AI halüsinasyon istatistikleri 2026: 108 modelde oranlar ve testlerin neden birbirini tutmadığı

AI modelleri özetlerin 1.8% ile 24.2%'sine desteklenmeyen iddialar ekliyor ve kaçırdıkları zor soruların %96.5'ine kadarında yanlış tahmin yürütüyor

Aşağıdaki her AI halüsinasyon istatistiğini 6 Ekim 2026'da birincil kaynağında açıp kontrol ettik. Medyan ve eşleşen model sayısı, Vectara'nın yayımladığı tablolar üzerinden yaptığımız kendi hesabımızdır.

Grafik, AA-Omniscience sonuçlarını Artificial Analysis'in 6 Ekim 2026'da gösterdiği haliyle, her model için listelediği en yüksek akıl yürütme ayarında çiziyor. Alt eksen, 6,000 zor sorudaki doğruluk. Yan eksen halüsinasyon oranı: bir modelin doğru yapamadığı sorulardan, bilmediğini söylemek yerine yanlış cevapladıklarının payı. Anthropic'in Claude Fable 5.1 modeli 67.2% doğrulukla en çok şeyi biliyor. Yine de kaçırdıklarının 72.6%'sini yanlış bir şeyle cevaplıyor. Google'ın Gemini 4 Argon modeli daha azını doğru yapıyor, 49.9%, ama çok daha sık cevap vermeyi reddettiği için 15.1%'de kalıyor. Bilmek ve tahmin etmek ayrı becerilerdir.

Modele göre AI halüsinasyon oranı nedir?

Vectara'nın liderlik tablosunda modele göre AI halüsinasyon oranı, Ant Group'un Finix S1 32B modelinde 1.8% ile Mistral'in Ministral 3 3B modelinde 24.2% arasında değişiyor, medyan model 9.6%'da duruyor. Vectara her modele 7,700'den fazla makaleden oluşan aynı seti veriyor ve özetin makalede yazmayan bir şeyi ne sıklıkla iddia ettiğini sayıyor. Hiçbiri sıfır skor almıyor.

Buradaki her satır Vectara'nın 22 Eylül 2026 tarihli tablosundan alındı ve 108 modelin tam listesi Vectara'nın GitHub sayfasında duruyor. Bir laboratuvarın küçük modeli bu işte çoğu zaman amiral gemisinden daha iyi: OpenAI'ın GPT-5.4 nano modeli 3.1% alırken GPT-5.6 Sol 12.4% alıyor. Yeni olan da her zaman daha düşük değil. Anthropic'in Claude Opus 4.7 modeli 12.0% ile daha eski Claude Sonnet 4.6'nın üstünde yer alıyor. Vectara testinin yapamadıklarını açıkça söylüyor. SSS bölümü, makaledeki cümleleri olduğu gibi kopyalayan bir modelin mükemmel skor alacağını kabul ediyor.

Aynı model üç çok farklı rakam taşıyabilir. OpenAI'ın 3 Eylül 2026 tarihli GPT-6 Astra lansman sayfası, dahili bir kıyaslamada 4.2% bildiriyor. Vectara bunu 8.7% ölçüyor, Artificial Analysis ise hangi akıl yürütme ayarında çalıştığına bağlı olarak 44.8% ile 51.3% arasında gösteriyor. Üçü de yanlış değil. Her biri farklı bir soru soruyor.

AI halüsinasyon kıyaslamaları neden birbirini tutmuyor?

AI halüsinasyon kıyaslamaları birbirini tutmuyor, çünkü her biri farklı bir hatayı, farklı bir görevde, farklı bir paydayla test ediyor. Rakamı alıntılamadan önce tanımı oku.

