Mikor hallucinál az AI?
 
 
 
(2026 szeptember)
 
 
 
Az AI (mesterséges intelligencia) akkor hallucinál, amikor nem tudja a pontos választ, de ahelyett, hogy ezt elismerné, a valószínűségi ismeretei alapján generál egy valótlan, de magabiztosnak tűnő választ. Mivel a nagy nyelvi modellek nem tényeket keresnek az adatbázisban (az igen nagy memóriában), hanem az egyes szavak egymás utáni bekövetkezéseiek valószínűségei alapján válaszolnak, a „válaszadási kényszer” miatt hajlamosak kitalálni információkat, válaszolni valószínűtlen információkat. Az AI „válaszadási kényszere” (amit gyakran hallucinációnak vagy a mintafelismerési logikából fakadó kényszernek neveznek) a működési elvéből adódik, a valószínűtlen válasz is jó válasz a gép számára, ami a nyelvtanilag leginkább odaillő titkán használt következő elem, ha nincs nagy valószínűségű válasza. Az AI leggyakrabban a következő helyzetekben hallucinál:
1. Információ- vagy adathiány,  hiányzó adatok a tanítóanyagban: Ha a modell nem kapott információt egy specifikus, ritka vagy nagyon új témáról a tanítása során, a meglévő minták alapján megpróbálja „kikövetkeztetni” és kipótolni a hiányt. Az AI szerepe kezdetben nem elsősorban a „látványos” elemzés, döntéselőkészítés, hanem az adatminőség helyreállítása. A fejlettebb ügynökök már képesek automatikusan kiszűrni az anomáliákat, jelezni a hiányzó adatokat, szükség esetén statisztikai alapon pótolni a hiányzó adatokat, vagy előrejelzéseket készíteni. A korábban manuális adattisztítás jelentős része automatizálható, miközben az eredmények megbízhatósága is javul.
Túl specifikus kérdések: Ritka történelmi események, kevéssé ismert személyek vagy egyedi forráskódok esetében a modell hajlamos nem létező részleteket, könyvcímeket vagy hivatkozásokat kitalálni.
2. Hibás vagy elfogult tanítóadatok, rossz minőségű források: Ha a tanításához használt internetes adatok eleve hamis információkat, ellentmondásokat vagy tévhiteket tartalmaztak, az AI igazságként fogja azokat tálalni.
Elavult tudás: A modellek fix tudása egy adott időpontig aktuális, ha egy későbbi eseményről kérdezzük, és a modell hallucinálni fog. 
Kontextus- és promptolási problémák: túl hosszú vagy zavaros beszélgetés esetén. Ha a prompt (az utasítás) túl bonyolult, kétértelmű vagy túl hosszú, az AI elveszítheti a fonalat (a kontextusablak korlátai miatt), és elkezdhet irreleváns vagy hamis válaszokat gyártani.
Félrevezető kérdések: Ha a felhasználó egy eleve hamis feltételezést épít be a kérdésbe (pl. „Miért kapott Mátyás király Nobel-díjat?”), az AI hajlamos elfogadni a premisszát, és gyárt hozzá egy fiktív magyarázatot ahelyett, hogy kijavítaná a hibát.
4. Technikai beállítások (Kreativitás vs. Tények) és Magas „hőmérséklet” (Temperature): ami egy technikai paraméter, ami szabályozza, hogy a modell mennyire legyen kreatív. Ha ez az érték magasan van, az AI bátrabban választ ritkább, kiszámíthatatlanabb szavakat, ami növeli a hallucinációk esélyét.
 
