Allucinazioni dell’IA

La ricerca ha dimostrato che i modelli linguistici possono ripetere luoghi comuni diffusi invece di correggerli in modo affidabile. 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 chiama i contenuti falsi o errati presentati con sicurezza dai modelli «confabulazione». 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 — Un’allucinazione dell’IA si verifica quando un chatbot dice qualcosa che sembra corretto ma è semplicemente falso: un fatto inventato, una fonte fittizia o un link a una pagina inesistente. In una risposta non ancorata a fonti, il modello prevede parole che sembrano plausibili invece di verificare una fonte. Il grounding (fornire al modello fonti recuperate) può aiutare, ma non risolve completamente il problema. Per il tuo sito, le due cose da monitorare sono l’IA che indirizza le persone verso URL che non hai mai creato e l’IA che fornisce informazioni errate sul tuo brand.

Che cos’è un’allucinazione dell’IA

Una risposta di un modello linguistico non ancorata a fonti prevede continuazioni plausibili a partire da schemi appresi, invece di verificare ogni affermazione rispetto a una fonte. Gli strumenti di ricerca e recupero possono aggiungere prove aggiornate, ma non rendono la sintesi infallibile. Quando un’affermazione generata sembra sicura ma è falsa, viene comunemente chiamata allucinazione.

Un modo utile per visualizzarlo è questo: il modello è molto bravo a scrivere il tipo di frase che di solito viene dopo. Non controlla se quella frase sia vera. Quando non «conosce» davvero qualcosa — un dettaglio di nicchia, un cambiamento recente, un brand poco noto — scrive comunque una risposta fluida e sicura, perché è ciò per cui è stato addestrato.

Alcuni ricercatori preferiscono il termine confabulazione (preso in prestito dalla ricerca sulla memoria, dove indica il riempimento sincero delle lacune con dettagli falsi). È un termine migliore perché l’IA non sta mentendo e non cerca di ingannarti. Ha semplicemente generato la continuazione dall’aspetto più plausibile, e quella continuazione si è rivelata errata.

I due tipi che colpiscono il tuo sito web

1. URL inventati. L’IA consiglia una pagina del tuo sito che non esiste. Un utente fa clic e finisce su un 404. Gli assistenti IA lo fanno molto più spesso di Google. Nei dati di Ahrefs, il 3,6% del traffico proveniente dall’IA è andato a pagine che non esistono sul sito.
2. Informazioni errate sul tuo brand. L’IA comunica a un potenziale cliente il fondatore sbagliato, prezzi vecchi, un prodotto ritirato o qualcosa che un concorrente ha detto di te, presentandolo come un fatto e senza aggiungere «non ne sono sicura».

Cosa puoi fare concretamente

• Reindirizza gli URL inventati. Se l’IA continua a inviare persone a una pagina che non hai mai creato, imposta un reindirizzamento da quell’URL falso alla pagina reale più vicina. (Prima devi trovarli: controlla nei dati analitici il traffico verso pagine inesistenti.)
• Controlla cosa dice l’IA di te. Poni ai principali strumenti di IA il tipo di domande che fanno i tuoi clienti e verifica se le risposte sono corrette. Fallo regolarmente: le risposte cambiano quando i modelli si aggiornano.
• Pubblica fatti chiari e corretti. Più le tue informazioni pubbliche sono pulite e coerenti (la pagina «Chi siamo», i dati strutturati, i profili), più sarà facile per l’IA ancorarsi alla verità invece di tirare a indovinare.

Una cosa sorprende molte persone: bloccare i crawler IA non risolve le allucinazioni sul tuo brand. Se un modello ha già imparato qualcosa di sbagliato su di te, impedirgli di effettuare un nuovo crawling non gli fa «disimparare» quell’informazione. Il monitoraggio e fatti pubblici chiari fanno più del blocco.

Vuoi capire il meccanismo — perché i modelli più grandi possono avere più allucinazioni, cosa mostra la ricerca e come fallisce il grounding? Passa alla scheda Advanced.

TruthfulQA ha rilevato che la sola dimensione non rendeva più veritieri i modelli testati nel suo 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 considera la confabulazione un rischio da misurare e gestire, non un tasso di errore fisso specifico di un prodotto. 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 — L’allucinazione è una caratteristica della previsione del token successivo, non un bug che si possa eliminare con una patch. I modelli ottimizzano continuazioni plausibili, non la verità, quindi producono con sicurezza affermazioni false quando il segnale di addestramento è debole. Il grounding e il RAG la riducono (del 73–86% in alcuni benchmark), ma non la eliminano: anche i modelli meglio ancorati falliscono ancora circa il 10–15% delle volte, e TruthfulQA ha rilevato che i modelli più grandi possono produrre falsità più convincenti. Per la SEO è misurabile: l’IA invia gli utenti a pagine inesistenti circa 2,87 volte più spesso di Google, il 3,6% del nostro traffico IA su Ahrefs è andato a pagine inesistenti e i tassi di errore delle citazioni nei motori di ricerca IA superano il 60%. Le correzioni sono tattiche: reindirizzare gli URL allucinati, monitorare le risposte sul brand e pubblicare contenuti verificabili e chiari sul piano delle entità.