OpenAI'ın araştırmacıları Eylül 2025'te, modellerin puanlanma biçiminin durumu kötüleştirdiğini savundu. Yazıları "standart eğitim ve değerlendirme prosedürleri, belirsizliği kabul etmek yerine tahmin yürütmeyi ödüllendiriyor" diyor. Bunu göstermek için kullandıkları SimpleQA rakamları çarpıcı. OpenAI'ın daha eski o4-mini modeli soruların 24%'ünü doğru, 75%'ini yanlış cevapladı ve yalnızca 1%'inde cevap vermekten kaçındı. Daha yeni gpt-5-thinking-mini 22% doğru yaptı, ama 52%'sinde cevap vermedi ve yalnızca 26%'sında yanlış yaptı. Yalnızca doğruları sayan bir puan tablosunda tahminci kazanır.

Bu yüzden bir modelin tek bir "halüsinasyon oranı" diye bir şey yok. İki laboratuvarın ayrıştığını görmek isteyen bir okur, aynı soruyu Whizi'nin 280+ modelinden ikisine yan yana görünümde gönderebilir, ardından gelen cevabı nasıl kontrol edeceğin ise yapay zeka neden yanlış yapar yazısında anlatılıyor.

AI halüsinasyon oranları zamanla düşüyor mu?

Sabit tek bir testte AI halüsinasyon oranları çoğunlukla düştü. Ama testler sürekli zorlaşıyor, bu yüzden modeller iyileşirken manşet rakam yükselebilir. Vectara'nın liderlik tablosu bu ikinci etkiyi net gösteriyor.

Ekim 2025 ile Eylül 2026 arasında Vectara veri setini, bazıları 24,000 kelimeye varan 7,700'den fazla makaleyle değiştirdi ve yargıcını HHEM-2.1'den HHEM-2.3'e taşıdı. Her iki tabloda da aynı adla listelenen 44 modeli eşleştirdik, eski tablonun iki sürümle taşıdığı adları dışarıda bıraktık. Otuz dokuzu yeni testte daha kötü skor aldı. Dördü daha iyi skor aldı ve DeepSeek V3.1 yerinden oynamadı. 44 modelin medyanı, her model öncekiyle aynı sürüm olduğu halde 4.1%'den 7.95%'e çıktı.

OpenAI'ın yüksek akıl yürütme çabasındaki GPT-5 modeli 1.4%'den 15.1%'e en büyük sıçramayı yaptı. Yani aynı liderlik tablosundan 2025 ve 2026 rakamları bir eğilim olarak okunamaz. Rakamla birlikte tarihi ve veri setini de belirt.

OpenAI'ın kendi rakamları çoğunlukla aşağıyı gösteriyor, bir tersine dönüşle. Nisan 2025 sistem kartı, o3'ün PersonQA sorularının 33%'inde halüsinasyon gördüğünü, bunun eski o1'in 16%'sının iki katı olduğunu ve o4-mini'nin 48%'de gördüğünü gösterdi. Ağustos 2025'te OpenAI, düşünme modundaki GPT-5'in o3'e göre olgusal hata yapma ihtimalinin yaklaşık 80% daha düşük olduğunu söyledi. Eylül 2026'da GPT-6 Astra sayfası modeli 4.2%'ye koydu, GPT-5.6 Sol için bu 12.2% idi. Sistem kartı, bu testin kullanıcıların işaretlediği konuşmaları kullandığını, dolayısıyla oranların gündelik kullanımda görülenin çok üstünde seyrettiğini söylüyor.

Lansman rakamının kendisi de değişti. Fortune 4 Eylül 2026'da, OpenAI'ın sayfa yayına girdikten sonra Astra ve GPT-5.6 Sol rakamlarını 2% ve 9.4% olarak değiştirdiğini, ardından ilk gösterdiği 4.2% ve 12.2%'yi geri koyduğunu bildirdi. OpenAI, Fortune'a düzenlemelerin rakamların en iyi tahmini olduğundan emin olmak için yapıldığını söyledi.

Bağımsız denetimler iki yönde de hareket etti. NewsGuard, sohbet botlarının Ağustos 2025'te yalan haber iddialarını 35% oranında tekrarladığını, bir yıl önceki 18%'den yükseldiğini ve ret oranlarının 31%'den sıfıra düştüğünü buldu. Ocak 2026 denetimi oranı 28%'nin üstüne koydu. BBC'nin kendi karşılaştırması ters yöne gitti: ciddi sorun içeren cevaplar ilk çalışmadaki 51%'den EBU'nun Ekim 2025'te yayımladığı turda 37%'ye düştü.

