Qué es una alucinación de IA (y cómo detectarla antes de que te cueste caro).

Uno de los momentos más incómodos al usar IA es descubrir, después de haber confiado en una respuesta, que una parte era completamente inventada — pero sonaba igual de segura que el resto. Eso es una alucinación, y entender por qué pasa te ahorra problemas reales.

Qué es exactamente una alucinación

Una alucinación de IA ocurre cuando el modelo genera información que suena convincente y segura, pero que es falsa, inventada o no corresponde con la realidad. No es un "error" en el sentido de un bug o una falla técnica — es el modelo haciendo exactamente lo que hace siempre (predecir la palabra más probable), solo que en ese caso la secuencia más probable no coincide con un hecho real.

Por qué pasa (la razón técnica, simple)

Un modelo de lenguaje no tiene una base de datos donde "busca la verdad" antes de responder. Genera texto palabra por palabra, calculando cuál es la más probable a partir de todo lo que aprendió durante su entrenamiento. La mayoría de las veces esa predicción coincide con la realidad, porque el mundo real fue parte de lo que aprendió. Pero cuando le preguntas algo muy específico, poco común, o directamente fuera de lo que aprendió, el modelo sigue generando la secuencia más probable de todos modos — solo que ahora esa secuencia no está anclada a ningún hecho real.

Ejemplos reales de dónde suelen aparecer

• Citas y referencias. Nombres de estudios, artículos o libros que suenan reales pero no existen, o que existen pero dicen algo distinto a lo citado.
• Datos numéricos específicos. Fechas, cifras exactas o estadísticas que el modelo "redondea" hacia algo plausible en vez de decir que no las tiene con certeza.
• Funciones o librerías de código que no existen. El modelo puede inventar un método o parámetro que "debería" existir por cómo se nombran otros similares, aunque nunca haya sido parte del lenguaje o la librería real.
• Detalles legales o médicos. Artículos de ley, nombres de medicamentos o dosis que suenan correctos pero no corresponden con la fuente real — aquí es donde una alucinación puede ser más costosa.

Cómo detectarlas antes de que te cuesten algo

1. Pide la fuente explícitamente. "¿De dónde sacaste ese dato?" — si el modelo no puede señalar algo verificable, trátalo como no confirmado.
2. Verifica manualmente lo crítico. Cualquier cifra, cita o dato que vaya a usarse en una decisión importante (legal, financiera, médica, académica) se verifica siempre en la fuente original, sin excepción.
3. Usa herramientas con búsqueda activa cuando la actualidad importa. Un modelo con acceso a búsqueda web en tiempo real reduce (no elimina) el riesgo en temas recientes o muy específicos.
4. Pídele al modelo que distinga entre lo que sabe con certeza y lo que no. Preguntas como "¿qué tan seguro estás de esto?" o "dime si hay algo aquí que no puedas confirmar" ayudan, aunque no son infalibles.
5. Desconfía más de las respuestas "perfectas". Si algo parece demasiado completo, específico y ordenado para un tema que normalmente es confuso o disputado, es una señal de alerta.

Cuándo importa más (y cuándo casi no importa)

No toda alucinación tiene el mismo costo. Usar IA para hacer una lluvia de ideas de nombres para tu negocio: si inventa algo, no pasa nada, lo descartas. Usar IA para citar una ley, calcular una dosis médica o dar una cifra financiera que va directo a un informe: ahí una alucinación sin detectar puede costarte dinero, credibilidad o algo peor. La regla práctica: entre más alto el costo de estar equivocado, más tiempo vale la pena invertir en verificar.