Che cos’è davvero un’allucinazione

Un’allucinazione dell’IA è un output espresso con sicurezza ma fattualmente errato, fabbricato o non supportato da alcuna fonte. Il termine tecnico più pulito è confabulazione, preso in prestito dalla neuropsicologia, dove indica la produzione di racconti falsi con autentica sicurezza e senza intenzione di ingannare. Questa precisione è importante: il modello non sta mentendo. Non ha una nozione di verità su cui mentire. Sta svolgendo l’unico compito per cui è stato addestrato: prevedere il token successivo, e a volte il token più probabile è falso.

Questo è l’inquadramento più importante di questa pagina: l’allucinazione è un sottoprodotto intrinseco della modellazione linguistica che privilegia la plausibilità rispetto all’accuratezza fattuale. Emerge dal funzionamento degli LLM come progettato, non da errori di implementazione. Non la risolvi come risolveresti un bug. La riduci.

Perché succede — il meccanismo

Gli LLM vengono addestrati con un obiettivo basato sul token successivo: data una sequenza, prevedere il token successivo più probabile. È un compito di completamento linguistico, non di recupero di fatti. Il modello ottimizza ciò che il testo sembra dover seguire, non ciò che è vero. Quando il segnale di addestramento per un fatto specifico è debole — eventi rari, argomenti di nicchia, tutto ciò che è cambiato dopo il limite di conoscenza del modello — il modello riempie la lacuna con un linguaggio statisticamente probabile. Se una sequenza sembra una domanda, la massa di probabilità favorisce nettamente la generazione di una risposta «a forma di risposta» rispetto all’ammissione dell’incertezza, indipendentemente dal fatto che il modello disponga davvero di quella conoscenza.

Ece Kamar di Microsoft Research formula empiricamente questo punto: i modelli hanno più allucinazioni sui fatti meno comuni nei dati di addestramento. È nella coda lunga che vive la confabulazione. Il codice prodotto poco noto, un recente cambio di nome, un fondatore che ha lasciato l’azienda lo scorso trimestre: sono proprio i fatti meno rappresentati sul web quelli che un modello ha più probabilità di sbagliare con sicurezza.

I tipi da distinguere con attenzione

• Allucinazione fattuale — il fatto dichiarato è semplicemente errato.
• Allucinazione di citazione / attribuzione — il modello cita una fonte che non ha usato, attribuisce male una citazione, inventa un nome in calce o crea un URL. È la versione SEO più direttamente misurabile.
• Allucinazione di entità / brand — nomi, date, statistiche, prezzi o fatti aziendali errati, dichiarati con sicurezza.
• Intrinseca vs. estrinseca (la tassonomia di Ji et al.): l’output intrinseco contraddice la fonte fornita; l’output estrinseco non può essere verificato dalla fonte: non è né confermato né contraddetto, ma è un’aggiunta fabbricata.

Come leggere correttamente le affermazioni sulle allucinazioni

Nella maggior parte della copertura sulle allucinazioni, incluse le versioni precedenti di questa pagina, cinque distinzioni vengono appiattite. Sono importanti perché cambiano il significato di «risolto», «ancorato» o «citato» quando valuti uno strumento o un’affermazione.

• Indica il riferimento. «Allucinazione» non descrive un’unica modalità di errore. Può indicare la contraddizione del contesto fornito, un’aggiunta non supportata che il contesto non conferma né nega, oppure un semplice errore fattuale sul mondo: le tre cose non sono intercambiabili (la ricerca di Ji et al. è la tassonomia di riferimento). Un verificatore costruito per individuare una delle tre perderà silenziosamente le altre due.
• Fattualità non significa fedeltà. La fattualità verifica un’affermazione rispetto a un riferimento esterno e reale: è vera? La fedeltà verifica un’affermazione rispetto alle prove che hai effettivamente fornito: è supportata da quelle prove? Una risposta può superare un test e fallire l’altro: può riassumere fedelmente una fonte errata oppure affermare qualcosa di vero che le prove fornite non sostengono. Il metodo dei fatti atomici di FActScore, che scompone una risposta lunga in affermazioni verificabili singolarmente, esiste perché un unico punteggio complessivo nasconde questa differenza.
• L’esistenza di una citazione non è grounding. La qualità di una citazione richiede in realtà tre controlli distinti: la citazione esiste e conduce a una destinazione valida? Supporta davvero l’affermazione specifica accanto alla quale compare? E la risposta copre ogni affermazione che richiedeva una citazione? È la scomposizione usata dal lavoro ALCE di Gao et al.. Una nota visibile e cliccabile può superare il primo controllo e fallire gli altri due: è esattamente la lacuna alla base dei numeri di errore delle citazioni superiori al 60% riportati sopra.
• I fallimenti RAG hanno fasi precise, non un’unica etichetta. Quando una risposta basata su RAG è errata, la causa può essere una di queste: la prova non era mai nel corpus; era stata suddivisa in chunk in modo da separare il fatto necessario su un confine; esisteva ma non è stata recuperata; è stata recuperata ma classificata troppo in basso per raggiungere il generatore; oppure è arrivata al generatore ed è stata comunque usata male (la tassonomia degli errori RAG di RAGTruth). «L’IA ha avuto un’allucinazione» comprime cinque cause profonde e altrettante correzioni diverse in un’unica parola.
• Le percentuali dei benchmark non si trasferiscono. Ogni tasso di questa pagina — 73–86%, circa 85–90%, 58% contro 94% — è circoscritto a uno specifico compito, dataset, criterio di riferimento, giudice, insieme di prompt, corpus, modello, versione del modello e data del test. Non citare «il modello X è accurato al Y%» come un fatto trasferibile al di fuori del contratto di valutazione del benchmark: un giudice, corpus o versione del modello diverso può spostare sostanzialmente il numero.

