Alucinaciones de IA

Las investigaciones han demostrado que los modelos de lenguaje pueden repetir ideas equivocadas comunes en lugar de corregirlas de forma fiable. Evidence for this claim TruthfulQA found that language models can reproduce common human misconceptions and that larger models were not automatically more truthful on its benchmark. Scope: TruthfulQA's benchmark, model set, and 2021 results; not a current cross-model error rate. Confidence: high · Verified: 2026-07-14 Lin et al.: TruthfulQA NIST llama «confabulación» al contenido de los modelos que se presenta con seguridad pese a ser falso o erróneo. Evidence for this claim NIST's Generative AI Profile identifies confabulation—the confident presentation of false or erroneous content—as a generative-AI risk. Scope: NIST risk-management terminology and guidance; not a product-specific incidence estimate. Confidence: high · Verified: 2026-07-14 NIST: Generative AI Profile

TL;DR — Una alucinación de IA ocurre cuando un chatbot dice algo que suena correcto, pero es falso: un hecho inventado, una fuente ficticia o un enlace a una página que no existe. En una respuesta sin fundamentación, el modelo predice palabras que suenan probables en vez de comprobar una fuente. La fundamentación (dar al modelo fuentes recuperadas) puede ayudar, pero no lo corrige por completo. En tu sitio web, debes vigilar dos cosas: que la IA dirija a la gente a URL que nunca creaste y que se equivoque en los datos sobre tu marca.

Qué es una alucinación de IA

Una respuesta de un modelo de lenguaje sin fundamentación predice continuaciones probables a partir de patrones aprendidos, en lugar de verificar cada afirmación contra una fuente. Las herramientas de búsqueda y recuperación pueden añadir evidencia actual, pero no hacen que la síntesis sea infalible. Cuando una afirmación generada suena segura, pero es falsa, normalmente se llama alucinación.

Una forma útil de imaginarlo es esta: el modelo es muy bueno escribiendo el tipo de frase que suele venir a continuación. No comprueba si esa frase es verdadera. Cuando en realidad no «sabe» algo —un detalle de nicho, un cambio reciente, una marca poco conocida—, aun así redacta una respuesta fluida y segura, porque para eso fue entrenado.

Algunos investigadores prefieren la palabra confabulación (tomada de la investigación sobre la memoria, donde las personas rellenan sinceramente las lagunas con detalles falsos). Es una palabra mejor porque la IA no miente ni intenta engañarte. Simplemente generó la continuación con apariencia más plausible, y esa continuación resultó ser incorrecta.

Los dos tipos que afectan a tu sitio web

1. URL inventadas. La IA recomienda una página de tu sitio que no existe. Un usuario hace clic y llega a un 404. Los asistentes de IA hacen esto mucho más que Google. Según los propios datos de Ahrefs, el 3,6 % del tráfico procedente de IA fue a páginas que no existen en el sitio.
2. Datos incorrectos sobre tu marca. La IA cuenta a un posible cliente que el fundador es otra persona, le da precios antiguos, menciona un producto descatalogado o atribuye a tu empresa algo que dijo un competidor, todo ello presentado como un hecho y sin añadir «no estoy seguro».

Lo que realmente puedes hacer

• Redirige las URL inventadas. Si la IA sigue enviando personas a una página que nunca creaste, configura una redirección desde esa URL falsa a la página real más cercana. (Primero tienes que encontrarlas: vigila en tus analíticas el tráfico a páginas inexistentes.)
• Comprueba lo que dice la IA sobre ti. Pregunta a las principales herramientas de IA lo que preguntan tus clientes y comprueba si las respuestas son correctas. Hazlo con regularidad: las respuestas cambian cuando se actualizan los modelos.
• Publica datos claros y correctos. Cuanto más limpia y coherente sea tu información pública (tu página «About», los datos estructurados y los perfiles), más fácil será para la IA fundamentarse en la verdad en lugar de adivinar.

Algo que sorprende a la gente: bloquear los rastreadores de IA no corrige las alucinaciones sobre tu marca. Si un modelo ya aprendió algo incorrecto sobre ti, impedir que vuelva a rastrearte no se lo desaprende. La monitorización y los datos públicos claros hacen más que bloquear.

¿Quieres conocer el mecanismo —por qué los modelos más grandes pueden alucinar más, qué muestran las investigaciones y cómo falla la fundamentación—? Cambia a la pestaña Avanzado.

TruthfulQA descubrió que la escala por sí sola no hacía que los modelos evaluados fueran más veraces en su benchmark. Evidence for this claim TruthfulQA found that language models can reproduce common human misconceptions and that larger models were not automatically more truthful on its benchmark. Scope: TruthfulQA's benchmark, model set, and 2021 results; not a current cross-model error rate. Confidence: high · Verified: 2026-07-14 Lin et al.: TruthfulQA NIST trata la confabulación como un riesgo que debe medirse y gestionarse, no como una tasa fija de error específica de un producto. Evidence for this claim NIST's Generative AI Profile identifies confabulation—the confident presentation of false or erroneous content—as a generative-AI risk. Scope: NIST risk-management terminology and guidance; not a product-specific incidence estimate. Confidence: high · Verified: 2026-07-14 NIST: Generative AI Profile

