Ảo giác AI

Nghiên cứu cho thấy model ngôn ngữ có thể lặp lại những ngộ nhận phổ biến thay vì sửa chúng một cách đáng tin cậy. 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 gọi nội dung sai hoặc có lỗi nhưng được model trình bày đầy tự tin là “confabulation” (bản dịch) «bịa đặt vô thức». 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

Tóm tắt — Ảo giác AI xảy ra khi chatbot đưa ra nội dung nghe có vẻ đúng nhưng thực tế sai, chẳng hạn dữ kiện bịa, nguồn giả hoặc liên kết tới trang không tồn tại. Trong câu trả lời không được grounding, model dự đoán những từ nghe có vẻ hợp lý thay vì kiểm tra nguồn. Grounding — cung cấp nguồn đã truy xuất cho model — có thể giúp nhưng không khắc phục hoàn toàn. Với website, cần chú ý hai việc: AI đưa người dùng tới URL bạn chưa từng tạo và AI nêu sai dữ kiện về thương hiệu.

Ảo giác AI là gì

Câu trả lời của model ngôn ngữ không được grounding dự đoán phần tiếp theo có khả năng xuất hiện từ các mẫu đã học thay vì xác minh từng phát biểu với nguồn. Công cụ tìm kiếm và retrieval có thể bổ sung bằng chứng hiện hành nhưng không bảo đảm quá trình tổng hợp không có lỗi. Khi phát biểu được tạo ra nghe rất chắc chắn nhưng sai, hiện tượng đó thường được gọi là ảo giác.

Có thể hình dung như sau: model rất giỏi viết kiểu câu thường xuất hiện tiếp theo, nhưng không kiểm tra câu đó có đúng không. Khi model không thật sự “biết” một chi tiết ít phổ biến, thay đổi gần đây hoặc thương hiệu ít được nhắc tới, nó vẫn tạo câu trả lời trôi chảy và tự tin vì đó là nhiệm vụ được huấn luyện.

Một số nhà nghiên cứu thích thuật ngữ confabulation — mượn từ nghiên cứu trí nhớ, nơi con người chân thành lấp khoảng trống bằng chi tiết sai. Thuật ngữ này chính xác hơn vì AI không cố ý nói dối hay đánh lừa; nó tạo phần tiếp theo có vẻ hợp lý nhất, nhưng phần đó tình cờ sai.

Hai loại ảnh hưởng trực tiếp tới website

1. URL bịa đặt. AI đề xuất một trang trên site không tồn tại; người dùng nhấp và gặp 404. Trợ lý AI làm việc này nhiều hơn Google đáng kể. Trong dữ liệu của Ahrefs, 3,6% traffic từ AI đi tới trang không tồn tại trên site.
2. Dữ kiện sai về thương hiệu. AI nói với khách hàng tiềm năng sai người sáng lập, dùng giá cũ, nhắc sản phẩm đã ngừng hoặc gán cho bạn phát biểu của đối thủ — nhưng trình bày như sự thật mà không nói “tôi không chắc”.

Những việc thực sự có thể làm

• Chuyển hướng URL bịa đặt. Nếu AI liên tục gửi người dùng tới trang bạn chưa từng xây, hãy chuyển hướng URL giả tới trang thật gần nhất. Trước hết phải tìm chúng bằng cách theo dõi analytics cho traffic tới trang 404.
• Kiểm tra AI nói gì về bạn. Hỏi các công cụ AI lớn những câu khách hàng thường hỏi và xác minh câu trả lời. Thực hiện định kỳ vì câu trả lời thay đổi khi model cập nhật.
• Xuất bản dữ kiện rõ ràng, chính xác. Thông tin công khai càng sạch và nhất quán — trang Giới thiệu, dữ liệu có cấu trúc và hồ sơ — AI càng dễ grounding trên sự thật thay vì phỏng đoán.

Một điều thường gây bất ngờ: chặn crawler AI không sửa được ảo giác về thương hiệu. Nếu model đã học thông tin sai, ngăn nó crawl lại không thể xóa kiến thức đó. Giám sát và dữ kiện công khai rõ ràng có tác dụng hơn việc chặn.

Nếu muốn hiểu cơ chế — vì sao model lớn hơn có thể ảo giác nhiều hơn, nghiên cứu cho thấy gì và grounding thất bại thế nào — hãy chuyển sang thẻ Nâng cao.

TruthfulQA phát hiện rằng chỉ tăng quy mô không làm các model được kiểm thử trung thực hơn trên benchmark này. 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 coi confabulation là rủi ro cần đo lường và quản lý, không phải tỷ lệ lỗi cố định của một sản phẩm cụ thể. 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

Tóm tắt — Ảo giác là đặc tính của dự đoán token tiếp theo, không phải lỗi có thể vá bỏ. Model tối ưu phần tiếp theo nghe hợp lý chứ không tối ưu sự thật, nên có thể tự tin tạo phát biểu sai khi tín hiệu huấn luyện mỏng. Grounding và RAG giúp giảm lỗi — 73–86% trong một số benchmark — nhưng không loại bỏ; model được grounding tốt nhất vẫn lỗi khoảng 10–15%, còn TruthfulQA cho thấy model lớn hơn có thể tạo thông tin sai thuyết phục hơn. Với SEO, tác động có thể đo: AI đưa người dùng tới 404 nhiều hơn Google khoảng 2,87 lần; 3,6% traffic AI của Ahrefs đi tới trang không tồn tại; tỷ lệ lỗi trích dẫn ở các công cụ tìm kiếm AI vượt 60%. Cách xử lý mang tính chiến thuật: chuyển hướng URL ảo giác, giám sát câu trả lời về thương hiệu và xuất bản nội dung có thể xác minh, rõ thực thể.