Cosa mostra la ricerca

• TruthfulQA (Lin et al., 2021) ha stabilito il problema dell’inverse scaling. Su 817 domande avversariali, il modello più grande dell’epoca (GPT-3-175B) era veritiero solo al 58% contro una baseline umana del 94% — e, cosa cruciale, la citazione dice: “larger models produce more imitative falsehoods because they are better at learning the training distribution.” (traduzione) «I modelli più grandi producono più falsità imitative perché sono più bravi a imparare la distribuzione di addestramento.» I modelli più grandi non sono più sicuri. Un modello più grande è più bravo a riprodurre i luoghi comuni incorporati nei testi web, quindi può avere torto con più sicurezza, non con meno. (Questo è direttamente rilevante per il tuo brand: se online circolano informazioni errate su di te, i modelli più capaci sono più bravi ad assorbirle e replicarle.)
• La ricerca di Ji et al. (2022/2023) è la tassonomia accademica di riferimento: allucinazioni intrinseche ed estrinseche in sintesi, dialogo, QA, traduzione e LLM.
• Lanham et al. (2023), di Anthropic, hanno rilevato che il ragionamento chain-of-thought non è sempre fedele: “as models become larger and more capable, they produce less faithful reasoning on most tasks.” (traduzione) «Man mano che i modelli diventano più grandi e capaci, producono un ragionamento meno fedele nella maggior parte dei compiti.» La spiegazione passo per passo che un modello ti mostra non riflette necessariamente il modo in cui ha raggiunto la risposta: può essere una razionalizzazione post hoc. Quindi «l’IA ha spiegato il suo ragionamento» non è una prova che la risposta sia ancorata.
• FACTS Grounding (Google DeepMind, dicembre 2024) è il numero che fa da riferimento nel dibattito sul grounding: anche fornendo documenti sorgente espliciti, i modelli migliori hanno ottenuto un grounding di appena circa l’85–90%. Il restante 10–15% è dovuto a lettura errata, interpretazione errata o mancato uso dei contenuti recuperati, non a confabulazione dal nulla.

Il grounding (RAG) risolve il problema? No: lo riduce

Questa è la sfumatura che la maggior parte degli articoli tratta male. Il grounding, cioè ancorare una risposta ai documenti che il sistema recupera al momento dell’inferenza, di solito tramite RAG, è la principale mitigazione e funziona: l’accesso alla ricerca web ha ridotto le allucinazioni del 73–86% nei modelli testati nei benchmark sul grounding. Ma non elimina le allucinazioni e fallisce in modi diversi rispetto a un LLM privo di fonti:

• può interpretare male il passaggio recuperato,
• può selezionare il passaggio sbagliato,
• può combinare in modo errato più fonti, oppure
• può non riconoscere una query avversaria o priva di senso.

Elizabeth Reid di Google ha tracciato esattamente questa distinzione parlando delle AI Overviews: ha affermato che “generally don’t ‘hallucinate’ or make things up in the ways that other LLM products might” (traduzione) «in generale non hanno “allucinazioni” e non inventano cose nei modi in cui potrebbero farlo altri prodotti LLM» perché sono “built to only show information that is backed up by top web results.” (traduzione) «progettate per mostrare solo informazioni supportate dai migliori risultati web». Quando sbagliano, ha detto, è “usually for other reasons: misinterpreting queries, misinterpreting a nuance of language on the web, or not having a lot of great information available.” (traduzione) «di solito per altri motivi: interpretano male le query, interpretano male una sfumatura del linguaggio sul web oppure non hanno a disposizione molte informazioni di qualità» È una distinzione reale: i sistemi ancorati falliscono più nel recupero e nell’interpretazione che nella pura confabulazione, ma non è una garanzia di accuratezza. Anche gli strumenti di ricerca legale che fanno largo uso di RAG hanno mostrato tassi di allucinazione fino a circa il 33%, contraddicendo le dichiarazioni dei fornitori «senza allucinazioni». Anthropic lo dice chiaramente nella propria documentazione per sviluppatori: “while these techniques significantly reduce hallucinations, they don’t eliminate them entirely. Always validate critical information.” (traduzione) «Sebbene queste tecniche riducano significativamente le allucinazioni, non le eliminano completamente. Convalida sempre le informazioni critiche.»