TL;DR — La alucinación es una característica de la predicción del siguiente token, no un error que puedas corregir con un parche. Los modelos optimizan continuaciones plausibles, no la verdad, así que producen afirmaciones falsas con seguridad cuando la señal de entrenamiento es escasa. La fundamentación y el RAG la reducen (73–86 % en algunos benchmarks), pero no la eliminan: los mejores modelos fundamentados siguen fallando aproximadamente el 10–15 % de las veces, y TruthfulQA descubrió que los modelos más grandes pueden producir falsedades más convincentes. En SEO es medible: la IA envía usuarios a páginas inexistentes aproximadamente 2,87x más que Google, el 3,6 % de nuestro tráfico de IA en Ahrefs fue a páginas inexistentes y las tasas de error de citas en los motores de búsqueda con IA superan el 60 %. Las correcciones son tácticas: redirigir URL alucinadas, monitorizar las respuestas sobre la marca y publicar contenido verificable y claro para las entidades.

Qué es realmente una alucinación

Una alucinación de IA es una salida expresada con seguridad, pero incorrecta desde el punto de vista factual, fabricada o no respaldada por ninguna fuente. El término técnico más preciso es confabulación, tomado de la neuropsicología, donde significa producir relatos falsos con confianza genuina y sin intención de engañar. Esa precisión importa: el modelo no está mintiendo. No tiene una noción de verdad sobre la que pueda mentir. Está ejecutando la única tarea para la que fue entrenado —predecir el siguiente token— y a veces el token más probable es falso.

Este es el encuadre más importante de esta página: la alucinación es un subproducto inherente del modelado de lenguaje que prioriza la plausibilidad sobre la precisión factual. Surge porque los LLM funcionan tal como fueron diseñados, no por fallos de implementación. No se corrige como se corrige un error: se reduce.

Por qué ocurre: el mecanismo

Los LLM se entrenan con un objetivo de siguiente token: dada una secuencia, predicen el token siguiente más probable. Es una tarea de completar lenguaje, no de recuperar hechos. El modelo optimiza lo que parece que debería seguir a un texto, no lo que es verdadero. Cuando la señal de entrenamiento para un hecho concreto es escasa —eventos poco frecuentes, temas de nicho o cualquier cosa que cambiara después del corte de conocimiento del modelo—, el modelo rellena el hueco con lenguaje estadísticamente probable. Si una secuencia parece una pregunta, la masa de probabilidad favorece abrumadoramente generar una respuesta con forma de «respuesta» en vez de admitir incertidumbre, tenga o no el modelo ese conocimiento.

Ece Kamar, de Microsoft Research, ofrece la versión empírica de este punto: los modelos alucinan más alrededor de hechos menos comunes en los datos de entrenamiento. La cola larga es donde vive la confabulación. El SKU de un producto poco conocido, un cambio de nombre reciente o un fundador que se marchó el trimestre pasado —exactamente los hechos menos representados en la web— son los que un modelo tiene más probabilidades de equivocarse al afirmar con seguridad.

Los tipos que conviene distinguir

• Alucinación factual: el hecho declarado es simplemente incorrecto.
• Alucinación de cita/atribución: el modelo cita una fuente que no usó, atribuye mal una cita, inventa un autor o crea una URL. Es la versión más directamente medible para SEO.
• Alucinación de entidad/marca: nombres, fechas, estadísticas, precios o datos de empresa incorrectos, afirmados con seguridad.
• Intrínseca frente a extrínseca (la taxonomía de Ji et al.): la salida intrínseca contradice la fuente proporcionada; la salida extrínseca no puede verificarse a partir de la fuente: ni está confirmada ni contradicha, sino que es una adición fabricada.

Cómo leer correctamente las afirmaciones sobre alucinaciones

La mayoría de la cobertura sobre alucinaciones aplana cinco distinciones, incluidos borradores anteriores de esta página. Importan porque cambian lo que realmente significa «corregido», «fundamentado» o «citado» cuando evalúas una herramienta o una afirmación.

• Nombra la referencia. «Alucinación» no es un único modo de fallo. Puede significar contradicción del contexto proporcionado, una adición no respaldada que el contexto ni confirma ni niega o un error factual sobre el mundo; esas tres cosas no son intercambiables (el estudio de Ji et al. es la taxonomía de origen). Un comprobador diseñado para detectar una de las tres pasará por alto silenciosamente las otras dos.
• La factualidad no es fidelidad. La factualidad contrasta una afirmación con una referencia externa del mundo real: ¿es cierta? La fidelidad contrasta una afirmación con la evidencia que realmente proporcionaste: ¿está respaldada por esa evidencia? Una respuesta puede superar una prueba y fallar la otra: resumir fielmente una fuente incorrecta o decir algo cierto que la evidencia proporcionada nunca respalda. El método de hechos atómicos de FActScore, que divide una respuesta larga en afirmaciones comprobables individualmente, existe porque una única puntuación holística oculta esa separación.
• Que exista una cita no significa que haya fundamentación. La calidad de una cita implica en realidad tres comprobaciones separadas: ¿existe y resuelve la cita?, ¿realmente implica (respalda) la afirmación concreta que tiene al lado?, y ¿la respuesta cubre todas las afirmaciones que necesitaban una cita? Ese es el desglose que usa el trabajo ALCE de Gao et al.. Una nota al pie visible y en la que se puede hacer clic puede superar la primera comprobación y fallar las otras dos; esa es exactamente la brecha que está detrás de las cifras de error de citas superiores al 60 %.
• Los fallos de RAG tienen etapas con nombre, no una sola etiqueta. Cuando una respuesta respaldada por RAG es incorrecta, la causa puede ser que la evidencia nunca estuviera en el corpus, que se fragmentara y el hecho necesario quedara dividido entre dos límites, que existiera pero no se recuperara, que se recuperara pero tuviera un ranking demasiado bajo para llegar al generador o que llegara al generador y se usara mal de todos modos (la taxonomía de errores de RAG de RAGTruth). «La IA alucinó» comprime cinco causas raíz distintas —y correcciones distintas— en una sola palabra.
• Los porcentajes de los benchmarks no son transferibles. Cada tasa de esta página —73–86 %, ~85–90 %, 58 % frente a 94 %— está acotada a una tarea, conjunto de datos, política de referencia, juez, conjunto de prompts, corpus, modelo, versión del modelo y fecha de prueba concretos. No cites «el modelo X tiene una precisión del Y %» como un hecho portable fuera del contrato de evaluación de su benchmark; otro juez, corpus o versión del modelo puede mover mucho la cifra.

