Alucinaciones de la inteligencia artificial: qué son, por qué son peligrosas y cómo evitarlas

La inteligencia artificial es una herramienta asombrosa, pero tiene un defecto grave: puede decir falsedades con confianza. Los chats de IA como ChatGPT, Google Gemini y Claude pueden generar hechos inventados, citas inexistentes, datos estadísticos erróneos y presentarlos como verdad con absoluta confianza. Este fenómeno se llama "alucinaciones de IA". No son errores en el sentido tradicional: son procesos generativos que funcionan exactamente como fueron diseñados. En 2026, la situación mejoró y se complicó simultáneamente: los modelos de vanguardia redujeron el nivel de alucinaciones entre 3 y 8 veces en comparación con 2024, pero los modelos de "razonamiento" mostraron una tendencia inversa, y los nuevos tipos de alucinaciones se volvieron más difíciles de detectar. Comprender qué son las alucinaciones, por qué ocurren y cómo evitarlas se ha vuelto críticamente importante, especialmente cuando los chats de IA ya están cambiando nuestro trabajo, aprendizaje y vida cotidiana.

📊 Niveles de alucinación 2026: datos por modelo

Advertencia importante antes de las cifras: "tasa de alucinación" no es una métrica única, sino una familia de indicadores. El mismo modelo puede tener un 0.7% en resumen fundamentado y un 51% en recuperación fáctica sobre una persona específica. Comparar cifras solo es correcto dentro del mismo benchmark.

📈 Progreso en comparación con 2024

Los modelos de vanguardia de 2026 mostraron una reducción en el nivel de alucinaciones de 3 a 8 veces en comparación con las cifras base de 2024 (15-45% en tareas fácticas). Según la tabla de clasificación Vectara HHEM, los mejores modelos en resumen fundamentado alcanzaron el 0.7-1.5%, un nivel que hace dos años parecía inalcanzable (Axis Intelligence, junio de 2026). El mercado de herramientas de detección de alucinaciones creció un 318% entre 2023 y 2025.

📊 Tabla comparativa de modelos (junio de 2026)

Fuentes: Talkory, mayo de 2026; Digital Applied, abril de 2026; Suprmind, junio de 2026.

⚠️ Paradoja del Modelo de Razonamiento: por qué los modelos "más inteligentes" alucinan más

Este es el hecho contraintuitivo más importante de 2026. OpenAI o3 y o4-mini, modelos que se posicionan como los más inteligentes, mostraron un nivel de alucinaciones *más alto* en benchmarks fácticos en comparación con sus predecesores. o3: 33% en PersonQA (o1 tenía ~16%). o4-mini: 48%.

La razón es estructural: la cadena de pensamiento (razonamiento paso a paso) obliga a los modelos a *llenar los vacíos* con contenido plausible en lugar de negarse a responder. El modelo "piensa en voz alta" y en el proceso genera afirmaciones intermedias que suenan lógicas, pero pueden ser inventadas. Luego, estos pasos intermedios inventados afectan la respuesta final.

💡 Conclusión práctica: El "pensamiento extendido" (reasoning_effort: high) reduce las alucinaciones a la mitad - GPT-5.5 Pro de 8.3% a 4.2%, Claude Opus 4.7 de 9.4% a 5.1% - debido a la autocorrección durante el rastro de razonamiento. Pero los o3/o4-mini base sin pensamiento extendido en preguntas fácticas sobre personas específicas son peores que las generaciones anteriores (Digital Applied, mayo de 2026).

🔗 Alucinación de Citas: el nuevo tipo más peligroso

En 2026, surgió un tipo de alucinación fundamentalmente nuevo que no existía en las clasificaciones de 2025: la alucinación de citas. Perplexity y otros sistemas de IA de búsqueda citan *URLs reales* - sitios web reales, nombres de publicaciones reales - pero les atribuyen contenido inventado.

El nivel de alucinación de citas en Perplexity es del **37%**; es decir, cada tercer enlace puede contener contenido inventado, aunque la URL parezca completamente legítima. Esto es cualitativamente más peligroso que las alucinaciones comunes: una persona ve un enlace a la BBC o Reuters y confía, sin verificar el contenido real de la página (Suprmind, mayo de 2026).

Regla para Perplexity: siempre abre el enlace y verifica la cita específica en la fuente primaria; no confíes solo en que la URL parezca legítima.

