Faça uma pergunta a um chatbot e ele quase sempre responde - de forma fluente, confiante e, por vezes, totalmente errada. Esse erro confiante tem um nome: alucinação de IA. É a razão principal pela qual não pode aceitar nenhuma resposta de IA sem questionar. Aqui fica o que é e porque acontece.
A resposta curta
Uma alucinação de IA acontece quando um modelo afirma algo falso como se fosse verdade. Não é mentira intencional - o modelo não tem qualquer noção de verdade. Ele produz a continuação mais plausível da sua pergunta e, quando a resposta mais plausível calha estar errada, surge uma alucinação: uma citação falsa, uma estatística inventada, uma função que não existe.
Porque é que os modelos de IA alucinam
A causa está na própria forma como estes modelos funcionam. Um modelo de linguagem de grande escala é treinado para prever a palavra seguinte - para continuar o texto da maneira estatisticamente mais provável. Ele não consulta nada; não tem uma base de dados interna de factos verificados. Por isso, quando não "sabe" mesmo uma resposta, não para. Preenche o vazio com palavras que encaixam no padrão - palavras que podem soar a perito e ainda assim ser inventadas.
O aspeto das alucinações
Quando conhece o padrão, passa a vê-lo em todo o lado:
- Citações falsas - livros, artigos ou URLs que parecem reais mas não existem.
- Factos e números inventados - estatísticas confiantes sem qualquer fonte.
- Código errado - funções ou métodos de bibliotecas que nunca fizeram parte da API.
- Frases inventadas - palavras atribuídas a pessoas reais que nunca as disseram.
O sinal revelador é que tudo soa certo. Fluência não é exatidão.
Como reduzir as alucinações
Hoje não consegue eliminar as alucinações por completo, mas pode reduzi-las muito. A maior alavanca é ancorar o modelo em fontes reais - técnicas como a geração aumentada por recuperação dão-lhe documentos reais a partir dos quais responder, em vez de depender da memória. Para além disso: peça ao modelo que cite as fontes, mantenha as perguntas específicas e reserve-o para tarefas de baixo risco. Acima de tudo, verifique tudo o que importa confrontando-o com uma fonte primária antes de agir.
O mecanismo: porque a alucinação é intrínseca
Ajuda ver exatamente onde entra a falsidade. Em cada passo, o modelo produz uma distribuição de probabilidade sobre as possíveis palavras seguintes (os «tokens») e escolhe uma. Várias propriedades desse processo tornam a alucinação inevitável, e não acidental:
- Sem verificação interna da verdade. O modelo otimiza a continuação plausível, não o facto correto. Não há um módulo à parte que pergunte «isto é verdade?» - apenas «isto é texto provável?».
- Quase nunca se abstém. A amostragem devolve sempre algo. Perante uma lacuna no seu conhecimento, o modelo não responde «não sei» por omissão; produz o preenchimento que parece mais plausível. O tom confiante é igualmente provável quer a afirmação de fundo esteja certa quer esteja errada.
- Compressão e lacunas. O treino comprime uma enorme quantidade de texto em pesos fixos. Factos raros, números exatos, nomes e citações são justamente os detalhes mais facilmente desfocados ou trocados, por isso os dados concretos (um número de página, um DOI, um método de uma API) são as saídas mais arriscadas.
- Data de corte e ambiguidade. Tudo o que é posterior à data de corte do treino, ou qualquer pergunta pouco definida, empurra-o a adivinhar. O palpite é entregue no mesmo tom fluente e confiante de um facto verificado.
- O ajuste pode amplificar a confiança. Modelos afinados para serem prestáveis e assertivos podem soar ainda mais seguros, o que torna uma resposta errada mais difícil de detetar.
Em suma, o modelo completa padrões de forma fluente, não recupera factos - por isso «fluente e errado» é um modo de saída normal, não uma avaria.
Formas práticas de reduzir as alucinações
Não consegue eliminar as alucinações, mas alguns hábitos reduzem-nas bastante. Mais ou menos por ordem de impacto:
- Ancorar o modelo em fontes reais (RAG). A geração aumentada por recuperação vai buscar documentos relevantes e insere-os no prompt, para que o modelo responda a partir do texto fornecido em vez da memória. A ancoragem é a maior alavanca.
- Pedir fontes - e depois confirmá-las. Solicite citações ou referências, e abra-as mesmo. As referências alucinadas parecem plausíveis mas não levam a lado nenhum; verificar a ligação costuma bastar para apanhar o erro.
- Baixar a temperatura no trabalho factual. Uma temperatura de amostragem mais baixa faz o modelo preferir os tokens mais prováveis em vez dos criativos, útil quando quer exatidão em vez de variedade. (Mantenha uma temperatura mais alta para o brainstorming, onde a invenção é o objetivo.)
- Dar uma saída ao modelo. Diga-lhe explicitamente que «não sei» ou «a fonte não diz» é uma resposta aceitável. Sem permissão para se abster, ele tende a inventar.
- Restringir o âmbito e ser específico. Perguntas estreitas e bem definidas deixam menos margem para adivinhar do que as amplas e abertas. Forneça contexto, definições e o formato exato que quer.
- Cruzar e fazer autoverificação. Peça ao modelo que liste os seus pressupostos, ou volte a fazer a pergunta e compare as respostas - incoerências entre tentativas são um forte sinal de alerta.
- Manter uma pessoa no processo para tudo o que é de alto risco. Para afirmações legais, médicas, financeiras ou de segurança, trate a saída da IA como um rascunho a confirmar contra uma fonte primária, nunca como a última palavra.
Nenhum truque isolado chega. O padrão fiável é ancoragem mais verificação: alimente o modelo com dados reais e confirme as afirmações que importam antes de agir sobre elas.
A conclusão
A alucinação de IA é a produção confiante de informação falsa, e é uma consequência direta da forma como os modelos de linguagem funcionam: eles preveem texto plausível, não a verdade. Isso torna-a uma característica do método, não um defeito que se possa simplesmente corrigir. A ancoragem e os bons hábitos reduzem-na, mas a regra duradoura é simples - trate a IA como um assistente rápido e falível, e confirme as afirmações que contam.
Guias relacionados: O Que É uma Rede Neural? O Motor Por Trás da IA Moderna (2026).
