Por qué la IA se inventa cosas (alucinaciones)
- verificación
- fundamentos
Una alucinación es una respuesta de IA fluida y segura de sí misma — o un detalle dentro de ella — que sencillamente no es cierta. Los modelos generan lo que resulta plausible, no lo que está comprobado, así que las frases más convincentes pueden ser justo las menos fiables. Saber dónde se concentran las invenciones es la mitad de la defensa.
No hay ningún verificador interno
Un modelo de lenguaje no lleva dentro ningún comprobador de hechos. Cuando el patrón pide una cita, un número o una cita textual, el modelo produce la forma de esa cosa: autores, años, estadísticas, números de página. La salida está optimizada para parecer una respuesta correcta, porque el texto que parece correcto es el que recompensó su entrenamiento.
Por eso la confianza del texto no dice nada sobre su verdad. Una cifra inventada y una correcta se generan exactamente igual, con la misma fluidez y el mismo tono seguro.
Dónde se concentran las invenciones
Los detalles concretos son los sospechosos habituales:
- Números — porcentajes, importes, tamaños de muestra.
- Fechas y versiones — años de estudios, lanzamientos, plazos.
- Nombres — personas, instituciones, productos.
- Citas textuales — frases entrecomilladas que nadie dijo.
- Referencias — estudios con título, revista y página que no existen.
Alrededor de esos detalles, el texto suele ser correcto y genérico — y esa mezcla es precisamente la trampa: lo falso viaja escoltado por párrafos que suenan razonables. Trata la precisión como un motivo para verificar, nunca como un motivo para creer.
La rutina en tres pasos
- Marca lo específico. Subraya cada nombre, número, fecha y cita de la respuesta.
- Comprueba lo que puedas abrir. Si no encuentras la fuente, el detalle queda sin verificar — no importa lo bien escrito que esté.
- Pide la fuente explícitamente si el dato va a viajar a un documento: una respuesta con referencia comprobable es mucho más útil que una respuesta segura.
Un mal ejemplo
Pide: «Dame el dato de productividad de equipos híbridos con su estudio.»
«Un estudio de 2023 del Instituto para la Investigación del Trabajo encontró un 41% más de productividad, y su autora lo llamó “la mayor ganancia desde la máquina de escribir”.» Todo el paquete — institución, cifra y cita — puede estar fabricado de principio a fin.
Un ejemplo mejor
Pide: «Separa lo que sabes con seguridad de lo que no; para cada cifra, indica la fuente o marca claramente que no la tienes.»
Recibes la misma información con las zonas de riesgo señaladas — y ese etiquetado es lo que te permite decidir qué reutilizar y qué comprobar.
Práctica
Detecta la invención
Un asistente de IA respondió a una pregunta sobre investigación laboral. Ahora mismo no puedes abrir ninguna fuente — solo tienes el texto de abajo.
Selecciona cada parte de la respuesta que no deberías dar por buena tal cual.
La respuesta de la IA
El trabajo híbrido se ha vuelto común en muchas empresas desde 2020. Un estudio de 2023 del Instituto para la Investigación del Trabajo encontró que los equipos híbridos eran un 41% más productivos que los equipos totalmente presenciales, y su autora principal, la Dra. Helena Marsh, lo llamó «la mayor ganancia de productividad desde la máquina de escribir». Los horarios híbridos suelen combinar días de oficina con días en remoto.
Pista
Los sospechosos son los detalles concretos: nombres, números, fechas, citas, referencias.
Las afirmaciones genéricas sin ningún dato medible rara vez son el problema.
Por qué esta es la respuesta
Las alucinaciones se concentran en lo concreto: nombres, fechas, números y citas, además de cualquier referencia que no puedas abrir. Las afirmaciones amplias que las rodean suelen estar bien — y eso es justo lo que hace que los detalles inventados pasen desapercibidos. Trata la precisión como un motivo para verificar, no para creer.
Transferencia
- En documentos: todo número ajeno se comprueba antes de reenviarlo.
- En conversaciones: si un dato decide algo, pide fuente y fecha en la misma respuesta.
- En listas y resúmenes: las afirmaciones amplias suelen estar bien; los detalles concretos, no.
- La regla de oro: verificar no es desconfiar de todo — es saber dónde mirar.
Puntos clave
- La alucinación no busca engañarte: es el resultado de predecir lo plausible.
- Números, fechas, nombres, citas y referencias: ahí se concentra el riesgo.
- La precisión es un motivo para verificar, no para creer.
Next
Continúa con Entrenamiento vs inferencia — qué cambia de verdad una conversación y qué no. La entrada de afirmación sin respaldo describe la forma exacta que adoptan estos errores.