🔬 Cómo la generación de tokens produce alucinaciones: mecánica interna

Los LLM no "saben" hechos ni "mienten" a propósito. Producen texto palabra por palabra, eligiendo cada vez el fragmento siguiente estadísticamente más probable. Es en este proceso donde reside la raíz de las alucinaciones.

🧩 Qué es un token y por qué es importante

Antes de entender la mecánica de las alucinaciones, es necesario comprender con qué trabaja exactamente el modelo. Los LLM no operan con palabras en el sentido habitual, operan con tokens. Un token es una pequeña unidad de texto: a veces una palabra completa, a veces una parte de ella. Por ejemplo, la palabra "Zelenskyi" puede dividirse en los tokens "Zelen" y "skyi". Los modelos modernos tienen un vocabulario de ~50,000 de estos fragmentos y los procesan todos simultáneamente en cada paso de generación.

La idea clave: el modelo no busca la respuesta en una base de datos ni recuerda hechos como un humano. Calcula una distribución de probabilidades; para cada uno de los 50,000 tokens, calcula cuán probable es que sea el siguiente en un contexto dado.

⚙️ Tres pasos que generan una alucinación

Paso 1: Distribución de probabilidades

Supongamos que el modelo recibe la consulta: "El presidente de Ucrania es...". No consulta una base de datos, analiza todo el texto de entrada a través de cientos de capas de transformador y construye una tabla de probabilidades para el siguiente token:

El modelo elige "Volodymyr", no porque *sepa* que es el presidente, sino porque *estadísticamente* es la continuación más probable. Esta es una diferencia fundamental entre generación y búsqueda.

Paso 2: Autorregresión - la salida se convierte en entrada

Una vez elegido, el token "Volodymyr" se añade al contexto. Ahora la entrada para el siguiente paso es: "El presidente de Ucrania es Volodymyr...", y el modelo vuelve a calcular la distribución de probabilidades. Ahora "Zelenskyi" obtiene un 60%, ya que el nuevo contexto ha reducido el espacio de opciones. El proceso se repite para cada token subsiguiente; esto es la generación autorregresiva.

Aquí es donde surge el primer riesgo: un error en una etapa temprana afecta a todas las siguientes. Si en el primer paso el modelo eligió un token incorrecto, se convierte en parte del contexto y "arrastra" un texto cada vez más plausiblemente inventado.

Paso 3: Hecho raro - probabilidades difusas

Ahora imaginemos una consulta sobre una empresa o persona poco conocida, de la que casi no hay nada en los datos de entrenamiento. El modelo no puede devolver un resultado vacío; no tiene esa opción. Aún así genera el siguiente token, pero la distribución de probabilidades se vuelve difusa:

Ningún favorito claro. El modelo elige "Ivan", no porque sea verdad, sino porque es el nombre más probable de sus patrones. Lo presenta con la misma confianza que "Zelenskyi" en el ejemplo anterior. De aquí provienen las alucinaciones.

🌊 Error en cascada: cómo una alucinación genera otra

Volvamos al "Ivan" inventado. Una vez que este token entra en el contexto, se convierte en el punto de partida para todos los pasos siguientes:

1. "El director de la empresa es" -> el modelo elige "Ivan" (inventado)
2. "...es Ivan" -> el modelo añade "Petrenko", un apellido ucraniano típico para un nombre
3. "...Ivan Petrenko" -> el modelo genera "fundó la empresa en 2018", un patrón de texto biográfico
4. "...fundó en 2018" -> el modelo añade "ganó el ranking Forbes Ukraine", un hecho típico siguiente para tal contexto
5. Final: una biografía completa "confiable" de una persona que no existe, con nombre, apellido, fecha de fundación y premio.

Cada paso es lógico. Cada token es el más probable en su contexto. Pero toda la cadena se basa en el primer error, que el propio modelo no "ve" ni siente como un error.

💡 Idea clave: Una alucinación no es un fallo. Es un modelo que realiza *correctamente* su tarea (genera el texto más probable), pero esta tarea no garantiza la correspondencia con la realidad. El modelo está optimizado para la plausibilidad estadística, no para la precisión fáctica.

