Un'allucinazione è una risposta plausibile che si dà il caso sia falsa
Chiedi a un modello linguistico il numero di pagina di una citazione tratta da un libro di cui ha letto ma che non ha mai visto, e ti darà un numero di pagina. Non ti dirà "non posso saperlo". Il numero è formattato correttamente, si inserisce in una frase che suona come ogni altra citazione nei suoi dati di addestramento, ed è inventato.
Questa è un'allucinazione: un'affermazione scorrevole e sicura senza alcun fatto dietro. La parola è una metafora, e leggermente fuorviante, perché non c'è nessun malfunzionamento. Al modello è stato chiesto il proseguimento più probabile di una citazione e ne ha prodotto uno. Su una domanda in cui la risposta che suona più probabile è anche quella vera, che è la maggior parte delle domande, lo stesso processo è ciò che rende utile il modello.
Le forme che assume sono prevedibili: riferimenti e URL inventati, statistiche senza fonte, citazioni attribuite a persone reali che non le hanno mai dette, funzionalità di un prodotto che non esistono, e affermazioni legali o mediche presentate come fatti accertati. Perché l'IA sbaglia analizza come riconoscere ogni tipo; questa pagina spiega perché accadono.
Perché un modello che ha letto tutto internet inventa comunque le cose
Due meccanismi, e si sommano.
Il modello predice, non recupera. Un modello linguistico non ha un indice di fatti. Tutto ciò che ha letto è stato compresso nei suoi parametri, e al momento della risposta rigenera il testo un token alla volta da quella compressione, scegliendo ogni token in base alla probabilità. Quando la risposta vera era comune nei dati di addestramento, il proseguimento probabile è quello vero. Quando era rara, assente o contraddetta, il modello deve comunque scegliere un token, e ne sceglie uno plausibile. Cos'è un LLM spiega l'architettura; in breve, non esiste un passaggio in cui il modello si chiede se la frase che sta scrivendo è reale.
L'addestramento premia l'indovinare. Nel settembre 2025, OpenAI ha pubblicato un paper intitolato "Why Language Models Hallucinate" sostenendo che i benchmark usati per valutare i modelli assegnano lo stesso punteggio a una risposta sbagliata e a una risposta vuota, zero, mentre un'indovinata fortunata ottiene il punteggio pieno. Un modello ottimizzato su quel punteggio impara la stessa lezione che uno studente impara in un test a scelta multipla senza penalità per le risposte sbagliate: indovina sempre. La proposta del paper è cambiare la valutazione in modo che "non lo so" valga più di un errore sicuro.
Due casi giudiziari che hanno dato un prezzo in dollari a un'allucinazione
Mata v. Avianca, New York, 2023. Due avvocati hanno depositato una memoria citando sei sentenze che ChatGPT aveva prodotto. Nessuna delle sei esisteva. Il giudice ha sanzionato gli avvocati con $5,000 nel giugno 2023 e li ha costretti a scrivere ai giudici a cui erano state attribuite le opinioni inventate. Gli screenshot allegati alla dichiarazione giurata dell'avvocato mostrano che chiedeva a ChatGPT se i casi fossero reali, e ChatGPT confermava che lo erano.
Moffatt v. Air Canada, Columbia Britannica, 2024. Il chatbot del sito di Air Canada ha detto a un cliente che poteva prenotare un biglietto a tariffa piena per un funerale e chiedere in seguito uno sconto per lutto. La politica effettiva della compagnia aerea diceva il contrario. Quando Air Canada ha sostenuto che il chatbot fosse un'entità legale separata responsabile delle proprie parole, il Civil Resolution Tribunal ha respinto la tesi nel febbraio 2024 e ha ordinato alla compagnia di pagare C$812.02.
Nessuno dei due modelli era guasto. Ciascuno ha prodotto la risposta che suonava più plausibile a una domanda la cui vera risposta era fuori dalla sua portata. Il costo è ricaduto su chi non ha verificato.
L'allucinazione è uno di quattro tipi di errore, e le soluzioni differiscono
Le persone usano la parola per ogni risposta sbagliata, e questo nasconde il fatto che i quattro errori comuni hanno quattro cause diverse.
| Errore | Cosa è successo | Come riconoscerlo | La soluzione |
|---|---|---|---|
| Allucinazione | Il modello ha inventato un fatto per completare una frase plausibile | Specifico, verificabile, senza fonte | Chiedi la fonte, poi aprila; chiedi a un secondo modello |
| Conoscenza obsoleta | Il fatto era vero quando l'addestramento è terminato e ora non lo è | Prezzi, versioni, cariche pubbliche, qualsiasi cosa datata | Attiva la ricerca web o incolla la pagina attuale |
| Mancato recupero | La ricerca o il file caricato hanno restituito il passaggio sbagliato | La risposta cita il tuo documento ma affronta una domanda diversa | Leggi il passaggio citato, non solo la citazione |
| Fraintendimento | Il modello ha risposto a una domanda leggermente diversa da quella posta | La risposta è corretta su qualcos'altro | Riformula la domanda esplicitando il vincolo |
Solo la prima riga è un'allucinazione in senso stretto. Le righe due e tre sono problemi di ancoraggio ai fatti (grounding) e si risolvono in gran parte dando al modello qualcosa da leggere. La riga quattro è un problema di prompt. Trattare tutti e quattro come un unico difetto misterioso porta le persone verso la soluzione sbagliata, di solito "usa un modello più grande", che aiuta meno proprio con la riga uno.
