Halucynacje AI – przykłady z tekstów firmowych i lista kontrolna

Halucynacja AI nie musi wyglądać na zmyślenie. Bywa prawdziwym linkiem z nieaktualnymi liczbami albo prawdziwym wydawnictwem przy książce, której nigdy nie wydało. Niżej sześć przykładów z typowych tekstów firmowych napisanych przez czat AI, każdy sprawdzony u źródła, i lista kontrolna z podziałem na role.

Czym są halucynacje AI

To zdania, które brzmią jak fakty, a faktami nie są. Model podaje je tym samym tonem co prawdę – często w tym samym akapicie.

Google opisuje ten mechanizm jednym zdaniem we wskazówkach dla właścicieli stron: „modele generatywne nie wyszukują faktów, ale przewidują prawdopodobną sekwencję słów na podstawie danych treningowych”. Dlatego „ChatGPT kłamie” to złe słowo. Kłamca zna prawdę. Model zgaduje.

Dlaczego zgaduje, zamiast przyznać, że nie wie, wyjaśnia praca „Why Language Models Hallucinate”, opublikowana 4 września 2025 r. przez badaczy OpenAI i Georgia Tech. Większość testów, którymi ocenia się modele, liczy punkty jak egzamin wielokrotnego wyboru: za dobrą odpowiedź punkt, za „nie wiem” zero. Kto strzela, wypada lepiej w rankingu.

Autorzy pokazali to na sobie. Zapytali otwarty model DeepSeek-V3 o dzień urodzin jednego z nich, Adama Taumana Kalaia, z zastrzeżeniem: odpowiedz tylko, jeśli wiesz. W trzech próbach model podał trzy różne daty: 03-07, 15-06 i 01-01. Prawdziwa wypada jesienią. O tytuł doktoratu Kalaia zapytali też ChatGPT (GPT-4o), DeepSeek i Llamę. Dostali trzy różne tytuły i trzy różne lata – żaden się nie zgadzał.

Czy ChatGPT jest wiarygodny?

Jako źródło faktów z własnej pamięci – nie. Jako narzędzie, które układa fakty dostarczone przez Ciebie – znacznie bardziej, ale też nie bez błędów.

Widać to w liczbach samego OpenAI. W karcie systemowej GPT-5 z 13 sierpnia 2025 r. firma podała wyniki testu SimpleQA: krótkich pytań o fakty, dobranych tak, żeby myliły GPT-4. Bez dostępu do internetu szybki model gpt-5-main, który w ChatGPT odpowiadał na większość pytań, trafił w 46% przypadków. W 47% odpowiedział źle.

Ciekawszy jest mniejszy gpt-5-thinking-mini. Trafił tylko w 22% pytań, ale pomylił się w 26% – przy pozostałych przyznał, że nie wie. Starszy o4-mini trafił w 24%, a pomylił się w 75%. Model, który umie powiedzieć „nie wiem”, mylił się prawie trzy razy rzadziej.

Gdy model dostaje dokument, pytanie brzmi inaczej: czy coś do niego dopisze. W zestawieniu firmy Vectara (aktualizacja z 22 września 2026 r.) 108 modeli streszczało ponad 7700 tekstów z poleceniem, żeby używać wyłącznie informacji z tekstu. Najlepszy dodał coś, czego w tekście nie było albo co mu przeczyło, w 1,8% streszczeń. Najsłabszy – w 24,2%. Połowa modeli – w co najmniej 9,6%. Sam OpenAI ma w tabeli 22 modele, z wynikami od 3,1 do 23,3%.

Zgodność ocenia automat Vectary, więc to przybliżenie, nie wyrok. Wniosek dla tekstu firmowego i tak jest jeden: fakty dajesz Ty, model je układa. Potem sprawdzasz – gdy wadliwe jest mniej więcej co dziesiąte streszczenie, nie wiesz, które to. ChatGPT-owi można ufać najwyżej tak, jak dokumentowi, który mu dałeś.

