¿Qué son las personas sintéticas? Guía completa (2026)

2026-08-13 · 17 min de lectura

Ideas clave

• Las personas sintéticas son encuestados generados por IA y anclados en perfiles demográficos y actitudinales extraídos de encuestas reales de población; responden a las preguntas de investigación desde ese papel.
• Rinden mejor en comparaciones, cribado y amplitud; peor en cifras absolutas, categorías nuevas y poblaciones especializadas.
• El techo de calidad lo fijan los datos de anclaje, no el tamaño del modelo: condicionar con distribuciones reales de población es lo que acerca el resultado sintético a los datos de encuestas reales (Sun et al., 2024).
• Complementan la investigación real y nunca la sustituyen. La literatura revisada por pares las sitúa en las fases iniciales —en pretests y estudios piloto—, no en el estudio que resuelve la decisión (Sarstedt et al., 2024).

¿Qué es una persona sintética?

Una persona sintética es un participante de investigación simulado: un modelo de lenguaje anclado en un perfil demográfico y psicográfico al que se pide responder desde ese papel a preguntas de entrevista, ítems de encuesta o estímulos creativos. A diferencia de una persona tradicional —un documento estático que describe un tipo de cliente—, es interactiva: puede preguntarle algo que el perfil no anticipaba y obtener una respuesta.

Esa interactividad es precisamente el objetivo y también el origen de la controversia. Una persona sintética no tiene opiniones propias; trabaja con una distribución de probabilidad, aprendida a partir de texto, sobre lo que diría de forma verosímil alguien con ese perfil. Que se aproxime lo suficiente a una población real como para fundamentar una decisión depende de cómo se haya construido la persona y de qué se le pregunte. Una revisión publicada en 2024 en Psychology & Marketing, que comparaba muestras de silicio con muestras humanas, halló que la concordancia varía considerablemente entre dominios y situó su potencial en las fases iniciales: el pretest cualitativo y los estudios piloto (Sarstedt et al., 2024). La categoría más amplia se aborda en nuestra guía sobre usuarios sintéticos.

El término entró en el vocabulario empresarial más deprisa que la evidencia. Nielsen Norman Group aplicó usuarios sintéticos a tres de sus propios estudios, encontró resultados superficiales y complacientes y concluyó que pueden servir de apoyo a la investigación documental, pero nunca sustituir a usuarios reales (Moran, 2024). Interactions, de la ACM, fue más lejos en «The Synthetic Persona Fallacy» y acusó a la categoría de tomar prestada la autoridad de la investigación mientras abandona sus exigencias (Papangelis, 2025). Ambos aciertan al describir cómo se venden estas herramientas; el uso útil aparece más adelante en el proceso.

Personas sintéticas frente a personas tradicionales

Las personas tradicionales son un artefacto de síntesis: un investigador realiza doce entrevistas, detecta tres patrones y los redacta como personajes con nombre propio. Las personas sintéticas son un artefacto de muestreo.

Una persona tradicional de 2022 colgada en una pared en 2026 no es más veraz que una sintética: se equivoca más despacio y con una seguridad menos visible. Ninguna se valida a sí misma ni decide la estrategia: el resultado de una segmentación es descriptivo, no estratégico (Sharp, Dawes y Victory, 2024), y un reanálisis de los experimentos de segmentación psicológica más conocidos concluyó que no demostraban que ese enfoque superase a la publicidad ordinaria (Sharp, Danenberg y Bellman, 2018).

Personas sintéticas, encuestados sintéticos y gemelos digitales

Una persona sintética es un personaje único y ricamente especificado para trabajo cualitativo: entrevistas largas, preguntas abiertas, repreguntas. Se usan unas pocas, porque lo que se busca es profundidad. Un encuestado sintético es una unidad más ligera empleada a escala: con los atributos justos para contestar una encuesta, no para sostener una entrevista de dos horas. Se usan cientos, porque lo que se busca son distribuciones.

Un gemelo digital es una afirmación mucho más fuerte: el modelo de una persona real concreta, construido con sus propios datos, para predecir qué haría ella. Si un proveedor usa el término de manera informal, conviene tomarlo como una señal de alarma, porque el listón probatorio es mucho más alto. Poner a prueba la predicción a nivel individual exige algo como Twin-2K-500, donde 2.058 participantes estadounidenses dedicaron una media de 2,4 horas a más de 500 preguntas repartidas en cuatro oleadas; la última repetía tareas anteriores para establecer una línea base de test-retest (Toubia et al., 2025). Los primeros análisis resultan prometedores, pero conjuntos de datos con esa profundidad apenas existen.

