Porque a IA inventa coisas: 7 verificações que apanham alucinações

A IA inventa coisas porque um modelo de linguagem foi concebido para produzir as palavras seguintes mais prováveis, não para verificar se são verdadeiras, e porque a forma como os modelos são treinados e avaliados recompensa um palpite confiante em vez de um honesto "não sei". Este guia explica o mecanismo em linguagem simples, com que frequência acontece nos modelos atuais, quanto custou a três empresas e as sete verificações que o apanham.

Já viu isto: o chatbot que cita um regulamento que não existe, refere uma estatística que nenhum inquérito produziu ou indica um fornecedor que não encontra em lado nenhum. Chama-se alucinação e não é um erro que a próxima atualização vá eliminar. Os próprios investigadores da OpenAI escreveram em setembro de 2025 que os modelos produzem "overconfident, plausible falsehoods" (falsidades plausíveis e demasiado confiantes) porque o seu treino e a sua avaliação "reward guessing over acknowledging uncertainty" (recompensam o palpite em vez de reconhecer a incerteza). Perceber porque a IA inventa coisas é a diferença entre uma ferramenta que lhe poupa um dia por semana e uma que põe um número falso à frente de um cliente, de um banco ou de um tribunal.

O que se segue é a explicação de que um dono de negócio ocupado precisa, não uma aula de informática: como a máquina funciona realmente, onde se concentram os erros, três casos reais com a fatura anexada, o que os próprios fornecedores dizem e as sete verificações. A última secção trata de como um agente de IA que mostra as suas fontes e o seu navegador muda o problema, e do que ainda não consegue fazer por si.

Como verificámos este guia

1. Apenas fontes primárias para o mecanismo: o artigo de investigação da OpenAI de 4 de setembro de 2025 e as declarações dos reguladores que citam os fornecedores.
2. Taxas medidas numa tabela de classificação pública consultada a 22 de outubro de 2026, com o método indicado, porque uma taxa de alucinação sem método é, ela própria, uma espécie de alucinação.
3. Registos judiciais e governamentais para os três casos, não resumos jornalísticos.
4. As páginas de ajuda dos próprios fornecedores sobre o que o ChatGPT e o Claude dizem acerca dos seus limites.
5. Verificações que uma pessoa sem formação técnica consegue fazer em menos de um minuto, apenas com uma caixa de pesquisa.

O que é uma alucinação e porque acontece

Um grande modelo de linguagem funciona prevendo o texto mais provável a seguir ao texto que recebeu. Quando a Solicitors Regulation Authority (SRA, o regulador dos advogados em Inglaterra e no País de Gales) avisou a profissão jurídica em novembro de 2023, disse-o sem rodeios: estas ferramentas "work by anticipating the text that should follow the input they are given, but do not have a concept of 'reality'" (funcionam antecipando o texto que deve seguir-se ao que recebem, mas não têm o conceito de "realidade"). Peça um caso que apoie o seu argumento e o modelo produz algo com forma de caso: um nome plausível, um ano plausível, uma citação plausível. Nada no seu interior verifica se o caso existe, porque nada no seu interior foi construído para isso.

A segunda causa é a forma como os modelos são avaliados. No seu artigo de setembro de 2025 "Why language models hallucinate", quatro investigadores da OpenAI mostraram que os testes habituais recompensam uma resposta confiante e não dão nada por admitir incerteza, pelo que "under binary grading, abstaining is strictly sub-optimal" (numa avaliação binária, abster-se é estritamente subótimo). Um modelo que adivinha obtém mais pontos do que um modelo que diz não saber, tal como um aluno que adivinha num exame de escolha múltipla fica à frente de quem deixa a pergunta em branco. O hábito de adivinhar é aprendido, e é aprendido porque compensa.

Os números que a OpenAI publicou com o artigo tornam essa troca visível. Num teste de factos, um modelo ajustado para se abster recusou responder a 52% das perguntas, acertou em 22% e errou em 26%; um modelo anterior, que quase nunca se abstinha, acertou em 24% e errou em 75%. Menos respostas erradas vieram de mais "não sei", não de mais conhecimento. É toda a história numa tabela, e é por isso que as verificações abaixo começam com a licença para dizer não.

Com que frequência acontece em 2026

A resposta honesta é "com frequência suficiente para verificar, sempre". A tabela de classificação de alucinações da Vectara, atualizada a 22 de outubro de 2026, avalia os modelos numa única tarefa estreita: resumir um documento que lhes foi dado e contar quantas vezes o resumo contém algo que o documento não diz. Mesmo com os factos à frente, os modelos principais inventaram material numa percentagem mensurável dos resumos.

