Todos los LLMs alucinan. Unos más, otros menos, pero ninguno es inmune. Saber cómo y por qué ocurre ayuda a diseñar contenido que minimice el riesgo de ser mal citado.
Por qué alucinan
Un LLM no sabe la diferencia entre datos ciertos e inventados. Predice la siguiente palabra más probable dado el contexto. Si tu pregunta empieza con "El fundador de Acme Corp se llama...", el modelo completará con un nombre plausible aunque no tenga el dato.
Tipos de alucinación
- Datos inventados: cifras, fechas, nombres que no corresponden a la realidad
- Citas mal atribuidas: "Según el informe X de 2024..." cuando ese informe no existe o no dice eso
- URLs ficticias: enlaces a webs o páginas concretas que no existen
- Confabulación estructural: mezcla real de fuentes individualmente correctas que combinadas crean algo falso
Cómo reducir el riesgo de que te alucinen
- Información clara y repetida en varios contextos (nombre, ciudad, servicio consistentes)
- Schema Organization y Person bien rellenos
- Presencia en fuentes autoritativas (Wikipedia, prensa, directorios)
- Información actualizada: cambiar tu dirección sin actualizar no sirve si el modelo memorizó la antigua
- Contenido factual con fuentes: cuando el modelo usa tu contenido por RAG, replica tus fuentes en vez de inventar
Qué hacer si un LLM te cita mal
- Perplexity: reportar la respuesta desde el botón de feedback
- ChatGPT: thumbs-down. Efecto lento pero acumulativo
- Actualizar tu web y conseguir backlinks desde fuentes autoritativas que confirmen tu información real
Alucinación y EEAT
Google penaliza (en revisión humana) webs con alucinaciones obvias generadas por IA sin revisión. Si usas IA para borradores, pásalos por humano y verifica cada dato antes de publicar.
En la auditoría gratis comprobamos si los LLMs mayoritarios te citan bien o alucinan sobre ti.