---
title: "O que é alucinação de IA? Por que os LLMs inventam coisas"
description: "Alucinação de IA é quando um modelo apresenta informação falsa ou inventada como fato. Por que acontece, casos reais, como identificar e como reduzir."
url: https://proxynet.io/pt-br/blog/what-is-ai-hallucination
date: 2026-11-18
author: "Acar Diveroli"
category: "IA"
lang: pt-BR
---

# O que é alucinação de IA? Por que os LLMs inventam coisas

Um chatbot de atendimento diz a um cliente que um desconto pode ser pedido depois da viagem, enquanto a própria página de políticas da empresa diz que não. Um assistente de programação sugere instalar uma biblioteca que nunca foi publicada. Um advogado protocola uma petição que cita decisões que nenhum tribunal jamais proferiu. Todas as respostas eram fluentes e específicas, sem nenhum traço de dúvida, e todas estavam erradas. Na área de IA, essa falha tem nome: alucinação.

Este post explica o que é alucinação de IA, por que os modelos de linguagem a produzem, os principais tipos, casos documentados, como identificar uma, como reduzi-la com grounding (ancoragem em fontes) e verificação, e por que ela não pode ser eliminada por completo.

> **Nota: Resposta rápida**
>
> Alucinação de IA é uma saída de um modelo de IA que soa confiante, mas é falsa, inventada ou não tem apoio no material que ele recebeu, como uma citação inventada ou uma referência a um artigo que não existe. Ela acontece porque um modelo de linguagem é treinado para produzir texto provável, não texto verificado, e nada nesse processo confere uma fonte confiável. Lacunas nos dados de treinamento, a data de corte do conhecimento, prompts vagos, contexto longo e testes que premiam o chute a tornam mais provável. Ela não pode ser eliminada, mas pode ser reduzida: ancore as respostas em fontes recuperadas, deixe o modelo dizer "não sei", confira cada referência e peça que uma pessoa revise tudo o que importa.

## O que é alucinação de IA?

Alucinação de IA é um conteúdo gerado por um modelo de IA que é apresentado como fato, mas está errado, foi inventado ou não tem apoio na entrada. A palavra foi emprestada da psicologia como metáfora: o modelo não vê nem ouve nada. Ele produz texto, e parte desse texto não corresponde à realidade ou ao documento sobre o qual ele foi questionado.

O NIST, o instituto de normas dos Estados Unidos, prefere outra palavra. O seu perfil para IA generativa, o [Generative AI Profile (NIST AI 600-1)](https://nvlpubs.nist.gov/nistpubs/ai/NIST.AI.600-1.pdf), chama esse risco de confabulação (confabulation) e o define como a produção de conteúdo errôneo ou falso afirmado com confiança, conhecida informalmente como alucinação ou invenção (fabrication). A definição também cobre saídas que se afastam do prompt ou contradizem o que o modelo disse antes na mesma conversa.

Em sentido estrito, duas coisas não são alucinações: repetir um erro que já estava no documento que você forneceu, que é um problema da fonte, e inventar numa história ou numa imagem, em que inventar é a própria tarefa. A alucinação é um problema quando o leitor espera fatos.

## Por que os modelos de IA alucinam?

Os modelos de IA alucinam porque um modelo de linguagem é treinado para prever texto plausível, não para verificá-lo: ele escolhe o próximo pedaço de palavra (token) que melhor se encaixa nos padrões aprendidos, depois o seguinte. Nosso guia sobre [como funcionam os modelos de linguagem grandes](/pt-br/blog/what-is-a-large-language-model) percorre esse ciclo passo a passo. Em nenhum momento um fato é consultado, então uma frase plausível e errada e uma frase plausível e certa saem do mesmo processo.

