Alucinación (IA)
Una alucinación es una salida de un modelo de IA que suena fluida y segura, pero que es falsa, no está respaldada por sus fuentes o es inventada, como una cita bibliográfica, una frase, una estadística o una función de API que no existen.
También llamado: confabulation, invented answers, AI hallucination
Por Divya Sharma · Comprobado el 15 nov 2026 · Cómo hacemos las reseñas
Los modelos de lenguaje se entrenan para producir texto probable, no para comprobar datos. Cuando un modelo no sabe una respuesta, la continuación más probable puede ser igualmente una segura, concreta y errónea. Eso es una alucinación. Algunos investigadores prefieren "confabulación", porque el modelo no está percibiendo nada; está rellenando un hueco.
Formas habituales
Un modelo puede inventarse un artículo o un caso judicial, atribuir una frase a la persona equivocada, dar una fecha incorrecta o llamar a una función de una biblioteca que no existe. Al resumir, puede añadir un detalle que no está en el documento que recibió. Este segundo tipo importa sobre todo cuando construyes sobre tus propios datos, porque el usuario da por hecho que la respuesta salió de la fuente.
Por qué ocurre
Un artículo de 2025 de Kalai y sus colegas sostiene que el entrenamiento y la evaluación premian adivinar: una prueba que no da puntos por "no lo sé" empuja a un modelo a adivinar. Las lagunas en los datos de entrenamiento, una fecha de corte de conocimiento y los prompts que parten de una premisa falsa aumentan el riesgo.
Cómo reducirla
Ningún método actual elimina la alucinación por completo. Lo que ayuda: la generación aumentada por recuperación, para que el modelo responda a partir del texto aportado; pedir citas que puedas comprobar; el grounding de las respuestas en resultados de herramientas; dejar que el modelo diga que no está seguro, y guardrails que revisen las salidas antes de que las vean los usuarios. Mide la tasa en tus propias tareas con una evaluación de LLM en lugar de fiarte de una afirmación general, porque varía según el modelo, el tema y el prompt.
Términos relacionados
- Generación aumentada por recuperación
- La generación aumentada por recuperación (RAG, retrieval-augmented generation) es un patrón en el que un sistema busca primero en una colección de documentos los pasajes relevantes para una pregunta y luego se los da a un modelo de lenguaje para que su respuesta se base en ellos.
- Grounding
- El grounding (anclaje en fuentes) consiste en vincular la respuesta de un modelo de lenguaje a fuentes concretas y comprobables, como resultados de búsqueda, documentos o una base de datos, para que sus afirmaciones se apoyen en pruebas aportadas y no solo en los datos de entrenamiento.
- Guardrails (IA)
- Los guardrails (barreras de protección) son comprobaciones en tiempo de ejecución colocadas alrededor de un modelo de lenguaje que inspeccionan entradas y salidas y las bloquean, reescriben o redirigen, para que una aplicación no se salga del tema, evite contenido dañino y cumpla reglas que el modelo por sí solo no mantendría de forma fiable.
- Evaluación de LLM
- La evaluación de LLM (LLM evaluation), a menudo llamada evals, consiste en medir lo bien que un modelo o una aplicación de IA realiza una tarea ejecutándolo sobre un conjunto de casos de prueba y puntuando las salidas según criterios definidos, con código, con personas o con otro modelo.
- Fecha de corte de conocimiento
- La fecha de corte de conocimiento (knowledge cutoff) es la fecha a partir de la cual un modelo tiene poca o ninguna información, porque sus datos de entrenamiento se recopilaron hasta más o menos entonces. Los hechos posteriores le son desconocidos salvo que se le den en el prompt.