Alucinação é quando um sistema de inteligência artificial afirma algo falso com a mesma segurança com que afirma algo verdadeiro. Não é bug nem defeito de um modelo específico: é consequência direta de como esses sistemas funcionam.
Adicione ao Google NotíciasNeste artigo
O nome é infeliz, porque sugere uma falha rara e esquisita. Na prática é rotina. Quem usa ChatGPT, Gemini ou Claude para pesquisar já recebeu uma lei que não existe, um artigo científico inventado ou um preço que nunca foi praticado — sempre no mesmo tom convicto. É um dos termos mais importantes do glossário de IA justamente porque explica o limite prático dessas ferramentas.
Como funciona na prática
Um modelo de linguagem não consulta um banco de dados para responder. Ele prevê, palavra por palavra, qual continuação é mais provável dado tudo que veio antes. Quando a informação existe no que ele aprendeu, a previsão coincide com a verdade. Quando não existe, o modelo não trava nem avisa: ele gera a continuação mais plausível — que é exatamente o que uma resposta correta pareceria.
Daí vem a característica mais perigosa da alucinação: o texto errado tem a mesma aparência do texto certo. Não há hesitação, ressalva ou mudança de tom. Um CNPJ inventado tem 14 dígitos. Uma citação falsa tem autor, ano e periódico. Um artigo de lei imaginário tem número e redação convincente.
Modelos mais recentes alucinam menos que os de 2023, e os que fazem busca na web antes de responder erram bem menos em fatos atuais. Mas nenhum eliminou o problema, porque ele não é um defeito a ser corrigido — é o custo de um sistema que sempre produz uma resposta.
Onde o erro aparece com mais frequência
A alucinação não é distribuída por igual. Ela se concentra em padrões previsíveis:
Números e datas específicos. Preço, população, faturamento, data de lançamento. Quanto mais preciso o dado pedido, maior a chance de invenção.
Citações e fontes. Pedir "cite os estudos" é o convite mais eficiente para receber referências que não existem — com autores reais e títulos falsos.
Legislação e processos. Números de lei, artigos e jurisprudência brasileira são território de risco alto.
Assuntos locais e recentes. Um evento em cidade pequena ou algo que aconteceu depois do treinamento tende a ser preenchido com plausibilidade.
Pessoas pouco conhecidas. Sobre alguém sem presença ampla na internet, o modelo monta uma biografia verossímil do nada.
Como perceber sem perder tempo
O teste mais rápido é pedir a fonte e conferir se ela existe — não se ela parece boa, mas se abre. Fonte inventada morre nesse passo em dez segundos.
O segundo é perguntar de novo, em outra conversa, sem dar pista da resposta anterior. Fato real tende a se repetir igual; invenção costuma mudar de número, de data ou de nome entre uma tentativa e outra.
E há um ajuste de instrução que reduz muito o problema: dizer explicitamente "se você não tiver certeza, responda que não sabe". Não resolve sempre, mas dá ao modelo permissão para não preencher o vazio — coisa que, sem o pedido, ele raramente faz.
Quando importa e quando não importa
Para redigir um e-mail, resumir um texto que você colou ou reescrever um parágrafo, a alucinação quase não é um risco: o material está ali e você conhece o assunto. É por isso que essas tarefas funcionam tão bem.
O risco aparece quando a IA vira fonte de informação — pesquisa jurídica, dado de mercado, orientação médica, cálculo fiscal. Aí a regra prática é simples: use a IA para organizar e explicar o que você já tem, e não para descobrir o que você não sabe conferir.
Alucinação e os termos vizinhos
Alucinação não é o mesmo que viés: viés é reproduzir com precisão um padrão distorcido que existe nos dados; alucinação é produzir algo que não existe em lugar nenhum.
Também não é a mesma coisa que estar desatualizado. Um modelo que não conhece um evento recente por causa do corte de treinamento está incompleto, não alucinando — o problema vira alucinação quando, em vez de dizer que não sabe, ele inventa o desfecho.
Perguntas frequentes
Por que a IA inventa informação em vez de dizer que não sabe?
Porque ela é treinada para produzir a continuação mais provável de um texto, não para avaliar se tem base suficiente. Dizer "não sei" é estatisticamente raro nos dados de treinamento, então o modelo tende a preencher a lacuna com algo plausível. Pedir explicitamente que ele admita incerteza reduz o comportamento.
Os modelos mais novos ainda alucinam?
Sim, embora bem menos que os de 2023. Modelos que consultam a web antes de responder erram menos em fatos verificáveis e atuais, mas nenhum eliminou o problema — ele decorre do funcionamento do sistema, não de uma falha pontual que uma versão nova corrige.
Como saber se a resposta da IA é confiável?
Peça a fonte e abra o link: referência inventada não resiste a esse teste. Repetir a pergunta em outra conversa também ajuda — dado real se repete, invenção costuma variar. E desconfie especialmente de números exatos, citações acadêmicas e artigos de lei.
Existe IA que não alucina?
Não. Há sistemas que erram menos, sobretudo os que buscam a informação em fontes externas antes de responder em vez de depender só do que memorizaram. Mas qualquer ferramenta que sempre entrega uma resposta pode entregar uma resposta errada com confiança.
