si colloca al 9.6%. Vectara dà a ogni modello lo stesso insieme di oltre 7,700 articoli e conta quante volte il riassunto sostiene qualcosa che l'articolo non dice. Nessuno ottiene zero.

Ogni riga qui sopra viene dalla classifica Vectara del 22 settembre 2026, e l'elenco completo dei 108 modelli si trova sulla pagina GitHub di Vectara. Il modello piccolo di un laboratorio spesso è migliore del suo modello di punta: GPT-5.4 nano di OpenAI ottiene il 3.1%, mentre GPT-5.6 Sol ottiene il 12.4%. Anche più recente non vuol dire sempre più basso. Claude Opus 4.7 di Anthropic, al 12.0%, sta sopra il più vecchio Claude Sonnet 4.6. Vectara è chiara su ciò che il suo test non può fare. Le sue FAQ ammettono che un modello che copiasse frasi intere dall'articolo otterrebbe un punteggio perfetto.

Lo stesso modello può avere tre numeri molto diversi. La pagina di lancio di GPT-6 Astra di OpenAI, datata 3 settembre 2026, riporta il 4.2% su un benchmark interno. Vectara lo misura all'8.7%, e Artificial Analysis lo colloca tra il 44.8% e il 51.3%, a seconda dell'impostazione di ragionamento. Nessuno dei tre è sbagliato. Ognuno pone una domanda diversa.

Perché i benchmark sulle allucinazioni dell'IA non concordano?

I benchmark sulle allucinazioni dell'IA non concordano perché ciascuno verifica un errore diverso, su un compito diverso, con un denominatore diverso. Leggi la definizione prima di citare il numero.

I ricercatori di OpenAI hanno sostenuto a settembre 2025 che il modo in cui i modelli vengono valutati peggiora la situazione. Il loro articolo dice che "standard training and evaluation procedures reward guessing over acknowledging uncertainty." I dati di SimpleQA che usano per mostrarlo sono netti. Il vecchio o4-mini di OpenAI ha risposto bene al 24% delle domande e male al 75%, e ha rifiutato di rispondere solo all'1%. Il più recente gpt-5-thinking-mini ha risposto bene al 22%, ma ha rifiutato nel 52% dei casi e ha sbagliato solo il 26%. In una classifica che conta solo ciò che è giusto, vince chi tira a indovinare.

Per questo un singolo "tasso di allucinazione" di un modello non esiste. Chi vuole vedere due laboratori in disaccordo può mandare una domanda a due dei 280+ modelli di Whizi nella vista affiancata, e perché l'IA sbaglia spiega come verificare la risposta che ne segue.

I tassi di allucinazione dell'IA stanno calando nel tempo?

Su un singolo test fisso, i tassi di allucinazione dell'IA sono per lo più calati. Ma i test diventano sempre più difficili, quindi il numero in evidenza può salire mentre i modelli migliorano. La classifica di Vectara mostra bene questo secondo effetto.

Tra ottobre 2025 e settembre 2026, Vectara ha sostituito il suo dataset con oltre 7,700 articoli, alcuni lunghi fino a 24,000 parole, e ha cambiato il suo giudice da HHEM-2.1 a HHEM-2.3. Abbiamo abbinato i 44 modelli elencati con lo stesso nome in entrambe le classifiche, escludendo ogni nome che la vecchia classifica riportava in due versioni. Trentanove hanno ottenuto un risultato peggiore nel nuovo test. Quattro sono migliorati e DeepSeek V3.1 non si è mosso. La mediana dei 44 è passata dal 4.1% al 7.95%, con ogni modello nella stessa versione di prima.

GPT-5 di OpenAI con sforzo di ragionamento alto ha fatto il salto più grande, dall'1.4% al 15.1%. Quindi un dato del 2025 e uno del 2026 della stessa classifica non possono essere letti come una tendenza. Cita la data e il dataset insieme al numero.

