Allucinazione
Hallucination
Un’allucinazione è un’affermazione falsa ma plausibile che un modello linguistico presenta come vera: nella GEO è il rischio che una risposta AI attribuisca a un brand dati, prodotti o fonti che non esistono.
>60%
Le risposte errate di otto motori di ricerca AI su 1.600 richieste di attribuzione di articoli (Tow Center, CJR, 2025).
75%
Il tasso di errore di o4-mini su SimpleQA, contro il 26% di gpt-5-thinking-mini, che si astiene più spesso (OpenAI, 2025).
1,8–24,2%
La forbice dei tassi di allucinazione nei riassunti di documenti misurata dal Vectara Hallucination Leaderboard (maggio 2026).
Sei cose da sapere
- Un’allucinazione non è un guasto occasionale: è un effetto della generazione probabilistica di un modello linguistico, che produce la continuazione più plausibile, non quella verificata.
- Secondo OpenAI (Kalai et al., 2025) le allucinazioni persistono perché addestramento e valutazioni premiano chi tira a indovinare più di chi ammette di non sapere.
- I fatti rari e arbitrari — una data, un fatturato, il nome di un amministratore delegato — sono i più esposti, perché non seguono schemi ricorrenti nei dati di addestramento.
- Il recupero di documenti (RAG) riduce il problema ma non lo elimina: il modello può citare una fonte reale e attribuirle un contenuto che non contiene.
- Nel test del Tow Center (2025) otto motori di ricerca AI hanno sbagliato oltre il 60% delle richieste di attribuzione di articoli, spesso senza segnalare incertezza.
- Un brand non può correggere un modello direttamente: può rendere più facile trovare l’informazione giusta, coerente e ripetuta sulle fonti che i sistemi recuperano.
Come si gestisce un’allucinazione sul proprio brand
Non esiste un modulo per chiedere la rettifica a un modello. Esiste un lavoro sulle fonti che il modello legge, in quattro passi.
Rilevare
Interrogare i principali assistenti con un set fisso di prompt sul brand, sui prodotti e sui dati aziendali, e salvare le risposte con data e modello.
Classificare
Distinguere l’errore inventato da quello attribuito a una fonte reale e da quello solo datato, legato al knowledge cut-off del modello.
Correggere le fonti
Pubblicare il dato corretto in forma esplicita sul sito, allineare schede e profili esterni, rendere coerente l’entità brand ovunque compaia.
Ricontrollare
Ripetere gli stessi prompt a distanza di settimane: le risposte con ricerca attiva cambiano prima, quelle basate solo sull’addestramento aspettano il modello successivo.
Che cosa dicono i dati sulle allucinazioni
>60%
Risposte errate su 1.600 richieste di attribuzione di articoli rivolte a otto motori di ricerca AI.
Tow Center / CJR, 2025
94%
Risposte errate di Grok 3 nello stesso test; Perplexity si ferma al 37%.
Tow Center / CJR, 2025
75% / 26%
Tasso di errore su SimpleQA di o4-mini e di gpt-5-thinking-mini, che si astiene nel 52% dei casi.
OpenAI, 2025
1,8–24,2%
Tassi di allucinazione nei riassunti di documenti, dal primo all’ultimo modello in classifica.
Vectara Leaderboard, 2026
- I test misurano compiti diversi — attribuire un articolo, rispondere a domande brevi, riassumere un testo. I tassi non sono confrontabili tra loro né trasferibili a ogni domanda sul proprio brand.
- Meno errori può voler dire più astensioni: nei dati OpenAI gpt-5-thinking-mini ha un’accuratezza simile a o4-mini (22% contro 24%), ma sbaglia molto meno perché dice più spesso di non sapere.
Allucinazione, errore di fonte, informazione datata
| Tipo di errore | Da dove nasce | Che cosa può fare il brand |
|---|---|---|
| Allucinazione pura | Il modello completa con un dato plausibile che non trova da nessuna parte | Rendere il dato esplicito e ripetuto su fonti affidabili |
| Attribuzione errata | La fonte recuperata è reale, ma il contenuto attribuito è sbagliato o viene da un’altra pagina | Un tema per pagina, affermazioni chiare, dati vicini al loro contesto |
| Informazione datata | Il modello risponde con ciò che sapeva alla data limite dell’addestramento | Aggiornare le fonti recuperabili e mostrare le date di modifica |
| Confusione di entità | Due aziende o prodotti con nomi simili vengono fusi in uno | Disambiguare nome, sede, settore e profili ufficiali |
| Errore di fonte terza | Il modello ripete fedelmente un dato sbagliato pubblicato altrove | Chiedere la correzione alla fonte originale |
Un caso concreto
Un produttore di valvole industriali del bresciano chiede a un assistente AI quali certificazioni abbiano i suoi prodotti e scopre che la risposta gli attribuisce una certificazione ATEX mai ottenuta.