Bản chất thực sự của ảo giác

Ảo giác AI là đầu ra được khẳng định đầy tự tin nhưng sai dữ kiện, bị bịa hoặc không được nguồn nào hỗ trợ. Thuật ngữ kỹ thuật rõ hơn là confabulation, mượn từ tâm lý học thần kinh, chỉ việc tạo lời kể sai với niềm tin thật và không có ý định lừa dối. Sự chính xác này quan trọng: model không nói dối vì nó không có khái niệm sự thật để cố ý nói sai. Nó thực hiện nhiệm vụ đã được huấn luyện — dự đoán token tiếp theo — và đôi khi token có xác suất cao nhất lại sai.

Đây là khung quan trọng nhất của bài: ảo giác là hệ quả vốn có của model ngôn ngữ ưu tiên tính hợp lý hơn độ chính xác dữ kiện. Nó xuất hiện khi LLM hoạt động đúng như thiết kế, không phải do lỗi triển khai. Không thể sửa như sửa bug; chỉ có thể giảm thiểu.

Vì sao xảy ra — cơ chế

LLM được huấn luyện với mục tiêu dự đoán token tiếp theo: cho một chuỗi rồi dự đoán token có xác suất cao nhất. Đó là nhiệm vụ hoàn thành ngôn ngữ, không phải truy xuất dữ kiện. Model tối ưu văn bản nghe như nên xuất hiện tiếp, không tối ưu điều đúng. Khi tín hiệu huấn luyện cho một dữ kiện quá mỏng — sự kiện hiếm, chủ đề ngách hoặc thay đổi sau mốc kiến thức — model lấp khoảng trống bằng ngôn ngữ có xác suất cao. Nếu chuỗi trông giống câu hỏi, xác suất tạo câu trả lời hoàn chỉnh thường áp đảo khả năng thừa nhận không chắc chắn, dù model có thật sự biết hay không.

Ece Kamar của Microsoft Research diễn đạt điều này bằng dữ liệu: model ảo giác nhiều hơn quanh dữ kiện ít phổ biến trong dữ liệu huấn luyện. Confabulation tập trung ở phần đuôi dài. SKU ít người biết, tên vừa đổi hoặc người sáng lập rời công ty quý trước là đúng những dữ kiện ít được đại diện trên web và dễ bị model trình bày sai một cách tự tin nhất.

Các loại cần phân biệt

• Ảo giác dữ kiện — phát biểu đơn giản là sai.
• Ảo giác trích dẫn hoặc quy nguồn — model dẫn nguồn không dùng, gán sai câu nói, bịa tên tác giả hoặc tạo URL. Đây là dạng có thể đo trực tiếp nhất trong SEO.
• Ảo giác thực thể hoặc thương hiệu — tên, ngày, số liệu, giá hoặc dữ kiện doanh nghiệp sai nhưng được khẳng định chắc chắn.
• Nội tại và ngoại tại theo phân loại Ji và cộng sự: đầu ra nội tại mâu thuẫn với nguồn được cung cấp; đầu ra ngoại tại không thể xác minh từ nguồn — không được xác nhận cũng không bị bác bỏ — tức phần bổ sung bịa đặt.

Cách đọc đúng các tuyên bố về ảo giác

Năm khác biệt thường bị nhập làm một trong nội dung về ảo giác, kể cả các bản nháp trước của bài này. Chúng quan trọng vì làm thay đổi ý nghĩa thực tế của “đã sửa”, “được grounding” hoặc “được trích dẫn” khi đánh giá công cụ hay tuyên bố.

• Nêu rõ chuẩn tham chiếu. “Ảo giác” không phải một chế độ lỗi duy nhất. Nó có thể là mâu thuẫn với ngữ cảnh được cung cấp, phần bổ sung không được ngữ cảnh xác nhận hay phủ nhận, hoặc lỗi dữ kiện thế giới; ba loại này không thể thay thế cho nhau. Khảo sát của Ji và cộng sự là nguồn phân loại. Công cụ kiểm tra thiết kế cho một loại có thể âm thầm bỏ sót hai loại còn lại.
• Tính đúng sự thật không giống tính trung thành. Tính đúng sự thật kiểm tra phát biểu với thực tế bên ngoài; tính trung thành kiểm tra phát biểu với chính bằng chứng đã cung cấp. Câu trả lời có thể đạt một tiêu chí nhưng trượt tiêu chí kia: tóm tắt trung thành một nguồn sai hoặc nêu điều đúng mà bằng chứng không hỗ trợ. Phương pháp dữ kiện nguyên tử của FActScore chia câu trả lời dài thành từng phát biểu có thể kiểm tra vì một điểm tổng thể sẽ che khuất khác biệt này.
• Có trích dẫn không đồng nghĩa với grounding. Chất lượng trích dẫn gồm ba phép kiểm tra: liên kết có tồn tại và truy cập được không; nó có thực sự hỗ trợ phát biểu đi kèm không; và câu trả lời có trích dẫn mọi phát biểu cần nguồn không. Đây là cách ALCE của Gao và cộng sự phân tách vấn đề. Footnote nhìn thấy và nhấp được có thể đạt phép kiểm tra đầu nhưng trượt hai phép còn lại.
• Lỗi RAG có các giai đoạn riêng. Câu trả lời RAG sai vì bằng chứng không có trong corpus, bị chia chunk làm tách dữ kiện, có nhưng không được truy xuất, được truy xuất nhưng xếp hạng quá thấp để tới generator, hoặc tới generator nhưng bị dùng sai. Đây là phân loại lỗi RAGTruth. Cụm “AI ảo giác” gộp năm nguyên nhân gốc và năm cách sửa khác nhau thành một từ.
• Tỷ lệ benchmark không thể mang sang ngữ cảnh khác. Mỗi tỷ lệ trong bài — 73–86%, khoảng 85–90%, 58% so với 94% — chỉ áp dụng cho nhiệm vụ, tập dữ liệu, chính sách tham chiếu, bộ chấm, prompt, corpus, model, phiên bản và ngày kiểm thử cụ thể. Không nên trích “model X chính xác Y%” như dữ kiện phổ quát ngoài hợp đồng đánh giá của benchmark; đổi bộ chấm, corpus hoặc phiên bản model có thể làm số liệu thay đổi đáng kể.

