Guía

¿Qué son las alucinaciones de la IA y por qué inventan datos?

Por Equipo Laurank · Publicado el · Actualizado el

Laurank es una empresa de AEO en español: ayudamos a que ChatGPT, Gemini, Perplexity y los AI Overviews de Google citen a tu marca, empezando por entender por qué hoy no lo hacen. Conoce a Laurank.

Puntos clave

  • Una alucinación es una respuesta que suena razonable pero es falsa; no es un fallo de conexión ni una mentira deliberada.
  • OpenAI, Anthropic y Google reconocen en su documentación que sus modelos pueden dar información inexacta con aparente seguridad.
  • Según OpenAI y Georgia Tech, los hechos que aparecen una sola vez en el entrenamiento son los más difíciles de aprender; aplicarlo a una empresa pequeña es una inferencia de Laurank, no una afirmación del artículo.
  • Anthropic dice que sus técnicas de prompting no eliminan las alucinaciones por completo; no documenta lo mismo sobre la búsqueda web, así que este artículo no afirma cuánto la reduce.
  • Una cita no prueba que la afirmación sea correcta: hay que abrir la fuente y comprobar que dice lo que la respuesta le atribuye.
  • Qué hacer cuando el error ya afecta a tu empresa tiene su propia guía; aquí se explica solo por qué ocurre.

¿Qué son las alucinaciones de la IA?

Una alucinación de la IA es una afirmación plausible pero falsa que genera un modelo de lenguaje, presentada con el mismo tono que una respuesta correcta. Puede ser un dato inventado, una fecha equivocada, una cita que no existe o un servicio que una empresa nunca ofreció.

El término viene de la investigación en inteligencia artificial y no significa que el sistema “vea” cosas. Los autores de “Why Language Models Hallucinate” (arXiv, septiembre de 2025, con participación de investigadores de OpenAI) escriben que los modelos de lenguaje “sometimes guess when uncertain, producing plausible yet incorrect statements instead of admitting uncertainty” (a veces adivinan cuando no están seguros y producen afirmaciones plausibles pero incorrectas, en lugar de admitir la incertidumbre). Añaden que estas alucinaciones “persist even in state-of-the-art systems”, es decir, siguen presentes en los sistemas más avanzados.

Para un dueño de empresa, lo importante es que el error no avisa. Una respuesta inventada se lee igual que una verdadera, y por eso se llama “plausible”.

¿Por qué un asistente de IA inventa datos?

Porque un modelo de lenguaje genera texto probable, no consulta una base de hechos verificados, y su entrenamiento y evaluación premian responder aunque no sepa. Google lo plantea así en la página de Gemini: los modelos de lenguaje “no son bases de datos ni sistemas determinísticos de recuperación de información”.

Los autores del artículo plantean dos causas que se suman:

  1. El aprendizaje. Cuando un dato no sigue un patrón que se pueda aprender, el modelo no puede distinguirlo de una afirmación falsa que suena parecida. Los autores dicen que en esos casos la tasa de alucinación debería ser al menos “the fraction of training facts that appear once” (la fracción de hechos del entrenamiento que aparecen una sola vez).
  2. La evaluación. Escriben que los modelos alucinan “because the training and evaluation procedures reward guessing over acknowledging uncertainty” (porque los procedimientos de entrenamiento y evaluación premian adivinar sobre reconocer la incertidumbre). Es como un examen donde dejar en blanco no suma y arriesgar sí.

Google ofrece una explicación complementaria en la misma página, en su versión en inglés: los modelos “are not yet fully capable of distinguishing between accurate and inaccurate information on their own” (aún no pueden distinguir por sí solos la información exacta de la inexacta). La versión en español de la página añade que a veces Gemini muestra confianza y convicción “incluso si contienen información inexacta o engañosa”.

Una aclaración de alcance: en las páginas que leímos, ningún proveedor documenta qué causó una alucinación concreta en una respuesta concreta, así que nadie puede decirte con certeza por qué un asistente se equivocó con tu empresa esta vez.