Cómo se construye realmente una persona sintética

Aquí es donde la investigación de mercado con personas sintéticas gana o pierde credibilidad: el proceso marca la diferencia entre un instrumento de investigación y un autocompletado disfrazado.

1. Especificación demográfica. Se describe la población: mercado, franja de edad, ingresos, situación laboral, composición del hogar y los rasgos de comportamiento que importen. Todo lo que viene después se condiciona con eso.

2. Anclaje en datos reales de encuestas. Las actitudes de la persona no las inventa el modelo. SynthFolk las muestrea de la Encuesta Social Europea y del Eurobarómetro: decenas de miles de respuestas reales sobre confianza institucional, valores, consumo de medios, seguridad financiera y actitudes sociales en toda Europa. El mecanismo no tiene nada de exótico: Sun et al. (2024) comprobaron que condicionar únicamente con distribuciones demográficas de grupo producía distribuciones de respuesta «notablemente similares» a las de los sondeos de opinión reales en Estados Unidos, y que la fidelidad depende del grupo y del tema.

3. Asignación de región cultural. El país es un indicador imperfecto de las actitudes, aunque mejor que nada. Por eso SynthFolk asigna los mercados a cinco regiones culturales derivadas empíricamente de los datos de encuesta y no de la geografía. Los patrones nórdico, mediterráneo, centroeuropeo, occidental y postransicional parten así diferenciados, en vez de fundirse en una única media europea. Ese aplanamiento es precisamente el fallo contra el que hay que diseñar: reducir a las personas a unos pocos parámetros pierde todo lo que esos parámetros no recogen, el llamado reduccionismo paramétrico (Valenzuela et al., 2024).

4. Detección de intención y asignación del instrumento. La pregunta de investigación se analiza para determinar qué tipo de estudio requiere —entrevista exploratoria, comparación medida o evaluación de estímulos— y se dirige al módulo correspondiente. Plantear a un panel de entrevistas una pregunta que exige una distribución produce disparates expresados con seguridad.

5. Generación de respuestas con respaldo adaptativo. Cada persona se consulta de forma independiente, en vez de incluirla en una conversación compartida; así se preserva el desacuerdo que hace informativo el ejercicio. Agrupar voces es un diseño débil incluso con gente real: en los rediseños de packaging más recientes de 227 profesionales de marketing, los grupos focales figuraban entre los métodos asociados a resultados menos exitosos (Caruso et al., 2025). Una capa de respaldo redirige la petición cuando un modelo no está disponible.

El anclaje limita las actitudes de partida; no garantiza que el modelo razone correctamente sobre su producto. Los datos de encuesta tienen una fecha de recogida. Un anclaje europeo es europeo: una persona fuera de esa cobertura es menos fiable.

Véalo en funcionamiento: SynthFolk construye un panel a partir de una descripción del público en lenguaje corriente. Vea el flujo cualitativo.

Para qué sirven las personas sintéticas

Cribado de conceptos. Tiene catorce declaraciones de posicionamiento y presupuesto para probar tres. Un panel sintético ayuda a separar la mitad inferior de la superior: ejecute de 3 a 8 personas, observe qué conceptos suscitan objeciones fundadas en lugar de asentimiento cortés y lleve los que superen el filtro a una prueba real. Es el uso en fases iniciales que Sarstedt et al. (2024) identifican como defendible.

Comparación de creatividades y mensajes. Los juicios relativos resisten mejor el sesgo del modelo que los absolutos: quien compara dos variantes de un anuncio responde a «cuál se entiende mejor», y ahí la precisión direccional es alcanzable. La investigación real con estímulos no sale barata: un estudio de 2026 presentó 48 packs rediseñados a 484 consumidores estadounidenses y 491 británicos (Caruso et al., 2026). Nuestro módulo de análisis de medios ejecuta esa comparación con entre 10 y 50 evaluadores para decidir qué candidatos merecen presupuesto.

Pretest de instrumentos. Antes de gastar en reclutamiento, pruebe su guion de entrevista con encuestados sintéticos: los ítems ambiguos producen respuestas sintéticas incoherentes, igual que ocurre con las humanas. Pilotar una guía es uno de los pocos usos que NN/g respalda (Moran, 2024).

