Qué son los synthetic respondents

Los synthetic respondents son perfiles generados con inteligencia artificial capaces de simular cómo responderían determinados tipos de consumidores ante cuestionarios, conceptos de producto, mensajes o escenarios de compra. En lugar de reclutar una muestra humana, el investigador define una audiencia, introduce variables demográficas, actitudinales o de comportamiento, y obtiene respuestas plausibles en muy poco tiempo.

Su utilidad resulta especialmente atractiva en fases tempranas de un proyecto. Permiten probar ideas, ordenar hipótesis o testar variantes iniciales antes de invertir en trabajo de campo real. En ese sentido, la investigación sintética no es solo una innovación tecnológica, sino una nueva capa de apoyo dentro del proceso de investigación de mercados.

 

Cómo funcionan en la práctica

Bajo el término synthetic respondents conviven, en realidad, enfoques con niveles de sofisticación muy distintos. Entenderlos ayuda a valorar qué se está comprando, o construyendo, en cada caso.

• El mecanismo básico: personas condicionadas. En su versión más simple, un synthetic respondent es una instancia de un gran modelo de lenguaje (LLM) a la que se le pide que adopte un rol definido: «responde como lo haría una mujer de 45 años, residente en una ciudad media, compradora habitual de marca de distribución y sensible al precio». El modelo, entrenado con enormes volúmenes de texto que incluyen opiniones, reseñas, foros y conversaciones de personas reales, genera respuestas coherentes con ese perfil. Cada «entrevistado» es, en esencia, una combinación distinta de perfil y contexto que se le formula al modelo. Para simular una muestra de 500 personas se generan 500 instancias con perfiles diferenciados, distribuidos según las cuotas que el investigador establece.
• El salto de calidad: el anclaje en datos reales (grounding). El enfoque anterior tiene una limitación evidente: el modelo responde según lo que «sabe» de forma genérica, no según datos verificados del mercado concreto. Por eso, los sistemas más solventes anclan las personas sintéticas en datos reales: microdatos de encuestas previas, paneles de consumo, datos de compra, transcripciones de entrevistas o estudios sindicados. Ese anclaje puede hacerse por varias vías y es lo que separa una simulación genérica de una herramienta con valor de investigación.
• El extremo más avanzado: los gemelos digitales. La frontera actual son los llamados digital twins: réplicas individuales construidas a partir de información rica de personas concretas, por ejemplo mediante entrevistas en profundidad realizadas específicamente para alimentar el modelo. Un estudio de referencia de la Universidad de Stanford construyó agentes a partir de entrevistas de dos horas con más de mil participantes reales, y comprobó que esos agentes replicaban las respuestas de sus contrapartes humanas en encuestas de actitudes con una fidelidad cercana al 85% de la consistencia que muestran las propias personas cuando repiten el cuestionario dos semanas después. Es un resultado notable, aunque conviene subrayar la condición: se logró partiendo de datos individuales muy ricos, no de simples etiquetas demográficas.

 

¿Y cómo se garantiza que la muestra sintética representa el mercado?

No se garantiza por defecto sino que se valida caso a caso. Un modelo de lenguaje no es un censo. Sus datos de entrenamiento sobrerrepresentan a ciertos perfiles (más digitales, más angloparlantes, más expresivos por escrito) e infrarrepresentan a otros. Sin correcciones, una «muestra» sintética hereda esos sesgos.

La disciplina que se está consolidando en el sector para abordarlo se apoya en tres prácticas:

• Calibración con datos de referencia. Las distribuciones de las respuestas sintéticas se contrastan y ajustan contra fuentes fiables: encuestas probabilísticas, paneles establecidos o datos de mercado verificados, de modo que los perfiles simulados reflejen la estructura real de la población objetivo y no la del corpus de entrenamiento.
• Validación con muestras de contraste (holdout). El método más extendido consiste en comparar sistemáticamente los resultados sintéticos con los de una muestra humana real equivalente que el modelo no ha visto. Si la simulación reproduce los patrones del holdout (no solo las medias, sino también el orden de preferencias y la dispersión), gana credibilidad para usos similares. Es el principio de «entrenar en sintético, comprobar en real».
• Conocer las causas de fallo típicas. La literatura académica ha documentado distorsiones recurrentes que cualquier usuario profesional debería conocer: la tendencia a comprimir la variabilidad (los respondentes sintéticos son más homogéneos y «razonables» que las personas reales), la sensibilidad excesiva a la formulación de las preguntas, y el riesgo de que relaciones entre variables aparezcan invertidas aunque los promedios parezcan plausibles.

La conclusión práctica es clara: la representatividad de una muestra sintética no es una propiedad del producto, sino el resultado de un proceso de validación que hay que exigir y documentar. De hecho, ESOMAR ya ha publicado orientaciones específicas para compradores de este tipo de soluciones, con preguntas concretas que plantear a los proveedores (sobre los datos de origen, los métodos de generación y los umbrales mínimos de datos reales necesarios), y su código deontológico distingue ya formalmente entre una persona real y una entidad sintética, una distinción que debe mantenerse también en la forma de reportar los resultados.