Qué muestran las investigaciones

• TruthfulQA (Lin et al., 2021) estableció el problema de la escala inversa. En 817 preguntas adversariales, el modelo más grande de la época (GPT-3-175B) solo fue veraz en un 58 % frente a una línea de referencia humana del 94 % y, lo que es crucial, “larger models produce more imitative falsehoods because they are better at learning the training distribution.” (traducción) «los modelos más grandes producen falsedades más imitativas porque aprenden mejor la distribución de entrenamiento». Ser más grande no es más seguro. Un modelo grande reproduce mejor las ideas equivocadas populares incorporadas al texto de la web, por lo que puede equivocarse con más seguridad, no con menos. (Esto es directamente relevante para tu marca: si circula información incorrecta sobre ti en internet, los modelos más capaces son mejores absorbiéndola y reproduciéndola.)
• El estudio de Ji et al. (2022/2023) es la taxonomía académica de referencia: alucinación intrínseca frente a extrínseca en resumen, diálogo, preguntas y respuestas, traducción y LLM.
• Lanham et al. (2023), de Anthropic, descubrieron que el razonamiento de cadena de pensamiento no siempre es fiel: “as models become larger and more capable, they produce less faithful reasoning on most tasks.” (traducción) «a medida que los modelos se vuelven más grandes y capaces, producen razonamientos menos fieles en la mayoría de las tareas». La explicación paso a paso que te muestra un modelo no refleja necesariamente cómo llegó realmente a la respuesta: puede ser una racionalización posterior. Por tanto, «la IA explicó su razonamiento» no demuestra que la respuesta esté fundamentada.
• FACTS Grounding (Google DeepMind, diciembre de 2024) es la cifra que ancla el debate sobre la fundamentación: incluso con documentos fuente explícitos, los mejores modelos solo alcanzaron aproximadamente un 85–90 % de fundamentación. El 10–15 % restante consiste en leer mal, interpretar mal o no usar el contenido recuperado, no en confabular de la nada.

¿La fundamentación (RAG) lo resuelve? No: lo reduce

Este es el matiz que la mayoría de la cobertura estropea. La fundamentación —anclar una respuesta a documentos que el sistema recupera durante la inferencia, normalmente mediante RAG— es la principal mitigación y funciona: el acceso a búsquedas web redujo las alucinaciones entre un 73–86 % en los benchmarks de fundamentación probados. Pero no elimina las alucinaciones y falla de formas distintas que un LLM sin fundamentación:

• puede interpretar mal el pasaje recuperado,
• seleccionar el pasaje equivocado,
• combinar varias fuentes de forma incorrecta, o
• no reconocer una consulta adversarial o sin sentido.

Elizabeth Reid, de Google, trazó exactamente esta línea sobre AI Overviews: “generally don’t ‘hallucinate’ or make things up in the ways that other LLM products might” (traducción) «Por lo general, AI Overviews no “alucinan” ni inventan cosas como podrían hacerlo otros productos LLM» porque están “built to only show information that is backed up by top web results.” (traducción) «Están diseñadas para mostrar solo información respaldada por los principales resultados web». Cuando se equivocan, dijo, es “usually for other reasons: misinterpreting queries, misinterpreting a nuance of language on the web, or not having a lot of great information available.” (traducción) «Suele deberse a otros motivos: interpretan mal las consultas, matizan mal el lenguaje de la web o no disponen de información suficientemente buena». Es una distinción real: los sistemas fundamentados fallan más en la recuperación y la interpretación que en la confabulación pura, pero no es una garantía de precisión. Incluso las herramientas de investigación jurídica con mucho RAG han mostrado tasas de alucinación de hasta aproximadamente el 33 %, contradiciendo las afirmaciones de los proveedores de que están «libres de alucinaciones». Anthropic lo dice claramente en su propia documentación para desarrolladores: “while these techniques significantly reduce hallucinations, they don’t eliminate them entirely. Always validate critical information.” (traducción) «Aunque estas técnicas disminuyen mucho las alucinaciones, no las eliminan por completo. Comprueba siempre la información crítica».

