Cómo detectar alucinaciones de la IA con Perplexity

Las alucinaciones de la IA son respuestas que suenan verdaderas pero que en realidad son afirmaciones sin sustento. Si trabajas con investigación asistida por inteligencia artificial, entender este fenómeno te protege de tomar decisiones sobre datos falsos. El problema no es que la IA se equivoque de vez en cuando, sino que cuando falla lo hace con el mismo tono y la misma seguridad que cuando acierta.

Nada en el estilo de la respuesta te avisa que algo anda mal. Por eso necesitas un método, no intuición.

Qué se considera una alucinación en la inteligencia artificial

Una alucinación es un resultado generado por IA que se presenta como cierto pero que es una afirmación sin respaldo: falsa, inexistente o mal interpretada [00:26]. No todos los errores son iguales, y clasificarlos es justo lo que te permite corregirlos y evitar que se repitan.

¿Qué es una alucinación de IA? Es una respuesta que la inteligencia artificial presenta como verdadera pero que carece de evidencia verificable. Puede ser un dato inventado, una fuente inexacta o una conclusión que la evidencia no respalda.

El reto está en detectarlas, porque llegan disfrazadas de credibilidad.

Cuáles son los tipos de errores que comete la IA

Existen varios patrones que conviene reconocer para saber qué estás enfrentando:

• Datos inventados de la nada: el modelo te da una cifra, fecha o porcentaje sin ninguna evidencia verificable [00:53].
• Fuentes inexactas: la fuente existe, pero no dice lo que la IA afirma que dice.
• Malinterpretaciones: la fuente y el dato pueden ser correctos, pero el modelo saca una conclusión que la evidencia no sostiene.

Un ejemplo del primer tipo: la IA podría decirte que "el mercado de pet care en Colombia crece 33% al año según petcare.com en 2026". Suena creíble, pero puede estar inventándolo mientras lo escuchas [01:04].

Cómo verificar un dato que te dio la inteligencia artificial

Para validar, tienes que ir a la fuente exacta. Busca por título, autor e institución, confirma que la URL, la fecha y el editor sean correctos, y verifica que la fuente realmente contenga la afirmación que la IA está citando [01:36]. Y ojo con la palabra citando, porque podría estar inventándola por completo.

Este es el ejercicio práctico que puedes hacer con una cuenta gratuita de Perplexity.

Qué pasó al preguntar por el mercado pet care en Bogotá

Al preguntar "¿cuánto creció el mercado de pet care en Bogotá en 2026?", Perplexity respondió que no hay una cifra pública disponible, pero que la categoría de mascotas creció aproximadamente 13% interanual, con una proyección de alcanzar cerca de 6.1 billones de pesos colombianos para 2026 [03:37].

Lo interesante viene después. En lugar de quedarte con el número, vas a las fuentes primarias, que en este caso fueron "Ser Colombiano" y "Sectorial" [04:03].

• En "Ser Colombiano" no aparece el autor, y la fuente probablemente no sea un análisis de industria, pero confirma el 13% y los 6.1 billones.
• En "Sectorial" no se especifica fecha ni autor, algo sospechoso, pero menciona la misma cifra con un matiz: representaría un crecimiento del 74% frente a los niveles de 2022 [05:29].

Ahí empiezan a aparecer diferencias entre resultados que luego tendrás que listar y comparar en una tabla para decidir cuál es correcto.

¿Por qué dos fuentes dan cifras distintas sobre lo mismo? Porque miden poblaciones, periodos, zonas geográficas o definiciones diferentes. Una puede incluir servicios y ventas online, y otra solo locales físicos. No siempre hay una fuente falsa.

Cómo detectar cuando la IA malinterpreta los datos

Este es el error más difícil de detectar, porque el resultado suena razonable. El modelo puede mezclar columnas, unidades y porcentajes [06:38].

Por ejemplo, podría decirte que 0.18 son 18 puntos porcentuales, cuando en realidad era 18 por ciento relativo, o podría sumar porcentajes que ya estaban normalizados. La fuente existe y el dato puede estar bien, pero la conclusión no se sostiene con la evidencia.

Para resolverlo, pregúntate lo esencial: ¿ambas fuentes se refieren al mismo país?, ¿usan el mismo año de referencia?, ¿miden ventas totales, ventas minoristas o el porcentaje de empresas que venden en línea? En otras palabras, ¿qué es lo que realmente están midiendo? [06:12].

Qué protocolo de verificación debes seguir siempre

No necesitas memorizar los tipos de errores si tienes un protocolo de verificación [07:12]. Estos son los pasos:

1. Copia la afirmación exacta que hizo la IA.
2. Identifica qué tipo de evidencia requiere: datos, fuentes, cálculos o interpretación.
3. Regresa a la fuente original, sea un documento o un dataset.
4. Registra qué dice realmente la fuente y cuál es la afirmación en el dato original.
5. Valida la información para tener una versión verificable.

Este protocolo te acompaña durante todo el curso. Cada vez que trabajes con investigación asistida por IA aplicas el mismo nivel de cuidado que le darías a un colega o a un practicante que te presenta una cifra clave para una decisión importante [07:50]. La verificas antes de firmarla.

Cuál es el reto de esta clase sobre alucinaciones

El desafío es identificar y documentar tres casos reales [08:12]:

• Uno de datos fabricados, donde descubras que la IA te decía algo falso.
• Uno de fuente inexacta.
• Uno de malinterpretación.

No basta con decir "la IA se equivocó". Tienes que mostrar la evidencia original y la corrección que hiciste con la fuente en mano.

¿Ya te ha pasado que una IA te dio una cifra convincente que resultó falsa? Cuéntanos en los comentarios cómo la descubriste.