L’impatto SEO — misurabile e affrontabile

Allucinazione degli URL. È il caso più concreto e sono io a quantificarlo. Analizzando il traffico di referral IA di Ahrefs, ho rilevato (nella mia analisi del traffico di ricerca IA di Ahrefs per tipo di pagina) che il 3,6% del traffico è andato a pagine allucinate, cioè pagine che non esistono su ahrefs.com. I sistemi IA, soprattutto ChatGPT, hanno consigliato URL che non erano mai stati creati. Il più ampio studio di Ahrefs su 16 milioni di URL citati dall’IA (Ryan Law e Xibeijia Guan) lo contestualizza: gli assistenti IA indirizzano gli utenti a pagine 404 2,87 volte più spesso di Google Search; il tasso di 404 dopo il clic era dell’1,01% per ChatGPT contro lo 0,15% di Google. La correzione tattica è semplice: controlla il traffico referral verso i 404, identifica gli URL allucinati sopra una soglia (ad esempio 10 visite al mese) e reindirizzali con un 301 alla pagina reale più vicina. Intercetti il traffico che il modello sta già cercando di inviarti.

Allucinazione di attribuzione. Lo studio Columbia/Tow Center (2025) ha testato 8 motori di ricerca IA e ha rilevato risposte errate a oltre il 60% delle query quando veniva chiesto di identificare titolo, data, editore e URL di un articolo. ChatGPT ha identificato erroneamente 134 articoli, ma ha segnalato incertezza solo 15 volte: errori espressi con grande sicurezza. Oltre la metà delle risposte di alcuni modelli citava URL fabbricati. La lezione per la SEO è questa: essere citati in una risposta IA non significa essere rappresentati accuratamente. Una citazione non è comprensione.

Il punto cieco dell’analisi. Questo aggrava il problema degli URL. Oggi il traffico IA viene attribuito male: alcune piattaforme non trasmettono i dati del referrer e la modalità IA di Google usava noreferrer, raggruppando i clic sotto «Diretto»/«Sconosciuto» (Google ha confermato che si trattava di un bug dopo che l’ho segnalato). Se il traffico verso URL allucinati non viene attribuito correttamente, potresti non vederlo mai: il dato del 3,6% è emerso solo perché avevamo accesso all’analisi per esaminarlo. Correggi prima l’attribuzione, altrimenti monitori alla cieca.

Allucinazioni sul brand e reputazione. Un’IA che comunica a un potenziale cliente informazioni errate su prezzi, leadership o storia può danneggiare la fiducia prima ancora che raggiunga il tuo sito. Peggio ancora, è ora un vettore di SEO negativa: l’esperimento sul brand di Ahrefs (Makosiewicz) ha mostrato che un singolo articolo seminato su Medium poteva spingere alcuni modelli a propagare disinformazione nel 37–39% delle risposte su un brand. «Qualsiasi brand in crescita può essere deviato nei risultati di ricerca IA da una persona arrabbiata con un account Medium.» Non ci sono link da creare o da disconoscere: solo contenuti falsi su una piattaforma indicizzata.

Cosa fare concretamente

1. Reindirizza gli URL allucinati (la correzione descritta sopra).
2. Monitora le risposte IA sul tuo brand secondo una pianificazione: le risposte cambiano quando i modelli si aggiornano e quando vengono indicizzati nuovi contenuti. Gli audit una tantum diventano obsoleti.
3. Costruisci segnali di entità: NAP coerente, dati strutturati, Wikidata, profili ufficiali, così che i sistemi ancorati possano recuperare fatti puliti e verificabili. È la leva migliore contro le future allucinazioni sul brand.
4. Verifica i contenuti generati dall’IA prima di pubblicarli. Le allucinazioni non modificate che arrivano sul web vengono indicizzate e possono alimentare l’addestramento del modello successivo: il ciclo di feedback del model collapse. Non diventare un suo nodo.
5. Non aspettarti che il blocco dei crawler risolva il problema. Bloccare GPTBot/ClaudeBot impedisce il futuro addestramento sui tuoi contenuti, ma non fa nulla per i fatti già presenti nei pesi. (Vedi l’articolo sui crawler IA per questa distinzione.)

La sintesi onesta è questa: l’allucinazione è un’infrastruttura permanente, non un bug passeggero. Non puoi impedire all’IA di confabulare. Puoi però rendere i tuoi fatti la fonte più economica e pulita su cui ancorarsi, e puoi intercettare e reindirizzare gli URL che inventa.

