Alucinaciones de Citas por IA
y Cómo Detectarlas

Una cita alucinada es una referencia generada por un sistema de IA que no corresponde a ninguna publicación real y verificable. Puede ser un artículo completamente inventado, un título auténtico unido a un DOI fabricado, o un artículo real atribuido a autores que nunca lo escribieron. El resultado parece creíble — nombres de revistas reales, títulos plausibles, DOIs con formato correcto — y por eso precisamente esquiva una revisión visual rápida.

Los grandes modelos de lenguaje como ChatGPT, Claude y Gemini producen esto porque están diseñados para generar texto estadísticamente plausible, no para realizar búsquedas en bases de datos. Cuando se les pide "tres artículos sobre un tema", el modelo ensambla referencias que parecen lo que tales artículos serían. Está completando texto, no recuperando información.

El riesgo no se limita a los casos en que pediste a una IA que buscara fuentes. Un modelo también puede insertar una cita mientras hace otra cosa completamente distinta — pulir un resumen, reformular una sección de métodos — porque añadir una referencia hace que el texto se lea como más autorizado. Tú no lo pediste y, a menos que vuelvas a contrastar la bibliografía con el cuerpo del texto, puede que no notes que se añadió.

Es un comportamiento medido, no una anécdota. Varios estudios revisados por pares ya lo cuantifican:

• Walters y Wilder (2023), en Scientific Reports, hallaron que una proporción sustancial de las citas bibliográficas generadas por ChatGPT estaban fabricadas o contenían errores lo bastante graves como para inducir a error a un lector que no las comprobara (doi.org/10.1038/s41598-023-41032-5).
• Topaz y colaboradores (2026) publicaron en The Lancet una auditoría de integridad de referencias que abarca 2,5 millones de artículos biomédicos, identificando citas fabricadas en toda la literatura y una tendencia al alza con el tiempo (doi.org/10.1016/S0140-6736(26)00603-3).
• Resnik y Hosseini (2026), en Accountability in Research, sostienen que las citas alucinadas pueden constituir mala conducta científica cuando funcionan como datos — por ejemplo, en revisiones sistemáticas — y el autor no verifica lo que produce la IA (doi.org/10.1080/08989621.2026.2645390). Que tal omisión llegue a ser mala conducta depende del estándar legal de temeridad (recklessness) — distinto de la mera negligencia — que Caron et al. (2025) examinan en detalle (doi.org/10.1080/08989621.2023.2256650).

Más allá del ámbito académico, el mismo modo de fallo es visible en los tribunales: una base de datos pública mantenida por el investigador jurídico Damien Charlotin documenta más de 1.500 decisiones judiciales en las que la IA generativa produjo citas fabricadas (Charlotin, 2026). Son escritos judiciales — un ámbito ajeno a las bases de datos académicas que aquí se usan — pero el patrón es idéntico.

Cada estudio revisado por pares citado arriba fue comprobado con AiCitationChecker antes de publicar esta página — apropiado, para un artículo sobre citas sin verificar.

Las plataformas científicas han empezado a tratar el uso descuidado de la IA como un problema accionable. En 2026, el servidor de preprints arXiv anunció una aplicación más estricta que responsabiliza a los autores de la salida de IA sin revisar — incluidas las referencias alucinadas — un giro ampliamente recogido por la prensa científica y tecnológica. La política no es anti-IA; codifica un principio que siempre estuvo implícito: los autores son responsables de todo lo que hay en su artículo, sea cual sea su origen.

La consecuencia práctica es que una sola referencia fabricada ya no es un desliz inofensivo. Puede desencadenar un rechazo de entrada, una revisión de integridad o una corrección — y, como las citas se propagan, una referencia fabricada citada una vez puede filtrarse en artículos y revisiones posteriores. Verificar tu bibliografía antes de enviarla ha pasado de buena higiene a gestión básica del riesgo.

Ninguna herramienta de verificación puede cubrir todas las disciplinas por igual. Comprobar una referencia significa cotejarla con bases de datos académicas como CrossRef y OpenAlex, y su cobertura varía según el campo — sólida para artículos de revista con DOI, más escasa para algunos libros, capítulos y revistas de nicho. Por tanto, los resultados pueden diferir según aquello en lo que trabajes.

Por eso precisamente cada cuenta de AiCitationChecker incluye verificaciones diarias gratuitas: prueba tus propias referencias, en tu propio campo, y comprueba cómo funciona la herramienta antes de depender de ella — o de pagar nada. Preferimos que confirmes que encaja con tu trabajo a que te fíes de nuestra palabra.

• Trata cada cita aportada por IA como no verificada hasta demostrar lo contrario — una hipótesis preliminar, no un hecho.
• Comprueba cada DOI: confirma que resuelve a un artículo cuyo título, autores y año coincidan realmente con la cita.
• Coteja con bases de datos autorizadas — un artículo auténtico aparece al menos en una de CrossRef, OpenAlex o PubMed.
• Verifica toda la lista de referencias antes de enviarla, no solo las que pediste a sabiendas a una IA.
• Automatiza la primera pasada para que comprobar sea tan rápido que nunca lo omitas.

Referencias completas de las fuentes citadas en este artículo:

1. Walters, W. H., & Wilder, E. I. (2023). Fabrication and errors in the bibliographic citations generated by ChatGPT. Scientific Reports, 13(1), 14045. https://doi.org/10.1038/s41598-023-41032-5
2. Topaz, M., Roguin, N., Gupta, P., Zhang, Z., & Peltonen, L.-M. (2026). Fabricated citations: an audit across 2.5 million biomedical papers. The Lancet, 407(10541), 1779–1781. https://doi.org/10.1016/S0140-6736(26)00603-3
3. Resnik, D. B., & Hosseini, M. (2026). Hallucinated citations produced by generative artificial intelligence may constitute research misconduct when citations function as data in scholarly papers. Accountability in Research. https://doi.org/10.1080/08989621.2026.2645390
4. Caron, M. M., Dohan, S. B., Barnes, M., & Bierer, B. E. (2025). Defining “recklessness” in research misconduct proceedings. Accountability in Research, 32(2), 120–142. https://doi.org/10.1080/08989621.2023.2256650
5. Charlotin, D. (2026). AI Hallucination Cases [base de datos]. https://www.damiencharlotin.com/hallucinations/