Duas coisas saltam à vista. Mais recente e maior não significa mais seguro: a configuração GPT-5 de agosto de 2025 teve pior resultado do que o GPT-4o, um ano mais velho, neste teste. E estes são valores com a fonte fornecida; quando o modelo tem de recordar factos de memória, as taxas são mais altas.

Os estudos especializados concordam. Investigadores que escrevem nos Annals of the Royal College of Surgeons of England relataram em abril de 2026 que, em 108 respostas de chatbots a perguntas cirúrgicas, com 1,249 referências, os piores modelos fabricaram ou não conseguiram sustentar 25% a 34% das suas citações, enquanto os melhores não produziram nenhuma. Uma carta na The Lancet relatou em maio de 2026 que cerca de um em cada 277 artigos recentes na PubMed continha referências fabricadas, contra um em cada 2,828 em 2023. Um estudo da Stanford sobre ferramentas de pesquisa jurídica que usam recuperação de documentos concluiu que continuavam a alucinar entre 17% e 33% das vezes. A recuperação ajuda; não resolve tudo.

O que custou: três casos

Nova Iorque, junho de 2023. Em Mata v Avianca, dois advogados apresentaram uma peça com casos que não existiam, gerados pelo ChatGPT, e o tribunal aplicou uma multa de $5,000. Foi o primeiro caso amplamente noticiado e é hoje uma de mais de 2,200 decisões judiciais em todo o mundo envolvendo citações falsas geradas por IA, registadas numa base de dados pública mantida pelo advogado Damien Charlotin.

Londres, junho de 2025. Em Ayinde v Haringey e Al-Haroun v Qatar National Bank, o High Court (Tribunal Superior) tratou dois casos em simultâneo: uma peça citava cinco casos que não existiam, a outra citava 45 autoridades, das quais 18 eram inventadas. O presidente da King's Bench Division escreveu que as ferramentas generativas "are not capable of conducting reliable legal research" (não são capazes de realizar pesquisa jurídica fiável) e "may cite sources that do not exist" (podem citar fontes que não existem), que os advogados têm o dever profissional "to check the accuracy of such research by reference to authoritative sources" (de verificar a exatidão dessa pesquisa por referência a fontes de autoridade), e que as consequências de não o fazer podem incluir processos por desacato e comunicação à polícia. Desde então, a Solicitors Regulation Authority emitiu um aviso (17 de agosto de 2026) que menciona "fictitious cases, references or seemingly factual assertions" (casos, referências ou afirmações aparentemente factuais fictícios) e lembra aos advogados que continuam a ser responsáveis pelo resultado.

Camberra, outubro de 2025. A Deloitte Austrália entregou a um departamento governamental um relatório ao abrigo de um contrato no valor de AU$440,000. Continha uma citação fabricada atribuída a uma decisão judicial e referências a artigos académicos que não existiam. A empresa publicou uma versão corrigida a 3 de outubro de 2025, revelou pela primeira vez que fora usado um modelo Azure OpenAI e devolveu a última prestação, de cerca de AU$98,000. O trabalho foi feito por uma grande empresa profissional com processo de revisão. A fabricação passou na mesma, porque ninguém abriu as referências.

Nenhuma destas pessoas era um amador descuidado. Eram profissionais ocupados que trataram o texto fluente como texto verificado. É esse o erro a evitar, e é evitável.

O que dizem os próprios fornecedores

A documentação da Anthropic sobre o Claude enumera as mitigações habituais, incluindo permitir que o modelo diga "I don't know", pedir-lhe que cite antes de responder e restringi-lo aos documentos fornecidos, e acrescenta que estas "don't eliminate them entirely. Always validate critical information." (não as eliminam por completo. Valide sempre a informação crítica.) O seu artigo de apoio sobre respostas incorretas, atualizado em março de 2026, diz claramente que o Claude "can occasionally produce responses that are incorrect or misleading" (pode ocasionalmente produzir respostas incorretas ou enganadoras) e que não se deve confiar nele como "a singular source of truth" (uma fonte única de verdade). A página de ajuda da OpenAI sobre se o ChatGPT diz a verdade afirma o mesmo: pode fabricar citações e deve verificar. O ICO, no seu trabalho de 2024 sobre IA generativa, notou que mesmo dados de treino exatos "will not stop" (não impedirão) os modelos de produzir afirmações falsas, e a análise da FCA de outubro de 2026 sobre a IA nos serviços financeiros repete que as empresas "remain responsible for consumer outcomes" (continuam responsáveis pelos resultados para os consumidores) seja qual for a ferramenta que os produziu.

Lidas em conjunto, a mensagem de quem constrói e regula estas ferramentas é consistente: use-as e verifique-as.

