Alucinações de IA

Pesquisas mostram que modelos de linguagem podem repetir equívocos comuns, em vez de corrigi-los de forma confiável. 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 A NIST chama o conteúdo falso ou errôneo apresentado com confiança pelos modelos de “confabulação”. 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 — Uma alucinação de IA ocorre quando um chatbot diz algo que parece certo, mas está errado — um fato inventado, uma fonte falsa ou um link para uma página que não existe. Em uma resposta sem grounding, o modelo prevê palavras que parecem prováveis em vez de verificar uma fonte. O grounding (fornecer fontes recuperadas ao modelo) pode ajudar, mas não resolve tudo. No seu site, observe duas coisas: a IA apontar pessoas para URLs que você nunca criou e a IA errar fatos sobre sua marca.

O que é uma alucinação de IA

Uma resposta de modelo de linguagem sem grounding prevê continuações prováveis a partir de padrões aprendidos, em vez de verificar cada afirmação em uma fonte. Ferramentas de busca e recuperação podem acrescentar evidências atuais, mas não tornam a síntese à prova de erros. Quando uma afirmação gerada parece confiante, mas é falsa, isso costuma ser chamado de alucinação.

Uma forma útil de imaginar isso: o modelo é muito bom em escrever o tipo de frase que normalmente vem em seguida. Ele não verifica se essa frase é verdadeira. Quando ele realmente não “sabe” algo — um detalhe de nicho, uma mudança recente, uma marca pouco conhecida — ainda assim produz uma resposta fluida e confiante, porque foi treinado para fazer isso.

Alguns pesquisadores preferem a palavra confabulação (emprestada da pesquisa sobre memória, na qual pessoas preenchem sinceramente lacunas com detalhes falsos). É uma palavra melhor porque a IA não está mentindo nem tentando enganar você. Ela apenas gerou a continuação com aparência mais plausível, e essa continuação acabou estando errada.

Os dois tipos que atingem seu site

1. URLs inventadas. A IA recomenda uma página do seu site que não existe. A pessoa clica e cai em um 404. Os assistentes de IA fazem isso muito mais que o Google. Nos próprios dados da Ahrefs, 3,6% do tráfego vindo de IA foi para páginas que não existem no site.
2. Fatos errados sobre sua marca. A IA informa a um prospect o fundador errado, um preço antigo, um produto descontinuado ou algo que um concorrente disse sobre você — apresentado como fato, sem um “não tenho certeza”.

O que você pode fazer de verdade

• Redirecione as URLs inventadas. Se a IA continua enviando pessoas para uma página que você nunca criou, configure um redirecionamento dessa URL falsa para a página real mais próxima. (Primeiro você precisa encontrá-las — observe nos seus analytics o tráfego para 404s.)
• Confira o que a IA diz sobre você. Faça às principais ferramentas de IA as perguntas que seus clientes fazem e veja se as respostas estão certas. Faça isso regularmente — as respostas mudam conforme os modelos são atualizados.
• Publique fatos claros e corretos. Quanto mais limpas e consistentes forem suas informações públicas (sua página “Sobre”, dados estruturados, perfis), mais fácil será para a IA se basear na verdade em vez de adivinhar.

Uma coisa que surpreende as pessoas: bloquear crawlers de IA não corrige alucinações sobre sua marca. Se um modelo já aprendeu algo errado sobre você, impedi-lo de rastrear novamente não o faz desaprender. Monitoramento e fatos públicos claros fazem mais que o bloqueio.

Quer entender o mecanismo — por que modelos maiores podem alucinar mais, o que as pesquisas mostram e como o grounding falha? Mude para a aba Avançado.

A TruthfulQA descobriu que o tamanho, por si só, não tornou os modelos testados mais verdadeiros no 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 A NIST trata a confabulação como um risco a ser medido e gerenciado, não como uma taxa fixa de erro específica de um produto. 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 — Alucinação é uma característica da previsão do próximo token, não um bug que você possa corrigir com um patch. Modelos otimizam continuações plausíveis, não a verdade, por isso produzem afirmações falsas com confiança quando o sinal de treinamento é escasso. Grounding e RAG reduzem isso (73–86% em alguns benchmarks), mas não eliminam o problema — os melhores modelos com grounding ainda falham cerca de 10–15% das vezes, e a TruthfulQA descobriu que modelos maiores podem produzir falsidades mais convincentes. Em SEO, isso é mensurável: a IA envia usuários para 404s cerca de 2,87x mais que o Google, 3,6% do tráfego de IA da Ahrefs foi para páginas inexistentes e as taxas de erro de citação nos mecanismos de busca por IA passam de 60%. As correções são táticas: redirecionar URLs alucinadas, monitorar respostas sobre a marca e publicar conteúdo verificável e claro sobre entidades.

