A IA inventou uma informação sobre a sua empresa e a primeira reação é chamar de alucinação. Às vezes é mesmo. Mas nem tudo que parece erro cai na mesma caixa, e a diferença não é detalhe de vocabulário: ela decide o que você consegue fazer a respeito. Existem três coisas que se confundem na prática. A alucinação, que é um fato inventado sem nenhuma base. A crítica, que é uma opinião desfavorável apoiada em algo real. E o erro herdado de terceiro, um fato incorreto que a IA copiou de uma fonte que ela leu.
Confundir custa caro porque cada categoria pede uma ação diferente. Tratar crítica como alucinação leva a brigar com a IA por uma opinião que tem fundamento. Tratar erro herdado como alucinação faz você reportar ao provedor um problema que está, na verdade, num site que você poderia mandar corrigir. Este artigo explica o fenômeno por trás de cada caso e dá critérios para classificar. Se o que você quer é o protocolo de resposta passo a passo, ele está em o que fazer quando a IA erra sobre a sua marca; aqui o foco é diagnosticar antes de agir.
O que é alucinação de IA, de verdade?
Alucinação de IA é quando um modelo de linguagem afirma com confiança um fato que nunca foi verdade e não tem base em nenhuma fonte. Não é um erro de digitação nem uma informação desatualizada: é conteúdo inventado, gerado como se fosse real. Um processo judicial que nunca existiu, um sócio fictício, uma fusão que não aconteceu, um prêmio que a empresa nunca recebeu.
A palavra parece dramática, mas o mecanismo é prosaico. Um modelo de linguagem não consulta um banco de dados quando responde. Ele prevê a sequência de palavras mais provável dada a pergunta, com base nos padrões que aprendeu no treinamento. Quase sempre a sequência mais provável também é a correta, e por isso o sistema funciona. O problema aparece quando o modelo não tem material factual sobre o assunto: ele não responde "não sei", preenche o vazio com o texto que soa mais plausível. E plausível não é sinônimo de verdadeiro.
É por isso que marcas pequenas alucinam mais. Quando existe pouco conteúdo público sobre uma empresa, o modelo tem menos âncora factual e mais espaço para inventar um preenchimento convincente. O recurso que reduz esse risco é o grounding, a prática de ancorar a resposta em uma fonte concreta da web em vez de gerá-la só de memória. Quando a busca está ativa e o modelo encontra uma página confiável sobre você, ele tende a citar de lá em vez de inventar. O vácuo de informação é o terreno fértil da alucinação.
A marca dura de uma alucinação genuína é que ela não aparece em lugar nenhum. Você procura a afirmação no Google, nos seus registros, nos sites que falam do seu setor, e não acha origem. Foi gerada do nada. Esse é o teste decisivo que a separa das outras duas categorias.
E quando a IA só está sendo crítica?
Crítica é uma opinião desfavorável sobre a sua marca que se apoia em algo real. A IA não inventou: ela leu reclamações, viu notas baixas, encontrou um comparativo que coloca você atrás de um concorrente, e refletiu isso na resposta. O conteúdo é negativo, mas tem fundamento. E aqui mora a confusão mais comum e mais perigosa: chamar de alucinação aquilo que é, na verdade, um espelho de um problema real.
A distinção é a presença de base. A alucinação afirma um fato que nunca existiu. A crítica emite um juízo, "atendimento lento", "preço alto para o que entrega", "muitas reclamações sem resposta", e esse juízo se sustenta em sinais que existem no mundo. Se você for às fontes, vai encontrar as avaliações, os relatos, o comparativo. A IA está fazendo o que um cliente faria ao ler o mesmo material.
Tratar crítica como erro de máquina desvia a energia para o lugar errado. Você não corrige uma crítica reportando o modelo, do mesmo jeito que não resolve uma avaliação ruim no Google reclamando do Google. A crítica responde à disciplina de qualquer reputação online: melhorar o que gera a queixa, responder publicamente ao que tem resposta e construir contraponto verdadeiro e visível. Boa parte desse contraponto vem da prova social na era da IA, o material positivo e verificável que o modelo também lê e pondera. Crítica não se apaga; se equilibra com sinal real do outro lado.
Há um caso de fronteira que vale separar: a crítica que mistura juízo com fato incorreto. A IA diz "essa empresa tem fama de atrasar entregas e já fechou duas filiais", quando a fama existe mas o fechamento nunca aconteceu. A parte do atraso é crítica (trabalho de reputação); a parte do fechamento é erro factual (correção). Diagnosticar é dissecar a frase, não rotular o enunciado inteiro pela primeira impressão.
E se a IA copiou o erro de outro site?
O terceiro caso é o erro herdado de terceiro: um fato incorreto que a IA não inventou e não opinou, apenas repetiu de uma fonte que leu. Um portal publicou o seu endereço errado, um diretório registrou um CNPJ que não é o seu, um artigo antigo atribuiu à sua empresa um serviço que era de um concorrente. A IA encontrou aquela página, confiou nela e propagou o erro adiante.
Esse caso se parece com alucinação na superfície, porque o resultado é o mesmo: a IA diz algo falso sobre você. Mas a diferença é estrutural e fácil de checar. A alucinação não tem origem; o erro herdado tem. Existe uma página, em algum lugar da web, dizendo exatamente aquilo. E essa origem rastreável muda a ação por inteiro: você não está à mercê da mecânica do modelo, está diante de um conteúdo concreto que pode ser corrigido na fonte.