 

Qué pueden aportar hoy los consumidores virtuales

Utilizada con criterio, la investigación sintética ya tiene aplicaciones claras:

• Exploración temprana de hipótesis
• Test preliminar de conceptos y mensajes, con capacidad de iterar variantes en horas
• Simulación de escenarios de respuesta antes de comprometer presupuesto de campo
• Acceso exploratorio a segmentos difíciles o caros de reclutar
• Refinamiento de cuestionarios: detectar preguntas confusas o mal planteadas antes de lanzarlas

Esto la convierte en una herramienta especialmente útil para ordenar decisiones previas y llegar mejor preparado a la investigación con personas reales. Su mayor fortaleza no está en reemplazar la voz del consumidor, sino en ayudar a investigar antes y mejor.

 

Dónde están sus límites reales

El problema aparece cuando se les pide más de lo que pueden ofrecer. Los synthetic respondents imitan patrones aprendidos, y eso los hace intrínsecamente retrospectivos: funcionan razonablemente bien cuando la pregunta encaja con comportamientos ya documentados, y mucho peor ante categorías genuinamente nuevas, decisiones con fuerte carga emocional o contextos culturales poco representados en sus datos.

Además, la investigación sintética depende por completo de los datos con los que ha sido construida y del contexto con el que se le formula la tarea. Si los datos son sesgados, desactualizados o poco diversos, las conclusiones también lo serán. El riesgo central es siempre el mismo: confundir respuestas plausibles con evidencia válida. Un modelo puede generar una respuesta perfectamente coherente y articulada que, sin embargo, no represente a nadie.

Por eso el error profesional más común no es técnico, sino de disciplina: un equipo empieza usando resultados sintéticos para explorar, la confianza crece con cada iteración, y sin darse cuenta acaba tratando esas exploraciones como si fueran evidencia validada. Explorar no es validar, y mantener esa frontera clara es una responsabilidad metodológica.

 

Sustitución o modelo híbrido

Desde la perspectiva de la investigación de mercados, la cuestión más útil no es si la investigación sintética sustituirá por completo a las encuestas, sino en qué partes del proceso genera valor real. Hoy, la respuesta más sólida apunta a un modelo híbrido, y es también la dirección que están tomando los grandes anunciantes que ya la han incorporado: capas sintéticas para explorar y depurar, combinadas con muestras humanas de contraste que validan de forma continua lo que la simulación sugiere.

La investigación sintética resulta especialmente eficaz como capa previa o complementaria: ayuda a depurar hipótesis, probar lógicas, reducir incertidumbre inicial y mejorar el diseño metodológico. Las encuestas humanas siguen siendo esenciales cuando se necesita validar comportamientos reales, captar matices emocionales, medir actitudes en población viva y sostener decisiones de alto impacto con base empírica directa.

La clave, por tanto, no está en elegir entre encuestas o IA, sino en saber cuándo usar cada una, y en no perder nunca de vista qué grado de evidencia tiene cada resultado.

 

Qué implica esto para la investigación de mercados

La expansión de la IA en investigación de mercados obliga a adoptar una postura más exigente, no más ingenua. Cuanto más fácil sea generar respuestas plausibles, más importante será distinguir entre simulación útil y evidencia suficiente. También será cada vez más necesario trabajar con transparencia: declarar cuándo se ha utilizado investigación sintética, con qué objetivo, con qué anclaje en datos reales y bajo qué criterios de validación.

El reto ya no es solo tecnológico. También es metodológico. La incorporación de synthetic respondents exige reforzar el criterio investigador, calibrar los modelos con datos reales y evitar que la velocidad sustituya al rigor. En este escenario, la ventaja competitiva no estará en automatizar al consumidor, sino en combinar inteligencia sintética y voz humana de manera más inteligente.

 

Conclusión

Los synthetic respondents ya forman parte del presente de la investigación de mercados, pero hoy no sustituyen de forma generalizable a las encuestas humanas. Su aportación más interesante está en acelerar fases tempranas, complementar el diseño metodológico y ampliar la capacidad de simulación de los equipos de insights.

En definitiva, la investigación sintética no elimina la necesidad de preguntar a personas. Lo que hace es redefinir mejor cuándo necesitamos observación humana directa y cuándo una simulación bien construida puede ayudarnos a investigar con más agilidad, sin perder rigor.

Referencias bibliográficas

• Market Research Society (2026). Using Synthetic Respondents for Market Research.
• Askiva (2026). Synthetic Respondents and Synthetic Data in Research.
• ESOMAR (2025). ICC/ESOMAR International Code y guía para compradores de datos sintéticos aumentados.
• Rival Group (2025). Market Research Trends 2026: 7 Ways Insight Teams Are Redefining Quality, Connection and Impact in the Age of AI.
• Park, J. S. et al., Stanford University (2024). Generative Agent Simulations of 1,000 People.
• NielsenIQ (2024). The Rise of Synthetic Respondents in Market Research.
• Qualtrics (2024). Synthetic Responses 101 for Researchers.