Primeras pasadas multimercado. Un estudio en una docena de mercados es prohibitivo con paneles reales y barato en versión sintética. Las cifras por mercado no serán defendibles —la fidelidad varía por subgrupo y por tema (Sun et al., 2024)—, pero permite saber qué mercados justifican trabajo de campo.

Dónde fallan las personas sintéticas

Todo tratamiento honesto de esta categoría necesita esta sección; su ausencia en la página de un proveedor también dice algo. Nuestra revisión de qué precisión tienen los encuestados sintéticos recorre la literatura; los fallos son predecibles.

Sensibilidad al precio con grano fino. Un panel sintético puede indicarle que 49 € se lee como caro y 19 € como barato. No puede distinguir 22,90 € de 24,50 €. El razonamiento es estructural: una comparación sobrevive a cualquier distorsión que conserve el orden; un umbral absoluto, no, y como la concordancia entre silicio y humanos varía según el dominio, no hay factor de corrección que aplicar (Sarstedt et al., 2024).

Poblaciones de baja incidencia y especializadas. Los datos de anclaje son más escasos justo donde más precisión se necesita, y la ficción no parecerá ficción. Fernandez, Berner y Shevlin dieron a un modelo comercial estándar únicamente descripciones diagnósticas breves y generaron 2.106 personas sintéticas a partir de 13 perfiles informados por el DSM. Esas personas superaron los puntos de corte clínicos en cinco de siete instrumentos validados de cribado psiquiátrico, con una gravedad que aumentaba de forma monótona en los siete (todos con P < 0,001). Concluyen que una declaración coherente de síntomas por encima de los umbrales clínicos ya no puede acreditar una participación auténtica. Un panel sintético de una población rara es ficción con buena gramática, y superará su instrumento.

Medición de recuerdo y notoriedad de marca. Los modelos conocen las marcas por el texto de entrenamiento, no por el reconocimiento parcial que tienen los consumidores reales. La notoriedad es conductual: en una replicación controlada, las personas ante diferenciales marcados de notoriedad eligieron mayoritariamente la marca más conocida pese a las diferencias de calidad y precio (Macdonald y Sharp, 2000), y la saliencia es la propensión de una marca a venir a la mente en una situación de compra, una propiedad de las estructuras de memoria y no del texto (Romaniuk y Sharp, 2004).

Cualquier cosa posterior al corte de entrenamiento. Nuevos competidores, regulación reciente, una categoría surgida el año pasado: el modelo interpola con seguridad y el resultado no lo delatará.

Tabúes culturales específicos y temas sensibles. El entrenamiento de alineación empuja a los modelos hacia respuestas inofensivas y complacientes. La revisión de Lin sobre la contaminación por IA cuantifica el efecto homogeneizador —45 % de similitud entre resúmenes mediados por modelo frente a 27 % en los humanos— y señala que el saneamiento «trunca precisamente las colas de la distribución: expresiones de prejuicio, ambivalencia, opiniones extremas» (Lin, s. f.). Donde los encuestados reales matizan o se niegan a contestar, los sintéticos colaboran cortésmente y las diferencias entre subgrupos se colapsan en una opción mayoritaria por defecto.

Comportamiento observado de cualquier tipo. Las personas sintéticas reportan lo que la gente dice, no el apaño que alguien improvisó ni la vacilación antes de un clic. Las preguntas conductuales requieren datos conductuales: establecer cómo se concentra el gasto en grandes almacenes exigió 550 millones de transacciones a lo largo de tres años (Tanusondjaja et al., 2023). Las pruebas de usabilidad, los estudios de diario y la indagación contextual no tienen equivalente sintético.

Dicho claramente: la investigación sintética complementa la investigación real y nunca la sustituye. No ofrece opiniones reales de personas reales, sino una vía rápida para generar hipótesis que después se validan con humanos. En eso convergen la revisión con arbitraje (Sarstedt et al., 2024) y la crítica profesional más destacada (Moran, 2024). Un equipo que compra un panel sintético en lugar de una función de investigación compra una forma cara de confirmar sus creencias.