🌡️ El papel de la temperatura: cuán "creativo" es el modelo

El parámetro temperatura determina cuán fuertemente el modelo "refuerza" o "difumina" la distribución de probabilidades antes de elegir un token:

Detalle importante: incluso con una temperatura de 0.0, las alucinaciones no desaparecen por completo. Si el token más probable es en sí mismo un hecho inventado, el modelo lo elegirá con absoluta confianza. La temperatura controla la *variabilidad*, pero no la *veracidad*.

🧱 Por qué el modelo no dice "No lo sé"

Esta es una limitación arquitectónica, no un defecto técnico. Un transformador *siempre* genera el siguiente token; no tiene un mecanismo incorporado para negarse a responder. Para que un modelo aprenda a decir "No lo sé", se requiere un entrenamiento explícito a través de RLHF (Aprendizaje por Refuerzo con Retroalimentación Humana), donde los evaluadores humanos recompensan la negativa a una respuesta insegura por encima de una alucinación confiada.

Esto explica la diferencia en los benchmarks de 2026:

Una alta frecuencia de "No lo sé" es una *ventaja*, no una debilidad. Un modelo que se niega a responder a lo desconocido te protege de alucinaciones confiadas mejor que un modelo que siempre genera algo.

🔴 Hecho matemático de 2025: NeurIPS 2025 aceptó un trabajo con una prueba matemática de que las alucinaciones son estructuralmente inevitables en las arquitecturas LLM actuales. RAG y la revisión humana las reducen, pero no pueden eliminarlas por completo. La pregunta ya no es "cómo eliminar las alucinaciones", sino "cómo gestionarlas a un nivel aceptable".

⚠️ Por qué las alucinaciones son peligrosas: casos reales y consecuencias

Las alucinaciones de la IA no son solo un artefacto interesante de la tecnología. Tienen consecuencias serias y reales en un mundo donde las personas confían cada vez más en la IA para tomar decisiones críticas. Las pérdidas globales por alucinaciones de IA alcanzaron los 67.400 millones de dólares en 2024 y se prevé que alcancen los 112.000 millones de dólares en 2025 (Forrester Research).

🏥 Medicina: medicamentos y recomendaciones inventados

ECRI, en su informe sobre peligros de la tecnología sanitaria 2026, situó el uso incorrecto de los chatbots de IA en medicina en primer lugar entre todos los riesgos tecnológicos de la atención sanitaria. Más de 40 millones de personas consultan a ChatGPT sobre salud a diario (según OpenAI). Al mismo tiempo, sin medidas de mitigación, la tasa de alucinaciones en resúmenes de casos clínicos alcanza el 64,1%, y con los mejores modelos y prompts estructurados, se mantiene en el 23% (MedRxiv 2025, citado por Axis Intelligence).

📋 Caso 1: Estudiante con una enfermedad rara

En 2023, a un estudiante de medicina se le encargó utilizar ChatGPT para investigar cuestiones médicas. La pregunta fue: "¿Qué medicamentos se utilizan para tratar la enfermedad genética rara X?"

ChatGPT generó con confianza: un fármaco ficticio "Genejin-7" en dosis de 250 mg, efectos secundarios ficticios, un régimen de tratamiento ficticio con referencia a un estudio inexistente de "Smith y Jones (2021)". Todo sonaba profesional. El estudiante lo comprobó en bases de datos médicas: ninguno de estos medicamentos existía.

⚠️ Punto crítico: si hubiera sido un paciente o el padre de un niño enfermo, el resultado podría haber costado la salud o la vida.

💊 Caso 2: LLM recomienda glicerina para la urticaria

En 2024, una persona con urticaria preguntó a un LLM sobre remedios caseros. El modelo recomendó con confianza "tomar glicerina por vía oral, 1 cucharada al día". La glicerina en esta concentración es potencialmente tóxica y no es un tratamiento para la urticaria. El modelo mezcló los contextos de uso de la glicerina (cosmética) y generó un consejo "lógicamente sonoro" pero peligroso.

💊 Por qué la medicina es especialmente vulnerable en 2026

OpenAI HealthBench (mayo de 2025), construido junto con 262 médicos de 60 países: GPT-5 con modo de pensamiento alcanzó una tasa de alucinación del 1,6% en HealthBench Hard, que es la frontera actual para la precisión clínica. Pero incluso el 1,6% es un hecho inventado por cada 63 respuestas. En medicina, esto es inaceptable sin verificación humana. Los modelos de código abierto muestran >80% en algunas tareas médicas.