El impacto en SEO: medible y abordable

Alucinación de URL. Esta es la más concreta y me corresponde cuantificarla. Al analizar el tráfico propio de referencias de IA de Ahrefs, descubrí (en mi análisis del tráfico de búsqueda con IA de Ahrefs por tipo de página) que el 3,6 % del tráfico fue a páginas alucinadas, páginas que no existen en ahrefs.com. Los sistemas de IA (principalmente ChatGPT) recomendaron URL que nunca se crearon. El estudio más amplio de Ahrefs sobre 16 millones de URL citadas por IA (Ryan Law y Xibeijia Guan) lo pone en contexto: los asistentes de IA dirigen a los usuarios a páginas 404 2,87x más que Google Search; la tasa de 404 con clic de ChatGPT fue del 1,01 % frente a la línea de referencia del 0,15 % de Google. La corrección táctica es sencilla: vigila el tráfico de referencias a 404, identifica las URL alucinadas por encima de un umbral (por ejemplo, 10 visitas/mes) y redirigirlas con 301 a la página real más cercana. Capturas el tráfico que el modelo ya intenta enviarte.

Alucinación de atribución. El estudio de Columbia/Tow Center (2025) probó 8 motores de búsqueda con IA y encontró respuestas incorrectas a más del 60 % de las consultas cuando se les pidió identificar el título, la fecha, el editor y la URL de un artículo. ChatGPT identificó incorrectamente 134 artículos, pero solo señaló incertidumbre 15 veces: errores con mucha seguridad. Más de la mitad de las respuestas de algunos modelos citaban URL inventadas. La lección para SEO es esta: que aparezcas citado en una respuesta de IA no significa que se te haya representado con precisión. Una cita no es comprensión.

El punto ciego de la analítica. Esto agrava el problema de las URL. Hoy el tráfico de IA se atribuye mal: algunas plataformas no transmiten datos de referencia y el AI Mode de Google usaba noreferrer, agrupando los clics en «Direct»/«Unknown» (Google confirmó que era un error después de que lo informara). Si el tráfico de URL alucinadas no se atribuye correctamente, puede que nunca lo veas; el hallazgo del 3,6 % solo salió a la luz porque teníamos acceso a analítica para buscarlo. Corrige primero la atribución o estarás monitorizando a ciegas.

Alucinación de marca y reputación. Que una IA diga a un posible cliente datos incorrectos sobre tus precios, liderazgo o historia puede dañar la confianza antes de que llegue a tu sitio. Peor aún, ahora es un vector de SEO negativo: el experimento de marca de Ahrefs (Makosiewicz) mostró que un solo artículo de Medium sembrado podía hacer que algunos modelos propagaran información errónea en el 37–39 % de las respuestas sobre una marca. “Any growing brand can be knocked off course in AI search results by an upset person with a Medium account.” (traducción) «cualquier marca en crecimiento puede desviarse en los resultados de búsqueda con IA por culpa de una persona molesta con una cuenta de Medium». No hay enlaces que construir ni que desautorizar: solo contenido falso en una plataforma indexada.

Qué hacer realmente

1. Redirige las URL alucinadas (la corrección de alucinaciones de URL anterior).
2. Monitoriza las respuestas de IA sobre tu marca siguiendo un calendario: las respuestas cambian cuando se actualizan los modelos y se indexa contenido nuevo. Las auditorías puntuales quedan obsoletas.
3. Construye señales de entidad —NAP coherente, schema, Wikidata y perfiles oficiales— para que los sistemas fundamentados tengan datos limpios y verificables que recuperar. Es la mejor palanca contra las alucinaciones de marca futuras.
4. Verifica el contenido generado por IA antes de publicarlo. Las alucinaciones sin editar que llegan a la web se indexan y pueden alimentar el entrenamiento del siguiente modelo: el bucle de retroalimentación del colapso de modelos. No seas un nodo de ese bucle.
5. No esperes que bloquear rastreadores lo corrija. Bloquear GPTBot/ClaudeBot detiene el entrenamiento futuro con tu contenido, pero no hace nada contra los hechos que ya están en los pesos. (Consulta el artículo Rastreadores de IA para distinguirlo.)

El resumen honesto es este: la alucinación es infraestructura permanente, no un error pasajero. No puedes hacer que la IA deje de confabular. Sí puedes hacer que tus propios datos sean lo más barato y limpio sobre lo que fundamentarse, y puedes detectar y redirigir las URL que inventa.

Resumen de IA

Una síntesis de la versión Advanced:

• Alucinación = salida segura, falsa o no respaldada. Es una característica de la predicción del siguiente token (optimiza texto plausible, no la verdad), no un error; por eso puede reducirse, pero nunca eliminarse por completo. «Confabulación» es el término más preciso: el modelo no está mintiendo.
• Se concentra en la cola larga. Los modelos alucinan más alrededor de hechos raros en los datos de entrenamiento: productos de nicho, cambios recientes y marcas poco conocidas.
• Importa nombrar el fallo con precisión. Contradicción del contexto, adición no respaldada y error factual sobre el mundo no son lo mismo; la factualidad (¿es verdad?) y la fidelidad (¿está respaldada por la evidencia proporcionada?) son pruebas distintas que una respuesta puede superar y fallar respectivamente; que exista una cita no equivale a que implique la afirmación contigua; y una respuesta RAG puede fallar porque la evidencia faltaba, se fragmentó mal, no se recuperó, quedó por debajo en el ranking o se gestionó mal durante la generación: cinco causas distintas que «la IA alucinó» oculta.
• Ser más grande no es más seguro. TruthfulQA: los modelos grandes producen falsedades imitativas más convincentes (58 % de veracidad frente a 94 % humano). El razonamiento de cadena de pensamiento puede no ser fiel (Lanham et al.).
• La fundamentación/RAG ayuda mucho, pero no lo corrige. El acceso web redujo las alucinaciones entre un 73–86 %, pero los mejores modelos fundamentados siguen fallando aproximadamente el 10–15 % (FACTS Grounding), al leer o seleccionar mal las fuentes. Reid: AI Overviews están fundamentadas, así que “generally don’t ‘hallucinate’ or make things up in the ways that other LLM products might” (traducción) «por lo general no “alucinan” ni inventan cosas como podrían hacerlo otros productos LLM», pero siguen equivocándose por interpretación incorrecta. Anthropic: aunque las técnicas reducen las alucinaciones, “while these techniques significantly reduce hallucinations, they don’t eliminate them entirely. Always validate critical information.” (traducción) «aunque estas técnicas reducen significativamente las alucinaciones, no las eliminan por completo. Valida siempre la información crítica».
• El impacto en SEO es medible: la IA envía usuarios a páginas inexistentes aproximadamente 2,87x más que Google; el 3,6 % del tráfico de IA de Ahrefs fue a páginas inexistentes; las tasas de error de citas de IA superan el 60 % (Tow Center). Ser citado ≠ estar representado correctamente.
• La atribución también está rota, por lo que el tráfico de URL alucinadas puede ser invisible: corrige el seguimiento antes de monitorizar.
• El riesgo de marca es un vector de SEO negativo: un artículo de Medium sembrado hizo que algunos modelos repitieran información errónea en el 37–39 % de las respuestas.
• Correcciones: redirigir URL alucinadas, monitorizar periódicamente las respuestas sobre la marca, construir señales de entidad, verificar el contenido de IA antes de publicarlo y no esperar que bloquear rastreadores deshaga los hechos que ya están en los pesos.

Documentación oficial

Lo que los creadores de modelos y los motores de búsqueda dicen sobre las alucinaciones con sus propias palabras.

Google

• Qué ocurrió con AI Overviews y cuáles son los siguientes pasos — Elizabeth Reid (mayo de 2024) explica por qué las AI Overviews fundamentadas se equivocan de forma distinta a los LLM independientes.
• GopherCite: respuestas respaldadas por citas verificadas — DeepMind sobre modelos que alucinan «tonterías convincentes» y sobre citar pruebas (y admitir «no lo sé») para contrarrestarlo.
• Benchmark FACTS Grounding — el benchmark de factualidad de DeepMind; el techo de fundamentación de aproximadamente el 85–90 %.
• Orientación sobre contenido generado por IA — Search Central: el contenido de IA se evalúa por su calidad y E-E-A-T, no por el método de producción.

Anthropic

• Reducir las alucinaciones — documentación para desarrolladores de Claude: permite que el modelo diga «no lo sé», fundamenta con citas directas, verifica con citas y señala explícitamente que las técnicas no eliminan las alucinaciones.

OpenAI

• Por qué alucinan los modelos de lenguaje — explicación de OpenAI sobre el mecanismo.
• ¿ChatGPT dice la verdad? — Centro de ayuda: «Las alucinaciones son afirmaciones plausibles pero falsas generadas por modelos de lenguaje».

Microsoft

• Por qué la IA a veces se equivoca — definición técnica de Microsoft del contenido «no fundamentado» y sus herramientas de mitigación.

Citas de las fuentes

Declaraciones registradas de las personas que construyen estos sistemas. Cada enlace es un enlace profundo que salta al pasaje citado donde la fuente lo respalda.

Google — Elizabeth Reid, vicepresidenta y responsable de Search (mayo de 2024)

• “This means that AI Overviews generally don’t ‘hallucinate’ or make things up in the ways that other LLM products might.” (traducción) «Esto significa que, por lo general, AI Overviews no «alucinan» ni inventan cosas como podrían hacerlo otros productos LLM». Leer la publicación
• “When AI Overviews get it wrong, it’s usually for other reasons: misinterpreting queries, misinterpreting a nuance of language on the web, or not having a lot of great information available.” (traducción) «Cuando AI Overviews se equivocan, suele deberse a otros motivos: interpretan mal las consultas, matizan mal el lenguaje de la web o no disponen de información suficientemente buena». Ir a la cita
• “Because accuracy is paramount in Search, AI Overviews are built to only show information that is backed up by top web results.” (traducción) «Como la precisión es primordial en Search, AI Overviews están diseñadas para mostrar solo información respaldada por los principales resultados web». Leer la publicación

Google DeepMind — GopherCite (marzo de 2022)

• “Language models like Gopher can ‘hallucinate’ facts that appear plausible but are actually fake.” (traducción) «Los modelos de lenguaje como Gopher pueden “alucinar” hechos que parecen plausibles, pero en realidad son inventados». Leer la publicación
• “Because language models can hallucinate convincing nonsense, GopherCite uses reinforcement learning from human preferences (RLHP) to train models that generate answers whilst also citing specific evidence for their claims.” (traducción) «Como los modelos de lenguaje pueden alucinar disparates convincentes, GopherCite usa aprendizaje por refuerzo a partir de preferencias humanas (RLHP) para entrenar modelos que generan respuestas y citan pruebas concretas para sus afirmaciones». Leer la publicación

