Por qué comparar alucinaciones y no solo ‘modelos buenos y malos’
Cuando alguien pregunta por las limitaciones de las alucinaciones en LLM, la respuesta útil no es un sí o un no, sino una comparación práctica: qué modelo alucina menos en según qué tarea, con qué técnicas se mitiga y a qué coste. Según la documentación oficial de los principales proveedores y los estudios del sector sobre evaluación de fidelidad (faithfulness), ninguno de los modelos actuales elimina la alucinación; la reducen en dominios concretos y la desplazan a otros.
Este artículo compara opciones populares de mitigación y modelos desde una perspectiva operativa: qué funciona, qué no, y dónde los equipos suelen llevarse sorpresas. No es una lista de ‘mejores IA’; es una comparativa de enfoques con sus límites reales.
Criterios de comparación que sí discriminan
1. Tasa de afirmaciones no respaldadas (fidelidad)
La métrica clave no es ‘¿acierta?’ sino ‘¿inventa hechos que no están en la fuente?’. En tareas de resumen con contexto largo, los modelos grandes con mejor adherencia al contexto suelen generar menos afirmaciones no respaldadas que modelos pequeños, pero pierden esa ventaja cuando la pregunta exige conocimiento externo no incluido en el prompt. Comparar modelos sin fijar el escenario (contexto cerrado vs. pregunta abierta) produce conclusiones engañosas.
2. Calibración de la incertidumbre
Un modelo calibrado expresa duda cuando no sabe. En la práctica, casi todos los modelos comerciales populares están mal calibrados en preguntas de nicho: responden con la misma seguridad un dato verificable que uno inventado. Según estudios del sector, la confianza verbal del modelo no correlaciona de forma fiable con la exactitud, lo que invalida la estrategia de ‘preguntar si está seguro’.
3. Coste y latencia de la mitigación
RAG, verificación con búsqueda web, autocrítica y voto múltiple reducen alucinaciones, pero cada capa añade latencia y coste. La comparativa honesta incluye el precio por respuesta fiable, no solo el precio por token.
Comparativa de enfoques populares de mitigación
RAG (generación aumentada por recuperación)
Qué hace bien: ancla las respuestas a documentos propios. En preguntas sobre normativa interna, manuales o catálogos, reduce drásticamente la invención de datos cuando el recuperador trae el fragmento correcto.
Dónde falla: si el recuperador no encuentra el fragmento, el modelo no siempre dice ‘no lo sé’; a veces rellena con conocimiento paramétrico. También alucina al citar: inventa números de página o mezcla dos documentos. Un error común que solo se ve con uso real es que RAG sobre documentos duplicados o versiones antiguas produce respuestas coherentes pero desactualizadas, y el equipo lo detecta tarde porque la respuesta ‘suena bien’.
Verificación con búsqueda web en tiempo real
Qué hace bien: mejora la actualidad y permite citar fuentes. Útil para preguntas sobre precios, lanzamientos o noticias.
Dónde falla: introduce dependencia de la calidad de los resultados de búsqueda. Si la fuente es un foro o un blog especulativo, el modelo puede presentar una afirmación dudosa como hecho con enlace incluido, lo que paradójicamente aumenta la credibilidad percibida del error. No sirve para preguntas contrafactuales o hipotéticas, donde no hay fuente que verificar.
Autocrítica y cadenas de verificación
Qué hace bien: pedir al modelo que revise su propia respuesta detecta errores aritméticos y contradicciones internas en tareas estructuradas.
Dónde falla: la autocrítica comparte los mismos puntos ciegos que la generación. Un modelo que no sabe un dato tampoco sabe que no lo sabe al revisarlo, y puede ‘confirmar’ su propia invención. Funciona mejor con verificación externa (calculadora, base de datos) que con introspección.
Respuestas con abstención forzada
Qué hace bien: instruir al modelo para que responda ‘no disponible’ cuando no haya evidencia reduce afirmaciones falsas en dominios acotados.
Dónde falla: aumenta los falsos negativos. En atención al cliente, un exceso de abstención degrada la experiencia tanto como una respuesta incorrecta. El umbral hay que calibrarlo por caso de uso, y no hay un valor universal.
Comparativa por tipo de modelo: grandes vs. pequeños vs. especializados
Modelos grandes de propósito general
Menor tasa de alucinación en conocimiento común y mejor seguimiento de instrucciones complejas. Sin embargo, su fluidez es un arma de doble filo: inventan con más elegancia. En dominios muy técnicos o recientes, su conocimiento paramétrico queda obsoleto y rellenan huecos con plausibilidad.
Modelos pequeños y destilados
Más baratos y rápidos, y suficientes para tareas de extracción con contexto cerrado. Su limitación es la generalización: fuera del formato para el que fueron ajustados, la tasa de invención sube. No recomendables para preguntas abiertas sin RAG.
Modelos especializados o ajustados con datos propios
Pueden reducir alucinaciones en un dominio estrecho, pero el ajuste fino no garantiza fidelidad: enseña estilo y formato más que hechos. Un modelo ajustado con datos incompletos aprende a responder con seguridad dentro de ese dominio, incluidos los huecos. La evaluación con preguntas fuera de distribución es obligatoria antes de desplegar.
Lo que la comparativa no resuelve
Ningún enfoque elimina la alucinación en tareas generativas abiertas. La razón es estructural: el modelo predice texto plausible, no verifica verdad. Las mitigaciones reducen la probabilidad de error verificable, pero no la eliminan. Cualquier promesa de ‘cero alucinaciones’ debe tratarse con escepticismo.
Además, la comparación entre modelos caduca rápido: las versiones cambian y los resultados de evaluaciones públicas no siempre se replican en dominios internos. La única comparativa válida para un equipo es la que hace con su propio corpus y sus propias preguntas.
Cómo montar una comparativa útil en la práctica
Reunir un conjunto de 50 a 100 preguntas reales del negocio, con respuesta conocida y con distractores plausibles. Ejecutar cada opción (modelo + técnica) sobre el mismo conjunto y medir tres cosas: exactitud, afirmaciones no respaldadas y tasa de abstención. Revisar manualmente una muestra de las respuestas, porque las métricas automáticas de fidelidad también se equivocan.
Un detalle que solo aparece con experiencia: las alucinaciones más peligrosas no son las evidentes, sino las que mezclan un dato correcto con uno inventado en la misma frase. El revisor humano tiende a validar la frase entera porque la primera mitad es cierta. La revisión debe hacerse afirmación por afirmación, no respuesta por respuesta.
Recomendación según escenario
Para atención al cliente con base documental, RAG con abstención calibrada y revisión de citas. Para investigación y actualidad, búsqueda web con exigencia de fuente primaria y advertencia explícita al usuario. Para extracción de datos estructurados, modelos pequeños con validación por reglas y verificación externa. Para contenido creativo, asumir que los hechos no son fiables y separar generación de verificación humana.
La conclusión de la comparativa es incómoda pero honesta: la mejor opción no es el modelo con menos alucinaciones en abstracto, sino la combinación que hace visible el error antes de que cause daño.
Perfiles verificables: Sitio web
Publicado el 25 de October de 2026. Última revisión: 25 de October de 2026.