Riepilogo IA

Una versione condensata della versione Advanced:

• Allucinazione = output sicuro di sé, falso o non supportato. È una caratteristica della previsione del token successivo (ottimizzata per un testo plausibile, non per la verità), non un bug: si può ridurre, ma mai eliminare completamente. «Confabulazione» è il termine più preciso; il modello non sta mentendo.
• Si concentra nella coda lunga. I modelli hanno più allucinazioni sui fatti rari nei dati di addestramento: prodotti di nicchia, cambiamenti recenti, brand poco noti.
• È importante descrivere con precisione l’errore. La contraddizione del contesto, l’aggiunta non supportata e l’errore fattuale sul mondo non sono la stessa cosa; fattualità (vero?) e fedeltà (supportato dalle prove fornite?) sono test diversi, che una risposta può superare uno e fallire l’altro; l’esistenza di una citazione non equivale al fatto che essa implichi l’affermazione accanto; e una risposta RAG può fallire perché la prova mancava, era suddivisa male, non è stata recuperata, è stata classificata troppo in basso o è stata gestita male durante la generazione: cinque cause distinte che «ha avuto un’allucinazione» nasconde.
• Più grande non significa più sicuro. TruthfulQA: i modelli più grandi producono falsità imitate più convincenti (58% di veridicità contro il 94% umano). Il ragionamento chain-of-thought può essere infedele (Lanham et al.).
• Grounding/RAG aiuta molto ma non risolve il problema. L’accesso al web ha ridotto le allucinazioni del 73–86%, ma anche i modelli meglio ancorati falliscono ancora circa il 10–15% delle volte (FACTS Grounding), perché leggono o selezionano male le fonti. Reid: le AI Overviews sono ancorate e quindi “generally don’t hallucinate… in the ways other LLM products might” (traduzione) «in generale non hanno allucinazioni… nei modi in cui potrebbero farlo altri prodotti LLM», ma possono comunque sbagliare per interpretazione errata. Anthropic: le tecniche “don’t eliminate them entirely” (traduzione) «non le eliminano completamente».
• L’impatto SEO è misurabile: l’IA invia gli utenti a pagine inesistenti circa 2,87 volte più spesso di Google; il 3,6% del traffico IA di Ahrefs è andato a pagine inesistenti; i tassi di errore delle citazioni IA superano il 60% (Tow Center). Essere citati ≠ essere rappresentati correttamente.
• Anche l’attribuzione è difettosa, quindi il traffico verso URL allucinati può essere invisibile: correggi il tracciamento prima di monitorare.
• Il rischio per il brand è un vettore di SEO negativa: un singolo articolo seminato su Medium ha spinto alcuni modelli a ripetere informazioni errate nel 37–39% delle risposte.
• Correzioni: reindirizza gli URL allucinati, monitora regolarmente le risposte sul brand, costruisci segnali di entità, verifica i contenuti IA prima della pubblicazione e non aspettarti che il blocco dei crawler annulli i fatti già presenti nei pesi.

Documentazione ufficiale

Cosa dicono con le loro parole i produttori dei modelli e i motori di ricerca sulle allucinazioni.

Google

• Cosa è successo con le AI Overviews e i prossimi passi — Elizabeth Reid (maggio 2024) spiega perché le AI Overviews ancorate sbagliano in modo diverso dagli LLM autonomi.
• GopherCite: supportare le risposte con citazioni verificate — DeepMind sui modelli che hanno «allucinazioni di assurdità convincenti», e sull’uso delle prove citate (e sull’ammissione «non lo so») per contrastarle.
• Benchmark FACTS Grounding — il benchmark di fattualità di DeepMind; il limite di grounding di circa l’85–90%.
• Indicazioni sui contenuti generati dall’IA — Search Central: i contenuti IA vengono valutati per qualità ed E-E-A-T, non per il metodo di produzione.

Anthropic

• Ridurre le allucinazioni — documentazione per sviluppatori di Claude: consentire al modello di dire «non lo so», usare citazioni dirette come grounding, verificare con citazioni e considerare l’avvertenza esplicita che le tecniche non eliminano le allucinazioni.

OpenAI

• Perché i modelli linguistici hanno allucinazioni — spiegazione di OpenAI sul meccanismo.
• ChatGPT dice la verità? — Help Center: «Le allucinazioni sono affermazioni plausibili ma false generate dai modelli linguistici».

Microsoft

• Perché a volte l’IA sbaglia — definizione tecnica di Microsoft dei contenuti «non ancorati» e relativi strumenti di mitigazione.

Citazioni dalla fonte

Dichiarazioni ufficiali delle persone che costruiscono questi sistemi. Ogni link è un deep link che porta direttamente al passaggio citato in cui la fonte fornisce il supporto.

Google — Elizabeth Reid, VP/Head of Search (maggio 2024)

• “This means that AI Overviews generally don’t ‘hallucinate’ or make things up in the ways that other LLM products might.” (traduzione) «Questo significa che, in generale, le AI Overviews non hanno “allucinazioni” e non inventano cose nei modi in cui potrebbero farlo altri prodotti LLM.» Leggi il post
• “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.” (traduzione) «Quando le AI Overviews sbagliano, di solito è per altri motivi: interpretano male le query, interpretano male una sfumatura del linguaggio sul web oppure non hanno a disposizione molte informazioni di qualità.» Vai alla citazione
• “Because accuracy is paramount in Search, AI Overviews are built to only show information that is backed up by top web results.” (traduzione) «Poiché nella Ricerca l’accuratezza è fondamentale, le AI Overviews sono progettate per mostrare solo informazioni supportate dai migliori risultati web.» Leggi il post

Google DeepMind — GopherCite (marzo 2022)

