Los datos sintéticos son confiables para explorar hipótesis, priorizar conceptos y diseñar cuestionarios, siempre que el modelo se haya construido con datos de personas reales verificadas y se haya contrastado con encuestas humanas. Para decisiones finales, precio y segmentos poco representados, el resultado sintético se valida con personas reales antes de actuar.
Qué es un encuestado sintético y qué es un gemelo
Un encuestado sintético es una respuesta generada por un modelo de lenguaje al que se le pide responder como lo haría un tipo de persona: "mujer de 35 años, NSE C+, Guadalajara". El modelo usa lo que aprendió en su entrenamiento general. No conoce a nadie en particular.
Un gemelo se construye a partir de una persona real: sus respuestas a encuestas, su perfil y su historial de participación. Cuando se le hace una pregunta nueva, el gemelo estima qué respondería esa persona. Si se agregan muchos gemelos, se obtiene una estimación para un segmento.
| Encuestado sintético genérico | Gemelo de persona verificada | |
|---|---|---|
| Origen | Entrenamiento general del modelo | Respuestas reales de una persona con consentimiento |
| Representa a | Un estereotipo del segmento | Una persona concreta del panel |
| Riesgo principal | Respuestas promedio, sesgos del modelo | Depende de la calidad y frescura de los datos de origen |
| Se puede auditar | Difícil | Sí, comparando contra la persona real |
Para qué sí: explorar hipótesis, priorizar, diseñar el cuestionario
Hay evidencia de que los modelos pueden aproximarse a las respuestas humanas en ciertas tareas:
- Un equipo de PyMC Labs con investigadores de Colgate-Palmolive comparó respuestas generadas por modelos con 57 encuestas de productos de cuidado personal y 9,300 respuestas humanas. Con su método de calificación por similitud semántica alcanzaron 90 % de la confiabilidad test-retest humana y distribuciones con similitud KS superior a 0.85 (arXiv 2510.08338, 2025). Ese 90 % se mide contra la consistencia de las propias personas al repetir la encuesta, una vara distinta del porcentaje de aciertos.
- Un equipo de Stanford encabezado por Joon Sung Park creó agentes a partir de entrevistas y encuestas de 1,052 estadounidenses. En la versión revisada del estudio, los agentes que combinan entrevista y encuesta alcanzaron 86 % de la consistencia que las propias personas mostraron al responder de nuevo dos semanas después; los agentes construidos solo con datos demográficos llegaron a 74 % (arXiv 2411.10109).
La segunda cifra muestra el punto clave: el modelo mejora mucho cuando parte de datos reales de cada persona. Hay un segundo matiz: el estudio de Stanford se hizo con población de Estados Unidos. Antes de trasladar cifras así a México, conviene validarlas con personas de aquí, con su vocabulario, sus medios de pago y su distribución por NSE.
Con esa base, la simulación es útil para:
- Filtrar conceptos. Pasar de diez ideas a tres antes de pagar campo.
- Probar el cuestionario. Detectar preguntas ambiguas o que todos contestan igual.
- Explorar mensajes. Ver qué argumentos parecen funcionar en cada segmento.
- Priorizar. Decidir qué hipótesis merece un estudio con personas.
Para qué no: decisiones finales, precio, segmentos poco representados
- Decisiones finales de lanzamiento. Un error de unos puntos puede cambiar la decisión.
- Precio. La disposición a pagar depende del contexto económico del momento, que el modelo no ve.
- Segmentos poco representados. Si hay pocos datos de personas rurales, mayores de 65 o de NSE D y E, el modelo rellena con promedios. En México esto pesa: la ENDUTIH 2024 muestra que el acceso a internet baja de 86.9 % en zonas urbanas a 68.5 % en rurales, así que los datos digitales de esos grupos son más escasos.
- Temas nuevos. Si la categoría no existía cuando se recolectaron los datos, el gemelo no tiene base.
- Usabilidad. Un modelo no se traba con un botón real en un celular de gama baja. Para eso hay pruebas de usabilidad.
