◆ Fundamentos LLM

Alucinación

También conocido como: Hallucination · Confabulación · Invención del modelo

Una alucinación es una respuesta del LLM que suena plausible pero es falsa o inventada. No es un bug: es una propiedad estructural del modelo, que produce el texto más probable según su entrenamiento, no la respuesta verdadera.

← Todos los términos Aplicar a mi caso →

// Definición extendida

Cuando un LLM no sabe algo, no se calla: produce la continuación que estadísticamente encaja mejor con el prompt. Si el entrenamiento no contiene la respuesta correcta, el modelo improvisa con el mismo tono confiado que cuando sí la sabe. Por eso una alucinación suele ser detectable por su seguridad excesiva: cita una fuente que no existe, inventa un endpoint de API, o atribuye una frase a alguien que nunca la dijo. Mitigar alucinaciones en producción se hace con varias capas: RAG para que el modelo cite documentos reales en lugar de tirar de memoria, function calling para que consulte herramientas verificables (calculadora, base de datos, búsqueda web) en vez de razonar a ciegas, y evals automáticos que comparan la salida contra una verdad conocida. Ningún LLM frontera elimina las alucinaciones al 100% en 2026; la pregunta operativa es cuánto coste de error tolera tu caso. En tareas críticas (legal, médico, financiero, código que se va a producción) la regla es nunca aceptar la salida del modelo sin verificación humana o automática. En tareas creativas (brainstorm, copy borrador) la alucinación es ruido aceptable. Diseñar el sistema sabiendo dónde está la línea es trabajo de consultor, no del modelo.

// Ejemplo en StratoAI

Cómo lo usamos en producción

En bridge.py todas las llamadas que generan datos verificables (precios, dimensiones, fechas, citas) llevan instrucción explícita de "no inventes" + un eval simple que valida formato/rango. Ejemplo real: durante el sprint GastroSEO de abril, MiniMax inventaba estadísticas del sector hostelería que no existían — la solución fue cambiar a Gemini 2.5 Flash con citation forzada y revisión humana antes de publicar. La regla del grupo: si el dato puede meter al cliente en problema, no se publica sin verificar.

// Cuándo importa

Para qué te importa esto

Cuando un LLM va a generar datos que afectan decisiones de negocio (precios, fechas, leyes)
Cuando publicas contenido SEO con cifras del sector — Google penaliza errores fácticos
Cuando un agente conecta con APIs externas — alucinar un endpoint rompe el workflow
Cuando atiendes clientes con respuestas IA — una alucinación con tono seguro daña la marca

// Herramientas del directorio

Donde aplica este término

Claude

Anthropic

El modelo que razona en serio. La columna vertebral del taller.

Gemini

Google DeepMind

El motor de imagen y análisis barato del stack — Nano Banana 2 incluido.

MiniMax M2.5

MiniMax (China)

El modelo más barato decente para copy en español productivizado.

// Términos relacionados

Sigue tirando del hilo

LLM

Un LLM (Large Language Model) es un modelo de inteligencia artificial entrenado sobre cantidades enormes de texto para predecir la siguiente palabra y, con eso, generar lenguaje, razonar, escribir código y seguir instrucciones.

RAG

RAG (Retrieval-Augmented Generation) es la técnica de darle a un LLM, antes de responder, los documentos exactos que necesita. El modelo deja de tirar de memoria y cita fuentes reales — más preciso, más barato y siempre actualizado.

PRO

Prompt engineering

Prompt engineering es el oficio de escribir instrucciones para LLMs que produzcan la salida deseada de forma fiable y reproducible. No es "saber pedir cosas a ChatGPT": es diseñar prompts versionados, evaluados y robustos a fallo en producción.

TUS

Tool use

Tool use (o function calling) es la capacidad del LLM de decidir, durante una conversación, llamar a funciones externas — APIs, bases de datos, scripts — y usar el resultado para construir su respuesta. Es el puente entre "lenguaje" y "acción".

¿Cómo aplica
esto a tu negocio?

Las definiciones son el primer paso. Convertir el concepto en operación 24/7 dentro de tu empresa es el siguiente. Hablemos en una Contact Call de 30 minutos sin compromiso.

Reservar Contact Call → ← Volver al glosario