O que a alucinação realmente é

Uma alucinação de IA é uma saída afirmada com confiança, mas incorreta, fabricada ou sem suporte de qualquer fonte. O termo técnico mais preciso é confabulação — emprestado da neuropsicologia, onde significa produzir relatos falsos com confiança genuína e sem intenção de enganar. Essa precisão importa: o modelo não está mentindo. Ele não tem uma noção de verdade sobre a qual possa mentir. Está executando a única tarefa para a qual foi treinado — prever o próximo token — e, às vezes, o token mais provável é falso.

Este é o enquadramento mais importante desta página: alucinação é um subproduto inerente da modelagem de linguagem que prioriza plausibilidade em vez de precisão factual. Ela surge do funcionamento dos LLMs conforme projetados, não de falhas de implementação. Você não a corrige como corrige um bug. Você a reduz.

Por que isso acontece — o mecanismo

LLMs são treinados com um objetivo de próximo token: dada uma sequência, prever o próximo token mais provável. Essa é uma tarefa de completar linguagem, não de recuperar fatos. O modelo otimiza o que o texto parece que deveria seguir, não o que é verdadeiro. Quando o sinal de treinamento para um fato específico é escasso — eventos raros, temas de nicho, qualquer coisa que mudou depois do corte de conhecimento do modelo — ele preenche a lacuna com linguagem estatisticamente provável. Se uma sequência parece uma pergunta, a massa de probabilidade favorece fortemente gerar uma resposta com formato de “resposta” em vez de admitir incerteza, independentemente de o modelo realmente ter o conhecimento.

Ece Kamar, da Microsoft Research, apresenta a versão empírica desse ponto: modelos alucinam mais em torno de fatos menos comuns nos dados de treinamento. É na cauda longa que vive a confabulação. O SKU obscuro do seu produto, uma renomeação recente, um fundador que saiu no trimestre passado — justamente os fatos menos representados na web são os que um modelo tem maior probabilidade de errar com confiança.

Os tipos que vale manter separados

• Alucinação factual — o fato afirmado está simplesmente errado.
• Alucinação de citação / atribuição — o modelo cita uma fonte que não usou, atribui uma citação à pessoa errada, inventa um crédito de autoria ou cria uma URL. É a versão de SEO mais diretamente mensurável.
• Alucinação de entidade / marca — nomes, datas, estatísticas, preços ou fatos da empresa errados, afirmados com confiança.
• Intrínseca vs. extrínseca (a taxonomia de Ji et al.): a saída intrínseca contradiz a fonte fornecida; a saída extrínseca não pode ser verificada na fonte — não é confirmada nem contradita, sendo uma adição fabricada.

Como ler corretamente as alegações sobre alucinações

Cinco distinções são achatadas na maior parte da cobertura sobre alucinações, incluindo versões anteriores desta página. Elas importam porque mudam o que “corrigido”, “com grounding” ou “citado” realmente significa ao avaliar uma ferramenta ou uma alegação.

• Nomeie a referência. “Alucinação” não é um único modo de falha. Pode significar contradição do contexto fornecido, uma adição sem suporte que o contexto não confirma nem nega ou um erro factual sobre o mundo — e esses três casos não são intercambiáveis (o levantamento de Ji et al. é a taxonomia de origem). Um verificador criado para detectar um dos três deixará silenciosamente passar os outros dois.
• Factualidade não é fidelidade. Factualidade testa uma alegação contra uma referência externa do mundo real — ela é verdadeira? Fidelidade testa uma alegação contra as evidências que você realmente forneceu — essa evidência a sustenta? Uma resposta pode passar em um teste e falhar no outro: resumir fielmente uma fonte errada ou declarar algo verdadeiro que as evidências fornecidas nunca sustentam. O método de fatos atômicos da FActScore — dividir uma resposta longa em alegações verificáveis individualmente — existe porque uma única pontuação holística esconde essa separação.
• A existência de uma citação não é grounding. A qualidade da citação envolve três verificações distintas: a citação existe e resolve, ela realmente acarreta (sustenta) a alegação específica ao lado dela e a resposta cobre toda alegação que precisava de uma citação? É essa decomposição que o trabalho ALCE de Gao et al. usa. Uma nota de rodapé visível e clicável pode passar na primeira verificação e falhar nas outras duas — exatamente a lacuna por trás dos números de mais de 60% de erro de citação acima.
• Falhas de RAG têm etapas nomeadas, não um único rótulo. Quando uma resposta baseada em RAG está errada, a causa pode ser: a evidência nunca esteve no corpus, foi dividida em chunks de modo que o fato necessário ficou separado por uma fronteira, existia mas não foi recuperada, foi recuperada mas ranqueada baixo demais para chegar ao gerador ou chegou ao gerador e foi usada de forma errada. A taxonomia do RAGTruth detalha esses erros. “A IA alucinou” reduz cinco causas diferentes — e correções diferentes — a uma só palavra.
• Percentuais de benchmark não são portáteis. Cada taxa nesta página — 73–86%, cerca de 85–90%, 58% contra 94% — é específica de uma tarefa, conjunto de dados, política de referência, avaliador, conjunto de prompts, corpus, modelo, versão do modelo e data de teste. Não cite “o modelo X tem Y% de precisão” como um fato transportável para fora do contrato de avaliação daquele benchmark; outro avaliador, corpus ou versão pode mudar bastante o número.