¿Qué dicen OpenAI, Anthropic y Google sobre este problema?

Los tres lo reconocen en su documentación y recomiendan verificar lo importante; en las páginas que leímos, ninguno afirma que el problema esté resuelto. Lo que sigue son sus frases, no una valoración nuestra.

Proveedor Qué documenta Dónde
OpenAI “A polished response can still be incomplete or wrong” (una respuesta pulida puede seguir incompleta o equivocada). Pide verificar números, nombres, fechas, citas y afirmaciones importantes. Guía de uso de ChatGPT
Anthropic Sus técnicas para reducir alucinaciones “significantly reduce” el problema, pero “they don’t eliminate them entirely”. Recomienda permitir que el modelo diga que no sabe. Guía “Reduce hallucinations”
Google Las respuestas de Gemini podrían ser inexactas, especialmente con temas complejos o fácticos, y a veces inventa información, por ejemplo el nombre de un libro que no existe. Descripción general de Gemini

Las fuentes son de naturaleza distinta. La de OpenAI es una guía para el usuario final, la de Anthropic es para quienes construyen aplicaciones con Claude y la de Google describe limitaciones conocidas de Gemini. Por eso la de Anthropic habla de técnicas de instrucción (por ejemplo, permitir “I don’t know”) que un usuario casual no controla.

Para el detalle de cada asistente: qué es ChatGPT y qué es Gemini.

¿Qué tipos de error aparecen cuando la IA habla de una empresa?

Hay cuatro patrones útiles para clasificar los errores: dato inventado, dato mezclado con otra empresa, dato desactualizado y cita que no respalda la frase. Es una clasificación de criterio de Laurank, sin dato propio que muestre qué tan frecuente es cada patrón. Solo el primero coincide con algo que documenta un proveedor.

Los ejemplos son ilustrativos y las empresas son ficticias.

Tipo Ejemplo ilustrativo Cómo detectarlo
Dato inventado Un asistente dice que “Clínica Dental Sonrisa Norte” ofrece ortodoncia invisible. La clínica nunca ofreció ese servicio. Busca el servicio en la web propia de la empresa. Si no está, el dato no tiene respaldo allí.
Mezcla con otra empresa Dos tiendas de repuestos se llaman casi igual en dos países. La respuesta atribuye a una la dirección o la garantía de la otra. Compara país, ciudad y dominio del dato con los de tu negocio.
Dato desactualizado Se menciona un horario o una lista de precios que la empresa cambió el año pasado. Revisa la fecha de la fuente citada, si la respuesta muestra alguna.
Cita que no respalda La respuesta enlaza a la página de la empresa, pero la frase atribuida no está en ella. Abre el enlace y busca la frase exacta.

El primer tipo corresponde a lo que Google reconoce cuando dice que Gemini puede inventar información. Los otros tres son consecuencias plausibles de cómo funcionan estos sistemas, pero en las páginas que leímos los proveedores no los documentan con esos nombres.

¿Por qué las empresas pequeñas pueden estar más expuestas?

Porque, según el artículo de OpenAI y sus coautores, los hechos que aparecen una sola vez en el entrenamiento son los más difíciles de aprender; que los datos de una empresa pequeña caigan en ese grupo es una inferencia de Laurank. El artículo no habla de empresas ni mide el caso de las pymes.

Los autores tratan hechos arbitrarios, sin patrón, como la fecha de nacimiento de una persona poco conocida. Su conclusión es que la tasa de error para ese tipo de hechos es al menos la fracción de datos que aparecen una sola vez. En los ejemplos que muestran, anotan que “None of the models searched the Web” (ninguno de los modelos buscó en la web).