Artificial Analysis Kasım 2025'te, üç model dışında hepsinin zor sorularında doğru cevap vermekten çok halüsinasyon görme eğiliminde olduğunu buldu. Ekim 2026'da, varsayılan olarak gösterdiği 30 öncü yapılandırmanın 15'i hâlâ kaçırdıklarının yarısından fazlasını yanlış cevaplıyor. Medyan 49.8%.

AI asistanları haberleri ne sıklıkla yanlış veriyor?

AI asistanları, 18 ülkeden 22 kamu yayıncısının yürüttüğü ve 21 Ekim 2025'te yayımlanan EBU ve BBC çalışmasında haber sorularının 45%'ine ciddi biçimde kusurlu cevap verdi. EBU bunu türünün en büyük değerlendirmelerinden biri olarak tanımlıyor.

Gazeteciler 14 dilde ChatGPT, Copilot, Gemini ve Perplexity'den gelen 2,709 cevabı inceledi. En çok sorunu kaynak gösterme çıkardı. Cevapların 31%'inde eksik, yanlış veya yanlış atfedilmiş bir kaynak gibi ciddi bir kaynak sorunu vardı. Beşte birinde, uydurma veya eski ayrıntılar dahil büyük bir doğruluk sorunu vardı. Google'ın Gemini modeli cevaplarının 76%'sında ciddi sorunla en kötü performansı gösterdi. Copilot 37%, ChatGPT 36% ve Perplexity 30% ile izledi.

Columbia'nın Tow Center'ı sekiz AI arama aracına 1,600 sorgu gönderdi ve her birinden bir alıntının hangi makaleden geldiğini söylemesini istedi. Mart 2025 yazısına göre araçlar sorguların 60%'ından fazlasında yanlış cevap verdi. Perplexity 37%'de yanlış yaptı. xAI'ın Grok 3 modeli 94%'te yanlış yaptı.

AI halüsinasyonları gerçek hayatta neye mal oluyor?

En net maliyet mahkemede ortaya çıkıyor. 6 Ekim 2026'da Damien Charlotin'in veri tabanı, bir mahkemenin yapay zekanın uydurduğu içerikle uğraştığı 2,149 karar listeledi ve bunların 1,473'ü Amerika Birleşik Devletleri'ndeydi.

Çoğu avukatı olmayan kişileri ilgilendiriyor: 1,233 kayıtta kendini temsil eden bir davacı yer alıyor. Avukatlar 854, hakimler 33 kayıtta. Charlotin'in verisi 2025'in tamamında tarihlenen 852 karar ve Ocak-Eylül 2026 arasında 1,208 karar gösteriyor, yani bu yıl şimdiden geçen yılı aştı. Bir dilekçe aracı adıyla andığında, ChatGPT 235 davanın 139'unda geçiyor. ABD doları cinsinden belirtilen 192 cezanın altısı $50,000 veya üzerine ulaştı.

İlk ünlü dava bunun bedelini düşük tuttu. Mata v. Avianca davasında New York'taki bir federal yargıç, 22 Haziran 2023'te iki avukata ve hukuk bürosuna $5,000 para cezası verdi. ChatGPT'nin uydurduğu altı mahkeme kararını alıntılamışlardı.

Ücretli hukuk araçları yardımcı oluyor ama sorunu çözmüyor. Stanford RegLab'ın önceden kayıt altına alınmış testi, Mayıs 2024'te yayımlandı ve LexisNexis ile Thomson Reuters'ın yapay zeka araştırma araçlarının her birinin zamanın 17% ile 33%'sinde halüsinasyon gördüğünü buldu.