Il controllo a due modelli, e quanto costa
L'abitudine più affidabile per l'allucinazione in senso stretto è chiedere a un secondo modello, diverso, la stessa domanda e confrontare. Due modelli di laboratori diversi, addestrati su dati diversi con post-training diverso, raramente inventano la stessa citazione. L'accordo è una prova debole che il fatto sia reale. Il disaccordo è un segnale forte per andare a verificare prima di agire.
Il motivo per cui questo funziona dove "chiedi allo stesso modello di ricontrollare" non funziona: un secondo passaggio dello stesso modello è lo stesso predittore che indovina di nuovo dalla stessa compressione. Un modello diverso è una compressione diversa.
La seconda opinione non deve per forza venire da un modello costoso. Sull'Artificial Analysis Intelligence Index, un composito di benchmark pubblici di ragionamento, codice e conoscenza letto il 2026-09-17, DeepSeek V4 Flash ottiene 40 e costa 1 credito Whizi a messaggio; Claude Sonnet 5 ottiene 38 e costa 10. La linea tratteggiata è la frontiera, il punteggio migliore a ogni prezzo, e ogni punto su di essa è un laboratorio diverso. Un controllo incrociato tra due laboratori a 1 e 10 crediti costa 11 crediti, e la vista affiancata invia una domanda a entrambi sulla stessa schermata. Gli avvocati di Mata v. Avianca hanno pagato $5,000 per il controllo che non hanno fatto.
Cosa riduce le allucinazioni, in ordine di efficacia
- Ancoraggio ai fatti (grounding). La ricerca web, un documento caricato o una fonte incollata trasformano il compito da "ricordare" a "leggere e riassumere", cosa che i modelli fanno in modo molto più affidabile. Questa è di gran lunga la riduzione maggiore ed è un'impostazione del prodotto, non un trucco di prompt.
- Un secondo modello. Addestramento diverso, modalità di errore diverse. Cattura la maggior parte dei dettagli inventati.
- Chiedere le fonti e aprirle. Un modello a cui viene chiesto di citare, citerà; il controllo sta nel verificare se la citazione esiste e dice ciò che la risposta afferma.
- Il permesso di dire no. "Se non sei sicuro, dillo" cambia qual è il proseguimento più probabile, così su domande difficili il modello rifiuta più spesso invece di inventare.
- Un modello più grande. I modelli di frontiera allucinano meno dei modelli piccoli sulla conoscenza comune, ma il divario è minimo proprio dove conta di più, sui fatti rari e specifici.
L'ordine è il punto chiave. La maggior parte delle persone punta prima sul quinto elemento, ed è la leva più debole dell'elenco.
- Tratta ogni affermazione specifica e verificabile senza fonte come non verificata: una citazione, una statistica, una citazione testuale, una funzionalità di un prodotto
- Attiva la ricerca web o allega il documento ogni volta che la risposta dipende da qualcosa di recente, privato o preciso
- Chiedi a un secondo modello di un laboratorio diverso prima di agire su un numero o una citazione: il disaccordo significa verificare
- Apri la fonte citata e conferma che dica ciò che la risposta afferma, non solo che esista
- Aggiungi "dillo se non sei sicuro" ai prompt sulle domande difficili
Domande frequenti
Perché i modelli di ia allucinano?
Perché generano le parole successive più plausibili invece di verificare i fatti, e perché il loro addestramento premia una risposta sicura più di un'ammissione di ignoranza. Il paper di OpenAI del settembre 2025 "Why Language Models Hallucinate" mostra che i benchmark valutano allo stesso modo una risposta vuota e una sbagliata, quindi indovinare è la strategia vincente che il modello impara.
Le allucinazioni dell'ia si possono prevenire del tutto?
Non con i modelli attuali, perché generare testo plausibile è lo stesso meccanismo che produce sia le risposte corrette sia quelle inventate. Possono essere ridotte in modo sostanziale: ancorare il modello a risultati di ricerca o a un documento, chiedere a un secondo modello, e pretendere fonti che poi apri, eliminano insieme una grande parte del problema. Ciò che resta è il rischio residuo sui fatti rari e specifici.
Quale ia allucina di meno?
I modelli di frontiera di OpenAI, Anthropic e Google allucinano meno dei modelli piccoli sulla conoscenza comune, ma la differenza si riduce sui fatti rari e specifici, che è proprio dove si trova il danno. Un modello piccolo ancorato con la ricerca web attiva tipicamente batte un modello di frontiera non ancorato sulle domande fattuali, quindi l'impostazione conta più dell'etichetta.
Un'allucinazione è la stessa cosa di un errore?
È un tipo di errore. Un'allucinazione è un fatto inventato presentato con sicurezza. La conoscenza obsoleta (vera al momento dell'addestramento, falsa ora), un mancato recupero (è stato preso il passaggio sbagliato) e una domanda fraintesa sono errori diversi con soluzioni diverse, e solo il primo risponde a "chiedi le fonti".
Cosa è successo nel caso degli avvocati e ChatGPT?
In Mata v. Avianca, depositato a New York, due avvocati hanno presentato una memoria citando sei casi che ChatGPT aveva inventato. Il tribunale li ha sanzionati con $5,000 nel giugno 2023. Un anno dopo, in Moffatt v. Air Canada, un tribunale ha ordinato alla compagnia aerea di pagare C$812.02 dopo che il suo chatbot aveva inventato una politica di rimborso per lutto, respingendo l'argomentazione secondo cui il chatbot fosse responsabile delle proprie affermazioni.