I dati di OpenAI stessa indicano per lo più un calo, con un'inversione. La sua scheda di sistema di aprile 2025 mostrava che o3 allucinava sul 33% delle domande di PersonQA, il doppio del 16% del più vecchio o1, e che o4-mini lo faceva sul 48%. Ad agosto 2025 OpenAI ha dichiarato che GPT-5 con ragionamento aveva circa l'80% di probabilità in meno di o3 di commettere un errore fattuale. A settembre 2026 la sua pagina su GPT-6 Astra indicava il modello al 4.2%, contro il 12.2% di GPT-5.6 Sol. La scheda di sistema precisa che questo test usa conversazioni segnalate dagli utenti, quindi i suoi tassi sono molto più alti di quelli che si vedono nell'uso quotidiano.

Anche il dato di lancio è cambiato. Fortune ha riferito il 4 settembre 2026 che OpenAI aveva cambiato i numeri di Astra e GPT-5.6 Sol in 2% e 9.4% dopo la pubblicazione della pagina, per poi rimettere il 4.2% e il 12.2% mostrati all'inizio. OpenAI ha detto a Fortune che le modifiche servivano ad assicurarsi che i numeri fossero la sua migliore stima.

Gli audit indipendenti si sono mossi in entrambe le direzioni. NewsGuard ha rilevato che i chatbot ripetevano affermazioni false sulle notizie il 35% delle volte ad agosto 2025, contro il 18% di un anno prima, mentre il loro tasso di rifiuto scendeva dal 31% a zero. Il suo audit di gennaio 2026 ha indicato un tasso sopra il 28%. Il confronto della BBC è andato nell'altro senso: le risposte con un problema significativo sono scese dal 51% del suo primo studio al 37% nel ciclo pubblicato dall'EBU a ottobre 2025.

Artificial Analysis ha rilevato a novembre 2025 che tutti i modelli tranne tre avevano più probabilità di allucinare che di rispondere correttamente alle sue domande difficili. A ottobre 2026, 15 delle 30 configurazioni di punta che mostra di default rispondono ancora in modo sbagliato a più della metà dei loro errori. La mediana è 49.8%.

Quanto spesso gli assistenti IA sbagliano le notizie?

Gli assistenti IA hanno dato una risposta con gravi difetti al 45% delle domande sulle notizie nello studio EBU e BBC pubblicato il 21 ottobre 2025, condotto da 22 emittenti pubbliche in 18 paesi. L'EBU lo definisce una delle più grandi valutazioni di questo tipo.

I giornalisti hanno esaminato 2,709 risposte di ChatGPT, Copilot, Gemini e Perplexity in 14 lingue. Le fonti hanno creato più problemi. Nel 31% delle risposte c'era un grave problema di citazione delle fonti, come una fonte mancante, sbagliata o attribuita male. Una su cinque aveva un grave problema di accuratezza, tra cui dettagli inventati o superati. Gemini di Google è andato peggio, con problemi significativi nel 76% delle risposte. Copilot seguiva con il 37%, ChatGPT con il 36% e Perplexity con il 30%.

Il Tow Center della Columbia ha fatto passare 1,600 richieste da otto strumenti di ricerca con IA, chiedendo a ciascuno di indicare l'articolo da cui proveniva una citazione. Gli strumenti hanno dato risposte errate a oltre il 60% delle richieste, secondo la relazione di marzo 2025. Perplexity ha sbagliato nel 37% dei casi. Grok 3 di xAI nel 94%.

Quanto costano nella realtà le allucinazioni dell'IA?

Il costo più evidente emerge nei tribunali. Il 6 ottobre 2026, il database di Damien Charlotin elencava 2,149 decisioni in cui un tribunale si è occupato di materiale inventato dall'IA, e 1,473 erano negli Stati Uniti.

La maggior parte riguarda persone senza avvocato: 1,233 voci indicano una parte che si difende da sola. Gli avvocati sono 854 e i giudici 33. I dati di Charlotin mostrano 852 decisioni datate nell'intero 2025 e 1,208 da gennaio a settembre 2026, quindi quest'anno ha già superato lo scorso. Dove un atto nomina lo strumento, ChatGPT compare in 139 casi su 235. Delle 192 sanzioni indicate in dollari USA, sei hanno raggiunto $50,000 o più.

Il primo caso famoso ha fissato un prezzo basso. In Mata v. Avianca, un giudice federale di New York ha multato due avvocati e il loro studio per $5,000 il 22 giugno 2023. Avevano citato sei sentenze che ChatGPT aveva inventato.