La risposta cita il sito aziendale come fonte. Sul sito, però, la parola ATEX compare solo in una news che annuncia la partecipazione a una fiera dedicata alle atmosfere esplosive. Il modello ha unito i due elementi in un’affermazione plausibile e falsa.
La correzione non passa da una segnalazione al modello. L’azienda pubblica una pagina certificazioni con l’elenco completo, gli enti di rilascio e le date, e riscrive la news per chiarire che ATEX era il tema della fiera, non una caratteristica del prodotto.
Dopo alcune settimane le risposte con ricerca attiva riportano l’elenco corretto. Quelle senza ricerca restano da verificare a ogni nuovo modello.
Che cosa ne ricava chi pubblica
Le allucinazioni sul brand si riducono lavorando sulla chiarezza delle fonti, non sulla quantità dei contenuti.
- Monitorare con regolarità che cosa dicono i modelli sul brand: un dato inventato che ricorre in molte risposte pesa quanto una menzione negativa.
- Scrivere i dati chiave — prodotti, certificazioni, sedi, referenti — in frasi esplicite e autonome, che un sistema possa estrarre senza interpretare.
- Controllare le pagine che i sistemi scelgono come citazione: se una pagina viene citata con un contenuto sbagliato, spesso il problema è nella pagina stessa.
- Usare il grounding a proprio vantaggio: più il dato corretto è presente e coerente nelle fonti recuperate, meno spazio resta all’invenzione.
frequenti
Domande frequenti sull’allucinazione
Perché i modelli linguistici inventano informazioni?
Perché generano testo in modo probabilistico e sono addestrati e valutati con metriche che premiano la risposta rispetto all’astensione. Secondo OpenAI (2025), finché le classifiche premiano i tentativi fortunati, i modelli imparano a tirare a indovinare.
Un modello con ricerca web può comunque allucinare?
Sì. Il recupero di documenti riduce le allucinazioni, come mostrato già da Shuster et al. (2021), ma non le elimina. Nel test del Tow Center (2025) otto motori di ricerca AI hanno sbagliato oltre il 60% delle attribuzioni, citando anche URL inesistenti o non funzionanti.
Quanto spesso allucinano i modelli più recenti?
Dipende dal compito. Nei riassunti di documenti il Vectara Hallucination Leaderboard (maggio 2026) registra tassi tra l’1,8% e il 24,2%; su domande fattuali brevi, un modello che non si astiene mai può sbagliare il 75% delle risposte, come o4-mini su SimpleQA.
Si può correggere direttamente un modello che sbaglia sul proprio brand?
No, un brand non ha accesso a ciò che il modello ha appreso in addestramento. Può correggere le fonti che il modello recupera e rendere il dato giusto più chiaro e coerente; l’effetto si vede prima nelle risposte con ricerca attiva.
Che differenza c’è tra un’allucinazione e un’informazione vecchia?
Un’allucinazione è un dato falso; un’informazione vecchia era vera alla data limite dell’addestramento del modello. La seconda si risolve con fonti aggiornate e recuperabili, la prima con dati espliciti che lascino meno spazio all’invenzione.
Quali informazioni su un’azienda sono più a rischio?
I fatti rari e arbitrari: date, cifre, nomi di persone, certificazioni, codici prodotto. Secondo OpenAI (2025) sono i fatti a bassa frequenza, che non seguono schemi ricorrenti, a generare errori nel pre-addestramento, mentre ortografia e sintassi migliorano con la scala.
Riferimenti
OpenAI (Kalai et al.) — Why language models hallucinate
5 settembre 2025, risultati SimpleQA dalla system card di GPT-5. openai.com
Tow Center for Digital Journalism — AI Search Has a Citation Problem
6 marzo 2025, 1.600 query su 8 motori di ricerca AI e 20 editori. cjr.org
Vectara — Hallucination Leaderboard
Aggiornamento dell’11 maggio 2026, riassunti valutati con HHEM-2.3 su un dataset di oltre 7.700 articoli. github.com
Shuster et al. — Retrieval Augmentation Reduces Hallucination in Conversation
Findings of EMNLP, novembre 2021, valutazioni umane su dialoghi basati su conoscenza. aclanthology.org
Ji et al. — Survey of Hallucination in Natural Language Generation
ACM Computing Surveys, 2022 (revisione luglio 2024), rassegna della letteratura. arxiv.org
Consulente GEO · Kraków / Milano
Aiuta le aziende italiane a farsi menzionare e citare da ChatGPT, Gemini, Perplexity e AI Overviews. Vent’anni tra imprenditoria e consulenza digitale in Italia: ha guidato la strategia SEO di Bakeca.it, co-fondato e diretto Seolab, e dal 2022 è Evangelist in Digital360, prima SEO e oggi GEO. Laurea in Linguistica all’Università di Torino.