El origen importa: gemelos de perfiles verificados vs. modelos genéricos
Un gemelo es tan bueno como los datos de la persona que lo origina. Si esa persona contestó al azar o inventó opiniones, el gemelo copia el error. Por eso la calidad del panel es la base de cualquier simulación.
En Paruma, cada participante tiene un puntaje de fiabilidad de 0 a 100 que combina controles de atención, una pregunta trampa, preguntas espejo invertidas, cruces con su perfil, una revisión a tres semanas, y el ritmo y la variedad de sus respuestas. La metodología está en cómo medimos la fiabilidad de cada participante.
Cómo validar un resultado sintético con personas reales
- Antes de simular, escribe qué resultado te haría cambiar de decisión.
- Simula y guarda el resultado con fecha.
- Corre la misma pregunta con personas reales del mismo segmento, con una muestra suficiente.
- Compara por pregunta: diferencia en puntos porcentuales, si la respuesta principal coincide y si el error supera algún límite.
- Registra el resultado por categoría. Una sola coincidencia no basta para confiar en una categoría.
Dos errores comunes al validar: comparar contra una muestra humana demasiado pequeña, que tiene su propio margen de error, y elegir después del hecho qué preguntas cuentan. Fija las preguntas de validación antes de correr la simulación y usa la misma redacción en las dos fuentes. Si el resultado sintético y el humano difieren, el humano manda y la diferencia se documenta para mejorar el modelo.
Cómo lo hace NOMO (simulación + validación con Nomers)
Los gemelos de Paruma generan resultados simulados a partir de personas reales verificadas de la comunidad NOMO, que tiene más de 5,800 Nomers registrados en Colombia (corte al 11 de noviembre de 2026) y se está abriendo en México.
Cada categoría tiene un semáforo con reglas fijas, definidas antes de ver resultados. Una categoría está en verde cuando cumple las cuatro:
- Error de 8 puntos porcentuales o menos.
- Respuesta principal correcta en al menos 70 % de las preguntas.
- Ningún error mayor de 20 puntos.
- Al menos 30 % mejor que el azar.
Una categoría se considera en verde solo después de tres exámenes externos seguidos en verde. Hoy Paruma no publica un porcentaje de acierto de sus gemelos porque esos exámenes todavía no se han completado. Cuando haya resultados, se publicarán con su fecha, su muestra y la categoría a la que corresponden.
Como dice la página de la capa de datos IA: la simulación con IA complementa y no reemplaza la validación con usuarios reales. Para validar un concepto con personas, revisa pruebas de concepto y prototipos en México.
Prueba una simulación y valídala con Nomers reales
Cuéntanos qué hipótesis quieres explorar. Te proponemos qué parte se puede simular y qué parte conviene validar con personas reales. Escríbenos en /mx/contacto/ o por WhatsApp al +57 310 590 4586.
Preguntas frecuentes
¿Los datos sintéticos reemplazan a las encuestas?
No. Sirven para explorar y priorizar antes de la encuesta, y para hacer más preguntas sobre un mismo grupo. Las decisiones importantes se validan con personas reales, sobre todo en precio y en segmentos con pocos datos.
¿Qué es un gemelo digital de un consumidor?
Es un modelo construido con las respuestas y el perfil de una persona real, que estima cómo respondería esa persona a una pregunta nueva. Se diferencia de un encuestado sintético genérico porque parte de alguien concreto y se puede comparar contra esa persona.
¿Cómo sé si un gemelo es fiable?
Pide al proveedor sus reglas de validación por categoría, cuántos exámenes contra personas reales ha pasado y con qué muestra. Desconfía de un porcentaje de acierto general sin categoría, fecha ni método.
¿Es legal usar datos de personas para crear gemelos?
Depende del consentimiento y del uso. En México, el tratamiento de datos personales se rige por la LFPDPPP, vigente desde marzo de 2025, y en Colombia por la Ley 1581 de 2012. La persona debe saber qué datos se usan y para qué, y el resultado no debe permitir identificarla.