Gli strumenti legali a pagamento aiutano senza risolvere il problema. Il test preregistrato di Stanford RegLab, pubblicato a maggio 2024, ha rilevato che gli strumenti di ricerca con IA di LexisNexis e Thomson Reuters hanno allucinato ciascuno tra il 17% e il 33% delle volte.

Neppure i consulenti sono immuni. Deloitte Australia ha accettato a ottobre 2025 di restituire l'ultima rata di un contratto governativo da A$440,000, ha riferito l'Associated Press. Un ricercatore dell'Università di Sydney aveva trovato fino a 20 errori nel suo rapporto di 237 pagine, tra cui una citazione inventata da una sentenza di un tribunale federale. Il rapporto rivisto dichiarava che per scriverlo era stato usato Azure OpenAI.

Sul lavoro il costo è più silenzioso. In un sondaggio di KPMG e University of Melbourne su 48,000 persone in 47 paesi, pubblicato ad aprile 2025, il 66% dei dipendenti che usano l'IA ha detto di affidarsi ai suoi risultati senza valutarli. E il 56% ha dichiarato di aver commesso errori nel proprio lavoro a causa dell'IA.

Come abbiamo raccolto questi numeri

Abbiamo aperto ogni dato di questa pagina alla sua fonte primaria il 6 ottobre 2026, e queste sono le fonti che abbiamo usato:

• La classifica GitHub di Vectara, sul dataset attuale e su quello precedente
• La pagina AA-Omniscience di Artificial Analysis e il suo post di lancio di novembre 2025
• Lo studio, le schede di sistema e le pagine di lancio di OpenAI
• L'AI False Claims Monitor di NewsGuard
• Il rapporto News Integrity di EBU e BBC, e il Tow Center della Columbia
• Il database di Damien Charlotin e gli atti di Mata v. Avianca
• Lo studio di Stanford RegLab e il sondaggio di KPMG e University of Melbourne
• Fortune e l'Associated Press, per due eventi che le aziende non hanno pubblicato direttamente

Alcune cifre sono calcoli nostri. La mediana del 9.6% e il conteggio di 50 modelli vengono dalla tabella di Vectara del 22 settembre 2026. Il confronto abbinato accoppia i modelli elencati con lo stesso nome nelle classifiche di ottobre 2025 e settembre 2026. Abbiamo escluso ogni nome con due versioni nella vecchia classifica o senza una versione chiara, il che elimina GPT-4o, DeepSeek R1, DeepSeek V3, Command R Plus e Mistral Large. Llama 3.3 70B è abbinato tra la versione Instruct della vecchia classifica e la versione Turbo della nuova. La mediana del 49.8% riguarda le 30 configurazioni che Artificial Analysis mostra di default, e alcune sono un solo modello con due impostazioni di ragionamento. I totali delle sentenze 2025 e 2026 sommano i conteggi trimestrali di Charlotin.

Abbiamo scartato ciò che non siamo riusciti a ricondurre a una fonte. Molte pagine di statistiche ripetono l'affermazione che le allucinazioni dell'IA sono costate alle aziende $67.4 miliardi nel 2024. Le copie che abbiamo trovato citano il sito AllAboutAI e non abbiamo trovato alcuno studio primario dietro. Abbiamo anche escluso due dati di OpenAI sulla navigazione che compaiono solo come etichette di grafico nella scheda di sistema di GPT-5, perché non eravamo certi di poter abbinare ogni etichetta al suo modello.

Come citare queste statistiche sulle allucinazioni IA

Ogni cifra di questa pagina si può usare liberamente con un link a questa pagina. Basta una semplice riga di credito:

• Fonte: Whizi Research, "Allucinazioni IA 2026: tassi su 108 modelli e perché i test non concordano", whizi.io/resources/ai-hallucination-statistics, aggiornato a ottobre 2026.

Quando citi un tasso, metti accanto il benchmark e la data. Un dato Vectara e un dato AA-Omniscience per lo stesso modello possono differire di quasi sei volte. Le nostre pagine su statistiche di ChatGPT, quote di mercato dei chatbot IA, statistiche sui prezzi delle API degli LLM e statistiche sugli abbonamenti IA seguono le stesse regole sulle fonti.