Anthropic — documentación para desarrolladores de Claude

• “Even the most advanced language models, like Claude, can sometimes generate text that is factually incorrect or inconsistent with the given context. This phenomenon, known as ‘hallucination,’ can undermine the reliability of your AI-driven solutions.” (traducción) «Incluso los modelos de lenguaje más avanzados, como Claude, a veces pueden generar texto factualmente incorrecto o incoherente con el contexto proporcionado. Este fenómeno, conocido como “alucinación”, puede socavar la fiabilidad de tus soluciones basadas en IA». Leer la documentación
• “Remember, while these techniques significantly reduce hallucinations, they don’t eliminate them entirely. Always validate critical information, especially for high-stakes decisions.” (traducción) «Recuerda que, aunque estas técnicas reducen significativamente las alucinaciones, no las eliminan por completo. Valida siempre la información crítica, especialmente en decisiones de alto riesgo». Ir a la cita

OpenAI — Centro de ayuda

• “Hallucinations are plausible but false statements generated by language models.” (traducción) «Las alucinaciones son afirmaciones plausibles pero falsas generadas por modelos de lenguaje». Leer el artículo
• “Like any language model, ChatGPT can produce incorrect or misleading outputs, and sometimes it might sound confident—even when it’s wrong.” (traducción) «Como cualquier modelo de lenguaje, ChatGPT puede producir resultados incorrectos o engañosos y, a veces, puede sonar seguro incluso cuando se equivoca». Leer el artículo

Estudio de Lin et al. — TruthfulQA (2021)

• “Larger models produce more imitative falsehoods because they are better at learning the training distribution.” (traducción) «Los modelos más grandes producen falsedades más imitativas porque aprenden mejor la distribución de entrenamiento». Leer el artículo

Lanham et al. — investigadores de Anthropic (2023)

• “As models become larger and more capable, they produce less faithful reasoning on most tasks.” (traducción) «A medida que los modelos se vuelven más grandes y capaces, producen razonamientos menos fieles en la mayoría de las tareas». Leer el artículo

Mark Howard, director de operaciones de Time (a través del estudio del Tow Center / CJR)

• “It’s critically important how our brand is represented, when and where we show up.” (traducción) «Es fundamental cómo se representa nuestra marca, cuándo aparece y dónde aparece». Leer el estudio

Tipos de alucinación — guía rápida

Los cuatro tipos que encontrarás

Las cifras que conviene memorizar

• 3,6 % — proporción del tráfico de referencias de IA de Ahrefs que llegó a páginas inexistentes (Patrick Stox, Ahrefs).
• 2,87x — cuánto más a menudo los asistentes de IA envían usuarios a 404 que Google (Ahrefs, 16 millones de URL). La tasa de 404 con clic de ChatGPT fue del 1,01 %, frente al 0,15 % de Google.
• Más del 60 % — tasa de error de las citas de búsqueda con IA en 8 motores (Tow Center / CJR).
• Aproximadamente 85–90 % — nivel de fundamentación de los mejores modelos incluso cuando reciben las fuentes (FACTS Grounding); es decir, un suelo de fallo del 10–15 %.
• 73–86 % — reducción de alucinaciones al dar a los modelos acceso a búsquedas web/fundamentación.
• 58 % frente a 94 % — factualidad del mejor modelo frente a la de las personas en TruthfulQA.
• 37–39 % — respuestas en las que algunos modelos repitieron información errónea sobre una marca después de un único artículo sembrado (experimento de marca de Ahrefs).

Mito → realidad

• «El RAG elimina las alucinaciones». → Las reduce; los modelos fundamentados siguen fallando aproximadamente un 10–15 %.
• «Los modelos más nuevos/grandes alucinan menos». → TruthfulQA: ser más grande puede significar falsedades más convincentes.
• «AI Overviews alucina igual que ChatGPT». → Está fundamentada; los errores tienden a la mala interpretación, no a la confabulación pura (Reid).
• «Que te citen significa que estás representado correctamente». → La tasa de error de citas superior al 60 % demuestra que no.
• «Bloquear los rastreadores de IA detiene las alucinaciones de marca». → Los hechos que ya están en los pesos permanecen allí.
• «Puedes saber que algo es incorrecto porque suena inseguro». → La seguridad es precisamente la característica definitoria; ChatGPT señaló incertidumbre solo en 15 de 134 respuestas incorrectas.

Cómo reducir las alucinaciones — el manual

Estas son las palancas, ordenadas aproximadamente por impacto, basadas en lo que los creadores de modelos y la investigación respaldan realmente.

1. Fundamenta la respuesta (y acepta el techo). Proporciona al modelo fuentes reales durante la inferencia: eso es RAG / fundamentación. Es la palanca individual más importante (reducción del 73–86 %). Pero interioriza el techo: los mejores modelos fundamentados siguen fallando aproximadamente un 10–15 % (FACTS Grounding), y fallan por interpretar o seleccionar mal las fuentes, no por inventar de la nada. La fundamentación cambia el modo de fallo; no lo elimina.

2. Permite que el modelo diga «no lo sé». La primera recomendación de Anthropic: “explicitly give Claude permission to admit uncertainty… this simple technique can drastically reduce false information.” (traducción) «concede explícitamente a Claude permiso para admitir la incertidumbre… esta sencilla técnica puede reducir drásticamente la información falsa». GopherCite mejoró notablemente cuando pudo abstenerse. Una respuesta con forma de respuesta a una pregunta que no puede respaldar es el fallo central; permitir la abstención lo ataca directamente.

