Uno de los términos más citados y menos entendidos de la inteligencia artificial es «alucinación»: el momento en que un modelo genera información falsa, inventada o sin respaldo, presentada con la misma seguridad que un dato correcto. Entender por qué ocurre —y por qué no es un simple «error»— es clave para usar estas herramientas con criterio.
Qué es exactamente una alucinación
OpenAI la define como una instancia en la que el modelo genera con confianza una respuesta que no es cierta. No es una falla ocasional del sistema: es una consecuencia directa de cómo se entrenan y evalúan estos modelos. Un modelo de lenguaje no «sabe» hechos como una base de datos; predice, palabra por palabra, cuál es la continuación más probable de un texto según patrones aprendidos de billones de palabras.
El hallazgo clave: adivinar rinde más que admitir «no sé»
Una investigación de OpenAI publicada en 2025 identificó la causa estructural del problema: los esquemas de entrenamiento y evaluación actuales premian que el modelo adivine con confianza en lugar de admitir incertidumbre. La mayoría de los sistemas de evaluación penalizan las respuestas del tipo «no lo sé», de la misma forma en que un examen de opción múltiple castiga dejar una pregunta en blanco. Como resultado, el modelo aprende que arriesgar una respuesta —aunque sea inventada— produce mejores resultados que reconocer los límites de su conocimiento.
No hay una sola «tasa de alucinación»
Distintos estudios miden el problema de forma distinta, y las cifras varían mucho según la dificultad de la tarea. En benchmarks controlados de resumen de textos, algunos modelos parecen muy confiables; pero en tareas más exigentes la tasa de error sube de forma marcada. Investigadores de Stanford encontraron que herramientas de IA legal especializadas alucinan entre el 17% y más del 34% de las veces en consultas jurídicas complejas, y un estudio de Stanford RegLab encontró tasas de entre 69% y 88% en preguntas legales específicas. La revista Columbia Journalism Review encontró que ocho herramientas de búsqueda generativa dieron respuestas incorrectas en más del 60% de las consultas sobre citas periodísticas.
Por qué las alucinaciones importan para el fact-checking
El riesgo no es solo que la IA se equivoque, sino que lo haga con el mismo tono seguro con el que da una respuesta correcta, sin ninguna señal visible de duda. Esto vuelve especialmente importante nunca usar un modelo de IA como fuente primaria de un dato verificable —una cifra, una cita, una fecha— sin contrastarlo con una fuente original. La alucinación no se puede eliminar por completo con la tecnología actual: solo se puede mitigar con verificación humana y cruce de fuentes.
Fuentes
– OpenAI, «Why language models hallucinate» — https://openai.com/index/why-language-models-hallucinate/
– Science | AAAS, «AI hallucinates because it’s trained to fake answers it doesn’t know» — https://www.science.org/content/article/ai-hallucinates-because-it-s-trained-fake-answers-it-doesn-t-know
– Suprmind, «AI Hallucination Statistics 2026: 50+ Sourced Data Points» — https://suprmind.ai/hub/insights/ai-hallucination-statistics-research-report-2026/
– Suprmind, «Which AI Hallucinates Least? June 2026 Benchmark Rates Data» — https://suprmind.ai/hub/ai-hallucination-rates-and-benchmarks/
– Duke University Libraries, «It’s 2026. Why Are LLMs Still Hallucinating?» — https://blogs.library.duke.edu/blog/2026/01/05/its-2026-why-are-llms-still-hallucinating/