O que as pesquisas mostram

• TruthfulQA (Lin et al., 2021) estabeleceu o problema da escala inversa. Em 817 perguntas adversariais, o maior modelo da época (GPT-3-175B) foi apenas 58% verdadeiro, contra um baseline humano de 94% — e, crucialmente, “larger models produce more imitative falsehoods because they are better at learning the training distribution.” (tradução) «Modelos maiores produzem mais falsidades imitativas porque aprendem melhor a distribuição dos dados de treinamento.» Modelos maiores não são mais seguros. Um modelo maior é melhor em reproduzir os equívocos populares incorporados ao texto da web, então pode estar mais confiantemente errado, não menos. (Isso é diretamente relevante para sua marca: se informações erradas sobre você circulam online, modelos mais capazes são melhores em absorvê-las e replicá-las.)
• Levantamento de Ji et al. (2022/2023) é a taxonomia acadêmica de referência — alucinação intrínseca contra extrínseca em sumarização, diálogo, QA, tradução e LLMs.
• Lanham et al. (2023), da Anthropic, descobriram que o raciocínio chain-of-thought nem sempre é fiel: “as models become larger and more capable, they produce less faithful reasoning on most tasks.” (tradução) «À medida que os modelos ficam maiores e mais capazes, produzem raciocínio menos fiel na maioria das tarefas.» A explicação passo a passo que um modelo mostra não necessariamente reflete como chegou à resposta — pode ser uma racionalização pós-hoc. Portanto, “a IA explicou seu raciocínio” não prova que a resposta tem grounding.
• FACTS Grounding (Google DeepMind, dezembro de 2024) é o número que ancora o debate sobre grounding: mesmo recebendo documentos-fonte explícitos, os melhores modelos alcançaram apenas cerca de 85–90% de grounding. Os 10–15% restantes são leitura errada, interpretação equivocada ou falha em usar o conteúdo recuperado — não confabulação a partir do nada.

O grounding (RAG) resolve o problema? Não — ele o reduz

Esta é a nuance que a maior parte da cobertura trata mal. Grounding — ancorar uma resposta em documentos que o sistema recupera no momento da inferência, normalmente via RAG — é a principal mitigação, e funciona: o acesso à busca na web reduziu as alucinações em 73–86% nos modelos testados em benchmarks de grounding. Mas não elimina as alucinações e falha de maneiras diferentes de um LLM sem apoio:

• pode interpretar errado o trecho recuperado,
• selecionar o trecho errado,
• combinar várias fontes incorretamente ou
• não reconhecer uma consulta adversarial ou sem sentido.

Elizabeth Reid, do Google, traçou exatamente essa linha sobre os AI Overviews: eles “generally don’t ‘hallucinate’ or make things up in the ways that other LLM products might” (tradução) «em geral não “alucinam” nem inventam coisas como outros produtos de LLM podem fazer», porque são “built to only show information that is backed up by top web results.” (tradução) «construídos para mostrar apenas informações apoiadas pelos principais resultados da web». Quando erram, ela disse, é “usually for other reasons: misinterpreting queries, misinterpreting a nuance of language on the web, or not having a lot of great information available.” (tradução) «geralmente por outros motivos: interpretar mal consultas, entender incorretamente uma nuance da linguagem na web ou não dispor de muitas informações de qualidade». Essa é uma distinção real — sistemas com grounding falham mais na recuperação e interpretação do que na confabulação pura —, mas não é garantia de precisão. E até ferramentas de pesquisa jurídica com muito RAG mostraram taxas de alucinação de até cerca de 33%, contradizendo alegações de fornecedores de que são “livres de alucinações”. A Anthropic diz claramente em sua documentação para desenvolvedores: “while these techniques significantly reduce hallucinations, they don’t eliminate them entirely. Always validate critical information.” (tradução) «Embora essas técnicas reduzam bastante as alucinações, não as eliminam por completo. Sempre valide informações críticas.»