As 7 verificações que apanham uma alucinação

1. Peça a fonte e depois abra-a

Um modelo produz de bom grado uma referência a pedido; o teste é se a referência abre e diz o que o modelo afirma que diz. O relatório da Deloitte tinha referências. Ninguém as abriu. Se o link está morto, o artigo não existe ou a página diz algo diferente, a resposta inteira é suspeita, não só essa linha.

2. Verifique nomes, números, datas e citações um a um

Estas quatro categorias são onde a fabricação se concentra, porque são as partes de uma frase mais difíceis de prever a partir do contexto. Uma citação é a mais fácil de verificar: cole-a num motor de pesquisa entre aspas. Uma estatística deve conduzir a um inquérito com amostra e data, tal como este guia nomeia o estudo do Royal College of Surgeons e as suas 1,249 referências.

3. Pergunte duas vezes ou a um segundo modelo

Um facto que sobrevive à reformulação tem mais probabilidade de ser um facto. Faça a mesma pergunta com palavras diferentes ou cole-a num segundo produto (ChatGPT, Claude, Gemini, Microsoft Copilot, Manus ou o Muse da Meta comportam-se de maneira diferente com o mesmo pedido). Dois modelos a concordar não é prova, mas dois modelos a discordar é um sinal fiável para verificar.

4. Dê-lhe o documento e circunscreva-o

Os valores da tabela de classificação acima são o melhor cenário, com a fonte fornecida; a memória é pior. Por isso, forneça a fonte. Anexe o contrato, a folha de cálculo ou o regulamento, diga ao modelo para responder apenas a partir dele e citar a linha que usou, e leia a citação. Se não conseguir citar uma linha, a resposta não veio do documento.

5. Dê-lhe licença para dizer "não sei"

Como o treino recompensa o palpite, tem de mudar a pontuação no pedido. "Se não tiver a certeza, diga-o e diga-me o que eu teria de verificar" é a frase mais eficaz deste guia; é o equivalente escrito do modelo que se abstém na tabela da OpenAI, e não lhe custa nada.

6. Refaça as contas

Os modelos de linguagem preveem texto; não calculam, a menos que estejam a executar código. Um total errado numa linha, uma percentagem sobre a base errada, uma data com um ano de diferença: parecem certos porque a frase à volta está certa. Some a coluna você mesmo ou peça a um agente que execute o cálculo numa folha de cálculo e o mostre.

7. Trate dinheiro, direito, saúde e reputação como rascunho

Os advogados em Londres e os consultores em Camberra não careciam de inteligência; faltava-lhes uma regra. A regra é que tudo o que chega a um cliente, a um regulador, a um credor ou a um tribunal é um rascunho até uma pessoa identificada ter verificado os factos. Escreva essa regra, e a política de IA em Política de IA para pequenas empresas: um modelo gratuito dá-lhe a versão de uma página.

Onde as pequenas empresas mais se enganam

• Orçamentos e estimativas. Um modelo a quem se pedem "preços típicos" inventa preços típicos. Use a sua própria tabela de preços ou uma fonte com preços.
• Formulações jurídicas e fiscais. Limiares, datas e coimas mudam todos os anos em abril; a memória do modelo pode ter dois anos. Consulte o GOV.UK.
• Dados de fornecedores e produtos. Números de modelo, compatibilidade e especificações são exatamente o texto denso e difícil de prever que é fabricado.
• Avaliações e testemunhos. Nunca deixe um modelo escrever uma avaliação ou uma citação de um cliente. Além de inventadas, as avaliações falsas são ilegais no Reino Unido ao abrigo da Digital Markets, Competition and Consumers Act 2024.
• Tradução de números. Quando um modelo traduz um documento, os números podem mudar. Confira cada valor da versão traduzida com o original.

Como um agente de IA muda o problema

Um chatbot dá-lhe uma resposta e deixa a verificação consigo. Um agente pode fazer parte da verificação como parte do trabalho, e é por isso que a mecânica importa quando escolhe um.

• Mostra as suas fontes. Um agente que navega devolve as páginas que leu, pelo que a verificação 1 passa a ser um clique em vez de uma pesquisa. O Jobbit Research anexa as fontes a cada conclusão do relatório que escreve.
• Funciona num navegador que pode acompanhar. Quando o agente abre uma página, você vê a página. Um valor do relatório pode ser rastreado até ao ecrã de onde veio.
• Trabalha a partir dos seus documentos. Anexe o contrato ou a folha de cálculo num projeto Jobbit e o agente responde a partir do ficheiro, com a linha citada, o que é a verificação 4 feita por defeito.
• Faz as contas numa folha de cálculo, não em prosa. Peça uma previsão de fluxo de caixa e o agente constrói a folha e mostra as fórmulas; a aritmética é reproduzível.
• Pergunta antes de gastar ou enviar. Um agente que pára à espera de aprovação antes de um email sair dá à verificação 7 uma paragem integrada.
• Pode ser instruído a abster-se. Instruções de projeto como "diga quando não tiver a certeza e liste o que verificar" aplicam-se a todas as conversas, pelo que a verificação 5 se define uma só vez.

