KI-hallusinasjoner forklart: hvorfor modeller dikter opp ting og hvordan du verifiserer utdata
Hver språkmodell dikter opp informasjon iblant. Mekanismen er grunnleggende for hvordan transformerbasert generering fungerer. Her står det hva en hallusinasjon er, hvorfor den oppstår og hvordan du verifiserer utdata med høy innsats.
Hva en hallusinasjon er og hvorfor den oppstår
En KI-hallusinasjon er en selvsikkert formulert utdata som er faktisk feil. Mekanismen er mekanisk, ikke villedende: transformerbaserte språkmodeller genererer utdata ett token om gangen ved å forutsi det mest sannsynlige neste token gitt den foregående konteksten. Modellen har ingen egen «sannhets»-sjekk – målet er sannsynlighet innenfor mønstrene den lærte under treningen. Når treningsdataene ikke inneholder et direkte svar på en forespørsel, genererer modellen den utdataen som høres mest sannsynlig ut, noe som kan være feil. Fenomenet er dokumentert på tvers av alle store modeller, inkludert GPT-5, Claude Sonnet og Gemini 3.
Hvor hallusinasjoner er vanligst
Konkrete datoer, eksakt statistikk, kildehenvisninger, URL-er, signaturer for API-metoder, biografiske detaljer om ikke-offentlige personer, svært nylige hendelser (etter modellens treningsskjæringsdato) og innholdet i dokumenter som ikke er i ledeteksten. Mønsteret er: høy spesifisitet + lav frekvens i treningsdataene = høy hallusinasjonsrisiko.
Hva moderne assistenter gjør for å begrense det
Søkeforsterket generering (RAG): modellen får relevante dokumenter på forespørselstidspunktet, slik at svaret er forankret i hentet innhold i stedet for parametrisk minne. Perplexity bruker RAG som standard – hvert Pro-søk henter og siterer kilder. Nettsøket i ChatGPT og nettsøket i Claude henter live-URL-er og siterer dem. Googles Gemini integrerer Search-forankring. Sitater gjør hallusinasjoner til et synlig spor du kan verifisere. Å verifisere sitater forblir brukerens ansvar – modeller genererer av og til troverdige sitater som i virkeligheten ikke eksisterer.
Hvordan verifisere utdata med høy innsats
(1) For kode: kjør den. Kompilatoren er sannhetssjekken. (2) For numeriske påstander: spør modellen om kilden og verifiser kilden via et nytt søk. (3) For sitater: klikk på lenken. Hvis URL-en gir en 404, er sitatet feil. (4) For nylige hendelser: sjekk modellens treningsskjæringsdato og suppler med et verktøy som har live nettilgang. (5) For påstander med høy innsats: kryssjekk med en annen modell (Perplexity gjør dette enkelt ved å bytte modell per forespørsel).
Når du kan se bort fra risikoen
Det meste av tilfeldig bruk har lav innsats. Idémyldring, oppsummering av e-poster du selv har skrevet, utforming av standardkode, generering av idéer – hallusinasjoner er da som regel åpenbare eller uvesentlige. Reserver verifiseringsinnsatsen for utdata der det å ta feil har en reell kostnad: juridiske råd, medisinsk informasjon, økonomiske beslutninger, faktapåstander du skal publisere eller sitere. Å behandle KI-utdata som et førsteutkast i stedet for et endelig svar er den riktige driftsmodellen.
Kilder
Anthropic om hallusinasjoner: anthropic.com/news (søk «hallucinations»). OpenAI hallusinasjons- + RAG-dokumentasjon: openai.com/index/why-language-models-hallucinate. Googles KI-forankring: ai.google.dev (søk «grounding»). Perplexity Pro Search: perplexity.ai/help-center. Alle URL-er hentet 30.04.2026.