Pesquisadores e órgãos de normalização apontam as mesmas causas:

1. **A previsão premia o plausível.** O NIST considera a confabulação um resultado natural de como os modelos generativos são projetados: eles se aproximam dos padrões estatísticos dos dados de treinamento, e um texto que soa certo pontua bem, seja verdadeiro ou não.
1. **Fatos raros ou errados nos dados.** Um fato que aparece muitas vezes nos dados de treinamento costuma ser reproduzido bem; um fato visto uma ou duas vezes, não, e os erros dos dados são repetidos com fluência. Em [Why Language Models Hallucinate](https://arxiv.org/abs/2509.04664) ("Por que os modelos de linguagem alucinam"), pesquisadores da OpenAI e da Georgia Tech argumentam que, para fatos arbitrários sem nenhum padrão por trás, como o aniversário de uma pessoa, alguns erros são estatisticamente inevitáveis para um modelo base.
1. **Treinamento e testes premiam o chute.** O mesmo artigo observa que a maioria dos benchmarks avalia as respostas só como certas ou erradas, então "não sei" não rende nada, enquanto um chute às vezes rende um ponto. Um modelo ajustado para esses testes aprende a chutar.
1. **Os dados de treinamento têm uma data final.** Um modelo não sabe nada do que aconteceu depois da sua data de corte do conhecimento e pode responder sobre um evento, preço ou regra posterior a partir de padrões antigos.
1. **Prompts vagos e premissas falsas.** Perguntar por que um produto ganhou um prêmio que nunca ganhou convida a uma resposta construída sobre essa premissa. O ajuste por preferências (preference tuning) também pode deixar um modelo disposto demais a concordar com o usuário, o que os pesquisadores chamam de bajulação (sycophancy).
1. **Contexto longo ou ruidoso.** No estudo "Lost in the Middle" (Liu e colegas, 2023), os modelos responderam melhor quando o trecho relevante estava no começo ou no fim de uma entrada longa, e pior quando estava no meio.
1. **Configurações de decodificação.** A maioria das ferramentas faz uma amostragem das probabilidades previstas em vez de sempre escolher a palavra mais provável; uma configuração de aleatoriedade mais alta, geralmente chamada de temperatura, torna palavras e afirmações improváveis mais frequentes.

## Quais são os tipos de alucinação de IA?

As alucinações de IA se dividem em dois grandes grupos: respostas que conflitam com fatos do mundo real e respostas que não seguem as instruções ou o texto que o modelo recebeu. Uma [revisão sobre alucinação em modelos de linguagem grandes](https://arxiv.org/abs/2311.05232) publicada em 2023 por Huang e colegas as chama de alucinações de factualidade (factuality) e de fidelidade (faithfulness). Pesquisas anteriores sobre geração de texto usavam os termos intrínseca (a saída contradiz a fonte) e extrínseca (a saída acrescenta algo que a fonte não pode confirmar).

Na prática, os tipos aparecem assim (os exemplos são inventados):

| Tipo | Como aparece | Exemplo |
|---|---|---|
| Erro factual | Uma data, um número ou um nome errado | "A marca A foi fundada em 2009"; o site diz 2012 |
| Fonte inventada | Uma referência, citação, link ou caso que não existe | Um estudo com autores verossímeis e um link quebrado |
| Pacote inventado | Código que importa uma biblioteca que ninguém publicou | Um comando de instalação para um nome desconhecido |
| Contradiz a fonte | Um resumo que inverte o documento | "Devolução em até 30 dias"; a política diz 14 |
| Acrescenta à fonte | Detalhes que o documento nunca menciona | Uma frase do CEO que não está na matéria |
| Autocontradição | Conflita com uma resposta anterior | Dois totais diferentes no mesmo chat |

As fontes inventadas convencem porque uma referência é um padrão (autores, título, periódico, ano, DOI) que um modelo consegue reproduzir sem nenhum artigo por trás. Com código acontece o mesmo: um estudo de 2024 sobre modelos geradores de código em Python e JavaScript, aceito no USENIX Security Symposium de 2025, encontrou modelos recomendando pacotes que não existem e repetindo muitos dos mesmos nomes inventados. Assim, um atacante pode publicar um pacote malicioso com um desses nomes e esperar.

## Quais são os exemplos reais de alucinação de IA?

Os casos mais bem documentados vêm de tribunais e órgãos de resolução de disputas, cujas decisões registram o que foi dito e quanto isso custou.