Nghiên cứu cho thấy gì

• TruthfulQA — Lin và cộng sự, 2021 xác lập vấn đề nghịch đảo quy mô. Trên 817 câu hỏi đối kháng, model lớn nhất lúc đó GPT-3-175B chỉ đạt 58% trung thực, so với 94% ở con người. Quan trọng hơn, nghiên cứu nói “larger models produce more imitative falsehoods because they are better at learning the training distribution” (bản dịch) «model lớn hơn tạo nhiều thông tin sai mô phỏng hơn vì học phân phối huấn luyện tốt hơn». Model lớn không mặc nhiên an toàn hơn; nó có thể tái tạo ngộ nhận phổ biến trên web tốt hơn và sai một cách tự tin hơn. Điều này trực tiếp liên quan tới thương hiệu nếu thông tin sai về bạn đang lưu hành.
• Khảo sát Ji và cộng sự — 2022/2023 là hệ phân loại học thuật nền tảng về ảo giác nội tại và ngoại tại trong tóm tắt, hội thoại, hỏi đáp, dịch thuật và LLM.
• Lanham và cộng sự — 2023, từ Anthropic, phát hiện chain-of-thought không phải lúc nào cũng trung thành: “as models become larger and more capable, they produce less faithful reasoning on most tasks” (bản dịch) «khi model lớn và mạnh hơn, lập luận của chúng kém trung thành hơn trên phần lớn nhiệm vụ». Phần giải thích từng bước có thể là hợp lý hóa hậu nghiệm, không chứng minh câu trả lời được grounding.
• FACTS Grounding — Google DeepMind, tháng 12/2024 neo cuộc tranh luận grounding: ngay cả khi được cung cấp tài liệu nguồn rõ ràng, model tốt nhất chỉ đạt khoảng 85–90% grounding. Phần 10–15% còn lại đến từ đọc sai, diễn giải sai hoặc không dùng nội dung truy xuất, chứ không hẳn bịa từ con số không.

Grounding bằng RAG có giải quyết được không? Không — chỉ giảm lỗi

Đây là sắc thái nhiều bài viết trình bày sai. Grounding — neo câu trả lời vào tài liệu hệ thống truy xuất lúc inference, thường qua RAG — là biện pháp giảm thiểu chính và có hiệu quả: quyền truy cập tìm kiếm web giảm ảo giác 73–86% trên các model được kiểm thử trong benchmark grounding. Nhưng nó không loại bỏ ảo giác và thất bại theo cách khác với LLM không có nguồn:

• Có thể diễn giải sai đoạn được truy xuất.
• Chọn sai đoạn.
• Kết hợp nhiều nguồn không chính xác.
• Không nhận ra truy vấn đối kháng hoặc vô nghĩa.

Elizabeth Reid của Google phân biệt đúng điểm này với AI Overviews: các hệ thống đó “generally don’t ‘hallucinate’ or make things up in the ways that other LLM products might” (bản dịch) «thường không ảo giác hoặc bịa theo cách sản phẩm LLM khác có thể làm» vì chúng “built to only show information that is backed up by top web results” (bản dịch) «được xây để chỉ hiển thị thông tin có kết quả web hàng đầu hỗ trợ». Khi sai, bà nói nguyên nhân “usually [is] other reasons: misinterpreting queries, misinterpreting a nuance of language on the web, or not having a lot of great information available” (bản dịch) «thường là diễn giải sai truy vấn, sắc thái ngôn ngữ trên web hoặc thiếu thông tin tốt». Hệ thống được grounding thất bại ở retrieval và diễn giải nhiều hơn bịa thuần túy, nhưng không bảo đảm chính xác. Công cụ nghiên cứu pháp lý dùng nhiều RAG vẫn có tỷ lệ ảo giác tới khoảng 33%, trái với tuyên bố “không ảo giác” của nhà cung cấp. Tài liệu Anthropic nói rõ: “while these techniques significantly reduce hallucinations, they don’t eliminate them entirely. Always validate critical information.” (bản dịch) «các kỹ thuật này giảm ảo giác đáng kể nhưng không loại bỏ hoàn toàn; luôn xác minh thông tin quan trọng».