O impacto em SEO — mensurável e tratável

Alucinação de URL. Esta é a mais concreta, e cabe a mim quantificá-la. Ao analisar o próprio tráfego de referência de IA da Ahrefs, descobri (na minha análise do tráfego de busca por IA da Ahrefs por tipo de página) que 3,6% do tráfego foi para páginas alucinadas — páginas que não existem em ahrefs.com. Os sistemas de IA (principalmente o ChatGPT) recomendaram URLs que nunca foram criadas. O estudo mais amplo da Ahrefs com 16 milhões de URLs citadas por IA (Ryan Law e Xibeijia Guan) coloca isso em contexto: assistentes de IA direcionam usuários para páginas 404 2,87x mais frequentemente que o Google Search — a taxa de 404 em URLs clicadas pelo ChatGPT foi de 1,01%, contra o baseline de 0,15% do Google. A correção tática é direta: observe o tráfego de referência para 404s, identifique URLs alucinadas acima de um limite (por exemplo, 10 visitas/mês) e redirecione-as com 301 para a página real mais próxima. Você captura o tráfego que o modelo já está tentando enviar para você.

Alucinação de atribuição. O estudo do Columbia/Tow Center (2025) testou 8 mecanismos de busca por IA e encontrou respostas incorretas em mais de 60% das consultas quando solicitados a identificar título, data, publicador e URL de um artigo. O ChatGPT identificou incorretamente 134 artigos, mas sinalizou incerteza apenas 15 vezes — errado com alta confiança. Mais da metade das respostas de alguns modelos citou URLs fabricadas. A lição para SEO: ser citado em uma resposta de IA não significa ter sido representado corretamente. Uma citação não é compreensão.

O ponto cego dos analytics. Isso agrava o problema das URLs. Hoje, o tráfego de IA é mal atribuído — algumas plataformas não transmitem dados de referrer, e o AI Mode do Google usou noreferrer, agrupando cliques como “Direct”/“Unknown” (o Google confirmou que isso era um bug depois que eu o reportei). Se o tráfego para URLs alucinadas não for atribuído corretamente, você talvez nunca o veja — o achado de 3,6% só apareceu porque tínhamos acesso aos analytics para procurar. Corrija a atribuição primeiro ou você estará monitorando às cegas.

Alucinação de marca e reputação. Uma IA informar fatos errados sobre seus preços, liderança ou história a um possível cliente pode destruir a confiança antes de ele chegar ao seu site. Pior: isso agora é um vetor de SEO negativo. O experimento de marca da Ahrefs (Makosiewicz) mostrou que um único artigo plantado no Medium poderia levar alguns modelos a propagar desinformação em 37–39% das respostas sobre uma marca. “Any growing brand can be knocked off course in AI search results by an upset person with a Medium account.” (tradução) «Qualquer marca em crescimento pode perder o rumo nos resultados de busca por IA por causa de uma pessoa insatisfeita com uma conta no Medium.» Não há links para construir ou rejeitar — apenas conteúdo falso em uma plataforma indexada.

O que fazer de verdade

1. Redirecione URLs alucinadas (a correção de alucinação de URL acima).
2. Monitore respostas de IA sobre sua marca com uma agenda — as respostas mudam conforme os modelos são atualizados e novos conteúdos são indexados. Auditorias únicas ficam desatualizadas.
3. Construa sinais de entidade — NAP consistente, schema, Wikidata e perfis oficiais — para que sistemas com grounding tenham fatos limpos e verificáveis para recuperar. É a melhor alavanca contra futuras alucinações de marca.
4. Verifique conteúdo gerado por IA antes de publicá-lo. Alucinações não editadas que chegam à web são indexadas e podem alimentar o treinamento do próximo modelo — o ciclo de feedback do colapso de modelos. Não seja um nó desse ciclo.
5. Não espere que bloquear crawlers resolva. Bloquear GPTBot/ClaudeBot interrompe o treinamento futuro no seu conteúdo; não faz nada com fatos que já estão nos pesos. (Veja o artigo sobre crawlers de IA para essa distinção.)

O resumo honesto: alucinação é infraestrutura permanente, não um bug passageiro. Você não pode fazer a IA parar de confabular. Pode tornar seus próprios fatos a coisa mais barata e limpa para ela usar como grounding — e pode capturar e redirecionar as URLs que ela inventa.

