Allucinazioni di Citazioni dell'IA
e Come Individuarle

Una citazione allucinata è un riferimento generato da un sistema di IA che non corrisponde ad alcuna pubblicazione reale e verificabile. Può essere un articolo del tutto inventato, un titolo autentico associato a un DOI fittizio, o un articolo reale attribuito ad autori che non l'hanno mai scritto. Il risultato sembra credibile — nomi di riviste reali, titoli plausibili, DOI formattati correttamente — ed è proprio per questo che sfugge a un controllo visivo rapido.

I grandi modelli linguistici come ChatGPT, Claude e Gemini producono tutto ciò perché sono progettati per generare testo statisticamente plausibile, non per eseguire ricerche nelle banche dati. Quando si chiedono "tre articoli su un argomento", il modello assembla riferimenti che sembrano ciò che tali articoli sarebbero. Sta completando del testo, non recuperando informazioni.

Il rischio non si limita ai casi in cui hai chiesto a un'IA di trovare fonti. Un modello può anche inserire una citazione mentre fa tutt'altro — rifinire un abstract, riformulare una sezione di metodi — perché aggiungere un riferimento fa apparire il testo più autorevole. Tu non l'hai chiesta e, a meno che tu non riscontri la bibliografia con il corpo del testo, potresti non accorgerti che è stata aggiunta.

È un comportamento misurato, non un aneddoto. Diversi studi sottoposti a revisione paritaria lo quantificano ormai:

• Walters e Wilder (2023), su Scientific Reports, hanno rilevato che una quota sostanziale delle citazioni bibliografiche generate da ChatGPT era inventata o conteneva errori abbastanza gravi da trarre in inganno un lettore che non le verificava (doi.org/10.1038/s41598-023-41032-5).
• Topaz e colleghi (2026) hanno pubblicato su The Lancet un audit sull'integrità dei riferimenti che ha riguardato 2,5 milioni di articoli biomedici, individuando citazioni inventate in tutta la letteratura e una tendenza in crescita nel tempo (doi.org/10.1016/S0140-6736(26)00603-3).
• Resnik e Hosseini (2026), su Accountability in Research, sostengono che le citazioni allucinate possano costituire cattiva condotta nella ricerca quando fungono da dati — ad esempio nelle revisioni sistematiche — e l'autore non verifica ciò che l'IA produce (doi.org/10.1080/08989621.2026.2645390). Se una simile omissione raggiunga la soglia della cattiva condotta dipende dal criterio giuridico di temerarietà (recklessness) — distinto dalla semplice negligenza — che Caron et al. (2025) esaminano nel dettaglio (doi.org/10.1080/08989621.2023.2256650).

Oltre al mondo accademico, la stessa modalità di errore è visibile nei tribunali: una banca dati pubblica gestita dal ricercatore giuridico Damien Charlotin documenta oltre 1.500 decisioni giudiziarie in cui l'IA generativa ha prodotto citazioni inventate (Charlotin, 2026). Si tratta di atti processuali — un ambito estraneo alle banche dati accademiche qui usate — ma lo schema è identico.

Ogni studio sottoposto a revisione paritaria citato sopra è stato verificato con AiCitationChecker prima di pubblicare questa pagina — il che è appropriato, per un articolo sulle citazioni non verificate.

Le piattaforme scientifiche hanno iniziato a trattare l'uso disinvolto dell'IA come un problema concreto. Nel 2026 il server di preprint arXiv ha annunciato un'applicazione più rigorosa che ritiene gli autori responsabili dell'output dell'IA non verificato — comprese le citazioni allucinate — una svolta ampiamente riportata dalla stampa scientifica e tecnologica. La politica non è anti-IA; codifica un principio sempre rimasto implicito: gli autori sono responsabili di tutto ciò che è nel loro articolo, comunque sia stato generato.

La conseguenza pratica è che un singolo riferimento inventato non è più una svista innocua. Può innescare un rifiuto immediato, un'indagine sull'integrità o una correzione — e, poiché le citazioni si propagano, un riferimento inventato citato una volta può insinuarsi in articoli e revisioni successivi. Verificare la bibliografia prima dell'invio è passato da buona pratica a gestione basilare del rischio.

Nessuno strumento di verifica può coprire ogni disciplina allo stesso modo. Verificare un riferimento significa confrontarlo con banche dati accademiche come CrossRef e OpenAlex, la cui copertura varia per disciplina — solida per gli articoli di rivista con DOI, più scarsa per alcuni libri, capitoli e sedi di nicchia. I risultati possono quindi differire a seconda di ciò su cui lavori.

È proprio per questo che ogni account AiCitationChecker include verifiche giornaliere gratuite: prova le tue citazioni, nella tua disciplina, e osserva come si comporta lo strumento prima di affidartici — o di pagare alcunché. Preferiamo che tu confermi che fa al caso tuo piuttosto che crederci sulla parola.

• Tratta ogni citazione fornita dall'IA come non verificata finché non si dimostra il contrario — un'ipotesi provvisoria, non un fatto.
• Controlla ogni DOI: conferma che rimandi a un articolo il cui titolo, autori e anno corrispondano davvero alla citazione.
• Riscontra con banche dati autorevoli — un articolo autentico compare in almeno una tra CrossRef, OpenAlex o PubMed.
• Verifica l'intero elenco di riferimenti prima dell'invio, non solo quelli che hai consapevolmente chiesto a un'IA di trovare.
• Automatizza il primo passaggio affinché il controllo sia tanto rapido da non saltarlo mai.

Riferimenti completi delle fonti citate in questo articolo:

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 [banca dati]. https://www.damiencharlotin.com/hallucinations/