Cómo evaluar si una persona sintética es buena

Cinco comprobaciones que puede realizar en una tarde con cualquier herramienta, incluida esta. Conviene repetirlas cada vez que cambie el modelo, porque la redacción del prompt y la versión del modelo son variables cambiantes en la simulación con LLM (Ong, 2024).

1. Pida una fuente de anclaje concreta. «Entrenado con datos reales» no es una respuesta. Pregunte qué encuesta, qué oleadas, qué países y cuántas respuestas. Anclar en distribuciones reales es lo que marca la diferencia (Sun et al., 2024); sin ello, las personas son las creencias previas del modelo con una etiqueta demográfica.
2. Compruebe la divergencia. Haga la misma pregunta moderadamente polémica a diez personas. Si coinciden, está leyendo el modelo y no una población: el texto mediado por modelo es más homogéneo que el humano (Lin, s. f.).
3. Plantee una pregunta de respuesta conocida. Elija algo de lo que ya tenga datos reales: un estudio anterior, una encuesta de clientes o una estadística pública. La concordancia direccional es el criterio de aprobación; una coincidencia exacta debería hacerle sospechar. Contrastar con sus propios datos previos es evidencia legítima (Golder et al., 2023).
4. Revise los subgrupos. Segmente los resultados por la variable demográfica que más debería importar. Si los subgrupos se parecen a la muestra total con algo de ruido, las personas han colapsado hacia una única opción por defecto: reduccionismo paramétrico (Valenzuela et al., 2024) en la dimensión donde se sabe que varía la fidelidad de las muestras de silicio (Sun et al., 2024).
5. Intente ponerlo a prueba. Pregunte algo que la persona no tiene por qué saber: las noticias de la semana pasada o un umbral de precio exacto. Un sistema bien construido advertirá del límite. No acepte la fluidez como garantía: un agente de IA autónomo superó el 99,8 % de 6.000 controles de atención diseñados para detectar humanos descuidados (Lin, s. f.), de modo que la coherencia es evidencia sobre el modelo, no sobre los datos.

Preguntas frecuentes

¿Son precisas las personas sintéticas?

La primera pregunta es: precisas ¿para qué? La evidencia de revisión indica que la concordancia entre muestras de silicio y humanas varía considerablemente entre dominios, sin una cifra única que citar (Sarstedt et al., 2024). Las distribuciones agregadas pueden acercarse a los sondeos reales cuando el modelo se condiciona con la demografía poblacional, aunque la fidelidad varíe por subgrupo y por tema (Sun et al., 2024); la predicción a nivel individual sigue siendo una frontera de investigación (Toubia et al., 2025); y el resultado sintético está menos disperso que el humano (Lin, s. f.). Tome la concordancia direccional como estándar. Aquí está la revisión completa de la evidencia.

¿Pueden las personas sintéticas sustituir la investigación con usuarios reales?

No. Cambian la economía de preguntas que nunca financiaría y afinan la investigación real al descartar los desvíos evidentes. Cualquier decisión con exposición regulatoria, de seguridad, financiera o reputacional necesita participantes reales.

¿Cuántas personas sintéticas hacen falta?

Para trabajo cualitativo, de 3 a 8. A partir de ahí se obtienen reformulaciones en lugar de información nueva, porque las personas proceden de una misma distribución y el texto generado por el modelo ya es más homogéneo que el humano de partida (Lin, s. f.). Para trabajo cuantitativo se necesita una muestra, no un panel: de 50 a 250 encuestados, según cuántos subgrupos vaya a analizar.

¿Cuánto cuestan las personas sintéticas?

En SynthFolk, un estudio cualitativo de tres personas parte de 6 créditos; cada modelo y cada tamaño de estudio tienen un precio en créditos publicado en la página de precios, sin necesidad de una llamada comercial. La comparación pertinente es con los 10.000-40.000 € y las seis semanas de un estudio cualitativo convencional, que ofrece algo mejor, pero responde a una sola pregunta.

¿Cumplen las personas sintéticas con el RGPD?

Las personas sintéticas se generan a partir de distribuciones agregadas y publicadas de encuestas y no contienen datos personales de individuos identificables, lo que elimina la fricción de cumplimiento más habitual en la investigación de consumo. Los estímulos y las preguntas de investigación que usted suba son un asunto aparte: consulte nuestra página sobre el RGPD.