Resumo de IA

Uma versão condensada da versão Advanced:

• Alucinação = saída confiante, falsa ou sem suporte. É uma característica da previsão do próximo token (otimizar texto plausível, não verdade), não um bug — portanto pode ser reduzida, mas nunca totalmente eliminada. “Confabulação” é o termo mais preciso; o modelo não está mentindo.
• Ela se concentra na cauda longa. Modelos alucinam mais em torno de fatos raros nos dados de treinamento — produtos de nicho, mudanças recentes, marcas obscuras.
• Nomear a falha com precisão importa. Contradição do contexto, adição sem suporte e erro factual do mundo não são a mesma coisa; factualidade (verdadeiro?) e fidelidade (sustentado pelas evidências fornecidas?) são testes diferentes, nos quais uma resposta pode passar em um e falhar no outro; uma citação existir não é o mesmo que ela acarretar a alegação ao lado; e uma resposta RAG pode falhar porque a evidência estava ausente, foi dividida mal, não foi recuperada, ficou abaixo do ranking ou foi mal utilizada na geração — cinco causas distintas escondidas por “a IA alucinou”.
• Maior não é mais seguro. TruthfulQA: modelos maiores produzem falsidades imitativas mais convincentes (58% de verdade contra 94% humano). O raciocínio chain-of-thought pode não ser fiel (Lanham et al.).
• Grounding/RAG ajuda muito, mas não resolve. O acesso à web reduziu alucinações em 73–86%, mas os melhores modelos com grounding ainda falham cerca de 10–15% (FACTS Grounding) — por interpretar ou selecionar fontes de forma errada. Reid: os AI Overviews têm grounding, então “geralmente não alucinam… das maneiras como outros produtos LLM podem”, mas ainda erram por interpretação. Anthropic: as técnicas “não as eliminam totalmente”.
• O impacto em SEO é mensurável: a IA envia usuários para 404s cerca de 2,87x mais que o Google; 3,6% do tráfego de IA da Ahrefs foi para páginas inexistentes; taxas de erro de citação passam de 60% (Tow Center). Ser citado não é ser representado corretamente.
• A atribuição também está quebrada: tráfego alucinado pode ficar invisível; corrija o rastreamento antes de monitorar.
• Risco de marca é um vetor de SEO negativo: um artigo plantado no Medium fez alguns modelos repetirem desinformação em 37–39% das respostas.
• Correções: redirecione URLs alucinadas, monitore regularmente as respostas sobre a marca, construa sinais de entidade, verifique conteúdo de IA antes de publicar e não espere que bloquear crawlers desfaça fatos já presentes nos pesos.

Documentação oficial

O que os criadores de modelos e os mecanismos de busca dizem sobre alucinação em suas próprias palavras.

Google

• O que aconteceu com os AI Overviews e próximos passos — Elizabeth Reid (maio de 2024) sobre por que AI Overviews com grounding erram de forma diferente de LLMs independentes.
• GopherCite: apoiando respostas com citações verificadas — DeepMind sobre modelos que alucinam “nonsense convincente” e sobre citar evidências (e admitir “não sei”) para combater isso.
• Benchmark FACTS Grounding — benchmark de factualidade da DeepMind; teto de cerca de 85–90% com grounding.
• Orientação sobre conteúdo gerado por IA — Search Central: o conteúdo de IA é avaliado por qualidade e E-E-A-T, não pelo método de produção.

Anthropic

• Reduza alucinações — documentação de desenvolvedor do Claude: permita que o modelo diga “não sei”, use grounding com citações diretas, verifique com citações e observe a ressalva explícita de que as técnicas não eliminam alucinações.

OpenAI

• Por que modelos de linguagem alucinam — explicação da OpenAI sobre o mecanismo.
• O ChatGPT diz a verdade? — Help Center: “Alucinações são afirmações plausíveis, mas falsas, geradas por modelos de linguagem.”

Microsoft

• Por que a IA às vezes erra — definição técnica da Microsoft para conteúdo “sem grounding” e suas ferramentas de mitigação.

Citações da fonte

Declarações registradas das pessoas que constroem esses sistemas. Cada link é um deep link que salta para o trecho citado onde a fonte o sustenta.

