Taxonomia de Alucinações em LLMs: definição, tipos e mitigação
Alucinações em LLMs (Large Language Models ou Modelos de Linguagem de Grande Escala) são inevitáveis (afinal de contas, são sistemas computáveis) e, por isso, entender sua taxonomia é essencial para que possamos projetar aplicações eficientes e seguras.
Neste conteúdo vamos fazer uma revisão do paper de Manuel Cossio, publicado em agosto de 2025, originalmente com o título de “A comprehensive taxonomy of hallucinations in Large Language Models“.
O paper propõe uma definição formal do fenômeno via teoria da computação, estrutura os tipos centrais (intrínsecas vs. extrínsecas; factualidade vs. fidelidade) e fecha com diretrizes de mitigação em arquitetura e produto.
Você pode acessar o paper na íntegra, clicando aqui.
Definição formal e inevitabilidade das alucinações
O trabalho parte de uma condição formal:
Dado um LLM computável e uma função de verdade computável, sempre existirão entradas para as quais o modelo diverge do valor correto (em qualquer estágio de treino).
A prova recorre a diagonalização, mostrando limites intrínsecos do que é computável por LLMs.
A consequência prática é direta: não há caminho para “zerar” alucinações; o objetivo realista é reduzir frequência e impacto, com mecanismos de detecção, contenção e validação humana.
Teoremas centrais abordados no paper:
| Teorema / Corolário | Enunciado (síntese) | Implicação prática |
|---|---|---|
| Teorema 1: LLMs enumeráveis computavelmente irão alucinar | Para qualquer conjunto computavelmente enumerável de LLMs, existe uma função de verdade computável f tal que todos os estados de todos os LLMs desse conjunto alucinam em relação a f. | LLMs atuais (limitados por tempo polinomial) são inerentemente propensos a alucinar; não é possível eliminar totalmente. |
| Teorema 2: Alucinação em infinitas questões | Para qualquer conjunto computavelmente enumerável de LLMs, existe uma f computável tal que todos os estados de todos os LLMs alucinam em infinitas entradas. | Alucinações não são incidentes isolados; o problema é persistente ao longo de vastos domínios de entrada. |
| Teorema 3: Qualquer LLM computável irá alucinar | Para qualquer LLM computável individual, existe uma f computável tal que todo estado desse LLM alucina; existe também f’ para a qual a alucinação ocorre em infinitas entradas. | A inevitabilidade se aplica a modelos específicos (atuais e futuros), independentemente de arquitetura. |
| Corolário 1: Incapacidade de auto-eliminação | Nenhum LLM computável consegue impedir-se de alucinar por mecanismos internos. | Auto-correção e técnicas de prompting são insuficientes sozinhas; é preciso salvaguardas externas e validação humana. |
Núcleo da taxonomia: intrínsecas vs. extrínsecas; factualidade vs. fidelidade
A taxonomia organiza o fenômeno em dois eixos amplamente aceitos.
As Alucinações intrínsecas: contradizem o próprio contexto ou a lógica interna do texto gerado (ex.: inconsistências dentro de um resumo).
As Alucinações extrínsecas: introduzem entidades, fatos ou eventos que não constam do contexto nem da realidade observável (típicas quando o modelo tenta “preencher” lacunas).
No segundo eixo, a factualidade avalia correção objetiva (verdade factual) e fidelidade mede adesão ao “insumo”.
Isto é, um modelo pode ser fiel e não factual (reproduzindo um erro do documento de origem) ou factual e pouco fiel (acrescentando conteúdo correto, porém não solicitado).
Essas distinções orientam tanto métricas quanto táticas de mitigação.
Implicações para uso real: Produtos e Risco
Assumida a inevitabilidade de erro, precisamos ter em mente que as áreas que exigem precisão (matemática avançada, lógica, decisões de alto risco em saúde, direito e finanças) requerem escrutínio reforçado e human-in-the-loop (participação humana estratégica em pontos de uma determinada automação).
Sem integração de guardrails (mecanismos de segurança), bases de conhecimento ou supervisão, não é seguro delegar decisões críticas ao modelo.
Em termos de governança, o recorte teórico do estudo sustenta a necessidade de políticas de uso, limites de escopo e auditoria contínua.
Isto se conecta muito com o que tenho visto em aspectos práticos e no trabalho com Inteligência Artificial no dia a dia.
Mesmo os modelos mais avançados (escrevi isto no final de setembro de 2025, e reforço revisando este conteúdo em agosto de 2026) como Grok 4.6 High, Gemini 3.1 Pro e GPT-5.6 Sol High, podem cometer erros e ainda alucinam.
Devo admitir que de forma muito mais sútil e pontual, se eu me lembrar de quando comecei a trabalhar com LLMs ainda em dezembro de 2022. É um mercado que está evoluindo de uma forma inacreditável!
Melhoraram muito em performance, latência e preço, seja em perguntas diretas, solicitações que demandam mais recursos computacionais, como deep search, agent mode e no trabalho com bases de dados (sejam por planilhas maiores, Bancos de Dados ou Vector Stores).
Mitigação híbrida e sensível ao contexto de Alucinações
Uma coisa fica muito clara com todo o conteúdo técnico do artigo: não existe uma “bala de prata”.
O paper converge para sistemas híbridos que combinam: uso de ferramentas (cálculo, execução de código, consultas), retrieval grounding para reduzir dependência da memória paramétrica, fine-tuning com curadoria/adversarial filtering e guardrails (validadores lógicos, filtros de regras, correções baseadas em conhecimento).
Em situações de incerteza, fallbacks (plano ou opção de contingência) baseados em regras (recusar resposta, pedir esclarecimento, escalar a um humano) reduzem o dano.
A recomendação é tornar o pipeline sensível ao contexto: metas mais rígidas e recuperação obrigatória em domínios críticos; tolerância controlada em tarefas criativas, sempre com sinalização de incerteza ao usuário (próxima cadeia do processo).
Considerações finais
Em minha visão, o valor do paper está em três entregas:
(i) Uma definição formal que desloca a ambição de “eliminar” para gerenciar alucinações;
(ii) Uma taxonomia operacional que ajuda a diagnosticar erros na prática;
(iii) Um roteiro de mitigação que integra arquitetura, processo e produto.
Para PMEs e equipes de dados, a mensagem é pragmática e objetiva: delimite escopo, meça por tarefa, maximize rastreabilidade (fontes + validadores) e mantenha gente (qualificada) no circuito (processo de ponta a ponta) onde a consequência de erro é alta.
Referência
COSSIO, Manuel. A comprehensive taxonomy of hallucinations in Large Language Models. Barcelona: Universitat de Barcelona, 2025. Preprint (arXiv). Disponível em: arXiv:2508.01781. Acesso em: 29 set. 2025.