Pubblicato originariamente da PwC il 25 febbraio 2026
Perché nascono le allucinazioni negli LLM e perché gestirle è essenziale per un’adozione sicura dell’IA?
Uno dei termini centrali nella discussione sull’Intelligenza Artificiale Generativa (GenAI) è il concetto di allucinazione. Formalmente, si considera allucinazione la generazione di informazioni fattualmente errate, incoerenti o scollegate dal contesto, presentate in modo plausibile e con apparente sicurezza. Sono un evento comune nella vita delle persone e dei sistemi che lavorano con i Large Language Models (LLM).
Perché gli LLM hanno allucinazioni?
La causa fondamentale è che gli LLM sono algoritmi statistici, non motori di verità. Il loro obiettivo è prevedere la parola successiva più probabile in una sequenza, sulla base di pattern statistici su larga scala. Non sono stati progettati per verificare i fatti rispetto a una base di verità esterna e dinamica. La plausibilità di un’allucinazione è, ironicamente, il modello che riesce nel suo obiettivo di generare testo fluente.
“Le allucinazioni nella GenAI non sono errori occasionali: in realtà sono una conseguenza inevitabile degli LLM. La sfida non è più eliminarle, ma gestire il rischio e ancorare ogni risposta a fatti verificabili.”
Ricardo Pacheco Almeida, AI Tech Lead di PwC Portugal
Essendo uno dei principali limiti della tecnologia, le allucinazioni sono un oggetto di studio molto diffuso nel mondo accademico. Il consenso attuale sostiene che un LLM ideale, senza allucinazioni, sia irraggiungibile. Questo accade per diversi fattori: per esempio, limiti teorici, lacune di conoscenza che un modello finito non può apprendere di per sé; il fatto che l’architettura del modello sia progettata per la coerenza e non per la verifica; e il fatto che i sistemi di valutazione premino il “tirare a indovinare”, senza penalizzare l’incertezza.
Tipi di allucinazione nell’IA Generativa (intrinseca vs. estrinseca)
Esistono due tipi principali di allucinazione, intrinseca ed estrinseca. Comprendere questi due tipi di allucinazione è essenziale per valutare correttamente l’affidabilità delle risposte generate dai modelli di IA.
Allucinazione intrinseca
L’allucinazione intrinseca si verifica quando la risposta contraddice direttamente le informazioni fornite nel contesto. Per esempio, se un documento indica un budget di 5 M€, il modello che afferma che “il budget era di 8 M€” produce un’allucinazione intrinseca.
Allucinazione estrinseca
L’allucinazione estrinseca si verifica quando il modello introduce informazioni nuove che non possono essere verificate dal contesto. Con lo stesso esempio, sarebbe il modello che dice “il budget era di 5 M€ ed è stato approvato dalla direzione il 10 luglio”. La data è un’invenzione plausibile, ma non fondata.
Impatto delle allucinazioni sulle aziende e sui settori critici
L’erosione della fiducia è uno dei principali ostacoli all’adozione della GenAI nelle aziende, ed è particolarmente accentuata quando le aspettative sul potenziale dei modelli di GenAI si scontrano con la sfida delle allucinazioni. Se ogni riassunto, analisi o bozza generata dall’IA deve essere verificata meticolosamente da un esperto umano, i principali vantaggi di usare un sistema automatico e dinamico vengono annullati. Questo impatto è amplificato nei settori ad alto rischio, come la sanità, la giustizia o la finanza. Un’allucinazione in un rapporto di analisi giuridica può, per esempio, creare un precedente legale inesistente.
Come mitigare le allucinazioni nella GenAI? (RAG e Grounding)
Dall’idea che le allucinazioni siano inevitabili ma mitigabili, il dibattito è passato dall’eliminazione alla gestione, e la sfida pratica è diventata ridurre la probabilità che vengano generati errori.
La tecnica più diffusa per mitigare le allucinazioni nella GenAI è la Retrieval-Augmented Generation (RAG). Consiste nel fornire al modello documenti fattuali e pertinenti come contesto e nel dare istruzioni specifiche perché risponda solo sulla base di queste informazioni.
È anche il principale esempio di Ancoraggio Contestuale (Grounding). Fornendo un contesto esterno e verificabile al momento dell’inferenza, il sistema ancora la risposta a un insieme finito di fatti, gestendo così gli inevitabili errori di falsa generalizzazione.
Soluzioni avanzate per ridurre le allucinazioni negli LLM
Le soluzioni più avanzate per ridurre le allucinazioni nella GenAI e negli LLM partono da un approccio basato sulla sfiducia: presuppongono che il modello generatore sia e sarà sempre fallibile.
La strategia consiste nel creare sistemi modulari con verifica esterna, garantendo maggiore precisione e sicurezza. Questi sistemi includono:
- Generatore (LLM) + Verificatore: un altro modello o regole deterministiche convalidano ogni risposta.
- Process Reward Models (PRM): verifica passo dopo passo, frase per frase.
- Dibattiti Multi-Agente: più agenti assumono posizioni contrapposte e discutono fino ad arrivare alla risposta più affidabile, simulando un processo democratico.
Questi approcci sono essenziali per le applicazioni critiche, come sanità, giustizia e finanza, dove l’affidabilità dell’IA è determinante per ridurre i rischi.
Le allucinazioni nella GenAI rappresentano una delle maggiori sfide per un’adozione sicura ed efficiente di questa tecnologia. Pur essendo inevitabili per la natura stessa degli LLM, esistono strategie efficaci per ridurre i rischi. È fondamentale che le aziende comprendano questi limiti e adottino meccanismi di mitigazione. Man mano che l’IA evolve, la gestione delle allucinazioni sarà un fattore determinante per trasformare il potenziale in valore strategico.