By Kernel Creativo 
Octubre 18, 2026 Alguien le pide a un asistente de inteligencia artificial una cita académica y recibe un título impecable, autores plausibles y un año exacto. El problema es que el artículo no existe. Este fenómeno se conoce como alucinación, y entenderlo es esencial para usar estas herramientas con criterio.
Se llama así a una respuesta que suena coherente y segura pero contiene información falsa, inventada o no respaldada por los datos. Puede ser un dato erróneo, una referencia inexistente, un código que no funciona o una explicación que mezcla hechos reales con detalles imaginarios.
Los modelos de lenguaje no consultan una base de hechos verificados. Generan texto prediciendo qué palabras son probables dadas las anteriores. Cuando no tienen información suficiente, siguen produciendo texto que encaja estadísticamente, aunque no corresponda a la realidad. Su objetivo de entrenamiento es sonar plausible, no necesariamente ser veraz.
Los errores aumentan con preguntas sobre datos muy específicos, nombres poco comunes, cifras precisas, citas textuales, eventos recientes posteriores al entrenamiento o temas con poca presencia en los datos. También ocurren cuando la pregunta contiene una premisa falsa, que el modelo tiende a aceptar.
Existen errores factuales, en los que el modelo contradice hechos conocidos; errores de fidelidad, cuando un resumen añade cosas que el documento original no dice; y errores de razonamiento, donde una cadena de pasos lógicos contiene fallos. Cada tipo requiere estrategias distintas de verificación.
Los desarrolladores usan varias técnicas. La generación aumentada por recuperación hace que el modelo consulte documentos fiables y base su respuesta en ellos. El ajuste con retroalimentación humana enseña a reconocer cuándo no sabe algo. Conectar al modelo con herramientas como calculadoras o buscadores reduce errores en cálculos y datos actualizados.
Verifica los datos importantes con fuentes confiables, desconfía de referencias y enlaces sin comprobar, pide al modelo que indique su nivel de certeza y que cite el pasaje del documento en que se basa. Formula preguntas con contexto y proporciona los textos de referencia cuando sea posible.
En ámbitos como la salud, el derecho o las finanzas, una respuesta inventada puede tener consecuencias graves. Se han dado casos de abogados que presentaron citas judiciales inexistentes generadas por un asistente. En estos contextos, el modelo debe usarse como apoyo y no como fuente final.
La misma capacidad de generar contenido nuevo que provoca alucinaciones es la que permite escribir historias, proponer ideas y reformular textos. Para tareas creativas no es un defecto, sino una característica. El problema surge cuando se espera exactitud factual.
Una regla útil es clasificar la información según su costo de error. Para una idea de regalo, un dato dudoso no importa. Para una dosis de medicamento, una cita legal o una cifra de un informe, es necesario confirmar con la fuente original. Pide al modelo que indique de dónde sacó cada dato y comprueba que el enlace o la referencia existan. Si no puede sustentar una afirmación, trátala como una hipótesis, no como un hecho. Esta disciplina simple elimina la mayor parte de los riesgos prácticos.
Las alucinaciones no son un fallo ocasional sino una característica de cómo funcionan estos modelos. Conocerlas permite aprovechar su potencial sin caer en la falsa seguridad.