Google — Elizabeth Reid, VP/chefe de Search (maio de 2024)

• “This means that AI Overviews generally don’t ‘hallucinate’ or make things up in the ways that other LLM products might.” (tradução) «Isso significa que os AI Overviews em geral não “alucinam” nem inventam coisas como outros produtos de LLM podem fazer.» Leia o 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.” (tradução) «Quando os AI Overviews erram, normalmente é por outros motivos: interpretação incorreta de consultas, de nuances da linguagem na web ou falta de informações de qualidade.» Ir para a citação
• “Because accuracy is paramount in Search, AI Overviews are built to only show information that is backed up by top web results.” (tradução) «Como a precisão é essencial na Busca, os AI Overviews são construídos para mostrar apenas informações apoiadas pelos principais resultados da web.» Leia o post

Google DeepMind — GopherCite (março de 2022)

• “Language models like Gopher can ‘hallucinate’ facts that appear plausible but are actually fake.” (tradução) «Modelos de linguagem como o Gopher podem “alucinar” fatos que parecem plausíveis, mas são falsos.» Leia o 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.” (tradução) «Como modelos de linguagem podem alucinar absurdos convincentes, o GopherCite usa aprendizado por reforço a partir de preferências humanas para treinar modelos que geram respostas e citam evidências específicas para suas alegações.» Leia o post

Anthropic — documentação de desenvolvedor do 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.” (tradução) «Até os modelos de linguagem mais avançados, como o Claude, às vezes geram texto factualmente incorreto ou incompatível com o contexto; esse fenômeno pode comprometer a confiabilidade de soluções baseadas em IA.» Leia a documentação
• “Remember, while these techniques significantly reduce hallucinations, they don’t eliminate them entirely. Always validate critical information, especially for high-stakes decisions.” (tradução) «Lembre-se: embora essas técnicas reduzam bastante as alucinações, não as eliminam por completo. Sempre valide informações críticas, sobretudo em decisões de alto risco.» Ir para a citação

OpenAI — Help Center

• “Hallucinations are plausible but false statements generated by language models.” (tradução) «Alucinações são afirmações plausíveis, porém falsas, geradas por modelos de linguagem.» Leia o artigo
• “Like any language model, ChatGPT can produce incorrect or misleading outputs, and sometimes it might sound confident—even when it’s wrong.” (tradução) «Como qualquer modelo de linguagem, o ChatGPT pode produzir saídas incorretas ou enganosas e, às vezes, soar confiante mesmo quando está errado.» Leia o artigo

Estudo de Lin et al. — TruthfulQA (2021)

• “Larger models produce more imitative falsehoods because they are better at learning the training distribution.” (tradução) «Modelos maiores produzem mais falsidades imitativas porque aprendem melhor a distribuição dos dados de treinamento.» Leia o artigo

Lanham et al. — pesquisadores da Anthropic (2023)

• “As models become larger and more capable, they produce less faithful reasoning on most tasks.” (tradução) «À medida que os modelos ficam maiores e mais capazes, produzem raciocínio menos fiel na maioria das tarefas.» Leia o artigo

Mark Howard, COO, Time (via estudo do Tow Center / CJR)

• “It’s critically important how our brand is represented, when and where we show up.” (tradução) «É fundamental como nossa marca é representada, quando e onde aparecemos.» Leia o estudo

Tipos de alucinação — guia rápido

Os quatro tipos que você encontrará

Os números que vale memorizar

• 3,6% — parcela do tráfego de referência de IA da Ahrefs que foi para páginas inexistentes (Patrick Stox, Ahrefs).
• 2,87x — quanto mais frequentemente assistentes de IA enviam usuários para 404s em comparação com o Google (Ahrefs, 16 milhões de URLs). A taxa de 404 em cliques do ChatGPT foi 1,01%, contra 0,15% do Google.
• Mais de 60% — taxa de erro de citações na busca por IA em 8 mecanismos (Tow Center / CJR).
• Cerca de 85–90% — grounding dos melhores modelos mesmo quando recebem as fontes (FACTS Grounding), ou seja, um piso de falha de 10–15%.
• 73–86% — redução de alucinações ao dar aos modelos acesso à busca na web/grounding.
• 58% contra 94% — melhor modelo contra verdade factual humana na TruthfulQA.
• 37–39% — respostas nas quais alguns modelos repetiram desinformação sobre uma marca após um único artigo plantado (experimento de marca da Ahrefs).

Mito → realidade

• “RAG elimina alucinações.” → Ele as reduz; modelos com grounding ainda falham cerca de 10–15%.
• “Modelos mais novos/maiores alucinam menos.” → TruthfulQA: maior pode significar falsidades mais convincentes.
• “AI Overviews alucinam como o ChatGPT.” → Eles têm grounding; os erros tendem à interpretação equivocada, não à confabulação pura (Reid).
• “Ser citado significa ser representado corretamente.” → A taxa de erro de citação acima de 60% diz que não.
• “Bloquear crawlers de IA impede alucinações de marca.” → Fatos já presentes nos pesos continuam lá.
• “Dá para saber que está errado porque parece inseguro.” → Confiança é a característica definidora; o ChatGPT sinalizou incerteza em apenas 15 das 134 respostas erradas.

Como reduzir alucinações — o playbook

Estas são as alavancas, aproximadamente na ordem de impacto, extraídas do que os criadores dos modelos e as pesquisas realmente sustentam.