O grounding, que reduz a alucinação, é justamente o que dá alcance ao erro herdado. Ao ancorar a resposta numa página real, o modelo melhora a precisão média, mas também empresta a sua credibilidade a qualquer erro publicado sobre você. Uma faca de dois gumes. A boa notícia é que o mesmo mecanismo deixa rastro: com a busca ativada, a resposta costuma citar as fontes, e a página problemática aparece ali.
Identificada a origem, a ação é na página, não no modelo: pedir correção ao veículo, atualizar o cadastro no diretório, ou, quando a fonte é abandonada e sem canal de contato, publicar a informação correta em fontes mais fortes para que a errada perca peso relativo. O detalhamento dessas rotas está no protocolo de resposta. O ponto da classificação é anterior: reconhecer que existe uma fonte para corrigir, em vez de reportar ao provedor um erro que não nasceu nele.
Como classificar o erro com perguntas-guia?
A triagem cabe em quatro perguntas, na ordem. Cada uma elimina uma possibilidade e empurra o caso para a categoria certa.
Primeira: isso é um fato ou um juízo? Se a IA afirma algo verificável (um endereço, uma data, um sócio, um evento), é fato, e o caminho segue para alucinação ou erro herdado. Se ela emite uma opinião (lento, caro, mal avaliado), é crítica. Opinião desfavorável com base real não é erro a corrigir, é reputação a trabalhar.
Segunda: refaça a pergunta com a busca na web ativada e olhe as fontes. Esse é o passo que mais informa. Se uma página com o erro aparece entre as citações, você tem um erro herdado de terceiro, com origem rastreável. Se nenhuma fonte sustenta a afirmação, ela foi gerada de memória, e o caso é alucinação ou dado antigo.
Terceira: isso já foi verdade algum dia? Aplique quando a busca não citou fonte para o fato. Se já foi verdade e deixou de ser (endereço que você mudou, serviço que descontinuou), o caso é dado de treino desatualizado: a IA não inventou, repetiu uma fotografia velha da web. Se nunca foi verdade, é alucinação pura.
Quarta: o enunciado mistura categorias? Frases reais raramente são puras. Separe juízo de fato dentro da mesma resposta e trate cada parte pela sua categoria. A frase única quase sempre esconde mais de um problema.
A tabela condensa o diagnóstico e a ação de cada categoria.
| Categoria | O que é | Sinal de diagnóstico | Ação principal |
|---|---|---|---|
| Alucinação | Fato inventado, sem base em nenhuma fonte | Nunca foi verdade e não aparece em lugar nenhum | Reportar ao provedor e reduzir o vácuo de conteúdo sobre a marca |
| Crítica | Opinião desfavorável ancorada em algo real | É juízo, não fato, e tem fundamento verificável | Melhorar o que gera a queixa e construir contraponto verdadeiro |
| Erro herdado de terceiro | Fato incorreto copiado de uma fonte | A resposta cita ou repete uma página com o erro | Corrigir na origem (ou soterrar com fontes mais fortes) |
Uma ressalva honesta sobre os limites desse método: ele depende de a busca citar fontes, e nem todo modelo cita, nem toda resposta com busca ativa traz a página exata. Quando a citação não resolve, o teste do "já foi verdade um dia?" continua sendo o melhor desempate manual entre fato antigo e fato inventado. E nenhum desses caminhos promete que a alucinação suma só porque você a classificou e reportou. Classificar não apaga; orienta. O ganho é gastar o esforço onde ele tem chance de funcionar, em vez de reportar ao provedor o que era uma crítica fundada ou um erro de cadastro corrigível.
Por que separar isso importa para a sua reputação?
Porque a representação que a IA faz da sua marca não é uma coisa só, e tratar como se fosse esconde o diagnóstico. Presença, precisão e sentimento são dimensões distintas, e os três tipos de erro batem em lugares diferentes desse quadro, mapeado no guia de reputação de marca em IA. A alucinação e o erro herdado atacam a precisão: a IA afirma algo falso. A crítica mexe no sentimento: a IA reflete uma opinião real e desfavorável. Confundir os dois eixos leva a medir a coisa errada e a comemorar (ou se desesperar com) o sinal errado.
A prevenção dos três tem um fio comum, e é por isso que vale conhecer o trabalho de base mesmo quando o estrago ainda não apareceu. Conteúdo factual, claro e distribuído sobre a empresa reduz o vácuo que alimenta a alucinação, fortalece a fonte correta que o grounding vai preferir citar e constrói o contraponto que equilibra a crítica. Esse conjunto de fontes corretas e consistentes tem nome: corpus de defesa. O passo a passo de como erguer esse corpus está em como proteger a reputação da marca nas IAs. A classificação que este artigo ensina diz qual frente atacar primeiro; a proteção é o trabalho que diminui a chance de qualquer um dos três voltar.
Para diagnosticar de forma contínua, a Promptis ajuda a não confundir os eixos: roda as perguntas do seu mercado contra a IA em ciclos regulares e mede em separado se a marca aparece, se o que se diz sobre ela está correto e qual o sentimento das menções. Erro factual e sentimento negativo entram em colunas diferentes, então você enxerga se o problema é uma invenção a reportar ou uma percepção a trabalhar, sem misturar os dois. A primeira análise é gratuita e não pede cartão.
