Uma alucinação é uma resposta plausível que por acaso é falsa
Peça a um modelo de linguagem o número da página de uma citação de um livro sobre o qual ele leu, mas nunca viu, e ele vai te dar um número de página. Ele não vai dizer "não posso saber isso". O número está formatado corretamente, está numa frase que soa como qualquer outra citação nos dados de treinamento dele, e é inventado.
Isso é uma alucinação: uma afirmação fluente e confiante sem nenhum fato por trás. A palavra é uma metáfora, e uma um tanto enganosa, porque nada está com defeito. Pediram ao modelo a continuação mais provável de uma citação e ele produziu uma. Numa pergunta em que a resposta que mais soa plausível também é a verdadeira, o que é a maioria das perguntas, esse mesmo processo é o que torna o modelo útil.
As formas que assume são previsíveis: referências e URLs inventadas, estatísticas sem fonte, citações atribuídas a pessoas reais que nunca as disseram, recursos de um produto que não existem, e afirmações jurídicas ou médicas entregues como fato consolidado. Por que a IA erra as coisas percorre como identificar cada tipo; esta página é sobre por que elas acontecem, ponto.
Por que um modelo que leu a internet inteira ainda inventa coisas
Dois mecanismos, e eles se somam.
O modelo prevê, não recupera. Um modelo de linguagem não tem um índice de fatos. Tudo o que ele leu foi comprimido nos seus parâmetros, e no momento da resposta ele regenera o texto um token de cada vez a partir dessa compressão, escolhendo cada token por probabilidade. Quando a resposta verdadeira era comum nos dados de treinamento, a continuação provável é a verdadeira. Quando era rara, ausente ou contraditada, o modelo ainda precisa escolher um token, e ele escolhe um plausível. O que é um LLM explica a arquitetura; a versão curta é que não existe uma etapa em que o modelo se pergunta se a frase que está escrevendo é real.
O treinamento recompensa o chute. Em setembro de 2025, a OpenAI publicou um artigo intitulado "Why Language Models Hallucinate" argumentando que os benchmarks usados para avaliar os modelos pontuam uma resposta errada e uma resposta em branco da mesma forma, zero, enquanto um chute de sorte pontua nota máxima. Um modelo otimizado contra essa pontuação aprende a mesma lição que um estudante aprende numa prova de múltipla escolha sem penalidade para respostas erradas: sempre chute. A proposta do artigo é mudar a avaliação para que "eu não sei" valha mais do que um erro confiante.
Dois casos judiciais que colocaram um valor em dinheiro numa alucinação
Mata v. Avianca, Nova York, 2023. Dois advogados apresentaram uma petição citando seis decisões judiciais que o ChatGPT havia produzido. Nenhuma das seis existia. O juiz aplicou uma sanção de $5,000 aos advogados em junho de 2023 e os obrigou a escrever aos juízes a quem as decisões inventadas haviam sido atribuídas. Capturas de tela anexadas à declaração do advogado mostram ele perguntando ao ChatGPT se os casos eram reais, e o ChatGPT confirmando que sim.
Moffatt v. Air Canada, Colúmbia Britânica, 2024. O chatbot do site da Air Canada disse a um cliente que ele podia reservar uma passagem de tarifa cheia para um funeral e pedir o desconto por luto depois. A política real da companhia aérea dizia o oposto. Quando a Air Canada argumentou que o chatbot era uma entidade jurídica separada, responsável por suas próprias palavras, o Civil Resolution Tribunal rejeitou isso em fevereiro de 2024 e ordenou que a companhia pagasse C$812.02.
Nenhum dos dois modelos estava com defeito. Cada um produziu a resposta que soava mais plausível para uma pergunta cuja resposta verdadeira estava fora de seu alcance. O custo caiu sobre quem não checou.
Alucinação é um de quatro tipos de falha, e as correções são diferentes
As pessoas usam a palavra para qualquer resposta errada, e isso esconde o fato de que as quatro falhas comuns têm quatro causas diferentes.
| Falha | O que aconteceu | Como identificar | A correção |
|---|---|---|---|
| Alucinação | O modelo inventou um fato para completar uma frase plausível | Específico, verificável, sem fonte | Peça a fonte, depois abra; pergunte a um segundo modelo |
| Conhecimento desatualizado | O fato era verdadeiro quando o treinamento terminou e não é mais | Preços, versões, ocupantes de cargos, qualquer coisa datada | Ative a busca na web ou cole a página atual |
| Falha de recuperação | A busca ou o arquivo enviado retornou o trecho errado | A resposta cita seu documento mas trata de uma pergunta diferente | Leia o trecho citado, não apenas a citação |
| Interpretação equivocada | O modelo respondeu a uma pergunta ligeiramente diferente da que você fez | A resposta está certa sobre outra coisa | Reformule a pergunta deixando a restrição explícita |
Só a primeira linha é uma alucinação no sentido estrito. As linhas dois e três são problemas de fundamentação e são em boa parte resolvidas dando ao modelo algo para ler. A linha quatro é um problema de prompt. Tratar as quatro como um único defeito misterioso leva as pessoas à correção errada, geralmente "use um modelo maior", que ajuda menos exatamente na linha um.
