Por que IA pura alucina endereço de PDV sem ninguém perceber

A operação cresceu, o cadastro de PDV está bagunçado, o gerente de TI sugere "deixa eu jogar isso no ChatGPT pra limpar". Em 2 horas, planilha de 20 mil registros sai "validada" — endereço completo, coordenada, tipologia. Time financeiro acha ótimo. Operação começa a usar.

Três meses depois, motorista chega em endereço que não existe. Vendedor cobra cliente que mudou de bairro há 2 anos. Cobrança fiscal é mandada pra residência onde mora outra empresa. O cadastro "validado" pela IA estava parcialmente inventado — e a IA tinha certeza sobre os dados que inventou.

Esse é o problema da alucinação de IA em cadastro crítico. Não é falha técnica. É característica do modelo. Quem não conhece, paga caro.

O que é alucinação no contexto de cadastro

LLM (Claude, GPT, Gemini) não diferencia entre saber e inferir. Quando recebe "Rua das Flores, 234, Centro, São Paulo" pede pra completar/validar, ele:

1. Busca padrão em dados de treino similares
2. Gera resposta que parece plausível
3. Retorna com confiança alta

Se "Rua das Flores, 234, Centro, São Paulo" existe no treino, retorna correto. Se não existe mas existe coisa parecida (Rua das Flores em outro bairro, Rua dos Lírios no Centro), o modelo pode mesclar e inventar — mantendo a confiança alta.

A alucinação é mais comum em:

• Endereço incompleto (sem número, com erro de digitação)
• Bairro genérico (CEP que cobre área grande)
• Nome de cidade ambíguo (várias cidades com nome igual no Brasil)
• Cadastro antigo (cidade renomeou rua, IA usa nome novo sem perceber)

Por que IA pura é particularmente perigosa em cadastro

Três motivos:

1. Erro vem com confiança alta. API retorna status: OK. Quem usa não sabe que tem erro. Diferente de validação humana, que quando duvida, pergunta.

2. Erro escala silenciosamente. Operação valida 20.000 registros, 15-20% são alucinação plausível. Não dá pra revisar 20.000 manualmente — a empresa que ia usar IA pra escalar não consegue checar.

3. Erro só aparece no fim da cadeia. Caminhão chega no endereço errado, vendedor cobra cliente errado, NF volta. Causa raiz (cadastro inventado) leva semanas pra ser identificada.

Em cadastro genérico (lista de e-mails marketing), alucinação é problema. Em cadastro crítico (operação capilar, cobrança, saúde, expansão geográfica), é desastre operacional.

Por que cruzar com fontes resolve

A regra é simples: nenhuma fonte sozinha decide.

• Pra cada registro, sistema pergunta a múltiplas fontes (Google Maps, OpenStreetMap, Receita Federal, análise visual via Street View)
• Quando todas concordam → confiança alta, atualização automática
• Quando divergem → flag pra revisão humana, com evidência consolidada

Alucinação vira visível porque uma fonte humana (Receita Federal, OSM mantido por mapeador) discorda. O erro deixa de ser silencioso.

O custo escondido de não cruzar

Operação que limpa cadastro com IA pura sem cruzar tipicamente acumula:

• 15-25% de cadastro com erro disfarçado (geocoding errado, número inventado, bairro mesclado)
• Roteirização que consome o erro silenciosamente
• Cobrança gerando dívida em endereço errado
• Comercial perdendo cliente por dado podre
• Auditoria descobrindo, eventualmente, e gerando retrabalho grande

Em base de 50k+ registros, custo material é fácil de medir.

O sinal de alerta

Se sua operação ouviu ou está pensando em "vamos rodar o cadastro inteiro num LLM", recue. Faz sentido fazer parte do trabalho com IA, mas precisa cruzar com fonte humana antes de aplicar.

A pergunta que separa IA útil de IA perigosa:

• IA útil: "Pra cada registro, qual o nível de confiança e qual a evidência?"
• IA perigosa: "Limpa tudo e me devolve a planilha pronta."

A diferença é arquitetural. Não é "qual modelo escolher". É "como o modelo opera".

Onde IA cruzada faz sentido

• Cadastro com 10k+ registros (manual é inviável)
• Endereço alimenta processo crítico (rota, cobrança, expedição, atendimento)
• Existe discrepância conhecida entre cadastro e realidade
• Operação tem disposição de manter operador validando os casos divergentes (3-15% do total)

Pra esses, cruzamento multi-fonte é a forma honesta de usar IA em data quality.

Próximo passo

Se sua operação precisa limpar cadastro mas não quer trocar problema por outro, a FELGOR Vision implementa cruzamento multi-fonte com score de confiança por campo. Se quiser ver aplicado, agende um diagnóstico de 30 minutos com os fundadores.