A alucinação não se revela em testes que avaliam apenas coerência interna ou atualização de dados — ela surge quando a resposta afirma algo que não está implicado pelo contexto recuperado. Em um RAG com dados sensíveis, testamos que frases com plausibilidade sintática, mas sem base documental, passavam despercebidas com métodos baseados só em relevância e correção. O que mudou foi o uso combinado de três técnicas: sentence-level grounding (com NLI) para detectar afirmações não implicadas, LLM Judge para avaliar o vínculo entre resposta e contexto, e entity overlap para reforçar consistência de entidades. O custo do LLM Judge era alto, então ajustamos o pipeline para aplicá-lo apenas em respostas com score de plausibilidade acima de 0.7 — o que reduziu o uso em 60% sem perder detecção de falhas críticas. O que você faz quando a validação precisa ser precisa, mas o custo da inferência é um fator de escala real?