3. Exige citas y citas textuales. Haz que la salida sea auditable: pide al modelo que cite las fuentes para cada afirmación y, en documentos largos, extrae citas palabra por palabra antes de razonar. No confías ciegamente en la cita (más del 60 % son incorrectas); haces que la afirmación pueda comprobarse.

4. No confíes en la traza de razonamiento como prueba. La cadena de pensamiento puede ser una racionalización posterior (Lanham et al.). «Explicó su razonamiento» no significa «fundamentó su respuesta». Verifica la conclusión, no la narración.

El marco del lado SEO — protege tu entidad

Piensa en ello como tres trabajos, porque no puedes cambiar los modelos:

1. Detecta — monitoriza las respuestas de IA sobre tu marca y vigila en las analíticas el tráfico a páginas inexistentes. (Corrige primero la atribución o el tráfico de URL alucinadas será invisible.)
2. Redirige — redirige con 301 las URL alucinadas que superen un umbral de tráfico a la página real más cercana. Captura la intención que el modelo está desviando.
3. Fundamenta la verdad para ellos — datos públicos limpios, coherentes y verificables (schema, Wikidata, perfiles oficiales y una página «About» inequívoca), para que los sistemas fundamentados recuperen tus hechos en vez de la afirmación de un competidor o un artículo satírico. Esta es la única defensa duradera contra la alucinación de marca: bloquear rastreadores no lo es, porque los pesos ya contienen lo aprendido.

Revisión rutinaria de alucinaciones

1. Define las afirmaciones de alto riesgo: precios, declaraciones legales o de seguridad, capacidades del producto, nombres de ejecutivos, ubicaciones y URL oficiales.
2. Crea prompts estables para esas afirmaciones y registra la plataforma, el modelo, el modo, la fecha, el locale, el estado de la cuenta y si la búsqueda en directo estaba activada.
3. Guarda la respuesta completa, las citas y las URL de las fuentes. Una nota parafraseada no basta como prueba para comparaciones posteriores.
4. Clasifica cada afirmación como respaldada, contradicha, no verificable, obsoleta o no aplicable usando una fuente de verdad propia y fuentes citadas.
5. Comprueba las URL fabricadas en los registros, los backlinks y las analíticas antes de decidir si redirigir, publicar una página o dejar una respuesta 404 correcta.
6. Asigna la corrección a contenido propio, enrutamiento técnico, corrección de terceros o comentarios a la plataforma, y después programa una nueva prueba con fecha.

Manual de incidentes: una respuesta de IA afirma una falsedad perjudicial

1. Captura las pruebas. Guarda la respuesta completa, el prompt, las fuentes, el producto/modelo, la fecha, el estado de la cuenta y una grabación de pantalla si el comportamiento es transitorio.
2. Verifica el impacto y la verdad. Pide al responsable de la materia que identifique la afirmación falsa exacta y el hecho autorizado. No «corrijas» una afirmación discutida publicando otra afirmación sin respaldo.
3. Rastrea las fuentes probables. Revisa las páginas citadas, tu contenido actual y archivado, los datos estructurados, los feeds, los perfiles y las menciones destacadas de terceros.
4. Corrige la evidencia controlada. Corrige las páginas propias contradictorias, consolida los hechos de la entidad y actualiza la documentación obsoleta sin cambiar las fechas cosméticamente.
5. Gestiona las URL deliberadamente. Redirige una URL fabricada solo cuando un equivalente real satisface la intención. En caso contrario, conserva la respuesta correcta de página inexistente y evita enseñar a los usuarios que toda ruta inventada resuelve.
6. Informa externamente. Usa el canal de comentarios de la plataforma y solicita correcciones a terceros cuando las pruebas las respalden.
7. Vuelve a probar y monitoriza. Repite el mismo prompt en condiciones documentadas y mantén abierto el incidente hasta que la respuesta se corrija o se acepte el riesgo residual.

Prompt: comprueba una respuesta de IA contra las pruebas proporcionadas

Audit the AI answer below using only the supplied source-of-truth documents. Break the
answer into atomic factual claims. For each claim, label it supported, contradicted,
not found, stale, or opinion; quote the exact supporting or conflicting passage; and
state the smallest correction. Treat a citation as evidence only if its page supports
the adjacent claim. Do not fill gaps from memory or the open web.

AI answer:
[PASTE COMPLETE ANSWER AND CITATIONS]

Approved source-of-truth documents:
[PASTE DOCUMENT NAME, DATE, URL OR EXCERPT]

Prompt: clasifica las URL fabricadas

Classify these AI-referred URLs using the supplied HTTP, backlink, analytics, and page
inventory evidence. For each URL, recommend one of: keep a true 404/410, redirect to a
genuinely equivalent page, restore a previously valid page, or investigate further.
Never recommend redirecting to the homepage just to remove a 404. Explain which user
intent and evidence make a destination equivalent.