Tác động SEO — đo được và có thể xử lý

Ảo giác URL. Đây là dạng cụ thể nhất và tôi đã định lượng. Khi phân tích traffic referral AI của Ahrefs trong bài về traffic tìm kiếm AI theo loại trang, tôi phát hiện 3,6% traffic đi tới trang ảo giác — trang không tồn tại trên ahrefs.com. Hệ thống AI, chủ yếu ChatGPT, đề xuất URL chưa từng được xây. Nghiên cứu rộng hơn của Ahrefs trên 16 triệu URL được AI trích dẫn — Ryan Law và Xibeijia Guan — cho thấy trợ lý AI đưa người dùng tới trang 404 thường hơn Google Search 2,87 lần; tỷ lệ 404 được nhấp của ChatGPT là 1,01% so với mốc 0,15% của Google. Cách sửa trực tiếp: theo dõi referral tới 404, xác định URL ảo giác vượt ngưỡng như 10 lượt/tháng và chuyển hướng 301 tới trang thật gần nhất để giữ traffic model đang cố gửi.

Ảo giác quy nguồn. Nghiên cứu Columbia/Tow Center năm 2025 kiểm thử tám công cụ tìm kiếm AI và phát hiện câu trả lời sai ở hơn 60% truy vấn khi được yêu cầu xác định tiêu đề bài, ngày, publisher và URL. ChatGPT nhận diện sai 134 bài nhưng chỉ báo không chắc chắn 15 lần — sai với độ tự tin cao. Hơn nửa câu trả lời của một số model dẫn URL bịa đặt. Bài học SEO: được trích dẫn trong câu trả lời AI không có nghĩa bạn được trình bày chính xác. Trích dẫn không đồng nghĩa với hiểu đúng.

Điểm mù analytics. Vấn đề này làm ảo giác URL nghiêm trọng hơn. Traffic AI hiện được quy nguồn kém: một số nền tảng không gửi referrer, còn AI Mode của Google từng dùng noreferrer, khiến lượt nhấp rơi vào Direct/Unknown. Google xác nhận đây là bug sau khi tôi báo cáo. Nếu traffic tới URL ảo giác không được quy nguồn sạch, bạn có thể không bao giờ thấy nó; phát hiện 3,6% chỉ xuất hiện vì chúng tôi có quyền truy cập analytics. Hãy sửa attribution trước, nếu không việc giám sát sẽ bị mù.

Ảo giác thương hiệu và danh tiếng. AI nêu sai giá, lãnh đạo hoặc lịch sử với khách hàng tiềm năng có thể làm mất niềm tin trước khi họ tới site. Tệ hơn, đây đã trở thành vector SEO tiêu cực: thử nghiệm thương hiệu của Ahrefs — Makosiewicz — cho thấy một bài Medium được cài thông tin có thể khiến một số model truyền thông tin sai trong 37–39% câu trả lời về thương hiệu. “Any growing brand can be knocked off course in AI search results by an upset person with a Medium account.” (bản dịch) «Bất kỳ thương hiệu đang tăng trưởng nào cũng có thể bị đẩy lệch khỏi kết quả tìm kiếm AI bởi một người bất mãn có tài khoản Medium.» Không cần xây hay disavow liên kết, chỉ cần nội dung sai trên nền tảng đã lập chỉ mục.

Việc thực sự nên làm

1. Chuyển hướng URL ảo giác theo cách sửa ở trên.
2. Giám sát câu trả lời AI về thương hiệu theo lịch vì câu trả lời đổi khi model cập nhật và nội dung mới được lập chỉ mục; audit một lần sẽ nhanh lỗi thời.
3. Xây tín hiệu thực thể — NAP nhất quán, schema, Wikidata và hồ sơ chính thức — để hệ thống được grounding có dữ kiện sạch, có thể xác minh để truy xuất. Đây là đòn bẩy tốt nhất chống ảo giác thương hiệu trong tương lai.
4. Xác minh nội dung do AI tạo trước khi xuất bản. Ảo giác chưa biên tập lên web sẽ được lập chỉ mục và có thể đi vào huấn luyện model tiếp theo, tạo vòng lặp suy thoái model. Đừng trở thành một nút trong vòng lặp.
5. Đừng kỳ vọng chặn crawler sẽ sửa lỗi. Chặn GPTBot/ClaudeBot ngăn huấn luyện tương lai trên nội dung nhưng không thay đổi dữ kiện đã nằm trong trọng số. Xem bài Crawler AI để hiểu khác biệt.

Tóm tắt trung thực: ảo giác là hạ tầng tồn tại lâu dài, không phải bug tạm thời. Bạn không thể buộc AI ngừng confabulation. Nhưng có thể làm cho dữ kiện của mình trở thành nguồn rẻ nhất, sạch nhất để grounding, đồng thời phát hiện và chuyển hướng URL AI bịa ra.