• “Language models like Gopher can ‘hallucinate’ facts that appear plausible but are actually fake.” (traduzione) «I modelli linguistici come Gopher possono avere “allucinazioni” su fatti che sembrano plausibili ma in realtà sono falsi.» Leggi il post
• “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.” (traduzione) «Poiché i modelli linguistici possono generare assurdità convincenti, GopherCite usa l apprendimento per rinforzo dalle preferenze umane (RLHP) per addestrare modelli che generano risposte citando anche prove specifiche a sostegno delle loro affermazioni.» Leggi il post

Anthropic — documentazione per sviluppatori di 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.” (traduzione) «Anche i modelli linguistici più avanzati, come Claude, possono talvolta generare testo fattualmente errato o incoerente con il contesto fornito. Questo fenomeno, noto come “allucinazione”, può compromettere l’affidabilità delle tue soluzioni basate sull’IA.» Leggi la documentazione
• “Remember, while these techniques significantly reduce hallucinations, they don’t eliminate them entirely. Always validate critical information, especially for high-stakes decisions.” (traduzione) «Ricorda che, sebbene queste tecniche riducano significativamente le allucinazioni, non le eliminano completamente. Convalida sempre le informazioni critiche, soprattutto per le decisioni ad alto rischio.» Vai alla citazione

OpenAI — Help Center

• “Hallucinations are plausible but false statements generated by language models.” (traduzione) «Le allucinazioni sono affermazioni plausibili ma false generate dai modelli linguistici.» Leggi l’articolo
• “Like any language model, ChatGPT can produce incorrect or misleading outputs, and sometimes it might sound confident—even when it’s wrong.” (traduzione) «Come qualsiasi modello linguistico, ChatGPT può produrre output errati o fuorvianti e talvolta può sembrare sicuro di sé, anche quando ha torto.» Leggi l’articolo

Mark Howard, direttore operativo di Time (tramite lo studio Tow Center / CJR)

• “Larger models produce more imitative falsehoods because they are better at learning the training distribution.” (traduzione) «I modelli più grandi producono più falsità imitative perché sono più bravi a imparare la distribuzione di addestramento.» Leggi il paper

Lanham et al. — ricercatori di Anthropic (2023)

• “As models become larger and more capable, they produce less faithful reasoning on most tasks.” (traduzione) «Man mano che i modelli diventano più grandi e capaci, producono un ragionamento meno fedele nella maggior parte dei compiti.» Leggi il paper

Mark Howard, COO, Time (tramite lo studio Tow Center / CJR)

• “It’s critically important how our brand is represented, when and where we show up.” (traduzione) «È fondamentale il modo in cui il nostro brand viene rappresentato, quando e dove compariamo.» Leggi lo studio

Tipi di allucinazione — scheda rapida

I quattro tipi che incontrerai

I numeri da ricordare

• 3,6% — quota del traffico referral IA di Ahrefs andata a pagine inesistenti (Patrick Stox, Ahrefs).
• 2,87x — quanto più spesso gli assistenti IA inviano gli utenti a 404 rispetto a Google (Ahrefs, 16 milioni di URL). Il tasso di 404 dopo il clic è 1,01% per ChatGPT contro 0,15% per Google.
• Oltre il 60% — tasso di errore delle citazioni nella ricerca IA su 8 motori (Tow Center / CJR).
• Circa 85–90% — livello di grounding dei modelli migliori anche quando ricevono le fonti (FACTS Grounding), cioè un limite di fallimento del 10–15%.
• 73–86% — riduzione delle allucinazioni ottenuta fornendo ai modelli ricerca web/grounding.
• 58% contro 94% — veridicità del modello migliore rispetto a quella umana in TruthfulQA.
• 37–39% — risposte in cui alcuni modelli hanno ripetuto informazioni errate sul brand dopo un solo articolo seminato (esperimento sul brand di Ahrefs).

Mito → realtà

• “RAG eliminates hallucinations.” (traduzione) «Il RAG elimina le allucinazioni.» → Le riduce; i modelli ancorati falliscono ancora circa il 10–15% delle volte.
• “Newer/bigger models hallucinate less.” (traduzione) «I modelli più nuovi/più grandi hanno meno allucinazioni.» → TruthfulQA: più grande può significare falsità più convincenti.
• “AI Overviews hallucinate just like ChatGPT.” (traduzione) «Le AI Overviews hanno allucinazioni proprio come ChatGPT.» → Sono ancorate; gli errori tendono all’interpretazione errata, non alla pura confabulazione (Reid).
• “Being cited means being represented correctly.” (traduzione) «Essere citati significa essere rappresentati correttamente.» → Un tasso di errore delle citazioni superiore al 60% dimostra il contrario.
• “Blocking AI crawlers stops brand hallucination.” (traduzione) «Bloccare i crawler IA ferma le allucinazioni sul brand.» → I fatti già presenti nei pesi restano lì.
• “You can tell it’s wrong because it sounds unsure.” (traduzione) «Puoi capire che è sbagliato perché sembra incerto.» → La sicurezza è proprio la caratteristica distintiva: ChatGPT ha segnalato incertezza solo in 15 delle 134 risposte errate.