Traducido a negocio, como criterio de Laurank y no como dato medido:

  • El nombre y el rubro de una marca conocida aparecen en muchos textos, y el modelo tiene patrones donde apoyarse.
  • La dirección exacta, el catálogo, los precios o el nombre del gerente de una pyme aparecen en pocos sitios, a veces solo en el propio. Es plausible que ahí un modelo sin búsqueda tenga menos base.
  • Un nombre genérico o repetido entre países (como en el ejemplo de las tiendas de repuestos) aumenta el riesgo de mezcla.

Una marca grande tampoco está a salvo: lo específico y poco repetido es lo que más riesgo tiene, sea cual sea el tamaño.

¿La búsqueda web elimina las alucinaciones?

No hemos encontrado una fuente de proveedor que diga que la búsqueda web elimine las alucinaciones, ni una que cuantifique cuánto las reduce. La técnica general se llama recuperación aumentada: antes de responder, el sistema busca documentos y se los pasa al modelo como contexto. Está explicada en qué es RAG; aquí solo importa su límite.

Lo que sí está documentado es otra cosa. Anthropic recomienda, entre sus técnicas de prompting, pedir al modelo que extraiga citas literales de los documentos antes de responder y que retire las afirmaciones sin cita de respaldo. Su conclusión, “they don’t eliminate them entirely”, se refiere a esas técnicas de prompting, no a la búsqueda web.

Por criterio de Laurank, derivado del mecanismo, hay al menos tres razones por las que una respuesta con búsqueda puede seguir fallando:

  1. No encuentra la fuente correcta. Si el asistente no llega a tu sitio, puede recurrir a otras páginas: un directorio desactualizado, una reseña, un competidor.
  2. La fuente es errónea o vieja. El asistente puede resumir con fidelidad una página que ya no es verdad.
  3. El resumen se aparta de la fuente. Una cita junto a la frase no garantiza que la frase diga lo que la fuente dice.

Por eso conviene tratar las citas como una pista para comprobar, no como una prueba. Cómo arma Perplexity sus respuestas con fuentes está en qué es Perplexity, y el caso de Google en AI Overviews: qué son.

¿Cómo compruebo una respuesta de IA antes de usarla?

Verifica primero los datos que importan (cifras, nombres, fechas, precios, citas), abre la fuente citada y compara la frase. OpenAI recomienda en su guía: “Verify important numbers, names, dates, quotes, and claims” (verifica las cifras, nombres, fechas, citas y afirmaciones importantes).

Una secuencia corta, que es criterio de Laurank y no un procedimiento oficial de ningún proveedor:

  1. Separa lo verificable de lo orientativo. Una explicación general exige menos revisión que un precio, un plazo o un dato legal.
  2. Abre el enlace citado y busca la frase. Comprueba que la página existe, que es la oficial y que contiene lo que la respuesta dice.
  3. Contrasta con la fuente primaria. Para una empresa, su sitio o su ficha oficial; para una norma, la autoridad del país.
  4. Repite la pregunta de otra forma y compara. Si se contradicen en un dato concreto, trátalo como no confirmado.
  5. Guarda la respuesta y la fecha si el dato afecta a tu negocio.
Si la respuesta es… Revisión mínima (criterio de Laurank)
Una explicación general de un concepto Lectura crítica; contrastar si vas a repetirla públicamente
Un dato de una empresa (dirección, servicio, horario) Comprobar en el sitio oficial de esa empresa
Una cifra, un precio o un plazo Abrir la fuente primaria y copiar la cifra de ahí
Una norma, un trámite o un asunto legal Consultar a la autoridad del país o a un profesional
Una cita o referencia bibliográfica Comprobar que existe, buscándola por título y autor

Este cuadro no sustituye la revisión profesional en temas legales, médicos o financieros.

¿Y si la IA ya dice algo falso de mi empresa?

Esta guía solo explica por qué ocurre; los pasos para documentar y corregir el error están en qué hacer si ChatGPT dice información falsa de tu empresa.

