---
title: "Cosa sono le allucinazioni dell’AI? Perché gli LLM inventano"
description: "Un’allucinazione è un’affermazione scorrevole ma falsa o infondata di un LLM. Perché i modelli tirano a indovinare invece di dire \"non lo so\" e come ridurla."
url: https://broadrouter.com/it/glossary/hallucination/
lang: it
updated: 2026-11-14
publisher: BroadRouter (a BroadNet site); API by BroadNet Inference, https://inference.broadnet.ai
---

Tradotto dall’inglese con l’aiuto dell’IA. [Leggi l’originale in inglese](https://broadrouter.com/glossary/hallucination/) (aggiornato il 2026-11-14).

# Allucinazione (hallucination)

Aggiornato 2026-11-14

Un’allucinazione è un output di un modello linguistico che sembra plausibile ma è falso, inventato o non supportato dall’input ricevuto: una citazione inesistente, un numero sbagliato, un’API che non esiste. Nasce dal fatto che il modello predice il testo più probabile invece di verificare i fatti.

Detto anche: allucinazioni AI, allucinazioni IA, allucinazioni LLM, allucinazione AI, confabulazione, AI hallucination, LLM hallucination, hallucination, confabulation

Un’allucinazione si legge esattamente come una risposta corretta. È proprio questo che la rende costosa.

## Come funziona

Un modello linguistico scrive i token successivi più plausibili in base al suo addestramento e al prompt. In questo ciclo niente confronta un fatto con il mondo reale. Quando il modello non ha la risposta, una risposta dall’aria plausibile è comunque disponibile.

Kalai e colleghi, in un articolo del 2025, sostengono che le allucinazioni persistono perché “training and evaluation procedures reward guessing over acknowledging uncertainty” (traduzione: le procedure di addestramento e di valutazione premiano il tirare a indovinare più che l’ammissione di incertezza). La maggior parte dei benchmark dà punti a un tentativo giusto e zero all’astensione, quindi i modelli vengono ottimizzati per essere bravi a superare i test. Gli autori riconducono anche gli errori a un’origine statistica: se un modello non riesce a distinguere in modo affidabile le affermazioni vere da quelle false, il pretraining ne produrrà di false.

Forme comuni nel lavoro con le API:

-   citazioni, URL o frasi riportate inventate
-   cifre sbagliate nel riassunto di un documento corretto
-   metodi o parametri di API che non esistono
-   risposte a domande che il contesto fornito non copre

## Perché è importante

Il costo arriva a valle: un bot di assistenza che si inventa una politica di rimborso, un report con un totale sbagliato, codice che chiama una funzione inesistente. Rispetto a questo, i rimedi costano poco:

-   **Ancora la risposta alle fonti.** Metti il testo di riferimento nel prompt o recuperalo con la [RAG](https://broadrouter.com/it/glossary/rag/). Lewis e colleghi hanno trovato la retrieval-augmented generation più “factual” (fattuale) di una baseline solo parametrica. Vedi [grounding](https://broadrouter.com/it/glossary/grounding/).
-   **Consenti il “non lo so”.** Anthropic indica come passo di base il permesso esplicito di ammettere l’incertezza.
-   **Chiedi citazioni, poi verificale.** Fai indicare al modello una citazione a supporto di ogni affermazione e scarta quelle che non ne hanno.
-   **Misura.** Costruisci un [eval](https://broadrouter.com/it/glossary/eval/) con domande che non hanno risposta nel contesto e controlla quanto spesso il modello se ne inventa una. I [logprobs](https://broadrouter.com/it/glossary/logprobs/) possono segnalare le risposte a bassa confidenza, dove l’API li restituisce.
-   **Controlla nel codice.** Totali, date e ID si possono verificare senza un modello.

Abbassare la [temperatura](https://broadrouter.com/it/glossary/temperature/) aiuta contro la deriva nei testi lunghi, non contro gli errori detti con sicurezza.

## Su BroadNet Inference

La documentazione di BroadNet non pubblica tassi di allucinazione per i suoi modelli e non elenca funzioni di guardrail o di fact-checking, quindi questi controlli stanno nella tua applicazione. Un contesto ampio aiuta il grounding: DeepSeek V4.1 Flash e GLM 5.3 accettano 1.048.576 token per richiesta, abbastanza per includere i documenti sorgente completi. Per le pipeline di retrieval in arabo vedi [la RAG in arabo](https://broadrouter.com/it/blog/arabic-rag-search/); per verificare i campi estratti confrontandoli con l’immagine, vedi la [guida alle fatture](https://broadrouter.com/it/guides/read-arabic-invoices-with-vision/).

## Domande frequenti

### Perché gli LLM hanno le allucinazioni?

Sono addestrati a produrre il testo più probabile, e Kalai e colleghi sostengono che addestramento e benchmark premiano un tentativo sicuro di sé più che l’ammissione di incertezza. Un tentativo può fare punti; "non lo so" non ne fa nessuno.

### Le allucinazioni si possono eliminare?

Nessun metodo le elimina del tutto. Grounding sui documenti, il permesso di dire "non lo so", citazioni e controlli nel codice le riducono. La guida di Anthropic dice che queste tecniche riducono le allucinazioni ma non le eliminano.

### Una temperatura più bassa ferma le allucinazioni?

Riduce le scelte di parole casuali, ma non gli errori detti con sicurezza. Un modello può dare la stessa risposta sbagliata ogni volta con temperatura 0.

## Vedi anche

-   [Grounding (ancoraggio alle fonti)](https://broadrouter.com/it/glossary/grounding/) (termine)
-   [RAG (retrieval-augmented generation)](https://broadrouter.com/it/glossary/rag/) (termine)
-   [Logprobs (log-probabilità)](https://broadrouter.com/it/glossary/logprobs/) (termine)
-   [Eval (valutazione degli LLM)](https://broadrouter.com/it/glossary/eval/) (termine)
-   [Temperatura (temperature)](https://broadrouter.com/it/glossary/temperature/) (termine)
-   [Guardrail (controlli di sicurezza per LLM)](https://broadrouter.com/it/glossary/guardrails/) (termine)
-   [Leggere fatture e scontrini in arabo con un modello vision](https://broadrouter.com/it/guides/read-arabic-invoices-with-vision/) (guida)
-   [RAG in arabo: normalizzazione, chunking e retrieval che funzionano](https://broadrouter.com/it/blog/arabic-rag-search/) (articolo)
-   [Come valutare un LLM prima di cambiare provider](https://broadrouter.com/it/blog/evaluate-llm-before-switching/) (articolo)

Provalo sul tuo carico di lavoro reale. I nuovi account partono con USD 5 di credito per Gemma e trascrizione. DeepSeek, GLM e Qwen3.8 richiedono una ricarica.

[Inizia](https://inference.broadnet.ai/account/?utm_source=broadrouter&utm_medium=referral&utm_campaign=it-glossary-hallucination&utm_content=page-cta) ·

**Fonti**

-   [Kalai et al. (2025), Why Language Models Hallucinate](https://arxiv.org/abs/2509.04664)
-   [Anthropic, ridurre le allucinazioni](https://platform.claude.com/docs/en/test-and-evaluate/strengthen-guardrails/reduce-hallucinations)
-   [Lewis et al. (2020), Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks](https://arxiv.org/abs/2005.11401)