A checagem com dois modelos, e quanto ela custa
O hábito mais confiável para o tipo estrito de alucinação é perguntar a mesma coisa a um segundo modelo, diferente, e comparar. Dois modelos de laboratórios diferentes, treinados com dados diferentes e pós-treinamento diferente, raramente inventam a mesma citação. Concordância é uma evidência fraca de que o fato é real. Discordância é um sinal forte para ir checar antes de agir.
A razão pela qual isso funciona onde "peça ao mesmo modelo para checar de novo" não funciona: uma segunda passada pelo mesmo modelo é o mesmo preditor chutando de novo a partir da mesma compressão. Um modelo diferente é uma compressão diferente.
A segunda opinião não precisa vir de um modelo caro. No Artificial Analysis Intelligence Index, um composto de benchmarks públicos de raciocínio, código e conhecimento lido em 2026-09-17, o DeepSeek V4 Flash pontua 40 e custa 1 crédito Whizi por mensagem; o Claude Sonnet 5 pontua 38 e custa 10. A linha pontilhada é a fronteira, a melhor pontuação em cada preço, e cada ponto nela é de um laboratório diferente. Uma checagem cruzada com dois laboratórios a 1 e 10 créditos custa 11 créditos, e a visão lado a lado envia uma pergunta para os dois numa só tela. Os advogados de Mata v. Avianca pagaram $5,000 pela checagem que não fizeram.
O que reduz alucinações, em ordem de impacto
- Fundamentação. Busca na web, um documento enviado ou uma fonte colada transforma a tarefa de "lembrar" em "ler e resumir", o que os modelos fazem de forma muito mais confiável. Essa é a maior redução isolada e é uma configuração do produto, não um truque de prompt.
- Um segundo modelo. Treinamento diferente, modos de falha diferentes. Pega a maioria dos detalhes fabricados.
- Pedir fontes e abri-las. Um modelo instruído a citar vai citar; a checagem é se a citação existe e diz o que a resposta afirma.
- Permissão para dizer não. "Se não tiver certeza, diga" muda qual é a continuação mais provável, então em perguntas difíceis o modelo recusa com mais frequência em vez de inventar.
- Um modelo maior. Modelos de fronteira alucinam menos em conhecimento comum do que modelos pequenos, mas a diferença é menor exatamente onde importa, em fatos raros e específicos.
A ordem é o ponto principal. A maioria das pessoas recorre ao item cinco primeiro, e ele é a alavanca mais fraca da lista.
- Trate qualquer afirmação específica e verificável sem fonte como não confirmada: uma citação, uma estatística, uma frase, um recurso de produto
- Ative a busca na web ou anexe o documento sempre que a resposta depender de algo recente, privado ou preciso
- Pergunte a um segundo modelo de um laboratório diferente antes de agir sobre um número ou uma citação; discordância significa checar
- Abra a fonte citada e confirme que ela diz o que a resposta afirma, não apenas que ela existe
- Acrescente "diga se não tiver certeza" aos prompts em perguntas difíceis
Perguntas frequentes
Por que os modelos de IA alucinam?
Porque geram as próximas palavras mais plausíveis em vez de buscar fatos, e porque seu treinamento recompensa um chute confiante mais do que admitir ignorância. O artigo da OpenAI de setembro de 2025, "Why Language Models Hallucinate", mostra que os benchmarks pontuam uma resposta em branco e uma resposta errada de forma idêntica, então chutar é a estratégia vencedora que o modelo aprende.
As alucinações de IA podem ser totalmente evitadas?
Não com os modelos atuais, porque gerar texto plausível é o mesmo mecanismo que produz tanto respostas corretas quanto inventadas. Elas podem ser reduzidas substancialmente: fundamentar o modelo em resultados de busca ou num documento, perguntar a um segundo modelo e exigir fontes que você depois abre elimina uma grande parte. O que sobra é o risco residual em fatos raros e específicos.
Qual IA alucina menos?
Modelos de fronteira da OpenAI, Anthropic e Google alucinam menos que modelos pequenos em conhecimento comum, mas a diferença diminui em fatos raros e específicos, que é onde o dano acontece. Um modelo pequeno fundamentado com busca na web ligada costuma superar um modelo de fronteira não fundamentado em perguntas factuais, então a configuração importa mais que o selo.
Uma alucinação é a mesma coisa que um erro?
É um tipo de erro. Uma alucinação é um fato inventado apresentado com confiança. Conhecimento desatualizado (verdadeiro na época do treinamento, falso agora), uma falha de recuperação (o trecho errado foi buscado) e uma pergunta mal interpretada são falhas diferentes com correções diferentes, e só a primeira responde a "peça fontes".
O que aconteceu no caso do advogado com o ChatGPT?
Em Mata v. Avianca, movido em Nova York, dois advogados apresentaram uma petição citando seis casos que o ChatGPT havia inventado. O tribunal os sancionou em $5,000 em junho de 2023. Um ano depois, em Moffatt v. Air Canada, um tribunal ordenou que a companhia aérea pagasse C$812.02 depois que seu chatbot inventou uma política de reembolso por luto, rejeitando o argumento de que o chatbot era responsável por suas próprias afirmações.