Hogyan ismerhető fel a hallucináció?
(Gemini válaszok) Az AI-hallucinációk felismerése azért nehéz, mert az AI ugyanolyan magabiztos hangnemben tálalja a hamis válaszokat, mint a valós tényeket. Nem használ utalást a bozonytalanságra, a szöveg teljesen hitelesnek tűnik.
1. Gyanús mintázatok a szövegben, túlzott magabiztosság bizonyítékok nélkül: Ha a modell nagyon határozottan állít valami szokatlant, de nem nevezi meg a pontos forrást, vagy csak általánosságban hivatkozik „kutatásokra”.
Logikai ellentmondások: A szöveg elején állított dolog ütközik a szöveg végén található következtetéssel (például egy bekezdésen belül változik meg egy történelmi személy halálának dátuma).
Mellé beszélés: Amikor a válasz nagyon hosszúnak és szakmainak tűnik, de alaposabban elolvasva, nem válaszol a konkrét kérdésre, csak ugyanazt a gondolatot ismételgeti, más szavakkal.
2. A "Nem létező források" csapdája, hamis linkek és nem létező URL-ek: Ha az AI-tól forrásokat vagy linkeket kérsz, gyakran generál olyan webcímeket, amelyek felépítése logikusnak tűnik (pl. ://bbc.com), de kattintás után kiderül, hogy 404-es hibát adnak, mert sosem léteztek. Kitalált könyvcímek és tanulmányok: Az AI hajlamos létező szerzőkhöz teljesen fiktív könyvcímeket vagy nem létező egyetemi kutatásokat rendelni, sőt, még hihető oldalszámokat és kiadási éveket is kreál hozzájuk. (A kitalált adatok nem kis valószínűségű adatok, ezeket le kéne tiltani!)
3. Hogyan ellenőrizhető?  "Kérj forrást és ellenőrizd" technika: Mindig kérd meg a modellt, hogy nevezze meg a forrásait, majd egy külső keresőben (pl. Google) keress rá az adott címekre vagy idézetekre a kétséges esetekben.
Keresztkérdések: Ha gyanús egy válasz, kérdezz vissza: „Biztos vagy ebben? Mi a forrásod erre az adatra?” vagy „Úgy tudom, ez nem így van, ellenőriznéd?” A modellek gyakran „észbe kapnak”, és kijavítják a saját hallucinációjukat.
Új chatablak (Tiszta lap): Másold be a kapott választ egy teljesen új beszélgetésbe, és kérdezd meg az AI-t: „Igazak a következő állítások? Ellenőrizd a tényeket:” (Erre azért van szükség, mert a régi chatben a modell hajlamos védeni a saját korábbi, hibás válaszát, érdekes hajlandóság!).
 
A leggyakoribb hallucinációtípusok
Az AI-hallucinációk nem egyformák: a teljesen logikusnak tűnő apró tévedésektől a teljesen abszurd, szürreális történetekig terjedhetnek. A leggyakoribb hallucinációtípusok, csoportokra bontva:
1. Ténybeli és adathallucinációk a kitalált források és hivatkozások: Nem létező könyvcímek, tanulmányok, DOI-számok, egyetemi kutatások vagy URL-linkek generálása. (Sajnos nem tiltják le!)
Dátumok és számok keverése: Történelmi események, születési dátumok vagy statisztikai adatok téves összekapcsolása (pl. egy híres csata évszámát eltolja pár évvel, mert az a szám „statisztikailag jobban illett” a mondatba).
Személyek és eredmények összemosása: Két hasonló nevű vagy azonos területen dolgozó híresség tetteinek összekeverése (pl. az AI egy felfedezést egy másik, kortárs tudósnak tulajdonít).
2. Logikai és következtetési hibák (Számolási hallucináció): Bár a modell ismeri a képleteket, a matematikai műveletek végzése közben – mivel nem számológépként, hanem nyelvi modellként működik – képes leírni egy hibás végeredményt úgy, hogy a levezetés lépései logikusnak tűnnek.
Fordított ok-okozati összefüggés: A modell helyesen azonosítja a tényeket, de felcseréli az okot és az okozatot egy történetben vagy tudományos magyarázatban.
3. Programozási (kódolási) hallucinációk, nemlétező könyvtárak (Packages) ajánlása: Amikor az AI-t megkéred, hogy írjon egy kódot egy specifikus feladatra, hajlamos kitalálni olyan Python vagy JavaScript csomagokat/függvényeket, amelyek nem is léteznek, de a nevük alapján tökéletesen illeszkednének a programba.
Elavult vagy nem biztonságos programok. kódok: Olyan szoftveres megoldásokat javasol, amelyek a valóságban már nem működnek, vagy súlyos biztonsági réseket tartalmaznak.
4. Szemantikus és kontextusbeli elcsúszások, a kérdés csapdájába esés (Sycophancy): Ha a kérdésedben szándékosan vagy véletlenül egy hamis állítást fogalmazol meg (pl. „Miért zárták be a Louvre-t 2025-ben?”), a modell nem javít ki, hanem generál egy hihető indoklást a nem létező eseményhez.
Kontextusvesztés (Hosszú beszélgetéseknél): Egy hosszú chat során a modell elfelejti a beszélgetés elején megadott fontos szabályokat (pl. hogy csak magyarul válaszolhat, vagy hogy egy bizonyos karakter szerepét kell játszania), és elkezd ettől eltérő, oda nem illő válaszokat adni.
Amikor nem hallucinálhat
Űrkutatás, pénzügy. hadiipar,..., de az évtized végére alkudozó algoritmusok intézhetik a nagybevásárlást is.  2030-ra az online vásárlók több mint tíz százaléka rábízza majd a rutinszerű beszerzéseket a mesterséges intelligenciára. Az autonóm ügynökök nemcsak termékeket keresnek, hanem a felhasználó nevében le is bonyolítják a tranzakciókat, ami alapjaiban formálja át a kereskedelmet. A technológia fejlődésével az algoritmusok szerepe a döntéstámogatásból az önálló cselekvés felé tolódik el. Az asszisztensek a jövőben képesek lehetnek az árakból is alkudni.