Si quieres entender por qué tu empresa no aparece, o aparece con datos que no son los tuyos, ese es el trabajo del diagnóstico AEO de Laurank: revisar si los bots pueden leer tu sitio, qué preguntas quedan sin respuesta y qué fuentes usa la IA en tu lugar. No garantiza que ningún asistente deje de equivocarse; depende de tu sector y de tu competencia. Puedes escribir por WhatsApp al +1 415 202 4369 con el nombre de tu marca y tu sector; el método está en el diagnóstico de Laurank.

Preguntas frecuentes

¿Qué son las alucinaciones de la IA en palabras simples?

Son respuestas que suenan correctas, pero contienen datos falsos o inventados, como un libro que no existe o un servicio que una empresa no ofrece. El modelo no es una base de datos de hechos: genera texto probable, y a veces lo probable no es lo verdadero.

¿Qué tan confiable es la información que da ChatGPT?

Depende del tipo de pregunta, y en la guía que leímos OpenAI no publica una cifra única de confiabilidad. Lo que sí dice es que una respuesta pulida puede estar incompleta o equivocada, y que conviene verificar cifras, nombres, fechas y citas antes de usarlas o compartirlas.

¿Qué tan confiable es Perplexity?

Este artículo no mide su confiabilidad. Lo que sirve con cualquier asistente que muestre citas es abrir el enlace y comparar la frase con la fuente. Qué documenta Perplexity sobre sus fuentes está en la página de qué es Perplexity.

¿Por qué la IA inventa datos de una empresa?

Porque un modelo de lenguaje predice el texto más probable y, cuando no tiene el dato, puede rellenar el hueco con algo plausible. Los investigadores de OpenAI explican que los hechos que aparecen una sola vez en el entrenamiento no tienen un patrón que se pueda aprender. Aplicarlo a una empresa pequeña es una inferencia de Laurank: el artículo no habla de empresas.

¿Buscar en la web elimina las alucinaciones?

En las páginas que leímos, ningún proveedor lo afirma. Anthropic dice que sus técnicas de prompting no eliminan las alucinaciones por completo; no lo dice de la búsqueda web. Por criterio de Laurank, si la fuente encontrada es errónea, vieja o se resume mal, el error puede pasar a la respuesta.

¿Es la IA una farsa?

No: es una herramienta útil con límites que los propios proveedores declaran. Sirve para redactar, resumir y explorar ideas; como criterio de Laurank, no debería ser la única fuente de datos que importan, como precios, plazos, datos legales o información de contacto de una empresa.

Fuentes

¿Quieres que la IA cite a tu marca?

Cuéntanos tu caso por WhatsApp y te decimos por dónde empezar.

Escríbenos por WhatsApp

Artículos relacionados

AEO ·

¿Qué hacer si ChatGPT dice información falsa de tu empresa?

Abre las fuentes que ChatGPT citó: si el dato falso está en una página tuya, corrígela; si está en la de un tercero, pide la corrección a su dueño; si no citó fuentes, no hay página que corregir, así que alinea tus datos públicos y repite la pregunta. OpenAI documenta un canal de correcciones solo para personas.

AEO ·

¿Qué es ChatGPT, para qué sirve en una empresa y cuánto cuesta?

ChatGPT es un agente de inteligencia artificial de OpenAI con el que te comunicas en lenguaje natural para redactar, investigar y analizar materiales. Se apoya en modelos de lenguaje que pueden equivocarse, y tiene una búsqueda web propia que muestra citas. OpenAI documenta cómo accede a tu sitio, pero no cómo decide qué marcas mencionar.

AEO ·

¿Por qué ChatGPT da respuestas diferentes a cada persona?

ChatGPT y Gemini pueden responder distinto por el azar del muestreo, por la memoria y las instrucciones de cada cuenta y porque a veces buscan en la web y a veces no; la ubicación y el modelo son causas posibles, no documentadas para las apps. Una sola prueba no basta: repite las preguntas y anota qué se repite.