¿Por qué ChatGPT alucina sin contexto de tu negocio?
ChatGPT inventa un dato cuando le falta contexto y necesita completar la respuesta igual. No es que "mienta" a propósito: es un modelo de lenguaje optimizado para sonar coherente, no para chequear cada cifra contra una fuente real antes de escribirla.
Cuando le preguntás algo genérico ("dame estadísticas del mercado de X"), no tiene forma de distinguir entre un dato que memorizó bien y uno que está generando por patrón. El resultado es una respuesta que suena segura aunque esté mal.
Esto se nota más en tareas de marketing y research: nombres de competidores que no existen, porcentajes de crecimiento inventados, casos de estudio armados de la nada. Si el output se copia directo a un reporte o a una propuesta, el dato falso viaja con él.
OpenAI documenta las instrucciones personalizadas como el mecanismo oficial para fijar contexto persistente en cada chat de ChatGPT, en vez de repetir el mismo contexto en cada mensaje nuevo, ver help.openai.com. Esa persistencia es justamente lo que permite que la regla de decir "no sé" se aplique siempre, no solo la primera vez que se la pedís.
¿Quieres automatizar el 80% de tus procesos manuales?
Sin code. Sin contratar devs. Sin frenar el negocio.
Agendar llamada¿Qué es la instrucción anti alucinación de Claura?
Es un bloque de contexto permanente, no un prompt que se escribe una sola vez y se pierde en el historial del chat. Se guarda en las instrucciones personalizadas de ChatGPT y tiene tres partes fijas:
- Quién es tu cliente ideal, rubro, tamaño, dolor principal, para que cada research salga filtrado por relevancia real.
- Cómo suena tu marca, tono, vocabulario permitido y prohibido, para que el output ya venga en la voz correcta.
- La regla no negociable, si el modelo no tiene el dato con certeza, tiene que decirlo explícitamente en vez de inventar un número, un nombre o una fuente para completar la respuesta.
La tercera parte es la que hace la diferencia. Sin ella, un modelo bien instruido en tono y audiencia puede seguir inventando datos con total confianza.
| Parte de la instrucción | Qué resuelve | Qué pasa sin ella |
|---|---|---|
| Cliente ideal | Filtra el research por relevancia | Trae datos genéricos de todo el mercado |
| Tono de marca | Evita reescribir el output a mano | Suena corporativo o genérico |
| Regla de decir "no sé" | Frena la invención de datos | El modelo completa con lo más probable, aunque sea falso |
¿Cómo armás tu propia instrucción personalizada paso a paso?
Vas a la configuración de ChatGPT, a la sección de instrucciones personalizadas, y completás el bloque con estos cuatro pasos:
- Describí tu cliente ideal en una frase concreta. Nombre de rubro, tamaño de empresa y el problema puntual que resuelve tu producto o servicio. Evitá frases genéricas como "empresas que quieren crecer".
- Definí el tono en tres o cuatro adjetivos y un ejemplo real. Pegá un párrafo de tu propia marca como referencia de voz, no una descripción abstracta del tono.
- Escribí la regla de la verdad de forma literal. Algo como: "si no tenés el dato con certeza, decime explícitamente que no lo sabés en vez de estimar una cifra". Que sea imposible de interpretar como opcional.
- Pedile que cite la fuente cuando afirme un dato externo. Si no puede nombrar de dónde sacó el número, es la señal de que lo está inventando.
Guardado eso, la instrucción se aplica sola a cada chat nuevo. No hace falta repetirla cuando le pedís un research, un análisis de competencia o un reporte de marketing.
¿Cómo usa Claura esta instrucción en research de competencia cada 24 horas?
Claura corre este mismo esquema de instrucción como base de su servicio de Research Viral: un agente de IA repite el research de competidores y tendencias de la marca cada 24 horas, sin que nadie del equipo tenga que pedirlo a mano.
La regla de decir "no sé" es la pieza que sostiene que ese research sea usable. Sin ella, automatizar la frecuencia solo multiplica la cantidad de datos inventados que le llegan al equipo de contenido. Con ella, el sistema prefiere devolver menos información antes que devolver una información falsa con la misma seguridad que una verdadera.