⚖️ Jurisprudencia: casos judiciales inventados

Un caso clásico: los abogados citaron en documentos judiciales casos inexistentes generados por ChatGPT. Los tribunales lo descubrieron, los abogados recibieron sanciones y, en algunos casos, corrieron el riesgo de perder su licencia. Stanford RegLab registró en 2025-2026 que la tasa de alucinaciones de citación en el contexto legal es una de las más altas entre todos los dominios (un promedio del 12,4% incluso con pensamiento extendido, Digital Applied).

💰 Finanzas: recomendaciones erróneas

Un inversor utilizó Google Gemini para analizar acciones. El modelo generó "investigaciones de analistas" y "previsiones de precios" que no existían. El inversor tomó una decisión basada en datos inventados y perdió dinero. Según Deloitte 2024: el 47% de los usuarios empresariales de IA tomaron al menos una decisión importante basándose en contenido alucinado.

📰 Periodismo e impacto social

Auditoría de la BBC/EBU de más de 3000 respuestas de IA a consultas de noticias: casi la mitad de las respuestas tenían al menos un problema significativo de precisión. NeurIPS 2025: GPTZero detectó en más de 4000 artículos científicos aceptados cientos de referencias erróneas, incluidas citas completamente inventadas, nombres de autores modificados y nombres de revistas falsos.

💼 Escala económica en 2026

📌 6. Alucinaciones de citación (nuevo tipo 2026)

Definición: Se atribuyen URL o nombres de fuentes reales a contenido inventado: el enlace parece legítimo, pero la información que se le atribuye es inventada.

Ejemplos:

• Perplexity o ChatGPT Search hacen referencia a un artículo real de Reuters, pero citan un hecho que no está en ese artículo.
• Los sistemas de IA indican un DOI real de un artículo científico, pero le atribuyen conclusiones que los autores no hicieron.
• Referencia a un sitio web real de una institución gubernamental con estadísticas inventadas.

Por qué es especialmente peligroso: la persona ve un enlace real y no verifica la fuente original. La tasa de alucinaciones de citación en Perplexity es del 37% (Suprmind 2026). Es lo más difícil de detectar sin abrir el enlace original.

Regla: para cualquier citación importante de IA, abra el original y encuentre la cita específica en la página.

💡 Métodos para minimizar las alucinaciones: lo que realmente funciona en 2026

📊 Comparación de la eficacia de los métodos (datos de 2026)

🔧 Soluciones técnicas

1️⃣ RAG (Retrieval-Augmented Generation) — el método más eficaz

En lugar de que el modelo genere a partir de su conocimiento interno, el sistema primero recupera documentos relevantes de una base de datos y luego el modelo genera una respuesta basada en esos documentos. Reducción de alucinaciones: 75–90% con una implementación correcta. AskYourDocs, nuestro producto para trabajar con documentos de clientes, se basa precisamente en RAG.

Detalle importante de 2026: RAG + verificación human-in-the-loop en una parte selectiva de las consultas reduce la tasa de alucinaciones del 19% a menos del 1%, que es el umbral que la mayoría de los sistemas de producción necesitan (Digital Applied, abril de 2026).

2️⃣ Multi-model consensus — para tareas críticas

Ejecute la misma pregunta en Claude, GPT y Gemini simultáneamente. Cuando los tres dan la misma respuesta, el nivel efectivo de alucinaciones cae a menos del 2%, que es inferior al de cualquier modelo individual. Cuando las respuestas difieren, es una señal para verificar en la fuente original. Herramientas para la automatización: Talkory.ai, Suprmind.

3️⃣ Extended thinking / reasoning mode

Los modelos con soporte de razonamiento extendido (reasoning_effort: high en Claude, "Deep Think" en Gemini) reducen la tasa de alucinaciones aproximadamente a la mitad a través de la autocorrección durante el rastro de razonamiento. GPT-5.5 Pro: 8,3% → 4,2%. Claude Opus 4.7: 9,4% → 5,1%. Esta es la forma más sencilla de aumentar la precisión sin infraestructura adicional, pero la más cara por token.