Construya su primera persona sintética. Un estudio cualitativo de tres personas parte de 6 créditos, se ejecuta en minutos y funciona en doce idiomas. Las cuentas nuevas reciben créditos gratuitos, así que una prueba honesta consiste en abrir el panel y lanzar un estudio sobre una pregunta cuya respuesta ya conoce.

Referencias

Caruso, W., Romaniuk, J., Page, B., Anesbury, Z. W., & Williams, J. (2025). The role of market research in pack redesign performance. International Journal of Market Research, 67(1), 17–32. https://doi.org/10.1177/14707853241296656

Caruso, W., Romaniuk, J., Page, B., Anesbury, Z. W., Saeed, R., & Williams, J. (2026). The packaging redesign modernisation dilemma: The relationship with familiarity, likeability, and its effect on purchase intent. Journal of Retailing and Consumer Services, 92, 104800.

Fernandez, K., Berner, L. A., & Shevlin, B. R. K. (n.d.). The threat of synthetic respondents extends to clinical mental health screening. Submitted manuscript, University of California, Los Angeles, and Icahn School of Medicine at Mount Sinai.

Golder, P. N., Dekimpe, M. G., An, J. T., van Heerde, H. J., Kim, D. S. U., & Alba, J. W. (2023). Learning from data: An empirics-first approach to relevant knowledge generation. Journal of Marketing, 87(3), 319–336. https://doi.org/10.1177/00222429221129200

Lin, Z. (n.d.). Synthetic respondents and the illusion of human data. Preprint, Department of Psychology, Yonsei University.

Macdonald, E. K., & Sharp, B. M. (2000). Brand awareness effects on consumer decision making for a common, repeat purchase product: A replication. Journal of Business Research, 48(1), 5–15. https://doi.org/10.1016/S0148-2963(98)00070-8

Moran, K. (2024, June 21). Synthetic users: If, when, and how to use AI-generated "research". Nielsen Norman Group. https://www.nngroup.com/articles/synthetic-users/

Ong, D. C. (2024). GPT-ology, computational models, silicon sampling: How should we think about LLMs in cognitive science? arXiv:2406.09464. https://arxiv.org/abs/2406.09464

Papangelis, K. (2025, December 17). The synthetic persona fallacy: How AI-generated research undermines UX research. ACM Interactions. https://interactions.acm.org/blog/view/the-synthetic-persona-fallacy-how-ai-generated-research-undermines-ux-research

Romaniuk, J., & Sharp, B. (2004). Conceptualizing and measuring brand salience. Marketing Theory, 4(4), 327–342. https://doi.org/10.1177/1470593104047643

Sarstedt, M., Adler, S. J., Rau, L., & Schmitt, B. (2024). Using large language models to generate silicon samples in consumer and marketing research: Challenges, opportunities, and guidelines. Psychology & Marketing. https://doi.org/10.1002/mar.21982

Sharp, B., Danenberg, N., & Bellman, S. (2018). Psychological targeting. Proceedings of the National Academy of Sciences, 115(34). https://doi.org/10.1073/pnas.1810436115

Sharp, B., Dawes, J., & Victory, K. (2024). The market-based assets theory of brand competition. Journal of Retailing and Consumer Services, 76, 103566.

Sun, S., Lee, E., Nan, D., Zhao, X., Lee, W., Jansen, B. J., & Kim, J. H. (2024). Random silicon sampling: Simulating human sub-population opinion using a large language model based on group-level demographic information. arXiv:2402.18144. https://arxiv.org/abs/2402.18144

Tanusondjaja, A., Romaniuk, J., Nenycz-Thiel, M., Sakashita, M., & Viswanathan, V. (2023). Examining Pareto law across department store shoppers. International Journal of Market Research. https://doi.org/10.1177/14707853221145851

Toubia, O., Gui, G. Z., Peng, T., Li, A., Merlau, D. J., & Chen, H. (2025). Twin-2K-500: A dataset for building digital twins of over 2,000 people based on their answers to over 500 questions. arXiv:2505.17479. https://arxiv.org/abs/2505.17479

Valenzuela, A., Puntoni, S., Hoffman, D., Castelo, N., De Freitas, J., Dietvorst, B., Hildebrand, C., Huh, Y. E., Meyer, R., Sweeney, M. E., Talaifar, S., Tomaino, G., & Wertenbroch, K. (2024). How artificial intelligence constrains the human experience. Journal of the Association for Consumer Research.