**Jurisprudência inventada num tribunal dos EUA.** No caso [Mata v. Avianca](https://storage.courtlistener.com/recap/gov.uscourts.nysd.575368/gov.uscourts.nysd.575368.54.0_1.pdf), um tribunal federal de Nova York sancionou, em 22 de junho de 2023, dois advogados e o escritório deles por apresentarem decisões judiciais inexistentes, com citações e referências falsas criadas pelo ChatGPT. Quando um dos advogados perguntou ao chatbot se um caso era real, ele disse que sim e que o caso podia ser encontrado em bases de dados jurídicas. O tribunal escreveu que usar uma ferramenta de IA confiável como apoio não é impróprio em si, mas que os advogados precisam conferir o que apresentam. Aplicou uma multa de 5.000 dólares americanos e determinou o envio de cartas ao cliente e a cada juiz apontado falsamente como autor de uma decisão falsa.

**A resposta errada de um chatbot sobre uma política.** No caso [Moffatt v. Air Canada](https://decisions.civilresolutionbc.ca/crt/crtd/en/525448/1/document.do) (2024 BCCRT 149), o chatbot do site de uma companhia aérea disse a um passageiro que uma tarifa reduzida por luto (bereavement fare) podia ser solicitada em até 90 dias após a emissão da passagem, enquanto a própria página de políticas da companhia dizia que ela não se aplicava depois da viagem. Em 14 de fevereiro de 2024, o Civil Resolution Tribunal, o tribunal de resolução de disputas da província canadense da Colúmbia Britânica, rejeitou o argumento de que a companhia não era responsável pelo seu chatbot, considerou-a responsável por todas as informações do seu site e determinou que pagasse 812,02 dólares canadenses. A decisão não diz que tecnologia o chatbot usava; a lição é que uma resposta automática continua sendo a resposta da empresa.

**Confiantes e diferentes a cada vez.** No artigo da OpenAI e da Georgia Tech, os autores pediram a três modelos de chat populares o título da tese de doutorado de um dos autores. Cada um deu um título e um ano diferentes, e nenhum acertou.

## Como identificar uma alucinação de IA?

Você identifica uma alucinação conferindo as afirmações específicas com uma fonte que você mesmo possa abrir, porque o tom da resposta não diz nada. Estes sinais merecem um segundo olhar:

- **Detalhes precisos sem fonte.** Números exatos, datas, citações ou números de processo sem link nem referência.
- **Fontes que não abrem.** Um link que dá erro, um DOI que não leva a lugar nenhum, uma citação que você não encontra no texto citado.
- **Muitos detalhes sobre um tema pouco conhecido.** Quanto mais raro o assunto, menos o modelo aprendeu sobre ele e mais ele preenche por conta própria.
- **Respostas que mudam.** Pergunte de novo num chat novo ou reformule a pergunta. Se os fatos mudarem, pelo menos uma versão está errada.
- **Autoconfirmação.** Perguntar ao mesmo modelo "Isso é real?" não prova nada, como mostrou o caso Mata.
- **Um resumo que sabe demais.** Qualquer detalhe que você não encontra no documento resumido.

## Como reduzir as alucinações de IA?

Você reduz as alucinações dando ao modelo os fatos de que ele precisa, permitindo que ele se recuse a responder quando não sabe e conferindo as afirmações dele antes de usá-las. As equipes combinam várias etapas:

1. **Ancore a resposta em fontes.** Com RAG (geração aumentada por recuperação), o sistema busca trechos relevantes num índice de documentos quando chega uma pergunta e o modelo responde com base neles, citando cada um. Como preparar páginas web para esse índice está explicado em [Web scraping para RAG: de HTML a chunks de Markdown limpos](/pt-br/blog/web-scraping-for-rag).
1. **Restrinja o modelo ao texto fornecido.** Peça que ele responda apenas com base nos documentos fornecidos, diga quando a resposta não está ali e cite a frase em que cada afirmação se apoia.
1. **Torne o "não sei" aceitável.** Diga que recusar é melhor do que chutar. Os autores da OpenAI e da Georgia Tech propõem o mesmo para os benchmarks: uma resposta errada deveria custar mais do que nenhuma resposta.
1. **Peça fontes e depois abra-as.** As referências solicitadas também podem ser inventadas.
1. **Reduza a aleatoriedade em tarefas factuais.** Uma temperatura baixa deixa as respostas mais consistentes, mas não acrescenta conhecimento; no estudo dos pacotes, mudar as configurações de decodificação não reduziu os nomes inventados.
1. **Use ferramentas para fatos e números.** Cálculos, datas e informações atuais devem vir de uma calculadora, de código, de um banco de dados ou de uma busca, não da memória do modelo.
1. **Mantenha o contexto focado.** Envie os trechos relevantes, não um arquivo inteiro, e coloque o material principal perto do começo ou do fim do prompt.
1. **Revise as saídas de alto risco.** Conteúdo jurídico, médico e financeiro, e tudo o que vai para clientes, precisa de uma pessoa que confira cada afirmação; o NIST recomenda um monitoramento mais próximo sempre que a saída da IA alimenta decisões com consequências.
1. **Meça.** Mantenha de 30 a 50 perguntas com respostas conhecidas tiradas dos seus próprios documentos e conte as respostas erradas depois de cada mudança.

