Glosario de IA · Seguridad y regulación
Alucinación
En una frase
Una alucinación es una respuesta de un modelo de IA que suena convincente pero es falsa o no se apoya en ninguna fuente: un dato, una cita, un precio o una referencia que el modelo se inventa al generar el texto más probable.
También se llama: alucinación de la IA · alucinaciones de ChatGPT · confabulación · AI hallucination
¿Qué es una alucinación?
El término viene de la psicología, pero en IA significa algo más prosaico: el modelo afirma algo que no es verdad, y lo hace con la misma seguridad con la que afirma lo que sí lo es. Puede ser una fecha, un artículo de una ley que no existe, una cita atribuida a quien nunca la dijo o el horario de una tienda que se ha imaginado.
Llévalo a tu empresa
Agentes de IA para atender a tus clientes
Desde 49 €/mes + IVA
Voz, WhatsApp y email con la línea incluida: agente, números y CRM en la misma cuota.
Ver planes y preciosUno de los casos más citados ocurrió en 2023 en Estados Unidos: un abogado presentó ante un tribunal un escrito con sentencias que había generado un chatbot. Las sentencias no existían y el abogado fue sancionado.
Las alucinaciones no son un fallo puntual de un modelo concreto. Son una consecuencia de cómo funciona cualquier LLM.
Relacionado con este término
Agentes UTIO
- Atienden 24/7 en 26 idiomas
- Montarlo tú cuesta 0 €: se crea leyendo tu web
- Prueba de 14 días sin tarjeta
Desde 49 €/mes + IVA
Ver planes y preciosCómo funciona
Un modelo de lenguaje genera texto eligiendo, token a token, lo que es más probable que venga después. No consulta una base de datos de hechos. Por eso:
- Si el dato no está en lo que aprendió, o aparecía poco, el modelo rellena el hueco con algo verosímil.
- Si la pregunta da algo por supuesto, como «¿a qué hora abre vuestra tienda de Toledo?» cuando no hay tienda en Toledo, el modelo tiende a seguirle la corriente.
- Si la temperatura es alta, aumenta el azar en la elección de palabras, y con él el riesgo.
Lo que más las reduce:
- Darle las fuentes: con RAG, el modelo responde a partir de tus documentos, no de memoria.
- Instruirle para que no responda lo que no está en esas fuentes y pueda decir «no lo sé».
- Revisar lo importante antes de que llegue a un cliente.
Los modelos de razonamiento y el fine-tuning pueden mejorar la precisión en algunas tareas, pero no eliminan el problema.
Ejemplo
Una cadena de ópticas de Murcia prueba un chatbot genérico en su web. Un cliente pregunta si aceptan una mutua concreta y el chatbot responde que sí, con un porcentaje de descuento. Ni la mutua ni el descuento existen en sus acuerdos: el modelo los ha deducido de que «las ópticas suelen trabajar con mutuas».
La óptica cambia de enfoque: carga su lista real de mutuas y condiciones como base de conocimiento e instruye al asistente para que, si una mutua no aparece en la lista, lo diga y pase la consulta al equipo.
Las alucinaciones en UTIO
Los agentes de UTIO responden con tu base de conocimiento. En la vertical de soporte, lo que no está en la documentación no se responde: el agente toma nota y abre un ticket en el CRM. Además, la autonomía es gradual: puedes empezar en modo borrador, con una persona aprobando cada respuesta.
El agente de contenidos aplica la misma idea a lo que publicas: no publica una cifra sin fuente; si no la tiene, para la campaña y te dice qué frase falta respaldar. Así un agente de IA habla en tu nombre sin inventarse lo que no sabe.
Preguntas frecuentes
¿Por qué la IA se inventa cosas?
Porque un modelo de lenguaje está entrenado para producir el texto más probable, no para comprobar si es cierto. Cuando no tiene el dato, rara vez dice «no lo sé» por iniciativa propia: completa el hueco con algo que encaja en la frase. Por eso las alucinaciones suenan tan seguras.
¿Se pueden eliminar las alucinaciones por completo?
Hoy no. Se pueden reducir mucho: dando al modelo las fuentes en cada consulta, pidiéndole que solo responda con ellas, permitiéndole decir que no sabe y revisando lo importante antes de publicarlo o enviarlo a un cliente.
¿Quién responde si un chatbot de mi empresa da un dato falso?
Ante tu cliente, normalmente tu empresa: el asistente habla en tu nombre. Ha habido casos en tribunales en los que una empresa tuvo que asumir lo que dijo su chatbot. Por eso conviene limitar lo que puede afirmar y derivar a una persona lo que no tiene en sus fuentes.
Términos relacionados
- RAG
RAG (generación aumentada por recuperación) es una técnica que hace que un modelo de lenguaje busque primero en tus documentos los fragmentos relevantes y redacte la respuesta a partir de ellos, en lugar de contestar solo de memoria.
- Grounding
El grounding o anclaje es la práctica de hacer que un modelo de IA base sus respuestas en fuentes concretas y verificables, como tus documentos, una base de datos o una búsqueda, en lugar de en lo que recuerda de su entrenamiento.
- Guardrails
Los guardrails son las barreras que se ponen alrededor de un modelo de IA para que no se salga de lo permitido: filtros de lo que entra y sale, límites de temas y de acciones, y reglas para pasar el caso a una persona cuando hace falta.
- Base de conocimiento
Una base de conocimiento es el conjunto ordenado de información de una empresa (preguntas frecuentes, condiciones, horarios, fichas de producto, procedimientos) del que un agente de IA o un equipo saca las respuestas.
- Temperatura
La temperatura es un ajuste de los modelos de lenguaje que controla cuánto azar hay al elegir cada token. Con valores bajos, el modelo escoge casi siempre la opción más probable y responde de forma predecible; con valores altos, varía más y resulta más creativo.
Actualizado el