Alucinación
Sinónimos: Alucinaciones de IA · Hallucination
Definición ampliada
Una alucinación ocurre cuando un sistema generativo produce una respuesta coherente y plausible que contiene información falsa, inventada o no respaldada por las fuentes disponibles. Puede afectar a hechos, cifras, nombres, referencias bibliográficas, citas o razonamientos.
Los modelos de lenguaje generan texto a partir de patrones estadísticos. La fluidez de una respuesta no garantiza su veracidad, y el sistema puede formular con gran seguridad una afirmación sin fundamento. Las revisiones del fenómeno distinguen tipos, causas, métricas y estrategias de mitigación [1].
Hay dos maneras de clasificarla, según con qué se compare la respuesta. Frente a la fuente que se le dio, es intrínseca si contradice lo que la fuente dice y extrínseca si añade algo que la fuente no dice [2]. Frente al mundo y a la petición, una revisión de 2025 separa los errores de factualidad, afirmar algo falso o inventado, de los de fidelidad, apartarse de las instrucciones, del contexto aportado o de la propia coherencia [3]. Las dos clasificaciones no coinciden: una respuesta puede ser fiel a una fuente equivocada o acertar sin respaldo, como muestra la lámina 04 del Atlas.
Contexto histórico
La generación de contenido no fundamentado se estudiaba ya en sistemas de lenguaje anteriores, pero se hizo mucho más visible con el uso masivo de modelos generativos capaces de producir textos extensos y verosímiles. La revisión de Ji y colaboradores sistematizó en 2023 definiciones, causas, métricas y estrategias de mitigación para este fenómeno [1].
Importancia actual
A fecha de octubre de 2026, la alucinación sigue siendo una limitación central cuando una respuesta debe corresponderse con hechos o fuentes. Recuperación, verificación y supervisión pueden reducir el riesgo, pero ninguna de estas medidas garantiza por sí sola la corrección, especialmente en usos sanitarios o científicos.
Un análisis teórico de 2025, todavía sin revisión por pares, propone que el entrenamiento y las evaluaciones habituales premian arriesgar una respuesta antes que reconocer que no se sabe, como un examen que no penaliza los errores [4].
Aplicaciones
Generales
Conocer este fenómeno es esencial al usar IA para redactar, resumir, investigar o responder preguntas. Las salidas que influyen en una decisión deben contrastarse con fuentes fiables.
Sanitarias
En salud, una alucinación puede inventar una dosis, una contraindicación, una recomendación o una referencia científica. Por ello, el contenido generado no debe sustituir la revisión profesional ni las fuentes clínicas autorizadas. La evaluación médica de modelos avanzados también subraya que utilidad y fluidez conviven con límites y riesgos clínicamente relevantes [5].
Los primeros estudios en uso real matizan dónde está el riesgo. En una evaluación retrospectiva de un sistema de apoyo desplegado en 16 clínicas de atención primaria de Kenia, las alucinaciones aparecieron en el 3,4 % de 1.469 consultas revisadas, sobre todo siglas mal desarrolladas o nombres de fármacos [6]. En un piloto de un solo centro que generaba resúmenes de estancia hospitalaria, los médicos señalaron omisiones en el 25 % de los 100 resúmenes que valoraron, imprecisiones en el 20 % y alucinaciones en el 2 % [7]. Una revisión que solo busca datos inventados deja pasar lo que falta: comprobar una respuesta incluye comprobar qué no dice.
Las referencias son un punto débil. En 800 preguntas médicas, entre el 50 % y el 90 % de las respuestas de siete modelos no estaban del todo respaldadas por las fuentes que ellos mismos citaban; con búsqueda web, en torno al 30 % de las afirmaciones seguían sin respaldo [8]. Un dato falso en la pregunta también arrastra al modelo: con 300 casos clínicos que contenían un detalle inventado, seis modelos lo desarrollaron como si fuera real entre el 50 % y el 82 % de las veces, según el modelo y la forma de preguntar, y una instrucción de cautela lo redujo sin eliminarlo [9].
Limitaciones
- La detección automática de alucinaciones sigue siendo imperfecta.
- Una respuesta puede combinar datos correctos e incorrectos de forma difícil de reconocer.
- Pedir citas no garantiza que las referencias existan ni que digan lo que se les atribuye [8].
- La recuperación de información y la conexión a fuentes pueden reducir el problema, pero no lo eliminan.
- Las tasas observadas dependen de la tarea, del sistema y de cómo se define y revisa el error: no son trasladables de un estudio a otro.
Ejemplos
- Inventar una biografía verosímil de una persona inexistente.
- Atribuir un resultado a un artículo que no lo contiene.
- Recomendar una dosis equivocada con lenguaje clínico convincente.
- Fabricar una sentencia o una referencia bibliográfica.
Relacionados
Referencias
En el Atlas visual: Fiel a la fuente, fiel al mundo