Alucinação não vem com aviso. Cinco sinais para perceber quando a IA inventou um número, uma norma ou uma citação no seu relatório, e como verificar.

Alucinação é quando a IA inventa uma informação e a apresenta com total confiança. Não é erro de digitação nem imprecisão: é fabricação com aparência de verdade. Ela pode citar uma resolução com número e data que não existe, apresentar uma taxa de crescimento de setor com duas casas decimais completamente fictícia ou atribuir uma declaração a um executivo que nunca a fez.
O problema não é que ela erra. É que erra com a mesma segurança com que acerta, sem hesitação nem "não tenho certeza". Num relatório que vai para o board, isso é um risco concreto. Cinco sinais funcionam como filtro.
"O crescimento médio do setor foi de 7,3% em 2024." Se você não forneceu esse número e a IA não citou de onde veio, desconfie. Dado real tem fonte. Precisão excessiva sem referência é sinal de alerta, não de qualidade.
Instrução normativa, resolução, circular, pronunciamento contábil. Se a IA citou, confirme no site do órgão (CFC, CVM, Banco Central, Receita Federal): se a norma existe e se diz exatamente o que a IA afirmou. Leva dois minutos e evita uma situação difícil.
"O CFO da empresa X declarou em entrevista que..." ou "a empresa divulgou resultado acima do esperado no trimestre". Se essa informação não estava no seu prompt, não a use. A IA pode estar construindo uma citação plausível de algo que nunca aconteceu.
Taxa de juros projetada, inflação esperada, múltiplos de valuation do setor. Mudam o tempo todo, e a IA pode ter informação desatualizada ou inventada. Verifique em uma fonte atual, sempre.
Parece paradoxal, porque mais detalhe parece mais confiável. Mas quanto mais específica a resposta sobre um fato externo que a IA não tem como saber com certeza, maior a chance de haver algo inventado no meio.
Todo dado factual que a IA trouxe e que você não forneceu deve ser verificado na fonte antes do uso. Sem exceção.
A consequência é uma hierarquia de risco. Compare três saídas (todas fictícias, para ilustrar):
Verificação cruzada. Depois de receber um output com dados factuais, pergunte: "existe alguma informação nesta resposta de que você não tenha certeza? Quais dados factuais precisam ser verificados em fonte externa antes de eu usar?" A IA costuma apontar onde está menos segura. Mas isso é a segunda camada de verificação.
A primeira camada é você. Um analista com três anos de fechamento sabe quando uma margem bruta de 68%, num segmento que historicamente fica em 42%, está errada. Esse conhecimento vale mais do que a confiança com que a IA apresenta o número.
Uma terceira ajuda na origem: instrua a IA a trabalhar apenas com os dados fornecidos e a dizer explicitamente "não encontrei nos dados" quando faltar algo, em vez de completar. É um dos elementos da especificação na estrutura C.R.E.A..
Dê a cada prompt da sua biblioteca um campo de risco de alucinação: baixo quando você fornece todos os dados e a IA só os organiza; médio quando há algum dado externo; alto quando a tarefa depende de fato externo. O campo calibra o nível de atenção na revisão. E, para decidir por onde começar a automatizar, o diagnóstico das tarefas já usa esse risco como critério.
Pense na IA como um estagiário muito rápido e muito convincente. Você não envia o trabalho dele ao board sem ler. A diferença é que este estagiário é mais rápido e mais convincente, e por isso a revisão é inegociável.
Este tema faz parte da formação IA na Prática Financeira, a porta de entrada gratuita da plataforma: 3 módulos e 11 aulas para aplicar IA à rotina mensal do financeiro.
Acessar a plataforma gratuitamente →
O CFOs.AI é uma plataforma de AI Finance Transformation: toda formação percorre os estágios do framework F.I.A.M. — Fundamentação, Instrumentação, Aplicação e Mensuração.
Prefere medir antes? Faça o diagnóstico gratuito (25 perguntas, cerca de 10 minutos) · Ver planos →
Plataforma de formação e implementação de IA aplicada a finanças corporativas.