Los modelos de lenguaje para video (Video-LLMs) han avanzado enormemente en la comprensión de contenido audiovisual, pero un problema persistente es la generación de alucinaciones: respuestas convincentes pero sin sustento en la evidencia visual. Técnicas como la decodificación contrastiva (CD) intentan mitigarlo mediante perturbaciones aleatorias, pero a menudo no atacan las causas reales del error. En este contexto surge MACD (Decodificación Contrastiva Consciente del Modelo), una estrategia de inferencia que combina la construcción de datos contrafactuales guiada por el propio modelo con la decodificación contrastiva. En lugar de modificar fotogramas de forma arbitraria, MACD identifica las regiones de objetos que más contribuyen a la alucinación —como objetos pequeños, ocluidos o que coexisten— y genera entradas contrafactuales específicas a nivel de objeto. Esto permite que durante la decodificación se seleccionen tokens respaldados por evidencia real, reduciendo significativamente las alucinaciones sin sacrificar precisión en tareas como EventHallusion, MVBench, Perception-test o Video-MME. Este enfoque es especialmente relevante para aplicaciones empresariales de inteligencia artificial que requieren fiabilidad, como sistemas de videovigilancia, automatización de procesos con agentes IA o análisis de comportamiento. En Q2BSTUDIO entendemos estos desafíos y ofrecemos soluciones de inteligencia artificial para empresas que integran modelos robustos y libres de sesgos. Además, desarrollamos aplicaciones a medida y software a medida adaptados a necesidades específicas, ya sea en servicios cloud AWS y Azure, ciberseguridad o servicios inteligencia de negocio con Power BI. La combinación de tecnología de vanguardia y experiencia práctica nos permite construir sistemas donde la alucinación no es una opción. MACD representa un paso firme hacia una IA más transparente y confiable, y desde Q2BSTUDIO acompañamos a las organizaciones en la adopción de estas innovaciones.