Come ridurre le allucinazioni — il playbook

Queste sono le leve, all’incirca in ordine di impatto, ricavate da ciò che i produttori dei modelli e la ricerca supportano realmente.

1. Ancora la risposta (e accetta il limite). Fornisci al modello fonti reali al momento dell’inferenza: è il RAG / grounding. È la leva singola più importante (riduzione del 73–86%). Ma interiorizza il limite: i modelli meglio ancorati falliscono ancora circa il 10–15% delle volte (FACTS Grounding) e falliscono perché leggono male o selezionano male le fonti, non perché inventano dal nulla. Il grounding cambia la modalità di errore, non la elimina.

2. Permetti al modello di dire «non lo so». La prima raccomandazione di Anthropic: “explicitly give Claude permission to admit uncertainty… this simple technique can drastically reduce false information.” (traduzione) «dai esplicitamente a Claude il permesso di ammettere l’incertezza… questa semplice tecnica può ridurre drasticamente le informazioni false.» GopherCite è migliorato nettamente quando ha potuto astenersi. Una risposta costruita come risposta a una domanda che non può supportare è il fallimento fondamentale; il permesso di astenersi lo aggredisce direttamente.

3. Pretendi citazioni e citazioni testuali. Rendi l’output verificabile: chiedi al modello di citare le fonti per ogni affermazione e, per i documenti lunghi, di estrarre citazioni parola per parola prima di ragionare. Non ti fidi ciecamente della citazione (oltre il 60% è errato): rendi l’affermazione controllabile.

4. Non fidarti della traccia del ragionamento come prova. Il chain-of-thought può essere una razionalizzazione post hoc (Lanham et al.). «Ha spiegato il suo ragionamento» non significa «ha ancorato la risposta». Verifica la conclusione, non la narrazione.

Il framework SEO — proteggi la tua entità

Consideralo come tre compiti, perché non puoi cambiare i modelli:

1. Rileva — monitora le risposte IA sul tuo brand e controlla nei dati analitici il traffico verso pagine inesistenti. (Prima correggi l’attribuzione, altrimenti il traffico verso URL allucinati è invisibile.)
2. Reindirizza — fai un 301 dagli URL allucinati che superano una soglia di traffico alla pagina reale più vicina. Intercetta l’intento che il modello sta deviando.
3. Ancora la verità per loro — fatti pubblici puliti, coerenti e verificabili (schema, Wikidata, profili ufficiali, una pagina Chi siamo non ambigua), così che i sistemi ancorati recuperino i tuoi fatti invece dell’affermazione di un concorrente o di un articolo satirico. È l’unica difesa duratura contro l’allucinazione del brand: bloccare i crawler non basta, perché i pesi contengono già ciò che hanno imparato.

Revisione ordinaria delle allucinazioni

1. Definisci le affermazioni ad alto rischio: prezzi, dichiarazioni legali o di sicurezza, capacità del prodotto, nomi dei dirigenti, località e URL ufficiali.
2. Crea prompt stabili per queste affermazioni e registra piattaforma, modello, modalità, data, lingua, stato dell’account e se la ricerca live era abilitata.
3. Salva la risposta completa, le citazioni e gli URL delle fonti. Una nota parafrasata non è una prova sufficiente per il confronto successivo.
4. Classifica ogni affermazione come supportata, contraddetta, non verificabile, obsoleta o non applicabile usando una fonte di verità controllata e le fonti citate.
5. Controlla gli URL fabbricati rispetto ai log, ai backlink e ai dati analitici prima di decidere se reindirizzare, pubblicare una pagina o lasciare un vero 404.
6. Assegna la correzione ai contenuti controllati, al routing tecnico, alla correzione da parte di terzi o al feedback della piattaforma, quindi pianifica un nuovo test con una data.

Playbook per gli incidenti: una risposta IA esprime una falsità dannosa

1. Raccogli le prove. Salva la risposta completa, il prompt, le fonti, il prodotto/modello, la data, lo stato dell’account e una registrazione dello schermo se il comportamento è transitorio.
2. Verifica impatto e verità. Chiedi al responsabile competente di identificare l’affermazione esatta e il fatto autorevole. Non «correggere» un’affermazione contestata pubblicando un’altra dichiarazione non supportata.
3. Rintraccia le probabili fonti. Esamina le pagine citate, i contenuti attuali e archiviati del tuo sito, i fatti strutturati, i feed, i profili e le menzioni di rilievo di terze parti.
4. Correggi le prove controllate. Correggi le pagine proprietarie contraddittorie, consolida i fatti sull’entità e aggiorna la documentazione obsoleta senza modificare artificialmente le date.
5. Gestisci gli URL deliberatamente. Reindirizza un URL fabbricato solo quando un equivalente reale soddisfa l’intento. Altrimenti conserva la corretta risposta di pagina mancante ed evita di insegnare agli utenti che ogni percorso inventato si risolve.
6. Segnala all’esterno. Usa il canale di feedback della piattaforma e chiedi correzioni alle terze parti quando le prove le supportano.
7. Ripeti il test e monitora. Ripeti lo stesso prompt in condizioni documentate e mantieni aperto l’incidente finché la risposta non è corretta o il rischio residuo non viene accettato.