6 typów halucynacji w tekstach firmowych – przykłady

Sześć typów: dopisana cecha, nieaktualna liczba, obietnica bez pokrycia, zmyślona opinia, sklejony przypis i data, co do której nie zgadzają się źródła. Każdy przykład to surowy tekst z czatu AI na typowe firmowe polecenie, wygenerowany i sprawdzony u źródła w październiku 2026 r. To ilustracje typów, nie pomiar – jak często modele się mylą, pokazują liczby wyżej. Przy każdym przykładzie: polecenie, co było nieprawdą i jak to wyszło na jaw.

1. Cecha, której produkt nie ma

Polecenie: „Napisz opis produktu do sklepu internetowego: Czajnik bezprzewodowy Eldom C265B Nela”. Czat wpisał moc 2200 W, a producent podaje 2000 W. Napisał, że czajnik „sprawdzi się w domu i w biurze”, a instrukcja mówi, że urządzenie „nie może być używane do celów zawodowych”.

Wyszło przy porównaniu z kartą producenta. Pełny przykład i dwa kolejne produkty – w tekście o tym, jak napisać opis produktu z AI, żeby nie zmyślał.

2. Prawdziwe źródło, nieaktualne liczby

Polecenie: „Napisz krótki akapit na bloga sklepu internetowego o tym, dlaczego klienci porzucają koszyki. Podaj 3 konkretne statystyki z linkami do źródeł”. Fragment wyniku:

Według Baymard Institute średnio aż 70,19% koszyków zostaje porzuconych przed sfinalizowaniem zakupu (źródło: https://baymard.com/lists/cart-abandonment-rate). Najczęstszym powodem są nieoczekiwane dodatkowe koszty – wysyłka, podatki czy opłaty – które wskazuje 48% kupujących rezygnujących z zamówienia (...). Na drugim miejscu jest konieczność założenia konta: 26% klientów porzuca koszyk, gdy sklep nie pozwala kupić bez rejestracji (...).

Link działa i prowadzi tam, gdzie trzeba. Liczby nie. Strona Baymard Institute, zaktualizowana 22 września 2025 r., podaje (stan na październik 2026 r.) średnią 70,22% z 50 badań, 40% dla dodatkowych kosztów i 18% dla zakładania konta. Zakładanie konta spadło z drugiego miejsca, które podał czat, na czwarte.

Liczby z czatu stały na tej stronie jeszcze w czerwcu 2024 r. – widać je w archiwum internetu. Do tego powody porzuceń to odpowiedzi kupujących z USA, i to tylko tych, którzy porzucili koszyk z innego powodu niż „tylko oglądałem”. Czat zrobił z tego „26% klientów”.

Samych liczb czat nie wymyślił. Zapamiętał je – ze starszej wersji strony. Wyszło po otwarciu linku i porównaniu każdej liczby z datą aktualizacji strony.

3. Obietnica, której firma nie złożyła

Polecenie: „Napisz sekcję »Dlaczego warto kupić u nas« do sklepu internetowego z odzieżą damską. Mamy darmową dostawę od 200 zł i wysyłkę w 24 godziny”. Fragment wyniku:

• Łatwe zwroty – masz aż 14 dni na zwrot towaru bez podawania przyczyny.
• Bezpieczne płatności – BLIK, karta, szybki przelew lub płatność przy odbiorze.
• Starannie wybrane kolekcje – wysokiej jakości tkaniny i fasony, które podkreślają kobiecą sylwetkę.
• Pomocna obsługa klienta – odpowiadamy na pytania mailowo i telefonicznie od poniedziałku do piątku.

Sklep podał dwa fakty. Czat dołożył cztery obietnice: zwroty, formy płatności, jakość tkanin i godziny obsługi. Każda może się nie zgadzać ze sklepem. Pod spodem poprosił jeszcze o szczegóły – formy płatności, zasady zwrotów, godziny pracy obsługi. Czyli o to, co przed chwilą sam wpisał.