El mismo criterio aplica al archivo de contexto de marca que usamos con Claude para generar contenido, con la misma lógica de fijar cliente ideal, tono y límites antes de pedir cualquier output, ver CLAUDE.md de marca: template para entrenar Claude con tu marca. Si además necesitás una forma de chequear que el sistema no volvió a inventar datos con el tiempo, la lógica de evals que usamos para skills de research aplica igual, ver cómo evaluar skills de research con IA.
¿Qué conviene recordar sobre ChatGPT y las alucinaciones?
- ChatGPT no miente a propósito: completa huecos de contexto con la respuesta más probable, aunque sea falsa.
- La instrucción que funciona es permanente, no un prompt suelto: cliente ideal, tono de marca y la regla de decir "no sé" cuando falta el dato.
- Automatizar research sin esa regla solo multiplica la velocidad a la que llegan datos inventados al equipo.
- Pedile siempre la fuente de cualquier dato externo. Si no puede nombrarla, probablemente la inventó.
Más contexto sobre cómo armar este tipo de instrucciones en cómo armar tu carpeta .claude/ desde cero y en automatizar tu marketing vs armar un equipo interno.
La misma causa de raíz (instrucciones vagas que se completan con lo que sea) aparece al generar imagen o video: la guía GPT-Image 2.5 vs 2.0: cómo escribir el prompt de comparación aplica el mismo criterio de especificidad para comparar versiones de un modelo generativo.
¿Quieres automatizar el 80% de tus procesos manuales?
Sin code. Sin contratar devs. Sin frenar el negocio.
Agendar llamadaPreguntas frecuentes sobre ChatGPT y las alucinaciones
Le das una instrucción personalizada permanente, no un prompt suelto. Esa instrucción tiene que fijar quién es tu cliente ideal, cómo suena tu marca y una regla no negociable: si ChatGPT no tiene el dato, tiene que decir que no lo tiene en vez de inventar un número o un nombre para completar la respuesta. En la guía tenés el paso a paso completo en la sección ¿Cómo armás tu propia instrucción personalizada paso a paso?. Una vez que la guardás en la configuración del chat, se aplica automáticamente a cada conversación nueva, sin que tengas que repetirla cada vez que le pedís un research o un reporte.
Porque un modelo de lenguaje está entrenado para completar texto de forma verosímil, no para admitir que no sabe algo. Sin una regla explícita que lo autorice a decir "no tengo ese dato", el modelo rellena el hueco con la respuesta más probable estadísticamente, aunque sea falsa. OpenAI documenta el mecanismo de instrucciones personalizadas como la forma oficial de fijar ese tipo de contexto persistente, ver help.openai.com. Nombrar la fuente exacta que tiene que citar y prohibirle inventar una cifra cuando no la encuentra reduce la mayoría de los casos.
Nunca le pidas "dame un dato sobre X" sin decirle qué hacer si no lo encuentra, porque ahí es donde inventa. Tampoco le pidas que resuma una página que no puede leer en vivo: va a describir lo que cree que dice esa página en base a patrones, no lo que dice realmente. Armar un eval simple que detecte cuándo el sistema empezó a inventar de nuevo, como explicamos en cómo evaluar skills de research con IA, es la forma de agarrar el problema antes de que llegue a un cliente.
Le pedís explícitamente que separe lo que sabe con certeza de lo que está estimando, y le prohibís rellenar huecos con inventos. La guía de OpenAI sobre ingeniería de prompts explica por qué instrucciones específicas y verificables producen respuestas más confiables que pedidos vagos, ver platform.openai.com. Combinado con la regla de "si no lo sabés, decilo", la tasa de datos inventados baja mucho en tareas de marketing y research.
Usamos el mismo tipo de archivo de contexto que armamos para Claude, adaptado a las instrucciones personalizadas de ChatGPT: quién es el cliente ideal de la marca, cómo suena su tono y la regla de decir "no sé" cuando falta el dato. El template completo está en CLAUDE.md de marca: template para entrenar Claude con tu marca. Esa misma base es la que corre todos los días en el servicio de Research Viral de Claura.
Fuentes e inspiración
Mira los posts originales donde desarrollamos estas ideas en redes.
