Un equipo puede pedir a una inteligencia artificial que responda como una compradora joven, un jubilado o una persona que busca un producto económico. La herramienta devuelve opiniones con rapidez y puede mantener una conversación convincente. El desafío comienza cuando esas respuestas se utilizan como evidencia de lo que decidirían personas reales.

Los consumidores sintéticos son representaciones digitales construidas para simular características y preferencias. Pueden formar parte de un proceso exploratorio, pero su utilidad depende de comprobar qué representan. La fluidez de una respuesta y su correspondencia con una población son propiedades diferentes.

Un estudio internacional puso a prueba esa correspondencia

Fadong Chen y sus colaboradores compararon respuestas simuladas con las de 67.201 personas de 74 países. El estudio publicado en Nature Human Behaviour, el 12 de octubre de 2026, examinó seis preferencias económicas, entre ellas paciencia, confianza, altruismo y disposición a asumir riesgos.

Los investigadores evaluaron veinte configuraciones de modelos de lenguaje. Encontraron una correspondencia individual modesta y dificultades mayores para reproducir patrones culturales. En muchos modelos, el ajuste fue más débil en países con menores recursos económicos y conectividad digital.

La conclusión se refiere a ese conjunto de preferencias y comparaciones. No demuestra que cualquier aplicación de IA en investigación resulte inútil. Sí cuestiona que respuestas plausibles puedan sustituir sin validación a encuestas representativas, especialmente cuando se comparan poblaciones de distintos países.

Una simulación necesita un propósito explícito

Conviene empezar por la decisión que se quiere apoyar. Explorar posibles objeciones a un concepto es diferente de estimar cuántas personas lo comprarían. En el primer caso se buscan hipótesis; en el segundo, una medida que debe representar a una población.

Como ejercicio de trabajo, un equipo puede usar una simulación para elaborar preguntas que después contrastará con participantes. El riesgo aparece cuando esas hipótesis reciben el tratamiento de hallazgos y terminan en una presentación como «lo que quieren los consumidores».

La definición de persona sintética del código ICC/ESOMAR ayuda a mantener la distinción: se trata de una representación digital que busca imitar características humanas. El documento diferencia explícitamente esas representaciones de las personas.

Validar significa comparar con un referente adecuado

Una prueba útil debe enfrentar la salida del modelo con información humana pertinente para la tarea. Si se quiere estudiar una categoría en un mercado concreto, acertar en una conversación genérica no resuelve esa necesidad.

Por ejemplo, imaginemos que una empresa utiliza respuestas simuladas para elegir entre dos mensajes. Antes de adoptar el resultado, debería contrastar si el orden de preferencia se mantiene entre personas de su público y observar dónde diverge. Este es un criterio de validación propuesto para la práctica, no un resultado del estudio internacional.

También conviene conservar las instrucciones utilizadas, la versión del modelo y las decisiones de análisis. Si el procedimiento cambia, la comparación necesita revisarse. Generar más respuestas puede ampliar un conjunto de datos, pero no corrige automáticamente una representación equivocada del público.

Qué pedir antes de aceptar una investigación sintética

Una revisión del proyecto puede organizarse alrededor de cuatro preguntas:

• ¿Qué decisión pretende apoyar y qué población busca representar?
• ¿Con qué datos humanos se comprobó su desempeño?
• ¿Dónde aparecen errores o diferencias entre segmentos?
• ¿Qué parte del resultado proviene de personas y cuál fue generada?

El código ICC/ESOMAR de 2025 pide informar al cliente sobre el uso de IA, datos sintéticos y supervisión humana, además de comunicar metodología y limitaciones. Es un marco profesional, no una certificación de precisión para cada herramienta.

La decisión empresarial depende finalmente de la calidad del contraste. Una simulación puede ayudar a formular posibilidades; convertirla en una medida del mercado exige mostrar por qué merece esa confianza. Cuanto más costosa sea la decisión, más importante resulta que la evidencia proceda de una validación adecuada al uso previsto.