Prompt: verifica una risposta IA rispetto alle prove fornite

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: fai il triage degli URL fabbricati

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]

Console DevTools: estrai le citazioni visibili da una pagina di risposta

Eseguilo su una pagina di risposta salvata o accessibile dopo aver verificato i termini della piattaforma. I selettori sono volutamente generici e potrebbe essere necessario adattarli all’interfaccia.

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: controlla un elenco di URL potenzialmente fabbricati

Eseguilo sugli URL che possiedi o che sei autorizzato a verificare.

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: segnala per la revisione i numeri che sembrano affermazioni

Questa regex di revisione trova percentuali, importi in valuta e numeri composti da più cifre. Non stabilisce se un’affermazione sia errata.

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

Strumenti per indagare sulle allucinazioni

• Visibilità del brand nell’IA cattura una risposta del modello con etichetta e mantiene separate menzioni e citazioni per il confronto locale.
• Citation Gap Checker segnala le affermazioni numeriche e in stile ricerca non supportate nei contenuti che controlli. È una coda di revisione, non un motore della verità.
• Redirect Checker mostra lo stato e la destinazione finale di un URL fabbricato o obsoleto prima che tu decida come gestirlo.
• I log del server/CDN rivelano le richieste verso percorsi inventati, mentre gli strumenti per backlink e analisi mostrano se persone o altri siti li stanno effettivamente usando.
• I controlli di feedback della piattaforma sono il canale diretto per le segnalazioni, ma conserva le tue prove perché tempi e persistenza delle correzioni non sono garantiti.

Convalida una risposta allucinata

Metriche delle allucinazioni

Mettiti alla prova: AI Hallucinations

Risorse che meritano il tuo tempo

I miei articoli correlati (Ahrefs)

• L’80% del nostro traffico di ricerca IA va alla home page, alle pagine prodotto e agli strumenti gratuiti — da qui proviene il dato del 3,6% di pagine allucinate.
• Gli assistenti IA stanno rompendo l’analisi web e danneggiando il loro futuro — perché il traffico allucinato può essere invisibile.
• Google ha reso impossibile (in parte) tracciare i clic dalla modalità IA — il bug di attribuzione noreferrer che ho segnalato.

Di altri autori

• Con quale frequenza gli assistenti IA hanno allucinazioni sui link? (Studio su 16 milioni di URL) — Ryan Law e Xibeijia Guan (Ahrefs); il dato dei 404 pari a 2,87x.
• Ho condotto un esperimento sulla disinformazione IA. Ogni marketer dovrebbe vedere i risultati — Makosiewicz (Ahrefs); l’attacco al brand tramite articolo Medium seminato.
• La ricerca IA ha un problema di citazioni — Tow Center / Columbia Journalism Review (2025); lo studio sull’errore delle citazioni superiore al 60%. Sintesi di Nieman Lab.
• Rassegna delle allucinazioni nella generazione del linguaggio naturale — Ji et al.; la tassonomia intrinseca vs. estrinseca.
• TruthfulQA — Lin et al.; il risultato dell’inverse scaling.
• Misurare la fedeltà nel ragionamento chain-of-thought — Lanham et al. (Anthropic).
• Classifica Vectara delle allucinazioni — tassi di allucinazione in corso nella sintesi ancorata.
• Che cosa sono le allucinazioni dell IA? — spiegazione ufficiale di Google Cloud sul meccanismo e sulle strategie di mitigazione.
• Come identificare e correggere le allucinazioni IA sul brand — guida pratica di Search Engine Land al monitoraggio e alla correzione degli errori IA sul brand.
• Il ciclo di feedback dell IA: i ricercatori avvertono del collasso dei modelli addestrati su contenuti generati dall IA — VentureBeat sul model collapse e su come i contenuti allucinati si accumulano nei cicli di addestramento.

Statistiche degne di citazione

• Il 3,6% del traffico referral IA è andato a pagine inesistenti su ahrefs.com: URL allucinati, principalmente da ChatGPT. È un mio dato di prima parte. Fonte
• Gli assistenti IA inviano gli utenti a 404 circa 2,87 volte più spesso della Google Search, su 16 milioni di URL citati dall’IA. Il tasso di 404 dopo il clic è dell’1,01% per ChatGPT contro lo 0,15% di Google. Fonte
• Tasso di errore delle citazioni superiore al 60% su 8 motori di ricerca IA; ChatGPT ha segnalato incertezza solo in 15 delle 134 risposte errate (Tow Center / CJR, 2025). Fonte
• Il grounding di circa l’85–90% è il limite superiore per i modelli migliori quando ricevono le fonti: un limite di fallimento del 10–15% (FACTS Grounding, DeepMind, 2024). Fonte
• Riduzione delle allucinazioni del 73–86% grazie all’accesso alla ricerca web/al grounding; veridicità del 58% per il modello migliore contro il 94% umano in TruthfulQA. Fonte
• Il 37–39% delle risposte ha ripetuto informazioni errate sul brand dopo una singola fonte seminata (esperimento sul brand di Ahrefs). Fonte

Cronologia modifiche