4️⃣ Parámetros de generación controlados

• ✅ Temperatura 0.1–0.3: el modelo es conservador, elige los tokens más probables — menos respuestas inventadas
• ✅ Temperatura 0.8–1.0: creativo y arriesgado — más alucinaciones, pero también resultados más interesantes
• ✅ Top-k sampling: selección solo entre los k tokens más probables — estabiliza la salida

5️⃣ Chain-of-Thought Prompting

Pida al modelo que "piense paso a paso" antes de responder. Pero recuerde la paradoja del modelo de razonamiento: para preguntas básicas de recuerdo de hechos (quién es X, cuándo ocurrió el evento Y), el chain-of-thought puede aumentar la tasa de alucinaciones. Úselo para tareas analíticas y lógicas donde hay algo que verificar durante el proceso de razonamiento.

📋 Soluciones prácticas para usuarios

• ✅ Nunca confíe plenamente en la IA para decisiones críticas: médicas, legales, financieras — siempre verifique con especialistas
• ✅ Para Perplexity y ChatGPT Search, abra las fuentes originales: una tasa de alucinación de citación del 37% significa que cada tercer enlace puede contener contenido inventado
• ✅ Solicite enlaces y fuentes: si el modelo no puede proporcionarlos, es una señal de alarma
• ✅ Verificación multi-modelo para hechos importantes: haga la pregunta en Claude y GPT. Si las respuestas difieren, verifique
• ✅ Utilice Claude para tareas sensibles a hechos: la tasa más alta de "No lo sé" (18,7%) es una protección contra alucinaciones seguras

🔮 El futuro: lo que se sabe en 2026

📐 Prueba matemática: las alucinaciones son estructuralmente inevitables

El resultado científico más importante de 2025 en este tema: NeurIPS 2025 aceptó un trabajo con una prueba matemática de que las alucinaciones son estructuralmente inevitables en las arquitecturas LLM actuales. RAG y la revisión humana las reducen, pero matemáticamente no pueden eliminarlas por completo. La pregunta ya no es "cómo eliminar las alucinaciones", sino "cómo gestionarlas hasta un nivel aceptable".

✅ Lo que realmente mejoró en 2025-2026

• ✅ Mejor integración con datos reales: GPT-5 con navegación, Gemini con anclaje en Google Search, Perplexity Sonar: los modelos ahora pueden verificar hechos en tiempo real. Con acceso web, GPT-5 muestra los niveles más bajos de la industria; sin él, el nivel aumenta de 3 a 5 veces.
• ✅ Mejor calibración de la incertidumbre: Claude Opus 4.7/4.8 mantiene la puntuación más alta de "No lo sé" (18.7%) con un aumento de la precisión general: Anthropic eligió claramente la estrategia de "renunciar antes que inventar".
• ✅ Pensamiento extendido: la autocorrección durante el rastro de razonamiento reduce a la mitad el nivel de alucinaciones para tareas analíticas.
• ✅ Mercado de detección: crecimiento del 318% en el mercado de herramientas en 2023-2025, desarrollo activo de verificadores automáticos.

⚠️ Lo que sigue siendo un problema

• ⚠️ Paradoja del modelo de razonamiento: los modelos más complejos alucinan más en preguntas fácticas simples, un problema sin una solución clara.
• ⚠️ Alucinación de citas: un nuevo tipo difícil de detectar automáticamente.
• ⚠️ Medicina: incluso GPT-5 con un 1.6% en HealthBench Hard es un nivel inaceptable sin verificación humana.
• ⚠️ Sesgo de confirmación: Stanford HAI 2026 registró que si un usuario afirma con confianza un hecho falso, los modelos de vanguardia confirman su error con mucha más frecuencia que lo corrigen. Este es un problema sistémico.

🎯 Tendencia: reducción de 3 puntos porcentuales al año, pero de forma desigual

Según el análisis de Hugging Face Hallucination Leaderboard: las alucinaciones se reducen aproximadamente en 3 puntos porcentuales al año en benchmarks estandarizados. De 21.8% en 2021 a 0.7% en 2025 (resumen anclado: los mejores modelos). Pero esta es una tendencia promedio: algunos modelos muestran una mejora del +64% en un año, otros una regresión. La tendencia es correcta, pero no lineal.

Las perspectivas de AGI dependen de la resolución del problema de las alucinaciones: en agentes autónomos (Genspark Claw, Claude Cowork), una alucinación en un paso puede propagarse en cascada por toda la cadena de acciones.

🔍 Pregunta 1: ¿Qué modelo alucina menos en 2026?

