Uma alucinação é quando o LLM afirma algo com confiança, mas sem lastro nos dados — um número que não existe, um id inventado, um total sobre uma amostra. Esta página explica como o ingestia.io reduz e detecta alucinações e como você confere. O princípio da casa é um só:
A IA do produto recusa e avisa — ela não finge. Quando não há evidência, ela diz que não há.
Maturidade
Todas as capacidades com LLM são Preview; a qualidade em produção é
NOT_MEASURED. As defesas descritas aqui são determinísticas e cobertas por
testes — mas nenhuma defesa elimina 100% do risco. Revise sempre.
A ideia central: o LLM redige, o código valida#
O ponto que muda tudo: quem decide se a resposta tem lastro é código puro, não o LLM. O modelo escreve o texto; validadores determinísticos conferem esse texto contra o que realmente viajou no prompt. É verificação sobre a saída do LLM.
Como cada capacidade se defende#
| Capacidade | Defesa determinística |
|---|---|
| Q&A | Cada widget/linha recebe um id ([W1], [W1.r3]); o LLM precisa citar esses ids, e verificarCitacoes confere cada citação contra o índice do que viajou — não contra o texto do modelo. Citação forjada não passa. |
| Text-to-SQL | Gera apenas SELECT; no caminho semântico, id inexistente → SQL descartado; ambiguidade → recusa antes de gastar token; dry-run real no datalake valida bytes/custo. |
| Geração assistida | O artefato passa pelos mesmos validadores do editor (medida, typecheck de fórmula, compilação do modelo, allowlist de visuais, validação de SQL). Reprovou → autocorreção uma vez; persistiu → sai como rascunho com os erros à mostra. |
| Narrativa | Regra inegociável no prompt: usar exclusivamente números presentes nos dados. Sem período anterior, a variação é null e a narrativa declara "sem base de comparação" — nunca inventa. |
| Insights | As "anomalias" e "recomendações" são leitura do LLM, marcadas como hipóteses — separadas do detector estatístico determinístico (ver Anomalias). |
As formas de recusa (a resposta sem lastro não sai como fato)#
fora_do_contexto— a pergunta não toca nenhum termo do painel: recusa antes de gastar token.sem_evidencia— o LLM respondeu, mas nenhuma citação confere: vira recusa (o custo real é liquidado com honestidade).evidenciaFraca— a maioria das citações é ruim: a resposta sai com aviso, e só as citações que conferem entram como evidência.ia_indisponivel— sem provider/erro: fallback honesto, citações vazias, nunca evidência fingida.
Regra de ouro: sem causalidade não provada#
Nenhuma resposta de IA afirma causa e efeito que os dados não comprovam. A narrativa usa só números presentes; o Q&A só afirma o que consegue citar; insights são hipóteses; anomalias/previsões descrevem desvio e tendência estatísticos, nunca "X causou Y". Correlação vista num painel não vira causa.
Como você confere (validação prática)#
Teste a citação forjada
No Q&A, coloque numa célula um texto tipo "[W9.r9]" e confirme que ele NÃO vira citação válida.
Force uma recusa
Faça uma pergunta que o painel não sustenta e confirme que sai como recusa, não como fato.
Revise o SQL
No text-to-SQL, leia o SQL e a explicação antes de rodar; confira nomes de coluna/tabela.
Cheque o rascunho honesto
Na geração assistida, peça algo impossível e confirme
rascunho: truecom os erros listados.Confira a proveniência
Toda resposta traz
proveniencia(modelo, versão do prompt, custo em R$, opId) — use para auditar.
Sinais de alerta (quando desconfiar)#
- Número "redondo" demais ou que você não encontra no painel.
- Afirmação de total sobre um visual marcado como amostra.
- Linguagem de causa ("caiu por causa de…") — a IA não deveria afirmar isso.
- Resposta sem citação no Q&A.
Limites e ressalvas#
- Validação determinística cobre estrutura, ids, citações e SQL — não garante que a interpretação de negócio esteja certa. O humano decide.
- A avaliação humana de qualidade da IA real (normais/ambíguas/causais) é trabalho de
produção ainda
NOT_MEASURED.
Relacionados#
- Boas práticas de prompt
- Q&A do dashboard
- Aprovação humana e auditoria
- Privacidade, envio externo, orçamento e desligamento
Última revisão: 2026-09-08.