Evidence:
[PASTE URL | STATUS | REFERRERS | BACKLINKS | VISITS | CLOSEST REAL PAGE]

Consola de DevTools: extrae las citas visibles de una página de respuestas

Ejecuta esto en una página de respuestas guardada o accesible después de comprobar las condiciones de uso de la plataforma. Los selectores son deliberadamente genéricos y quizá deban adaptarse a la interfaz.

copy(JSON.stringify([...document.querySelectorAll('a[href]')]
  .map(a => ({text: a.textContent.trim(), url: a.href}))
  .filter(x => /^https?:/.test(x.url)), null, 2));

Shell: comprueba una lista de URL presuntamente fabricadas

Ejecútalo solo contra URL que poseas o que estés autorizado a probar.

while IFS= read -r url; do
  curl -sS -o /dev/null -L --max-redirs 5 -w '%{http_code}\t%{url_effective}\t%{url}\n' "$url"
done < suspected-urls.txt

Regex: marca para revisión los números con forma de afirmación

Esta expresión regular de revisión encuentra porcentajes, importes monetarios y números de varias cifras. No decide si una afirmación es incorrecta.

(?:[$€£]\s?\d[\d,.]*|\b\d+(?:\.\d+)?%|\b\d{2,}(?:[,.]\d+)*\b)

Herramientas para investigar alucinaciones

• Visibilidad de marca en IA captura una respuesta de modelo etiquetada y mantiene separadas las menciones y las citas para la comparación local.
• Comprobador de brechas de citas marca afirmaciones numéricas y de estilo investigador sin respaldo en contenido que controlas. Es una cola de revisión, no un motor de verdad.
• Comprobador de redirecciones muestra el estado y el destino final de una URL fabricada u obsoleta antes de que decidas cómo gestionarla.
• Los registros del servidor/CDN revelan solicitudes a rutas inventadas, mientras que las herramientas de backlinks y analítica muestran si las personas u otros sitios las utilizan realmente.
• Los controles de comentarios de la plataforma son la vía directa de denuncia, pero conserva tus propias pruebas porque el momento y la persistencia de la corrección no están garantizados.

Valida una respuesta con alucinaciones

Métricas de alucinación

Ponte a prueba: alucinaciones de IA

Recursos que merecen tu tiempo

Mis artículos relacionados (Ahrefs)

• El 80 % de nuestro tráfico de búsqueda con IA llega a nuestra página de inicio, páginas de producto y herramientas gratuitas — de ahí procede el hallazgo de páginas alucinadas en un 3,6 %.
• Los asistentes de IA están rompiendo la analítica web y perjudicando su futuro — por qué el tráfico alucinado puede ser invisible.
• Google ha hecho imposible rastrear los clics desde AI Mode (parcialmente corregido) — el error de atribución de noreferrer que informé.

De otros autores

• ¿Con qué frecuencia los asistentes de IA alucinan enlaces? (16 millones de URL estudiadas) — Ryan Law y Xibeijia Guan (Ahrefs); la cifra de 404 de 2,87x.
• Hice un experimento de desinformación con IA. Todo profesional del marketing debería ver los resultados — Makosiewicz (Ahrefs); el ataque a una marca mediante un artículo sembrado en Medium.
• La búsqueda con IA tiene un problema de citas — Tow Center / Columbia Journalism Review (2025); el estudio de errores de citas superiores al 60 %. Resumen de Nieman Lab.
• Survey of Hallucination in Natural Language Generation — Ji et al.; la taxonomía intrínseca frente a extrínseca.
• TruthfulQA — Lin et al.; el hallazgo de la escala inversa.
• Measuring Faithfulness in Chain-of-Thought Reasoning — Lanham et al. (Anthropic).
• Vectara Hallucination Leaderboard — tasas continuas de alucinación en resúmenes fundamentados.
• ¿Qué son las alucinaciones de IA? — explicación oficial de Google Cloud sobre el mecanismo y las estrategias de mitigación.
• Cómo identificar y corregir las alucinaciones de IA sobre tu marca — guía práctica de Search Engine Land para monitorizar y corregir errores de marca de la IA.
• El bucle de retroalimentación de la IA: investigadores advierten del colapso de modelos mientras la IA entrena con contenido generado por IA — VentureBeat sobre el colapso de modelos y cómo el contenido alucinado se acumula en los ciclos de entrenamiento.

Cifras que merece la pena citar

• El 3,6 % del tráfico de referencias de IA llegó a páginas que no existen en ahrefs.com: URL alucinadas, principalmente de ChatGPT. Hallazgo de primera mano. Fuente
• Los asistentes de IA envían usuarios a 404 aproximadamente 2,87x más a menudo que Google Search en 16 millones de URL citadas por IA. ChatGPT alcanzó un 1,01 % de 404 con clic, en comparación con el 0,15 % registrado por Google. Fuente
• Más del 60 % de tasa de error de citas en 8 motores de búsqueda con IA; ChatGPT señaló incertidumbre solo en 15 de 134 respuestas incorrectas (Tow Center / CJR, 2025). Fuente
• Aproximadamente 85–90 % de fundamentación es el techo de los mejores modelos cuando reciben las fuentes: un suelo de fallo del 10–15 % (FACTS Grounding, DeepMind, 2024). Fuente
• Reducción de alucinaciones del 73–86 % al dar acceso a búsqueda web/fundamentación; 58 % de factualidad del mejor modelo frente al 94 % humano en TruthfulQA. Fuente
• El 37–39 % de las respuestas repitió información errónea sobre una marca después de una única fuente sembrada (experimento de marca de Ahrefs). Fuente

Registro de cambios