Respuesta corta: Depende del tipo de tarea; no hay un ganador único para todos los escenarios.

Datos actuales (junio de 2026):

• Claude 4.6 / Opus 4.7 (Anthropic): ~4% en tareas ancladas (Vectara HHEM). Estrategia clave: alta frecuencia de "No lo sé" (18.7%): cuando Claude no sabe, lo dice, no lo inventa. La mejor opción para tareas sensibles a hechos.
• GPT-5 / GPT-5.4 (OpenAI): ~6% con acceso web (navegación activada): compite con Claude por el nivel más bajo. Sin acceso web: 86% en el benchmark AA-Omniscience, más del doble de peor que Claude. Mantenga siempre la navegación activada.
• Gemini 3.1 Pro (Google): ~9%: domina la tabla de clasificación de resumen anclado, bueno con el anclaje de Google Search.
• OpenAI o3 / o4-mini — paradoja del razonamiento: 33–48% en PersonQA: peor que sus predecesores en preguntas de recuperación fáctica sobre personas específicas. Úselo solo con pensamiento extendido para análisis, no para preguntas fácticas.
• DeepSeek V4 Pro / Flash: 94–96%: uno de los porcentajes más altos jamás registrados. Evitar para tareas fácticas.

⚡ Importante: "tasa de alucinación" es una familia de métricas. Claude tiene un 4% en resumen anclado y un 36% en preguntas de conocimiento abierto. GPT-5 tiene un 6% con navegación y un 86% sin ella. Compare solo dentro del mismo benchmark y del mismo tipo de tarea.

🔍 Pregunta: ¿Serán las alucinaciones siempre un problema de la IA?

Respuesta corta: Sí, la prueba matemática de NeurIPS 2025 mostró la inevitabilidad estructural. Pero "siempre" no significa "a un nivel inaceptable".

Las alucinaciones son una propiedad arquitectónica de los modelos generativos. Mientras el modelo genere texto basándose en probabilidades y no busque en una base de datos, existirán. Pero hay un matiz importante: la pila correcta (RAG + pensamiento extendido + verificación humana en una muestra) reduce el nivel del 19% a menos del 1%, lo cual es aceptable para la mayoría de los sistemas de producción.

El cambio de paradigma clave de 2026: la pregunta ya no es "cómo eliminar las alucinaciones", sino "cómo gestionarlas a través de la arquitectura correcta de la solución". Esta es una tarea de ingeniería, no una barrera fundamental.

🆕 ¿Qué es la alucinación de citas y por qué es especialmente peligrosa?

La IA indica un enlace real, pero le atribuye contenido inventado: el tipo de alucinación más difícil de detectar en 2026.

Las alucinaciones clásicas son relativamente fáciles de reconocer: se puede buscar en Google el nombre inventado de un estudio o un hecho inexistente. La alucinación de citas es diferente: el enlace es real, el sitio existe, pero la cita específica o la estadística que la IA atribuye a esa fuente es inventada. Nivel en Perplexity: 37% (cada tercer enlace). Nivel en ChatGPT Search: menor, pero significativo.

La única defensa: abrir siempre la fuente original y encontrar la cita específica en la página. No confíe en que la URL parezca legítima.

1️⃣ Las alucinaciones de la IA son un problema grave y real que, al mismo tiempo, mejora y se complica

Los mejores modelos de 2026 han reducido el nivel de alucinaciones de 3 a 8 veces en comparación con 2024: Claude 4.6 — ~4%, GPT-5 con navegación — ~6%. Pero han surgido nuevas complicaciones: alucinación de citas (37% en Perplexity), paradoja del modelo de razonamiento (o3/o4-mini alucinan más que sus predecesores) y la prueba matemática de la inevitabilidad estructural de las alucinaciones (NeurIPS 2025). Pérdidas económicas: 67.4 mil millones de dólares en 2024, 112 mil millones de dólares previstos para 2025.

4️⃣ La minimización requiere la pila correcta, no un solo método

RAG: reducción del 75-90%. Anclaje de herramientas: 65-80%. Pensamiento extendido: ~50%. Consenso multimodelo: hasta <2%. Ingeniería de prompts sola: máximo 15%. Pila correcta para tareas críticas: RAG + pensamiento extendido + verificación humana = menos del 1% de nivel efectivo. Esto es alcanzable hoy, pero requiere infraestructura, no solo un "prompt correcto".