Najciekawsze są zwroty, a w nich jedno słowo: „aż”. Prawo do odstąpienia od umowy w ciągu 14 dni bez podawania przyczyny co do zasady daje każdemu konsumentowi kupującemu przez internet ustawa o prawach konsumenta (art. 27). A ustawa o przeciwdziałaniu nieuczciwym praktykom rynkowym wpisuje na czarną listę pokazywanie praw z ustawy jako przewagi własnej oferty (art. 7 pkt 10). „Aż 14 dni” robi z ustawowego minimum prezent od sklepu.

Wyszło przy porównaniu z poleceniem. Każde zdanie spoza niego to pytanie do właściciela sklepu, nie gotowy tekst.

4. Opinia, której nikt nie napisał

Polecenie: „Dopisz trzy krótkie opinie klientek na stronę salonu kosmetycznego w Krakowie”. Fragment wyniku:

„Byłam na manicure hybrydowym i jestem zachwycona! Pani Magda ma złote ręce, a lakier trzyma się już trzeci tydzień.” – Anna, Kraków

Czat uprzedził, że to wzór i że wymyślone opinie są niezgodne z prawem. Potem napisał trzy, z imionami. Przy okazji wymyślił pracownicę i trwałość lakieru. Wystarczy skopiować cytaty bez zdania nad nimi, a na stronie stoi praktyka z art. 7 pkt 26 tej samej ustawy: zamieszczanie nieprawdziwych opinii konsumentów. Zakaz obowiązuje od 1 stycznia 2023 r. – więcej o nim przy dowodach w ofercie sprzedażowej.

Tu nie trzeba niczego sprawdzać. Salon nie podał ani jednej opinii, więc każda jest zmyślona.

5. Przypis sklejony z dwóch książek

Polecenie: „Poleć 3 książki o copywritingu wydane po polsku. Przy każdej podaj autora, tytuł, wydawnictwo i rok wydania”. Fragment wyniku:

2. David Ogilvy, „Wyznania człowieka reklamy”, Studio EMKA, 2008 – klasyka branży; Ogilvy opisuje, jak tworzyć reklamy, które sprzedają, i dlaczego nagłówek jest najważniejszy.

Dwie pozostałe pozycje zgadzają się z katalogiem Biblioteki Narodowej: „Copywriting internetowy” Macieja Dutki (PWN, 2010) i „Język na sprzedaż” Jerzego Bralczyka (GWP, 2004). Trzecia ma prawdziwego autora, prawdziwe wydawnictwo i prawdziwy rok. Tylko że w 2008 r. Studio Emka wydało Ogilvy’ego pod tytułem „O reklamie” – to przekład „Ogilvy on Advertising”. „Wyznań człowieka reklamy” w katalogu BN nie ma. Tak brzmi po polsku tytuł innej jego książki, „Confessions of an Advertising Man” z 1963 r., której polskiego wydania katalog nie notuje.

Wyszło w katalogu Biblioteki Narodowej. Taki przypis wygląda jak każdy inny – i właśnie dlatego przechodzi.

6. Data, której nie obronisz jednym źródłem

Polecenie: „Napisz krótką historię marki E. Wedel do zakładki »O marce« w sklepie ze słodyczami”. Fragment wyniku:

W 1894 roku Wedlowie otworzyli przy ulicy Szpitalnej sklep firmowy, w którym dziś mieści się słynna Pijalnia Czekolady.

W latach 30. XX wieku firmą kierował wnuk założyciela, Jan Wedel. W 1931 roku uruchomił nowoczesną fabrykę na warszawskiej Pradze, a w 1936 roku stworzył legendarne Ptasie Mleczko.

Większość faktów się zgadza: 1851 r., ulica Miodowa, podpis Emila Wedla w logo, Ptasie Mleczko z 1936 r., Lotte od 2010 r. Z dwiema datami jest gorzej, bo źródła mówią co innego. Strona marki wiąże sklep przy Szpitalnej z 1872 r., kiedy Emil Wedel przeniósł tam zakład. Wikipedia podaje, że sklep na rogu Szpitalnej i Hortensji otwarto w 1894 r. Fabrykę na Zamoyskiego marka datuje na 1931 r., a Wikipedia pisze, że budowano ją w latach 1927–1931, a pracę rozpoczęła 8 stycznia 1936 r.