O ChatGPT, o Claude, o Gemini, o Microsoft Copilot, o Manus e o Muse da Meta redigem todos bem, e vários já navegam e citam. O que nenhum remove é a verificação final por uma pessoa, e a Jobbit também não. O que a Jobbit acrescenta é uma rede humana: quando o trabalho é um arrendamento, uma declaração de impostos ou um pedido de indemnização médica, o agente pode entregar a verificação a um profissional validado dentro da mesma encomenda, em vez de a si às onze da noite.

O seu plano para esta semana

• Segunda-feira: escreva a regra única. "Tudo o que vai para um cliente, a HMRC, um banco ou um tribunal é um rascunho até uma pessoa identificada ter verificado os factos." Coloque-a na sua política de IA e nas instruções dos seus projetos.
• Terça-feira: acrescente a linha de abstenção. Escreva "se não tiver a certeza, diga-o e diga-me o que verificar" nas instruções permanentes de cada ferramenta que usa.
• Quarta-feira: aplique a verificação 1 ao trabalho da semana passada. Pegue nos últimos três documentos escritos por IA que usou e abra todas as referências. Conte as que falham.
• Quinta-feira: passe uma tarefa para o modo fundamentado. Escolha a tarefa em que os erros custam mais, anexe os documentos reais e exija linhas citadas.
• Sexta-feira: decida o que nunca sai sem verificação. Faça a lista (preços, formulações jurídicas, alegações de saúde, citações de clientes) e partilhe-a com quem usa IA no seu negócio.

Leitura seguinte

• A IA é segura? Um guia em linguagem simples sobre os seus dados, o seu dinheiro e as burlas a evitar
• 12 erros que os principiantes cometem com agentes de IA, e a solução rápida para cada um
• Como funcionam os agentes de IA? O ciclo de 5 passos por trás de cada tarefa, explicado de forma simples

Perguntas frequentes

Porque é que a IA inventa coisas?

Porque um modelo de linguagem gera as palavras seguintes mais prováveis em vez de verificar factos, e porque os testes usados para treinar e classificar modelos recompensam um palpite confiante em vez de uma admissão de incerteza. Os próprios investigadores da OpenAI descreveram o resultado em 2025 como "overconfident, plausible falsehoods". Fluência e exatidão são produzidas pelo mesmo processo, e é por isso que uma resposta errada se lê exatamente como uma certa.

O que é uma alucinação de IA?

Uma resposta fluente e plausível, mas falsa: um caso inventado, uma estatística que nenhum inquérito produziu, uma citação que ninguém disse, um produto que não existe. Não é uma falha pontual; é o comportamento normal de um modelo a quem se pede algo que não sabe.

Com que frequência o ChatGPT inventa coisas?

Depende da tarefa. Num teste público de fundamentação consultado em outubro de 2026, os modelos principais inventaram material em cerca de 4% a 15% dos resumos de documentos, mesmo com a fonte fornecida; estudos de citações em cirurgia e direito encontraram taxas de fabricação de 17% a 34% para os piores desempenhos. O pressuposto seguro é "com frequência suficiente para verificar cada nome, número, data e citação".

É possível travar completamente as alucinações da IA?

Não. Fornecer o documento de origem, pedir citações, permitir o "não sei" e usar um agente que mostra as suas fontes reduzem a taxa, e a própria documentação da Anthropic diz que estas medidas "don't eliminate them entirely". A verificação final de qualquer coisa importante é feita por uma pessoa.

Alguém já foi multado por alucinações de IA?

Sim. Um tribunal de Nova Iorque aplicou uma multa de $5,000 em 2023 por casos falsos numa peça; o High Court em Londres avisou em junho de 2025 que citações fabricadas podem levar a processos por desacato e comunicação à polícia; e a Deloitte Austrália devolveu a última prestação de um contrato governamental de AU$440,000 em outubro de 2025 depois de o seu relatório se revelar com referências inventadas.

Um agente de IA é mais fiável do que um chatbot?

Um agente que navega, cita as suas fontes e trabalha a partir dos seus documentos torna as verificações mais rápidas e os erros mais fáceis de rastrear, mas continua a precisar de uma pessoa para aprovar tudo o que afeta dinheiro, direito ou saúde. O agente da Jobbit mostra o seu navegador e as suas fontes enquanto trabalha e pode passar a verificação final a um profissional validado quando o trabalho o exige.