Danışmanlar da bağışık değil. Associated Press'in bildirdiğine göre Deloitte Australia, Ekim 2025'te A$440,000'lık bir hükümet sözleşmesinin son taksitini geri ödemeyi kabul etti. Sydney Üniversitesi'nden bir araştırmacı, 237 sayfalık raporunda bir federal mahkeme kararından uydurma bir alıntı dahil 20'ye kadar hata bulmuştu. Gözden geçirilmiş rapor, yazımında Azure OpenAI kullanıldığını açıkladı.

İşte maliyet daha sessiz. KPMG ve Melbourne Üniversitesi'nin 47 ülkede 48,000 kişiyle yaptığı ve Nisan 2025'te yayımlanan ankette, yapay zeka kullanan çalışanların 66%'sı çıktısını değerlendirmeden güvendiğini söyledi. 56%'sı da yapay zeka yüzünden işinde hata yaptığını belirtti.

Bu rakamları nasıl derledik

Bu sayfadaki her rakamı 6 Ekim 2026'da birincil kaynağında açtık ve kullandığımız kaynaklar şunlar:

• Vectara'nın GitHub liderlik tablosu, güncel ve önceki veri setiyle
• Artificial Analysis'in AA-Omniscience sayfası ve Kasım 2025 lansman yazısı
• OpenAI'ın makalesi, sistem kartları ve lansman sayfaları
• NewsGuard'ın AI False Claims Monitor'u
• EBU ve BBC News Integrity raporu ve Columbia'nın Tow Center'ı
• Damien Charlotin'in veri tabanı ve Mata v. Avianca dosyası
• Stanford RegLab'ın makalesi ve KPMG ile Melbourne Üniversitesi anketi
• Şirketlerin kendilerinin yayımlamadığı iki olay için Fortune ve Associated Press

Bazı rakamlar bizim kendi hesabımız. 9.6% medyan ve 50 modelin sayısı, Vectara'nın 22 Eylül 2026 tarihli tablosundan geliyor. Eşleşen karşılaştırma, Ekim 2025 ve Eylül 2026 tablolarında aynı adla listelenen modelleri eşliyor. Eski tabloda iki sürümü olan veya net sürümü olmayan adları dışarıda bıraktık, bu da GPT-4o, DeepSeek R1, DeepSeek V3, Command R Plus ve Mistral Large'ı eliyor. Llama 3.3 70B, eski tablodaki Instruct yapısı ile yenideki Turbo yapısı arasında eşleştirildi. 49.8% medyan, Artificial Analysis'in varsayılan olarak gösterdiği 30 yapılandırmayı kapsıyor ve bazıları iki akıl yürütme ayarındaki tek bir model. 2025 ve 2026 mahkeme toplamları Charlotin'in üç aylık sayımlarını topluyor.

İzini süremediğimiz şeyleri çıkardık. Pek çok istatistik sayfası, AI halüsinasyonlarının 2024'te işletmelere $67.4 milyar'a mal olduğu iddiasını tekrarlıyor. Bulduğumuz kopyalar AllAboutAI sitesini kaynak gösteriyor ve arkasında birincil bir çalışma bulamadık. GPT-5 sistem kartında yalnızca grafik etiketi olarak geçen iki OpenAI tarama rakamını da dışarıda bıraktık, çünkü her etiketi modeline güvenle eşleştiremedik.

Bu AI halüsinasyon istatistikleri nasıl alıntılanır

Bu sayfadaki her rakamı, bu sayfaya bir bağlantı vererek kullanabilirsin. Sade bir kaynak satırı yeterli:

• Kaynak: Whizi Research, "AI halüsinasyon istatistikleri 2026: 108 modelde oranlar ve testlerin neden birbirini tutmadığı", whizi.io/resources/ai-hallucination-statistics, Ekim 2026'da güncellendi.

Bir oranı alıntılarken kıyaslamayı ve tarihi yanına yaz. Aynı model için bir Vectara rakamı ile bir AA-Omniscience rakamı neredeyse altı kat farklı olabilir. ChatGPT istatistikleri, AI sohbet botu pazar payı, LLM API fiyat istatistikleri ve AI abonelik istatistikleri sayfalarımız da aynı kaynak kurallarını izliyor.