1. Dê grounding à resposta (e aceite o teto). Forneça fontes reais ao modelo no momento da inferência — isso é RAG / grounding. É a maior alavanca isolada (redução de 73–86%). Mas internalize o teto: os melhores modelos com grounding ainda falham cerca de 10–15% (FACTS Grounding), e falham por interpretar ou selecionar fontes de forma errada, não por inventar do nada. O grounding muda o modo de falha; não o remove.

2. Permita que o modelo diga “não sei”. A primeira recomendação da Anthropic: “dê explicitamente ao Claude permissão para admitir incerteza… essa técnica simples pode reduzir drasticamente informações falsas.” O GopherCite melhorou bastante quando pôde se abster. Uma resposta com formato de resposta para uma pergunta que não pode sustentar é a falha central; permitir a abstenção a ataca diretamente.

3. Exija citações e citações literais. Torne a saída auditável: peça ao modelo que cite fontes para cada alegação e, para documentos longos, extraia citações palavra por palavra antes de raciocinar. Você não está confiando cegamente na citação (mais de 60% estão erradas) — está tornando a alegação verificável.

4. Não confie no traço de raciocínio como prova. Chain-of-thought pode ser uma racionalização pós-hoc (Lanham et al.). “Ele explicou seu raciocínio” não é “ele deu grounding à resposta”. Verifique a conclusão, não a narração.

O framework do lado de SEO — proteja sua entidade

Pense nisso como três trabalhos, porque você não pode mudar os modelos:

1. Detectar — monitore respostas de IA sobre sua marca e observe nos analytics o tráfego para 404s. (Corrija a atribuição primeiro ou o tráfego para URLs alucinadas ficará invisível.)
2. Redirecionar — faça 301 das URLs alucinadas acima de um limite de tráfego para a página real mais próxima. Capture a intenção que o modelo está desviando.
3. Dar grounding à verdade para eles — fatos públicos limpos, consistentes e verificáveis (schema, Wikidata, perfis oficiais, uma página Sobre inequívoca) para que sistemas com grounding recuperem seus fatos em vez da alegação de um concorrente ou de um artigo satírico. Esta é a única defesa durável contra a alucinação de marca — bloquear crawlers não é, porque os pesos já guardam o que aprenderam.

Revisão rotineira de alucinações

1. Defina alegações de alto risco: preços, declarações jurídicas ou de segurança, capacidades do produto, nomes de executivos, localidades e URLs oficiais.
2. Crie prompts estáveis para essas alegações e registre plataforma, modelo, modo, data, localidade, estado da conta e se a busca ao vivo estava habilitada.
3. Salve a resposta completa, as citações e as URLs das fontes. Uma anotação parafraseada não é evidência suficiente para comparação posterior.
4. Classifique cada afirmação como com suporte, contradita, não verificável, desatualizada ou não aplicável usando uma fonte de verdade própria e fontes citadas.
5. Confira URLs fabricadas nos logs, backlinks e analytics antes de decidir se deve redirecionar, publicar uma página ou deixar um 404 verdadeiro.
6. Atribua a correção a conteúdo próprio, roteamento técnico, correção de terceiros ou feedback da plataforma e agende um novo teste com data.

Playbook de incidente: uma resposta de IA afirma uma falsidade prejudicial

1. Capture as evidências. Salve a resposta completa, o prompt, as fontes, o produto/modelo, a data, o estado da conta e uma gravação de tela se o comportamento for transitório.
2. Verifique impacto e verdade. Peça ao responsável pela área que identifique a alegação falsa exata e o fato autoritativo. Não “corrija” uma alegação contestada publicando outra afirmação sem suporte.
3. Rastreie as fontes prováveis. Revise páginas citadas, seu conteúdo atual e arquivado, fatos estruturados, feeds, perfis e menções importantes de terceiros.
4. Corrija evidências sob controle. Corrija páginas próprias contraditórias, consolide fatos da entidade e atualize documentação desatualizada sem alterar datas cosmeticamente.
5. Trate URLs deliberadamente. Redirecione uma URL fabricada somente quando um equivalente real satisfizer a intenção. Caso contrário, preserve a resposta correta de página ausente e evite ensinar aos usuários que todo caminho inventado resolve.
6. Reporte externamente. Use o canal de feedback da plataforma e solicite correções de terceiros quando as evidências as sustentarem.
7. Teste novamente e monitore. Repita o mesmo prompt em condições documentadas e mantenha o incidente aberto até a resposta ser corrigida ou o risco residual ser aceito.

