Você já perguntou algo pro ChatGPT e ele respondeu com a maior confiança algo completamente inventado? Isso tem nome: alucinação. É o risco número um de usar IA em processo sério — e também é o que mais assusta gestor na hora de aprovar projeto. Este texto explica o que é, por que acontece e o que fazer a respeito, sem jargão.
O que é alucinação em IA (em uma frase)
Alucinação é quando o modelo de IA afirma algo com confiança, mas que está errado. Cita lei que não existe, preço que inventou, fonte que não existe, dado que falsificou. Tudo com tom de certeza.
Não é bug, é característica. LLM (modelo de linguagem) foi treinado pra gerar texto plausível, não verdadeiro. Ele prevê próxima palavra com base em padrão estatístico. Se o padrão aponta pra resposta errada, ele gera resposta errada com a mesma confiança que geraria certa.
Por isso a alucinação é traiçoeira: o texto flui, soa coerente, parece confiável. Só que está errado. E sem verificação, ninguém percebe.
Por que isso importa
Em uso pessoal (pedir receita, planejar viagem), alucinação é incômodo menor. Em uso empresarial, é risco real:
- Atendimento ao cliente — IA inventa prazo, preço ou política. Cliente mal informado, problema jurídico, perda de confiança.
- Documento interno — IA resume contrato e troca cláusula. Decisão tomada em cima de dado falso.
- Relatório — IA cita estatística que não existe. Decisão estratégica com base em invenção.
- Material oficial — IA descreve produto com especificação errada. Reclamação, devolução, processo.
Cada um desses cenários converte “ganho de produtividade” em prejuízo. Por isso, em projeto sério, alucinação não é detalhe técnico — é risco de negócio que precisa de camada de controle.
Por que o modelo alucina
Três causas principais:
- Não sabe, mas foi treinado pra responder — LLM gera texto, não admite “não sei” por padrão. Se não tem informação, inventa.
- Treino com dado público, não com seu dado — o modelo não conhece sua empresa. Pergunta específica (preço do seu produto, cláusula do seu contrato) vira palpite.
- Pergunta mal feita — prompt vago ou ambíguo gera resposta genérica, que pode estar certa ou errada. Sem contexto, modelo adivinha.
A primeira causa é estrutural — não some sozinha. As outras duas têm remédio.
Como reduzir alucinação na prática
Técnicas que funcionam em projeto de empresa:
- RAG (busca antes de responder) — antes de responder, o sistema busca nos seus documentos os trechos relevantes e entrega pro modelo. A IA responde com base em fonte, não em palpite. Ver post sobre RAG.
- System prompt que obriga a citar fonte — instrução inicial que diz “se não tem no documento, diga que não tem”. Reduz invenção.
- Verificação humana em tarefa crítica — IA propõe, humano aprova. Em decisão jurídica, financeira ou de atendimento sensível, o humano continua no loop.
- Temperatura baixa — parâmetro que reduz aleatoriedade. Pra tarefa factual, faz resposta mais consistente.
- Camada de validação — sistema que confere dado da IA contra base externa (CPF válido, código de produto existe, data está no período).
Nenhuma técnica elimina alucinação 100%. A combinação delas reduz a ponto de uso virar confiável.
Exemplo prático: atendente de IA que inventava prazo
Imagine uma distribuidora que colocou chatbot com LLM no atendimento. Cliente perguntava prazo de entrega e o bot respondia qualquer coisa — “entrega em 24h” quando o prazo real era 5 dias úteis. Briga, cancelamento, prejuízo.
A solução não foi trocar de modelo. Foi adicionar RAG: o bot passa a buscar na tabela de prazo do cliente específico antes de responder. Se não tem informação, diz “vou te conectar com o comercial”. Alucinação sobre prazo desapareceu.
O ponto: o problema não era a IA, era o jeito de usar. IA solta, sem fonte, alucina. IA conectada ao dado certo, responde certo.
Onde alucinação é aceitável e onde não é
Depende do custo do erro:
- Risco baixo — rascunho de email, ideia de post, resumo pessoal. Alucinação é incômodo, não desastre. Revisão humana resolve.
- Risco médio — descrição de produto, atendimento de primeiro nível, classificação. Precisa de verificação e camada de controle.
- Risco alto — contrato, parecer jurídico, decisão financeira, informação oficial pro cliente. IA pode propor, mas humano precisa validar item por item. Em alguns casos, IA nem deve ser usada sozinha.
Tentar usar IA solta em tarefa de risco alto é a receita pra problema. Tentar proibir IA em tarefa de risco baixo é jogar produtividade fora. O meio é governança.
O que gestor precisa exigir de projeto de IA
Antes de aprovar projeto que usa LLM, três perguntas:
- O que impede o modelo de inventar? Se a resposta for “nada”, o projeto não está pronto.
- Quem revisa e em qual etapa? Sem ponto de checagem humana definido, erro vai parar em produção.
- Como o sistema lida com ’não sei’? IA que sempre responde é a que mais alucina. Boa IA admite limite.
Quem responde isso com clareza tem projeto controlável. Quem não responde tem bomba relógio.
Perguntas frequentes
Dá pra eliminar alucinação totalmente?
Não. Dá pra reduzir drasticamente — a ponto de uso virar confiável — com RAG, prompt bem feito e verificação. Mas 100% não existe. Por isso, em tarefa crítica, humano continua no loop.
Alucinação é sinal de que IA não presta?
Não. É característica do modelo de linguagem, que precisa ser conhecida e gerenciada. IA bem usada (com fonte, com verificação, com clareza de limite) entrega valor grande. IA mal usada (solta, sem dado, sem checagem) vira problema.
Como saber se o modelo está alucinando num caso específico?
Pedindo fonte. Se a IA cita documento, verifique o documento. Se cita número, cruze com base externa. Se a resposta não tem fonte verificável e é específica, desconfie. Em sistema profissional, a própria IA deve entregar a fonte junto com a resposta. Ver no glossário
Próximo passo
Entender alucinação é metade do caminho pra usar IA sem medo. A outra metade é estrutura de controle certa pro seu caso. Se você quer montar isso, com risco bem dimensionado, fazemos um diagnóstico gratuito.
