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 ler o paper na íntegra no arXiv: A comprehensive taxonomy of hallucinations in Large Language Models.

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.

Escrevi este conteúdo no final de setembro de 2025 e venho revisando desde então. Ficam aqui os marcos, com data: em agosto de 2026, os modelos de ponta que eu usava no dia a dia eram o Grok 4.6 High, o Gemini 3.1 Pro e o GPT-5.6 Sol High. Em outubro de 2026, já temos o Grok 4.7 (da SpaceXSI), o Gemini 4 Argon, o GPT-6.1 Sol e o Claude Opus 5.5.

Nesses modelos, as alucinações caíram muito na prática, mas ainda exigem conferência.

Devo admitir que de forma muito mais sutil 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).

O que eu Vejo na Prática

Os erros que mais apareciam para mim nos modelos mais antigos eram sempre do mesmo tipo: números sem base de cálculo ou sem referência, datas erradas e links com destino problemático: páginas que não existiam, páginas com acesso proibido ou bloqueado e sites inseguros, com problema de certificado SSL.

A minha validação depende do contexto. Uso modelos diferentes para validar, corrigir e analisar o que outro modelo produziu, seja conteúdo, teste ou documentação de código. Em pesquisas longas, como num deep research do Gemini, eu clico nos links e confiro se a página de destino existe, abre sem bloqueio, tem conexão segura e corresponde de fato à referência citada.

Onde a revisão é rigorosa, sem exceção: comandos que vão direto para o servidor e funções executivas em ambientes Linux de alta criticidade. E os posts deste site eu sempre confiro antes de publicar. A autonomia e a confiabilidade dos agentes em outubro de 2026 evoluíram muito em relação a 2024 e 2025, mas a conferência continua no processo.

Quanto Custa uma Alucinação (e Quanto Custa Conferir)

Se o erro não vai a zero, a pergunta de negócio muda. Não é “o modelo erra?”, é “quanto custa o erro aqui e quanto custa conferir?”. Essa é a conta de ROI (retorno sobre o tempo, o dinheiro, as ferramentas e as pessoas investidos) de qualquer uso de IA.

Num rascunho de post, um erro custa uma revisão. Numa resposta para cliente, num número de relatório ou numa decisão de saúde, direito ou finanças, o mesmo erro custa muito mais. Por isso a validação humana não é desperdício: ela é proporcional ao custo do erro em cada tarefa.

Alucinação em Agentes de IA

Com agentes de IA, o risco muda de natureza: a alucinação deixa de ser só um texto errado e pode virar uma ação errada, como editar um arquivo, enviar uma mensagem ou rodar um comando. As mesmas diretrizes do paper valem, com mais rigor: permissões mínimas, registro do que o agente fez, verificação do resultado e uma pessoa aprovando as ações que não têm volta.

Dois estudos de 2026 que revisei aqui ajudam nessa parte prática: skills para agentes de IA mostram que um procedimento bem escrito ainda precisa de verificação durante a execução, e a coordenação entre agentes de IA mostra por que uma única execução não basta para confiar numa configuração.

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.

Na prática, é esse cuidado que eu levo quando coloco IA na operação de um cliente: primeiro o diagnóstico e o critério de validação, depois a automação, como apresento em Tecnologia Aplicada.

No topo desta página existe um botão com a opção de download de todo o conteúdo em markdown, para que você possa utilizar como referência no trabalho com seu agente de IA. O download é gratuito, não pede cadastro, não pede e-mail e você não entra em nenhuma lista. É um conteúdo 100% público, para qualquer pessoa acessar e baixar.

Precisa de ajuda? Fale comigo no WhatsApp. Vou fazer questão de te acompanhar de ponta a ponta.

Perguntas frequentes

O que é alucinação em um LLM?

É quando o modelo gera uma informação falsa, incoerente com o contexto ou inventada, com a mesma confiança de uma resposta correta.

Dá para eliminar as alucinações?

Não. O paper de Manuel Cossio (2025) mostra, pela teoria da computação, que todo LLM computável vai errar em algumas entradas. Nos modelos de outubro de 2026, as alucinações caíram muito na prática, mas ainda exigem conferência.

Qual a diferença entre alucinação intrínseca e extrínseca?

A intrínseca contradiz o próprio contexto ou o texto gerado; a extrínseca inventa fatos, entidades ou eventos que não estão no contexto nem na realidade.

O que são factualidade e fidelidade?

Factualidade é estar certo em relação ao mundo; fidelidade é seguir a fonte que o modelo recebeu. Uma resposta pode ser fiel a um documento errado, ou correta mas fora do que foi pedido.

Como reduzir alucinações na prática?

Combine ferramentas (cálculo, código, consultas), recuperação de fontes, guardrails e regras de contingência, como recusar, pedir esclarecimento ou passar para uma pessoa. Nos temas críticos, mantenha revisão humana e confira números, datas e links direto na fonte: se a página existe, se abre sem bloqueio e se tem conexão segura (SSL).

Referências

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.