AI-hallusinasjon (KI-hallusinasjon) – hvorfor språkmodeller finner på fakta, hvor vanlig det er og hva bedriften din kan gjøre med det

Definisjon

En KI-hallusinasjon er når en språkmodell kommer med en påstand som høres troverdig ut, men er oppdiktet eller feil. Modellen gjetter heller enn å svare «vet ikke» – en forretningsrisiko når KI beskriver bedriften din, prisene dine eller tjenesten din feil.

Hva er en KI-hallusinasjon?

Ordet er lånt fra psykologien og er egentlig misvisende: modellen opplever ingenting. Den regner seg frem til et svar ord for ord, og når grunnlaget mangler, blir det oppdiktede svaret like velformulert som det korrekte. Det viktige for en beslutningstaker er derfor at en KI-hallusinasjon ikke ser ut som en feil. Teksten er flytende, tonen sikker og detaljene spesifikke. Feilen kan være et oppdiktet sitat, et produkt som ikke finnes, en pris som er feil eller en gründer som aldri har eksistert. Begrepet gjelder generativ kunstig intelligens (KI) i vid forstand: ChatGPT, Gemini, Claude, Perplexity og Googles AI Overviews kan alle hallusinere.

Det gjør hallusinasjoner vanskelige å oppdage for leseren, og det er nettopp derfor de er en forretningsrisiko, ikke en teknisk kuriositet.

Hvorfor hallusinerer språkmodeller?

Språkmodeller hallusinerer fordi de er bygget for å forutsi neste ord, ikke for å kontrollere fakta – og fordi trening og evaluering belønner gjetting fremfor «vet ikke». En LLM har ingen intern database med verifiserte opplysninger. Den har statistiske mønstre fra enorme mengder tekst. Når spørsmålet gjelder noe modellen har sett tusenvis av eksempler på, blir svaret som regel riktig. Når grunnlaget er tynt, fyller modellen hullet med det som høres mest sannsynlig ut.

OpenAI publiserte i september 2025 en forskningsartikkel som forklarer mekanismen. Modellene evalueres med tester der et gjettet svar kan gi poeng, mens «jeg vet ikke» alltid gir null. Det lærer modellen å alltid svare – også uten grunnlag. Kilde: OpenAI · Kilde: arXiv

Konklusjonen er enkel: jo mindre modellen vet om et emne, desto større er risikoen for at den finner på noe. For de fleste bedrifter er det egne merkenavnet akkurat et slikt emne.

Hvor vanlig er det at KI finner på fakta?

Hvor ofte en modell hallusinerer, varierer fra noen få prosent opp til tosifrede andeler, avhengig av modell og oppgave. Vectaras åpne toppliste måler hvor ofte modeller legger til oppdiktede opplysninger når de oppsummerer et dokument. Ved målingen våren 2026 lå de beste modellene på lave ensifrede prosenter, mens andre lå klart høyere. Kilde: Vectara Tallene endrer seg raskt med nye modellversjoner, så se dem som et øyeblikksbilde.

Testen er dessuten gunstig for modellene: de har dokumentet foran seg. I et åpent spørsmål uten grunnlag – «hva koster tjenesten til bedrift X?» – er risikoen høyere.

I domstolene er effekten dokumentert. Juristen Damien Charlotin driver en database over rettssaker der KI-genererte, oppdiktede henvisninger til rettspraksis er avdekket. Per juni 2026 inneholdt den over 1 500 saker fra hele verden, med bøter som har steget fra noen tusen dollar i 2023 til sekssifrede beløp i 2026. Kilde: Damien Charlotin

Hvordan reduserer RAG og kildehenvisning risikoen?

RAG (Retrieval-Augmented Generation) reduserer risikoen betydelig ved at modellen henter svaret fra verifiserte dokumenter i stedet for å svare fra hukommelsen – men teknikken eliminerer ikke hallusinasjoner. Bedriftens dokumenter lagres i en vektordatabase, relevant tekst hentes ved hvert spørsmål, og modellen instrueres til å svare ut fra den. Kombineres det med kildehenvisninger (citations), altså at svaret viser til kilden sin, kan brukeren kontrollere påstanden selv.