## O que significa grounding e por que as fontes importam?

Uma resposta ancorada (grounded) é aquela cujas afirmações podem ser rastreadas até trechos específicos das fontes fornecidas no momento da resposta, de modo que cada afirmação pode ser conferida com o texto de onde veio. O grounding não torna um modelo verdadeiro por si só; ele transfere o risco para a recuperação (retrieval). Se a recuperação devolver o trecho errado, uma página desatualizada ou uma página escrita para outro mercado, o modelo responde com confiança a partir dela.

A qualidade da recuperação é metade do trabalho. A maioria dos retrievers encontra trechos pelo significado, e não pelas palavras exatas, como explicado em [O que é busca semântica?](/pt-br/blog/what-is-semantic-search), e cada trecho deve levar a sua URL e o horário da coleta para que as respostas possam citá-lo.

A localização é a parte que as equipes costumam esquecer. Preços, estoque, condições de entrega e regras locais variam por país e cidade, e muitos sites escolhem a versão que mostram pelo endereço IP do visitante. Um pipeline que busca todas as páginas a partir de um único data center vê uma única versão e responde a usuários de outros lugares sobre um mercado em que eles não estão. Coletar páginas públicas como um visitante local as vê, por exemplo com os [Proxies residenciais](https://proxynet.io/pt-br/residential-proxy) e segmentação por país e cidade, mantém a fonte alinhada ao mercado do usuário. Colete apenas páginas públicas, siga o robots.txt e os termos do site, mantenha um ritmo baixo de requisições e use uma API oficial quando existir.

Equipes que preferem não cuidar da coleta podem falar com o nosso time de vendas sobre a [extração gerenciada de páginas](/pt-br/data-scraping) da nossa Web Scraping API.

## As alucinações de IA podem ser eliminadas?

Não. As alucinações podem ficar mais raras e mais fáceis de pegar, mas um modelo de linguagem de uso geral que responde a perguntas abertas continuará a produzi-las. O NIST trata a confabulação como consequência de como os modelos generativos funcionam, e o artigo da OpenAI e da Georgia Tech argumenta que mesmo modelos base bem treinados ainda cometerão certos erros; um sistema só os evita recusando-se a responder o que não sabe.

RAG também não resolve o problema. A revisão citada acima dedica uma seção aos seus limites: o retriever pode não encontrar o trecho certo, e o modelo ainda pode interpretar mal o contexto. A meta realista são menos erros, fáceis de detectar e pegos antes de causar dano.

## Onde você encontra alucinações de IA?

Você as encontra onde quer que um modelo escreva um texto que alguém trata como fato: assistentes de chat, resumos gerados por IA acima dos resultados de busca, assistentes de programação, bots de atendimento ao cliente e ferramentas que resumem contratos, artigos ou transcrições de reuniões.

O risco cresce quando o modelo, além de escrever, age. Um agente de IA que faz reservas, compra, edita arquivos ou envia mensagens pode transformar um fato inventado numa ação.

