---
type: Article
title: "Taxonomia de Alucinações em LLMs: definição, tipos e mitigação"
description: "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…"
resource: https://felipecferreira.com.br/biblioteca/taxonomia-de-alucinacoes-em-llms-definicao-tipos-e-mitigacao/
generated: { by: process:okf-bridge, at: 2026-09-03T01:39:02Z }
status: stable
sources:
  - id: canonical-html
    resource: https://felipecferreira.com.br/biblioteca/taxonomia-de-alucinacoes-em-llms-definicao-tipos-e-mitigacao/
    title: "Página oficial em HTML"
    last_modified: 2026-08-19T20:01:16Z
---

# Taxonomia de Alucinações em LLMs: definição, tipos e mitigação

[Alucinações](https://felipecferreira.com.br/biblioteca/alucinacoes-em-llms/) em [LLMs](https://felipecferreira.com.br/biblioteca/o-que-sao-llms-large-language-models/) (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](https://arxiv.org/pdf/2508.01781?).

## 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 / CorolárioEnunciado (síntese)Implicação práticaTeorema 1: LLMs enumeráveis computavelmente irão alucinarPara 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 questõesPara 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 alucinarPara **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](https://felipecferreira.com.br/biblioteca/o-que-e-inteligencia-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](https://arxiv.org/pdf/2508.01781?). Acesso em: 29 set. 2025.