Prompt: verifique uma resposta de IA contra as evidências fornecidas

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: faça a triagem de URLs 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]

Console do DevTools: extraia citações visíveis de uma página de resposta

Execute isto em uma página de resposta salva ou acessível depois de conferir os termos da plataforma. Os seletores são intencionalmente genéricos e talvez precisem ser adaptados à interface.

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: confira uma lista de URLs fabricadas suspeitas

Execute contra URLs que você controla ou está autorizado a testar.

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: sinalize números com formato de alegação para revisão

Esta regex de revisão encontra percentuais, valores monetários e números com vários dígitos. Ela não decide se uma alegação está errada.

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

Ferramentas para investigar alucinações

• AI Brand Visibility captura uma resposta de modelo identificada e mantém menções separadas de citações para comparação local.
• Citation Gap Checker sinaliza alegações numéricas e de estilo de pesquisa sem suporte no conteúdo que você controla. É uma fila de revisão, não um mecanismo da verdade.
• Redirect Checker mostra o status e o destino final de uma URL fabricada ou desatualizada antes de você decidir como tratá-la.
• Logs do servidor/CDN revelam solicitações para caminhos inventados, enquanto ferramentas de backlinks e analytics mostram se pessoas ou outros sites realmente os estão usando.
• Controles de feedback das plataformas são a rota direta de denúncia, mas mantenha suas próprias evidências porque o prazo e a persistência da correção não são garantidos.

Valide uma resposta com alucinação

Métricas de alucinação

Teste seus conhecimentos: alucinações de IA

Recursos que valem seu tempo

Minha produção relacionada (Ahrefs)

• 80% do nosso tráfego de busca por IA vai para a homepage, páginas de produto e ferramentas gratuitas — de onde vem o achado de 3,6% de páginas alucinadas.
• Assistentes de IA estão quebrando os analytics da web e prejudicando seu futuro — por que o tráfego alucinado pode ficar invisível.
• O Google fez com que você não consiga rastrear cliques do AI Mode (parcialmente corrigido) — o bug de atribuição noreferrer que reportei.

De outras fontes

• Com que frequência assistentes de IA alucinam links? (16 milhões de URLs estudadas) — Ryan Law e Xibeijia Guan (Ahrefs); o número de 404 de 2,87x.
• Fiz um experimento de desinformação por IA. Todo profissional de marketing deveria ver os resultados — Makosiewicz (Ahrefs); o ataque de marca por artigo plantado no Medium.
• A busca por IA tem um problema de citações — Tow Center / Columbia Journalism Review (2025); o estudo de erro de citações acima de 60%. Resumo do Nieman Lab.
• Survey of Hallucination in Natural Language Generation — Ji et al.; a taxonomia intrínseca contra extrínseca.
• TruthfulQA — Lin et al.; o achado da escala inversa.
• Measuring Faithfulness in Chain-of-Thought Reasoning — Lanham et al. (Anthropic).
• Vectara Hallucination Leaderboard — taxas contínuas de alucinação em sumarização com grounding.
• O que são alucinações de IA? — explicação oficial do Google Cloud sobre o mecanismo e as estratégias de mitigação.
• Como identificar e corrigir alucinações de IA sobre sua marca — guia prático do Search Engine Land para monitorar e corrigir erros de marca da IA.
• O ciclo de feedback da IA: pesquisadores alertam para o colapso de modelos enquanto a IA treina com conteúdo gerado por IA — a VentureBeat sobre colapso de modelos e como conteúdo alucinado se acumula entre ciclos de treinamento.

Estatísticas que vale citar

• 3,6% do tráfego de referência de IA foi para páginas que não existem em ahrefs.com — URLs alucinadas, principalmente do ChatGPT. Meu achado de primeira parte. Fonte
• Assistentes de IA enviam usuários para 404s cerca de 2,87x mais frequentemente que o Google Search — em 16 milhões de URLs citadas por IA. Entre URLs clicadas, 1,01% das referências do ChatGPT retornaram 404; no Google, foram 0,15%. Fonte
• Mais de 60% de taxa de erro de citação em 8 mecanismos de busca por IA; o ChatGPT sinalizou incerteza em apenas 15 de 134 respostas erradas (Tow Center / CJR, 2025). Fonte
• Cerca de 85–90% com grounding é o teto dos melhores modelos quando recebem as fontes — um piso de falha de 10–15% (FACTS Grounding, DeepMind, 2024). Fonte
• Redução de 73–86% das alucinações com acesso à busca na web/grounding; 58% de verdade factual do melhor modelo contra 94% humana na TruthfulQA. Fonte
• 37–39% das respostas repetiram desinformação de marca após uma única fonte plantada (experimento de marca da Ahrefs). Fonte

Registro de alterações