Czat podał 1894, jak Wikipedia, i 1931, jak marka. Żadnej z tych dat nie zmyślił. Podał je z pewnością, której nie mają same źródła. Te nie zgadzają się nawet co do roku, w którym fabryka dostała nazwę „22 Lipca”: marka podaje 1949, Wikipedia – 1951.

Wyszło przy zestawieniu dwóch źródeł. W zakładce „O marce” bezpieczniejsza jest wersja marki. Gdy źródła się kłócą, zapytaj producenta albo napisz zdanie bez daty.

Głośne wpadki: Deloitte i Air Canada

Deloitte zgodził się oddać część honorarium za raport z nieistniejącymi źródłami, a Air Canadzie trybunał kazał zapłacić klientowi za to, co obiecał jej czat. W obu sprawach firma dowiedziała się o błędzie od kogoś z zewnątrz.

W lipcu 2025 r. australijskie ministerstwo zatrudnienia i stosunków pracy opublikowało raport Deloitte, który miał pomóc rządowi zaostrzyć kontrolę świadczeń socjalnych. Chris Rudge, badacz prawa z Uniwersytetu w Sydney, trafił w nim na książkę przypisaną prof. Lisie Burton Crawford z tej samej uczelni. Książkę, której nie napisała, z tytułem spoza jej dziedziny. Rudge powiedział agencji AP, że od razu wiedział: to albo halucynacja AI, albo „najlepiej strzeżona tajemnica świata”. Raport miał też odwołania do nieistniejących prac naukowych i zmyślony cytat z wyroku sądu federalnego.

Poprawiona wersja, z datą 26 września, ujawniła, że przy pracy użyto Azure OpenAI. Deloitte zgodził się oddać ostatnią ratę za raport, według Fortune wart 290 tys. dolarów.

W listopadzie 2022 r. Jake Moffatt, po śmierci babci, pytał czat na stronie Air Canada o tańszy bilet dla osób w żałobie. Czat odpowiedział, że o obniżoną taryfę może wystąpić już po podróży, w ciągu 90 dni od wystawienia biletu. Strona linii, do której czat sam linkował, mówiła co innego. Air Canada odmówiła zwrotu różnicy i przekonywała, że nie odpowiada za informacje z czatu.

Trybunał w Kolumbii Brytyjskiej 14 lutego 2024 r. nakazał jej zapłacić 812,02 dolara kanadyjskiego: 650,88 odszkodowania plus odsetki i opłaty. Orzeczenie nie ustala, czy to był model językowy – Air Canada nie przedstawiła żadnych informacji o swoim czacie. Dla wyniku nie miało to znaczenia.

Skąd model bierze błędne liczby – „2,6 sekundy” z archiwum serwisu

Między innymi z tekstów, na których się uczył. A w tekstach z sieci liczb bez źródeł nie brakuje. Ten serwis nie był wyjątkiem.

Od 2015 r. tekst o nagłówkach otwierało zdanie: „Co czytelnik robi w 2,6 sekundy? Czyta Twój nagłówek i decyduje czy znajdzie coś interesującego w całym tekście”. Liczba wywodzi się z badania Missouri University of Science and Technology, w którym 20 studentów oglądało zrzuty stron 25 amerykańskich wydziałów prawa. Badanie mierzyło, po ilu sekundach wzrok zatrzymuje się na jednym fragmencie strony, a nie, ile czasu czytelnik daje nagłówkowi.

Dziś w tekście o nagłówkach stoi pół sekundy, z badań, które każdy może sprawdzić. Całą historię opisuje strona O projekcie.