Samme mekanisme styrer det offentlige KI-søket. Perplexity, ChatGPT med nettsøk og Google AI Overviews henter innhold fra nettet i sanntid og oppgir kilder. Det betyr at det som står på nettsiden din, er grunnlaget modellen svarer ut fra. Finnes det ikke et tydelig svar der, faller modellen tilbake på gjetting. Hvordan den mekanikken fungerer i praksis, er beskrevet i Hva er AI-søk? og AI Overviews og GEO.

RAG reduserer altså risikoen i to retninger: internt, i egne chatboter og assistenter, og eksternt, ved å gi de offentlige KI-tjenestene riktig grunnlag å hente fra.

Hva skjer hvis KI beskriver bedriften din feil?

Når KI beskriver en bedrift feil, taper bedriften salg uten noen gang å få vite det. Hallusinasjoner oppstår oftest der treningsdataene er tynne, og for nesten alle bedrifter utenfor de globale gigantene er det egne merkenavnet et slikt tynt område. Modellen fyller hullet med det som er typisk for bransjen, eller med opplysninger om konkurrenter: feil prisnivå, en tjeneste dere ikke tilbyr, en integrasjon dere mangler eller en oppdiktet gründer. Kilde: Insightland

Mønsteret som koster mest, er et annet. Når modellen mangler informasjon, har den en tendens til å svare «nei» heller enn «vet ikke». Spør en potensiell kunde «støtter X integrasjon med Y?», og svaret ikke står tydelig på nettsiden deres, er risikoen stor for at KI svarer at støtten mangler. Den potensielle kunden går videre til neste leverandør. Ingen i selskapet deres ser spørsmålet.

Air Canada-saken viser at ansvaret dessuten ligger hos bedriften. Flyselskapets chatbot fant på en rabattordning ved dødsfall i familien som ikke fantes. Kunden kjøpte billett i den tro at rabatten gjaldt, og i februar 2024 dømte British Columbias Civil Resolution Tribunal selskapet til å betale 812,02 CAD. Selskapets argument om at chatboten var en egen juridisk enhet, ble avvist. Kilde: McCarthy Tétrault

Det finnes heller ingen «rett fakta»-knapp hos modelleverandørene. I en GDPR-sak drevet av organisasjonen noyb opplyste OpenAI at feilaktige opplysninger ikke kan korrigeres i modellen, bare filtreres bort. Kilde: noyb Det eneste en bedrift kan påvirke, er grunnlaget modellen henter fra.

Hvordan sørger du for at KI beskriver bedriften din riktig?

Det mest effektive en bedrift kan gjøre, er å gjøre riktig informasjon lett å finne, hente og sitere – det som innen AEO kalles Owned AEO. Dere styrer ikke modellen, men dere styrer hva den finner når den leter. Fire tiltak som pleier å gi størst effekt:

• En faktaside om bedriften. En side som svarer rett ut på hva dere gjør, for hvem, hvor, hvor lenge dere har eksistert, hvilken prismodell dere har og hvilke integrasjoner som finnes. Korte, selvstendige avsnitt: ett spørsmål, ett svar.
• Konsekvent entitetsinformasjon. Samme bedriftsnavn, adresse, gründer og beskrivelse på nettsiden, LinkedIn, bransjekataloger og pressemateriell. Motstridende opplysninger er råmateriale for hallusinasjoner; et entydig bilde av dere som entitet gir modellen noe å forankre svaret i.
• Schema markup. Strukturert data for Organization, Product, Service og FAQ gjør at maskiner leser fakta som fakta, ikke som tekst som må tolkes.
• Siterbare svar på kjøperens spørsmål. Skriv ut spørsmålene selgerne deres får hver uke – «fungerer det med …», «hva koster …», «passer det for …» – som tydelige, fullstendige svar. Det er disse avsnittene KI-tjenestene henter.

Legg til løpende måling: still spørsmålene dere får fra potensielle kunder, til ChatGPT, Perplexity og Gemini én gang i måneden, og dokumenter svarene. Omtaler av merkevaren (brand mentions) i pålitelige eksterne kilder styrker bildet ytterligere – jo flere kilder som sier det samme, desto mindre rom for gjetting. Hvordan dette passer inn i en større plan, er beskrevet i AI-strategi for bedrifter.