Tóm tắt về AI

Bản rút gọn của phần Nâng cao:

• Ảo giác là đầu ra sai hoặc không được hỗ trợ nhưng được trình bày tự tin. Đây là đặc tính của dự đoán token tiếp theo — tối ưu văn bản hợp lý, không phải sự thật — chứ không phải bug; chỉ có thể giảm, không loại bỏ hoàn toàn. “Confabulation” chính xác hơn vì model không cố ý nói dối.
• Lỗi tập trung ở phần đuôi dài. Model ảo giác nhiều hơn quanh dữ kiện hiếm trong dữ liệu huấn luyện như sản phẩm ngách, thay đổi gần đây và thương hiệu ít được biết.
• Gọi đúng loại lỗi rất quan trọng. Mâu thuẫn với ngữ cảnh, bổ sung không được hỗ trợ và lỗi dữ kiện thế giới khác nhau; tính đúng sự thật và tính trung thành là hai phép kiểm tra riêng; có trích dẫn không có nghĩa trích dẫn hỗ trợ phát biểu; RAG có thể lỗi vì thiếu bằng chứng, chunk kém, không truy xuất, xếp hạng thấp hoặc dùng sai khi tạo.
• Model lớn hơn không mặc nhiên an toàn. TruthfulQA cho thấy model lớn tạo thông tin sai mô phỏng thuyết phục hơn — 58% trung thực so với 94% ở con người. Chain-of-thought cũng có thể không trung thành.
• Grounding/RAG giúp nhiều nhưng không sửa hoàn toàn. Quyền truy cập web giảm ảo giác 73–86%, song model được grounding tốt nhất vẫn lỗi khoảng 10–15% trong FACTS Grounding do đọc hoặc chọn sai nguồn. Reid nói AI Overviews được grounding nên ít bịa như sản phẩm LLM khác nhưng vẫn sai khi diễn giải; Anthropic nói kỹ thuật không loại bỏ lỗi hoàn toàn.
• Tác động SEO đo được: AI đưa người dùng tới trang không tồn tại thường hơn Google khoảng 2,87 lần; 3,6% traffic AI của Ahrefs đi tới trang không tồn tại; tỷ lệ lỗi trích dẫn AI vượt 60%. Được trích dẫn không đồng nghĩa được trình bày đúng.
• Attribution cũng bị lỗi, nên traffic tới URL ảo giác có thể vô hình; cần sửa tracking trước khi giám sát.
• Rủi ro thương hiệu là vector SEO tiêu cực: một bài Medium cài thông tin khiến một số model lặp thông tin sai trong 37–39% câu trả lời.
• Cách sửa: chuyển hướng URL ảo giác, giám sát câu trả lời thương hiệu, xây tín hiệu thực thể, xác minh nội dung AI trước khi xuất bản và không kỳ vọng chặn crawler xóa dữ kiện đã nằm trong trọng số.

Tài liệu chính thức

Những gì nhà phát triển model và công cụ tìm kiếm nói bằng chính lời của họ về ảo giác.

Google

• Điều đã xảy ra với AI Overviews và các bước tiếp theo — Elizabeth Reid, tháng 5/2024, giải thích vì sao AI Overviews được grounding sai khác LLM độc lập.
• GopherCite: hỗ trợ câu trả lời bằng trích dẫn đã xác minh — DeepMind về model tạo “nội dung vô nghĩa thuyết phục” và dùng bằng chứng, kể cả thừa nhận “tôi không biết”, để chống lỗi.
• Benchmark FACTS Grounding — benchmark tính đúng sự thật của DeepMind và trần grounding khoảng 85–90%.
• Hướng dẫn về nội dung do AI tạo — Search Central đánh giá nội dung theo chất lượng và E-E-A-T, không theo phương pháp tạo.

Anthropic

• Giảm ảo giác — tài liệu Claude khuyên cho phép model nói “tôi không biết”, grounding bằng trích dẫn trực tiếp, xác minh nguồn và nêu rõ kỹ thuật không loại bỏ ảo giác.

OpenAI

• Vì sao model ngôn ngữ ảo giác — giải thích cơ chế của OpenAI.
• ChatGPT có nói thật không? — Help Center định nghĩa ảo giác là phát biểu hợp lý nhưng sai do model ngôn ngữ tạo ra.

Microsoft

• Vì sao AI đôi khi trả lời sai — định nghĩa kỹ thuật của Microsoft về nội dung “không được grounding” và các công cụ giảm thiểu.

Trích dẫn từ nguồn

Các phát biểu chính thức từ những người xây dựng các hệ thống này. Mỗi liên kết trỏ sâu tới đoạn được trích khi nguồn hỗ trợ.

Google — Elizabeth Reid, Phó chủ tịch/Trưởng bộ phận Search, tháng 5/2024

• “This means that AI Overviews generally don’t ‘hallucinate’ or make things up in the ways that other LLM products might.” (bản dịch) «Điều này có nghĩa AI Overviews thường không “ảo giác” hay bịa theo cách sản phẩm LLM khác có thể làm.» Đọc bài viết
• “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.” (bản dịch) «Khi AI Overviews sai, nguyên nhân thường là diễn giải sai truy vấn, sắc thái ngôn ngữ trên web hoặc không có đủ thông tin tốt.» Đi tới trích dẫn
• “Because accuracy is paramount in Search, AI Overviews are built to only show information that is backed up by top web results.” (bản dịch) «Vì độ chính xác là tối quan trọng trong Search, AI Overviews được xây để chỉ hiển thị thông tin có kết quả web hàng đầu hỗ trợ.» Đọc bài viết

Google DeepMind — GopherCite, tháng 3/2022

• “Language models like Gopher can ‘hallucinate’ facts that appear plausible but are actually fake.” (bản dịch) «Model ngôn ngữ như Gopher có thể “ảo giác” dữ kiện trông hợp lý nhưng thực ra là giả.» Đọc bài viết
• “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.” (bản dịch) «Vì model ngôn ngữ có thể tạo nội dung vô nghĩa nhưng thuyết phục, GopherCite dùng học tăng cường từ sở thích con người để huấn luyện model vừa tạo câu trả lời vừa trích bằng chứng cụ thể.» Đọc bài viết