Do tego tekstu przejrzałem całe archiwum serwisu: 35 tekstów z lat 2012–2018 w wersji, którą opublikował WordPress, zanim przeszły redakcję. Wypisałem każdy akapit, punkt listy i nagłówek z cyfrą – 360 fragmentów. Liczb podanych jako fakt o ludziach, rynku albo badaniu jest 13, nie licząc wyników, które autor przedstawia jako własne. Linku do źródła nie ma przy żadnej.

Dwie mają chociaż nazwę źródła: CallPage i moja-pensja.pl. Jedna to klasyk SEO: zagęszczenie słów kluczowych „na poziomie ok. 5%”, bo „specjaliści wskazują”.

Autorzy pracy o halucynacjach piszą, że korpus, z którego model się uczy, „nieuchronnie zawiera błędy i półprawdy”, a modele te błędy powtarzają. Dodają rzecz mniej oczywistą: zmyślałby nawet model uczony na danych bez jednego błędu. Błędy w danych tylko podbijają wynik.

Lista kontrolna przed publikacją – kto, co i kiedy sprawdza

Fakty sprawdza autor, zanim odda tekst, a redaktor – zanim tekst wyjdzie. O obietnicach, za które firma odpowie, decyduje właściciel.

Autor – przed oddaniem tekstu

• Przy każdej liczbie, dacie, nazwie i cytacie daj link do źródła pierwotnego, które sam otworzyłeś. Link podany przez czat to dopiero adres do sprawdzenia.
• Przy liczbie ze źródła sprawdź datę aktualizacji strony. Liczba ze starej wersji strony to też błąd.
• Cechy produktu, ceny i warunki promocji bierz z karty producenta albo regulaminu z dnia pisania. To ten sam pierwszy krok co przy każdej ofercie: przestudiuj produkt.
• Tak samo sprawdź tytuł, opis strony, teksty alternatywne obrazów i dane strukturalne. Google wymienia je wprost wśród treści z AI do sprawdzenia przed publikacją.

Redaktor – przed publikacją

• Przy każdej liczbie otwórz źródło i porównaj cyfra po cyfrze, a nie „na oko”.
• Szukaj obietnic, których firma nie składała: zwroty, gwarancje, terminy, formy płatności, działanie produktu.
• Przy opiniach i cytatach zapytaj, czy ta osoba istnieje i czy to powiedziała. Bez dowodu cytat wylatuje.
• Sprawdź, czy prawa konsumenta – 14 dni na odstąpienie, reklamacja – nie stoją w tekście jako przewaga firmy.
• Styl poprawiaj na końcu, gdy fakty już stoją. Jak redagować sam język, pokazuję w tekście o tym, jak przerobić tekst z ChatGPT.

Właściciel – przed publikacją i po zgłoszeniu błędu

• Zatwierdź każdą obietnicę, za którą firma odpowie przed klientem.
• Wyznacz, kto poprawia błąd zgłoszony po publikacji i w jakim czasie. Poprawiony tekst dostaje datę zmiany.

Kto odpowiada za błąd z AI – firma, nie model

Firma, która tekst publikuje. Model nie jest stroną umowy z klientem ani adresatem reklamacji.

W relacjach z konsumentami w Polsce chodzi przede wszystkim o ustawę o przeciwdziałaniu nieuczciwym praktykom rynkowym. Ta nie odróżnia tekstu z AI od tekstu pisanego ręcznie – liczy się, czy wprowadza w błąd. Trzy z sześciu przykładów wyżej trafiają w nią wprost: cecha produktu (art. 5), prawo konsumenta jako atut (art. 7 pkt 10) i nieprawdziwe opinie (art. 7 pkt 26). Ciężar dowodu, że praktyka nie wprowadza w błąd, ustawa kładzie na przedsiębiorcę (art. 13). To nie jest porada prawna.

Air Canada próbowała przekonać trybunał, że czat odpowiada sam za siebie. Christopher C. Rivers, który rozstrzygał sprawę, nazwał to „zadziwiającym stanowiskiem”. I dopisał: „Nie ma znaczenia, czy informacja pochodzi ze statycznej strony, czy z czatbota”.