Por qué la IA inventa datos (alucinaciones) y cinco hábitos para que lo haga menos

En 2023, un abogado de Nueva York presentó ante un tribunal federal un escrito con varias sentencias que respaldaban su caso. Ninguna existía. Las había encontrado preguntándole a ChatGPT, que no solo las inventó con nombres, fechas y números de expediente verosímiles, sino que confirmó que eran reales cuando el abogado le preguntó. El caso, conocido como Mata contra Avianca, terminó con una sanción económica para los abogados.

En 2024, un tribunal de Canadá obligó a Air Canada a compensar a un pasajero porque el asistente virtual de su web le había explicado una política de tarifas por duelo que no coincidía con la real. La aerolínea argumentó que el chatbot era responsable de sus propias respuestas; el tribunal no lo aceptó.

Las dos historias tienen el mismo origen: una alucinación, es decir, una respuesta inventada que el modelo presenta con total seguridad. Entender por qué ocurre te ayuda a prevenirla en lugar de descubrirla cuando ya es tarde.

Por qué la IA inventa

Escribe lo plausible, no lo comprobado

Un modelo de lenguaje genera texto prediciendo, pieza a pieza, la continuación más probable (lo explicamos paso a paso en Qué es un modelo de lenguaje). No tiene un paso interno en el que consulte una base de datos de hechos verificados. Si le pides una cita jurídica, la continuación más probable es algo con la forma exacta de una cita jurídica. Que exista no forma parte del cálculo.

Se le ha premiado más por responder que por dudar

Hay una segunda causa, menos intuitiva. En 2025, investigadores de OpenAI publicaron un análisis que atribuye buena parte de las alucinaciones a la forma en que se entrenan y se evalúan los modelos: la mayoría de pruebas puntúan las respuestas como correctas o incorrectas, sin premiar el «no lo sé». En ese sistema, adivinar sale a cuenta, igual que en un examen tipo test sin penalización por fallar. El modelo aprende que una respuesta segura puntúa mejor que una honesta.

Rellena huecos para ser útil

Cuando a tu pregunta le falta información, el modelo tiende a completarla con suposiciones razonables en lugar de preguntarte. Si le pides «el precio del plan empresarial de esta herramienta» sin darle la página de precios, te dará un número con aspecto de real.

Dónde es más probable que invente

No todas las preguntas tienen el mismo riesgo. Ten la guardia más alta cuando pidas:

• Citas, referencias y bibliografía. Títulos de libros, artículos científicos, sentencias, URL concretas.
• Cifras exactas. Porcentajes, precios, fechas, estadísticas de mercado.
• Datos sobre personas o empresas poco conocidas. Cuanto menos aparezcan en internet, más improvisa.
• Normas locales o muy específicas. Requisitos fiscales de un país, reglamentos de una ciudad, políticas internas de una empresa.
• Hechos recientes. Lo que ocurrió después de su fecha de corte, si la aplicación no hace una búsqueda.
• Detalles dentro de documentos largos. Puede atribuir a la página 40 algo que dice la página 4, o mezclar dos secciones (lo vemos en Tokens y ventana de contexto).

En cambio, el riesgo es bajo cuando pides cosas que no dependen de un dato concreto: ideas, reescrituras de tu propio texto, estructuras, borradores, explicaciones de conceptos muy conocidos.

Cinco hábitos para que invente menos

1. Dale la fuente en lugar de pedirle que la recuerde

Es el cambio que más impacto tiene. Si pegas el contrato, la página de precios o el informe, el modelo trabaja sobre ese texto y no sobre su memoria estadística. A esto se le llama grounding, o anclaje a una fuente. Los sistemas de RAG hacen lo mismo de forma automática con tus documentos.

2. Dale permiso explícito para no saber

La documentación de Anthropic sobre cómo reducir alucinaciones recomienda exactamente esto: permitir que el modelo admita incertidumbre. Una línea basta: «Si no tienes información suficiente para responder con seguridad, dilo y explica qué te falta. Prefiero eso a una respuesta inventada».

3. Pide citas textuales antes de la conclusión

Con un documento delante, pide primero los fragmentos literales que sustentan la respuesta y después la respuesta. Si no encuentra un fragmento, no debería afirmar nada sobre ese punto. Y tú puedes comprobar cada cita en segundos con la búsqueda del navegador.

4. Separa los hechos de las opiniones en la respuesta

Pide que marque qué afirmaciones son datos comprobables y cuáles son inferencias o recomendaciones. Además de ayudarte a revisar, obliga al modelo a tratar con más cuidado lo que presenta como hecho.

5. Usa búsqueda web cuando el dato es actual o específico

Si tu asistente tiene búsqueda en internet, actívala para precios, normas, noticias o datos de empresas, y pide que enlace cada afirmación a la página de la que sale. Abre al menos los enlaces de los datos que vayas a usar: un enlace real no garantiza que el texto lo diga.

Un prompt que reúne los cinco hábitos

Responde a la pregunta usando solo el material que te paso abajo.

Reglas:
- Antes de responder, copia literalmente los fragmentos que usarás.
- Marca cada afirmación como [DATO] si sale del material o
  [INFERENCIA] si es una conclusión tuya.
- Si el material no permite responder algo, escribe "No consta en el
  material" y no lo completes con conocimiento general.
- No inventes cifras, nombres, fechas ni enlaces.

Material:
[PEGA AQUÍ EL TEXTO O DOCUMENTO]

Pregunta: [TU PREGUNTA]

Para revisar una respuesta que ya tienes, usa la plantilla Verificar afirmaciones. Para investigar un tema con fuentes reales desde cero, la de Investigación profunda con fuentes.

Lo que estos hábitos no resuelven

Reducir no es eliminar. Incluso con la fuente delante, un modelo puede leer mal una tabla, confundir dos cifras parecidas o resumir de forma engañosa. Por eso la regla final es sencilla: la responsabilidad de lo que publicas, firmas o decides sigue siendo tuya. Cuando la respuesta va a salir de tu chat y afectar a otras personas, revísala con el método de Cómo verificar una respuesta de IA antes de usarla.

Sigue leyendo

• Cómo verificar una respuesta de IA antes de usarla: el método para revisar lo que ya te respondió.
• Qué es un modelo de lenguaje (LLM): por qué escribe lo plausible y no lo comprobado.
• Cómo escribir un prompt que funcione a la primera: contexto, ejemplos y formato para pedir mejor.
• Cómo investigar con IA sin perder el rigor: fuentes primarias, búsquedas y comprobación.
• En el glosario: alucinación y grounding.

Fuentes

• Kalai, A. T., Nachum, O., Vempala, S. S. y Zhang, E. (2025). Why Language Models Hallucinate. arXiv.
• Anthropic. Reduce hallucinations. Documentación de Claude.
• Mata v. Avianca, Inc., No. 22-cv-1461 (PKC), Tribunal de Distrito de los Estados Unidos para el Distrito Sur de Nueva York, resolución de sanciones del 22 de junio de 2023.
• Moffatt v. Air Canada, 2024 BCCRT 149, Civil Resolution Tribunal de Columbia Británica. Cobertura: Global News (febrero de 2024).