Anthropic — tài liệu dành cho nhà phát triển 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.” (bản dịch) «Ngay cả model tiên tiến như Claude đôi khi vẫn tạo văn bản sai dữ kiện hoặc không nhất quán với ngữ cảnh. Hiện tượng “ảo giác” này có thể làm giảm độ tin cậy của giải pháp AI.» Đọc tài liệu
• “Remember, while these techniques significantly reduce hallucinations, they don’t eliminate them entirely. Always validate critical information, especially for high-stakes decisions.” (bản dịch) «Các kỹ thuật này giảm ảo giác đáng kể nhưng không loại bỏ hoàn toàn. Luôn xác minh thông tin quan trọng, nhất là với quyết định rủi ro cao.» Đi tới trích dẫn

OpenAI — Help Center

• “Hallucinations are plausible but false statements generated by language models.” (bản dịch) «Ảo giác là phát biểu hợp lý nhưng sai do model ngôn ngữ tạo ra.» Đọc bài viết
• “Like any language model, ChatGPT can produce incorrect or misleading outputs, and sometimes it might sound confident—even when it’s wrong.” (bản dịch) «Như mọi model ngôn ngữ, ChatGPT có thể tạo đầu ra sai hoặc gây hiểu nhầm và đôi khi vẫn nghe tự tin dù đang sai.» Đọc bài viết

Lin và cộng sự — TruthfulQA, 2021

• “Larger models produce more imitative falsehoods because they are better at learning the training distribution.” (bản dịch) «Model lớn hơn tạo nhiều thông tin sai mô phỏng hơn vì học phân phối huấn luyện tốt hơn.» Đọc nghiên cứu

Lanham và cộng sự — các nhà nghiên cứu Anthropic, 2023

• “As models become larger and more capable, they produce less faithful reasoning on most tasks.” (bản dịch) «Khi model lớn và mạnh hơn, chúng tạo lập luận kém trung thành hơn trên phần lớn nhiệm vụ.» Đọc nghiên cứu

Mark Howard, COO của Time — qua nghiên cứu Tow Center/CJR

• “It’s critically important how our brand is represented, when and where we show up.” (bản dịch) «Cách thương hiệu được thể hiện, cũng như thời điểm và nơi xuất hiện, có ý nghĩa đặc biệt quan trọng.» Đọc nghiên cứu

Bảng tra nhanh các loại ảo giác

Bốn loại thường gặp

Các con số đáng ghi nhớ

• 3,6% — tỷ lệ traffic referral AI của Ahrefs đi tới trang không tồn tại — Patrick Stox, Ahrefs.
• 2,87 lần — trợ lý AI đưa người dùng tới 404 thường hơn Google bao nhiêu; nghiên cứu Ahrefs 16 triệu URL. Tỷ lệ 404 được nhấp của ChatGPT là 1,01%, so với 0,15% của Google.
• Trên 60% — tỷ lệ lỗi trích dẫn tìm kiếm AI trên tám công cụ — Tow Center/CJR.
• Khoảng 85–90% — mức grounding của model tốt nhất ngay cả khi được cung cấp nguồn trong FACTS Grounding, tương đương sàn lỗi 10–15%.
• 73–86% — mức giảm ảo giác khi model có tìm kiếm web/grounding.
• 58% so với 94% — độ trung thực của model tốt nhất so với con người trên TruthfulQA.
• 37–39% — tỷ lệ câu trả lời trong đó một số model lặp thông tin sai về thương hiệu sau một bài được cài dữ liệu — thử nghiệm thương hiệu Ahrefs.

Ngộ nhận → thực tế

• “RAG loại bỏ ảo giác.” → RAG chỉ giảm lỗi; model được grounding vẫn lỗi khoảng 10–15%.
• “Model mới/lớn hơn ít ảo giác hơn.” → TruthfulQA cho thấy lớn hơn có thể tạo thông tin sai thuyết phục hơn.
• “AI Overviews ảo giác giống ChatGPT.” → AI Overviews được grounding; lỗi nghiêng về diễn giải sai hơn bịa thuần túy — Reid.
• “Được trích dẫn nghĩa là được trình bày đúng.” → Tỷ lệ lỗi trích dẫn trên 60% bác bỏ điều này.
• “Chặn crawler AI dừng ảo giác thương hiệu.” → Dữ kiện đã nằm trong trọng số vẫn còn.
• “Có thể nhận ra câu trả lời sai vì nó thiếu tự tin.” → Tự tin là đặc điểm chính; ChatGPT chỉ báo không chắc chắn ở 15 trong 134 câu trả lời sai.

Playbook giảm ảo giác

Đây là các đòn bẩy theo thứ tự tác động tương đối, dựa trên điều nhà phát triển model và nghiên cứu thực sự hỗ trợ.

1. Grounding câu trả lời và chấp nhận giới hạn. Cung cấp nguồn thật cho model lúc inference — tức RAG/grounding. Đây là đòn bẩy lớn nhất, giảm 73–86%. Nhưng phải hiểu giới hạn: model được grounding tốt nhất vẫn lỗi khoảng 10–15% trong FACTS Grounding và lỗi bằng cách đọc hoặc chọn sai nguồn, không chỉ bịa từ con số không. Grounding đổi chế độ lỗi chứ không xóa lỗi.

