Alucinação (IA)
Uma alucinação (hallucination) é uma saída de um modelo de IA que soa fluente e confiante, mas é falsa, não tem apoio nas fontes ou foi inventada, como uma citação, uma frase, uma estatística ou uma função de API que não existem.
Também chamado: confabulation, invented answers, AI hallucination
Por Divya Sharma · Verificado em 15 de nov. de 2026 · Como analisamos
Modelos de linguagem são treinados para produzir texto provável, não para verificar fatos. Quando um modelo não sabe uma resposta, a continuação mais provável ainda pode ser uma resposta confiante, específica e errada. Isso é uma alucinação. Alguns pesquisadores preferem "confabulação", porque o modelo não está percebendo nada; está preenchendo uma lacuna.
Formas comuns
Um modelo pode inventar um artigo ou um processo judicial, atribuir uma frase à pessoa errada, dar uma data errada ou chamar uma função de biblioteca que não existe. Em resumos, ele pode acrescentar um detalhe que não está no documento que recebeu. Esse segundo tipo importa mais quando você constrói sobre seus próprios dados, porque o usuário presume que a resposta veio da fonte.
Por que acontece
Um artigo de 2025 de Kalai e colegas argumenta que o treinamento e a avaliação recompensam o chute: um teste que não dá crédito a "não sei" empurra o modelo a chutar. Lacunas nos dados de treinamento, um knowledge cutoff e prompts que partem de uma premissa falsa aumentam o risco.
Como reduzir
Nenhum método atual elimina a alucinação por completo. O que ajuda: geração aumentada por recuperação, para que o modelo responda a partir de texto fornecido; pedir citações que você possa verificar; fazer o grounding das respostas em resultados de ferramentas; deixar o modelo dizer que não tem certeza; e guardrails que verificam as saídas antes que os usuários as vejam. Meça a taxa nas suas próprias tarefas com avaliação de LLM, em vez de confiar em uma afirmação geral, porque ela varia conforme o modelo, o assunto e o prompt.
Termos relacionados
- Retrieval-augmented generation
- Retrieval-augmented generation (RAG, geração aumentada por recuperação) é um padrão em que um sistema primeiro busca em uma coleção de documentos os trechos relevantes para uma pergunta e depois entrega esses trechos a um modelo de linguagem para que a resposta se baseie neles.
- Grounding
- Grounding (ancoragem) é ligar a resposta de um modelo de linguagem a fontes específicas e verificáveis, como resultados de busca, documentos ou um banco de dados, para que suas afirmações se apoiem em evidências fornecidas, e não apenas nos dados de treinamento.
- Guardrails (IA)
- Guardrails (barreiras de proteção) são verificações em tempo de execução colocadas ao redor de um modelo de linguagem que inspecionam entradas e saídas e as bloqueiam, reescrevem ou redirecionam, para que uma aplicação se mantenha no assunto, evite conteúdo nocivo e siga regras que o modelo sozinho não cumpriria de forma confiável.
- Avaliação de LLM
- Avaliação de LLM (LLM evaluation), muitas vezes chamada de evals, é medir o quão bem um modelo ou uma aplicação de IA executa uma tarefa, rodando-o em um conjunto de casos de teste e pontuando as saídas segundo critérios definidos, por código, por pessoas ou por outro modelo.
- Knowledge cutoff
- O knowledge cutoff (data de corte do conhecimento) é a data depois da qual um modelo tem pouca ou nenhuma informação, porque seus dados de treinamento foram coletados até mais ou menos esse ponto. Eventos posteriores são desconhecidos, a menos que sejam fornecidos no prompt.