Le pides a ChatGPT que te resuma un informe y te suelta un dato con una seguridad aplastante. Un porcentaje concreto, una fecha exacta, el nombre de un estudio. Te lo crees, porque suena bien y porque el texto no titubea. Y resulta que ese estudio no existe. Nadie lo escribió nunca. La IA se lo inventó y te lo sirvió con la misma convicción con la que te habría dado la capital de Francia.
Eso es una alucinación. Y es, probablemente, el problema más incómodo que tiene la inteligencia artificial en 2026, porque no se arregla usando una herramienta mejor.
Qué es exactamente una alucinación
Una alucinación ocurre cuando un modelo de lenguaje genera información falsa presentándola como verdadera. No miente, porque mentir requiere saber la verdad y ocultarla a propósito. Lo que hace es otra cosa: rellena un hueco con lo que estadísticamente parece que debería ir ahí.
Un modelo de lenguaje no consulta una base de datos con hechos verificados. Predice la siguiente palabra más probable a partir de todo lo que ha leído durante su entrenamiento. Cuando le pides una cita académica sobre un tema, no busca la cita: construye algo que tiene la forma de una cita académica. Autor plausible, año plausible, revista plausible, título plausible. El resultado tiene todas las apariencias de ser real salvo el pequeño detalle de que no lo es. Si quieres entender mejor este mecanismo, lo explico a fondo en la guía sobre qué es un LLM.
La postura optimista: es un bug, y los bugs se arreglan
Hay una visión bastante extendida en el sector, sobre todo entre quienes construyen estos modelos, que dice que las alucinaciones son un problema de ingeniería con fecha de caducidad. Y tienen argumentos sólidos para defenderlo.
Los datos acompañan. Cada generación de modelos alucina menos que la anterior, y la mejora no es marginal. Las técnicas de recuperación de información conectan el modelo a fuentes reales, de forma que en lugar de inventar la cita, la busca y la enlaza. Perplexity construyó su producto entero sobre esta idea y funciona: cuando te da un dato, te dice de dónde lo ha sacado y puedes ir a comprobarlo. Los modelos de razonamiento se paran a pensar antes de responder y detectan sus propias incoherencias. Y algo que parece menor pero no lo es: los modelos actuales dicen «no lo sé» mucho más que hace dos años, y eso es un avance enorme.
La conclusión de esta postura es directa. Si la tendencia se mantiene, en unos años las alucinaciones serán una anécdota histórica, como los primeros correctores ortográficos que subrayaban en rojo la mitad de las palabras correctas.
La postura pesimista: no es un bug, es cómo funciona
Y luego está la otra visión, que a mí me parece más difícil de rebatir de lo que a mucha gente le gustaría.
El argumento es incómodo: alucinar y generar son el mismo proceso. Cuando el modelo escribe un poema original, está inventando. Cuando escribe una cita falsa, está inventando exactamente igual. La única diferencia es que en un caso queremos que invente y en el otro no. No hay dos mecanismos distintos ahí dentro, hay uno solo, y le hemos puesto dos nombres según nos convenga el resultado.
Eliminar por completo la capacidad de inventar sería eliminar la capacidad de generar texto nuevo. Y en ese caso ya no tendríamos un modelo de lenguaje, tendríamos un buscador. Un buscador muy bueno, quizá, pero un buscador.
Hay un segundo argumento que me parece todavía más molesto. Las alucinaciones no son aleatorias, son plausibles. Y eso las hace mucho más peligrosas que un error obvio. Un modelo que se equivoca de forma evidente te avisa solo de que se está equivocando. Un modelo que se equivoca de forma verosímil te engaña sin que lo notes, y a medida que mejoran, sus errores son cada vez más difíciles de cazar.
Mi posición
Creo que los pesimistas tienen razón en el diagnóstico y los optimistas en el pronóstico práctico, aunque suene contradictorio.
Es verdad que las alucinaciones son consustanciales a cómo funcionan estos modelos, y por eso no creo que desaparezcan del todo. Pero también es verdad que se pueden acorralar hasta hacerlas irrelevantes en la práctica. La conexión a fuentes verificables, la verificación cruzada entre varios modelos y las herramientas que citan de dónde sacan cada dato no eliminan la capacidad de inventar, la encierran en una jaula donde apenas puede hacer daño.
Lo que me preocupa de verdad no es técnico, es de comportamiento. Cuanto mejores son los modelos, más nos fiamos. Y cuanto más nos fiamos, menos verificamos. La alucinación que sobrevive a las mejoras técnicas no vive dentro del modelo, vive en la cabeza del que lo usa y ha dejado de comprobar lo que le dice.
Cómo protegerte hoy
Mientras tanto, hay cosas que puedes hacer y que apenas cuestan tiempo. Cualquier dato numérico, fecha, cita o nombre propio que vayas a usar en algo que importe, verifícalo en la fuente original. Si el dato es correcto, tardas veinte segundos. Si es inventado, te has ahorrado un disgusto.
Cuando necesites información factual reciente, usa herramientas que citen fuentes en lugar de las que solo generan texto. Y desconfía especialmente cuando la respuesta suene demasiado redonda. Las alucinaciones tienden a ser más limpias y ordenadas que la realidad, porque la realidad casi nunca encaja tan bien.
Ah, y un detalle contraintuitivo: pedirle al modelo que verifique lo que acaba de decir sirve de poco. Muy a menudo confirma su propio invento con total tranquilidad, porque la misma lógica que lo generó es la que lo valida.
Preguntas frecuentes
¿Qué modelo alucina menos en 2026?
Los modelos con razonamiento y acceso a búsqueda web tienen tasas notablemente más bajas. Pero ninguno está libre. La diferencia entre el mejor y el peor es de grado, no de categoría.
¿Alucinan más en español que en inglés?
En general sí, sobre todo con datos locales. Hay menos material de entrenamiento en español y menos todavía sobre normativa, instituciones o empresas españolas. Con datos de España conviene verificar siempre.
¿Se puede eliminar la alucinación al cien por cien?
Con la arquitectura actual, no. Se puede reducir mucho conectando el modelo a fuentes verificadas, pero la capacidad de generar texto nuevo y la de inventar datos falsos son la misma capacidad.