2. Cho phép model nói “tôi không biết”. Khuyến nghị đầu tiên của Anthropic là “explicitly give Claude permission to admit uncertainty… this simple technique can drastically reduce false information” (bản dịch) «cho phép Claude thừa nhận không chắc chắn một cách rõ ràng; kỹ thuật đơn giản này có thể giảm mạnh thông tin sai». GopherCite cải thiện rõ khi được phép từ chối trả lời. Tạo câu trả lời hoàn chỉnh cho câu hỏi không có bằng chứng là lỗi cốt lõi; quyền từ chối tấn công trực tiếp lỗi đó.

3. Yêu cầu trích dẫn và nguyên văn. Làm cho đầu ra có thể audit: yêu cầu model trích nguồn cho từng phát biểu và với tài liệu dài phải lấy nguyên văn trước khi suy luận. Không tin trích dẫn một cách mù quáng — trên 60% có lỗi — mà biến phát biểu thành thứ có thể kiểm tra.

4. Không coi dấu vết lập luận là bằng chứng. Chain-of-thought có thể là hợp lý hóa hậu nghiệm — Lanham và cộng sự. “Model giải thích lập luận” không đồng nghĩa “model grounding câu trả lời”. Hãy xác minh kết luận, không chỉ lời kể.

Khung phía SEO — bảo vệ thực thể của bạn

Hãy coi đây là ba công việc vì bạn không thể thay đổi bản thân model:

1. Phát hiện — giám sát câu trả lời AI về thương hiệu và theo dõi analytics cho traffic tới trang lỗi. Sửa attribution trước, nếu không traffic URL ảo giác sẽ vô hình.
2. Chuyển hướng — chuyển hướng 301 URL ảo giác vượt ngưỡng traffic tới trang thật gần nhất, giữ lại ý định mà model đang dẫn sai.
3. Grounding sự thật cho hệ thống — công bố dữ kiện sạch, nhất quán, có thể xác minh như schema, Wikidata, hồ sơ chính thức và trang Giới thiệu rõ ràng để hệ thống được grounding truy xuất dữ kiện của bạn thay vì phát biểu của đối thủ hay bài châm biếm. Đây là phòng tuyến bền vững duy nhất chống ảo giác thương hiệu; chặn crawler không làm được vì trọng số đã giữ điều model học.

Rà soát ảo giác định kỳ

1. Xác định phát biểu rủi ro cao: giá, tuyên bố pháp lý/an toàn, năng lực sản phẩm, tên lãnh đạo, địa điểm và URL chính thức.
2. Tạo prompt ổn định cho các phát biểu đó và ghi nền tảng, model, chế độ, ngày, locale, trạng thái tài khoản và việc có bật tìm kiếm trực tiếp hay không.
3. Lưu toàn bộ câu trả lời, trích dẫn và URL nguồn. Bản diễn giải không đủ làm bằng chứng để so sánh sau này.
4. Phân loại từng phát biểu là được hỗ trợ, bị mâu thuẫn, không thể xác minh, lỗi thời hoặc không áp dụng, dựa trên nguồn sự thật sở hữu và nguồn được trích.
5. Kiểm tra URL bịa với log, backlink và analytics trước khi quyết định chuyển hướng, xuất bản trang hoặc giữ 404 thật.
6. Giao cách sửa cho nội dung sở hữu, định tuyến kỹ thuật, sửa bên thứ ba hoặc phản hồi nền tảng, rồi lên lịch kiểm thử lại có ngày.

Playbook sự cố: câu trả lời AI nêu thông tin sai gây hại

1. Thu thập bằng chứng. Lưu toàn bộ câu trả lời, prompt, nguồn, sản phẩm/model, ngày, trạng thái tài khoản và video màn hình nếu hành vi chỉ xuất hiện tạm thời.
2. Xác minh tác động và sự thật. Yêu cầu chủ sở hữu chuyên môn xác định chính xác phát biểu sai và dữ kiện có thẩm quyền. Không “sửa” phát biểu còn tranh chấp bằng một phát biểu khác cũng thiếu hỗ trợ.
3. Truy nguồn có khả năng gây lỗi. Xem trang được dẫn, nội dung hiện hành và lưu trữ của bạn, dữ kiện có cấu trúc, feed, hồ sơ và nguồn bên thứ ba nổi bật.
4. Sửa bằng chứng bạn kiểm soát. Sửa trang sở hữu mâu thuẫn, hợp nhất dữ kiện thực thể và cập nhật tài liệu lỗi thời mà không thay ngày chỉ để tạo vẻ mới.
5. Xử lý URL có chủ đích. Chỉ chuyển hướng URL bịa khi có đích tương đương thật sự đáp ứng ý định. Nếu không, giữ phản hồi thiếu trang đúng và tránh dạy người dùng rằng mọi đường dẫn bịa đều hoạt động.
6. Báo cáo bên ngoài. Dùng kênh phản hồi nền tảng và yêu cầu bên thứ ba sửa khi có bằng chứng.
7. Kiểm thử lại và giám sát. Lặp đúng prompt trong điều kiện đã ghi và giữ sự cố mở tới khi câu trả lời được sửa hoặc rủi ro còn lại được chấp nhận.