## Erros comuns

- **Tratar texto fluente como correto.** Confiança e gramática não são provas.
- **Pedir ao modelo que verifique a si mesmo.** Use uma fonte independente.
- **Confiar numa referência sem abri-la.** Referências falsas parecem exatamente iguais às reais.
- **Achar que RAG significa zero alucinação.** A recuperação as reduz e acrescenta os seus próprios pontos de falha.
- **Esperar que uma temperatura baixa corrija fatos.** Ela reduz a variação, não a ignorância.
- **Lançar um bot para clientes sem salvaguardas.** Ele precisa de um caminho para "não sei", registros e uma passagem para uma pessoa.
- **Instalar um pacote porque um assistente o citou.** Confira primeiro o registro oficial.

## Guia de decisão

| Necessidade | O que fazer |
|---|---|
| Uma pergunta geral rápida | Verifique numa fonte confiável qualquer fato que for reutilizar |
| Respostas sobre os seus próprios documentos | RAG com referências, respostas só a partir do texto |
| Um chatbot para clientes | Políticas atuais, caminho de recusa, registros, passagem para uma pessoa |
| Conteúdo jurídico, médico ou financeiro | Revisão especializada de cada afirmação e referência |
| Código de um assistente | Confira cada pacote no registro dele e rode os testes |
| Preços, estoque ou regras locais | Páginas atuais do mercado em questão |
| Acompanhar o progresso | Um conjunto fixo de testes com respostas conhecidas |

## Perguntas frequentes

### Por que a IA inventa coisas?

A IA inventa coisas porque um modelo de linguagem gera a continuação mais plausível de um prompt, e plausível não é o mesmo que verdadeiro. Quando os dados de treinamento tinham pouco sobre um tema, ele ainda produz uma resposta com o formato da resposta certa. Benchmarks que não dão crédito ao "não sei" também ensinam aos modelos que chutar compensa.

### As alucinações de IA podem ser corrigidas por completo?

Não. Grounding, permissão para recusar, ferramentas e revisão humana tornam as alucinações mais raras e mais fáceis de pegar, mas nenhum método atual as remove de um modelo de uso geral. Conte com os erros e decida onde uma pessoa precisa conferir a saída.

### Alucinação de IA é o mesmo que mentir?

Não. Mentir exige a intenção de enganar, e um modelo não tem nenhuma; ele produz texto provável sem saber se é verdadeiro. O efeito sobre o leitor pode ser o mesmo, e por isso quem publica uma resposta de IA continua responsável por ela, como mostrou a decisão sobre o chatbot da companhia aérea.

### Como eu confiro uma resposta de IA?

Compare as afirmações que importam com uma fonte que você mesmo possa abrir: a página oficial, o documento original, o registro de pacotes ou os autos do processo. Abra cada link, pesquise as citações palavra por palavra e pergunte de novo num chat novo para ver se os fatos se mantêm. Nunca deixe o mesmo modelo ser o único juiz da própria resposta.

### RAG impede as alucinações?

RAG reduz as alucinações, mas não as impede. Ele dá ao modelo um texto atual e relevante e permite que os leitores confiram os trechos citados, mas o retriever pode devolver uma página errada ou desatualizada e o modelo ainda pode interpretar mal o que recebeu. Referências e verificações por amostragem continuam necessárias.

### Por que as ferramentas de IA inventam fontes?

As ferramentas de IA inventam fontes porque uma referência é um padrão que o modelo viu inúmeras vezes: autores, um título, um periódico, um ano e um link. Ele consegue produzir esse padrão sem nenhum documento real por trás e não consegue procurar a referência sozinho. Ferramentas que recuperam e citam documentos reais reduzem o problema; ainda assim, vale a pena abrir cada referência.

## Em resumo

Alucinação de IA é uma saída confiante e fluente que é falsa, inventada ou não tem apoio na entrada. Ela decorre de como os modelos de linguagem funcionam: eles preveem texto plausível, aprendem mal fatos raros, param de aprender numa data de corte e muitas vezes são treinados de formas que premiam o chute. Os casos documentados mostram que quem usa a resposta paga pelo erro. Ancorar as respostas em fontes atuais, permitir o "não sei", usar ferramentas para fatos e contar com revisão humana tornam os erros mais raros e mais fáceis de pegar. Quando as respostas dependem de preços, estoque ou regras que mudam conforme o lugar, as fontes precisam vir do mercado do usuário.