Prompt: kiểm tra dữ kiện của câu trả lời AI với bằng chứng được cung cấp

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: phân loại URL bịa đặt

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]

DevTools Console: trích xuất trích dẫn hiển thị trên trang câu trả lời

Chạy trên trang câu trả lời đã lưu hoặc có quyền truy cập sau khi kiểm tra điều khoản nền tảng. Selector được viết chung và có thể cần điều chỉnh theo giao diện.

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: kiểm tra danh sách URL bị nghi bịa đặt

Chỉ chạy với URL bạn sở hữu hoặc được phép kiểm thử.

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: gắn cờ số liệu có dạng phát biểu để xem xét

Regex rà soát này tìm tỷ lệ phần trăm, số tiền và số có nhiều chữ số. Nó không quyết định phát biểu đúng hay sai.

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

Công cụ điều tra ảo giác

• AI Brand Visibility ghi lại câu trả lời model có nhãn và tách lượt nhắc khỏi trích dẫn để so sánh cục bộ.
• Citation Gap Checker gắn cờ phát biểu số liệu và nghiên cứu không được hỗ trợ trong nội dung bạn kiểm soát. Đây là hàng đợi rà soát, không phải cỗ máy xác định sự thật.
• Redirect Checker hiển thị trạng thái và đích cuối của URL bịa hoặc lỗi thời trước khi bạn quyết định xử lý.
• Log máy chủ/CDN cho thấy request tới đường dẫn bịa; công cụ backlink và analytics cho biết người thật hoặc site khác có đang dùng chúng không.
• Kiểm soát phản hồi nền tảng là kênh báo cáo trực tiếp, nhưng phải giữ bằng chứng riêng vì thời gian và độ bền của việc sửa không được bảo đảm.

Xác thực phản hồi cho ảo giác

Chỉ số ảo giác

Tự kiểm tra: Ảo giác AI

Các tài nguyên đáng đọc

Bài viết liên quan của tôi trên Ahrefs

• 80% traffic tìm kiếm AI của chúng tôi đi tới trang chủ, trang sản phẩm và công cụ miễn phí — nguồn của phát hiện 3,6% trang ảo giác.
• Trợ lý AI đang làm hỏng web analytics và gây hại cho tương lai của chúng — vì sao traffic ảo giác có thể vô hình.
• Google khiến lượt nhấp từ AI Mode không thể theo dõi — đã sửa một phần — bug attribution noreferrer tôi đã báo cáo.

Từ nguồn khác

• Trợ lý AI bịa liên kết thường xuyên đến mức nào? — khảo sát 16 triệu URL — Ryan Law và Xibeijia Guan, Ahrefs; số liệu 404 2,87 lần.
• Tôi đã chạy thử nghiệm thông tin sai AI; mọi marketer nên xem kết quả — Makosiewicz, Ahrefs; cuộc tấn công thương hiệu bằng bài Medium cài thông tin.
• Tìm kiếm AI gặp vấn đề về trích dẫn — Tow Center/Columbia Journalism Review, 2025; nghiên cứu lỗi trích dẫn trên 60%. Tóm tắt Nieman Lab.
• Khảo sát ảo giác trong tạo ngôn ngữ tự nhiên — Ji và cộng sự; phân loại nội tại/ngoại tại.
• TruthfulQA — Lin và cộng sự; phát hiện nghịch đảo quy mô.
• Đo tính trung thành trong lập luận chain-of-thought — Lanham và cộng sự, Anthropic.
• Bảng xếp hạng ảo giác Vectara — tỷ lệ ảo giác tóm tắt có grounding được cập nhật liên tục.
• Ảo giác AI là gì? — giải thích chính thức của Google Cloud về cơ chế và cách giảm thiểu.
• Cách xác định và sửa ảo giác AI về thương hiệu — hướng dẫn thực tế của Search Engine Land.
• Vòng lặp phản hồi AI: nhà nghiên cứu cảnh báo suy thoái model khi AI học từ nội dung AI — VentureBeat về model collapse và cách nội dung ảo giác tích lũy qua chu kỳ huấn luyện.

Số liệu đáng trích dẫn

• 3,6% traffic referral AI đi tới trang không tồn tại trên ahrefs.com — URL ảo giác, chủ yếu từ ChatGPT; phát hiện first-party của tôi. Nguồn
• Trợ lý AI đưa người dùng tới 404 thường hơn Google Search khoảng 2,87 lần trên 16 triệu URL được AI trích dẫn. Trong các lượt nhấp, ChatGPT trả trang lỗi ở mức 1,01%, còn mốc của Google là 0,15%. Nguồn
• Tỷ lệ lỗi trích dẫn trên 60% ở tám công cụ tìm kiếm AI; ChatGPT chỉ báo không chắc chắn ở 15 trong 134 câu trả lời sai — Tow Center/CJR, 2025. Nguồn
• Khoảng 85–90% grounding là trần của model tốt nhất khi được cung cấp nguồn, tương đương sàn lỗi 10–15% — FACTS Grounding, DeepMind, 2024. Nguồn
• Giảm ảo giác 73–86% nhờ tìm kiếm web/grounding; model tốt nhất đạt 58% trung thực so với 94% ở con người trên TruthfulQA. Nguồn
• 37–39% câu trả lời lặp thông tin sai về thương hiệu sau một nguồn được cài dữ liệu — thử nghiệm thương hiệu Ahrefs. Nguồn

Nhật ký thay đổi