Blog Datexco / Datos, tecnología e IA
· Datexco · Análisis de investigación e IA
La posibilidad de simular consumidores con inteligencia artificial plantea una pregunta de negocio concreta: qué evidencia necesitamos antes de utilizar esas respuestas para tomar una decisión. Un experimento reciente de Pew Research Center ofrece razones para exigir validación y mantener claramente identificada la procedencia de los datos.
Lo que encontró Pew Research Center
El 30 de septiembre de 2026, Pew publicó Can AI Stand In for Human Survey-Takers? Not Really. Comparó tres encuestas de su American Trends Panel, en Estados Unidos, con respuestas de IA que buscaban reproducir a sus participantes. En el resultado principal, el error absoluto promedio entre las estimaciones humanas y sintéticas fue de 12,4 puntos porcentuales. [1]
Para construir los perfiles sintéticos, el equipo proporcionó información demográfica y respuestas anteriores de los participantes. Replicó el cuestionario y sus condiciones de programación para cada perfil. La configuración final utilizó Claude Opus 4.6, con información ampliada y una etapa de reflexión generada por IA sobre cada perfil. [2]
Los 12,4 puntos expresan una discrepancia promedio entre resultados. No constituyen un margen de error muestral ni significan que todas las preguntas se desviaran en esa misma magnitud. [1]
Cómo interpretar el resultado
El alcance del experimento importa. Se evaluaron encuestas estadounidenses de opinión pública y una configuración específica de modelos y perfiles. El hallazgo no permite concluir que todas las aplicaciones de datos sintéticos tengan el mismo desempeño, ni estimar su precisión en una categoría comercial colombiana. [1, 2]
Para una empresa, la implicación que proponemos es exigir una prueba pertinente al uso previsto. Si se quiere utilizar una simulación para seleccionar conceptos de producto, la validación debería comprobar su capacidad de apoyar esa selección con consumidores reales del mercado objetivo. Reproducir un promedio general sería una comprobación insuficiente si la decisión depende de un segmento pequeño.
Qué exigir antes de tomar una decisión
Nuestra recomendación es comenzar por definir la decisión y el costo de equivocarse. Un ejercicio para explorar hipótesis necesita un nivel de comprobación diferente al de una decisión de inversión o un lanzamiento. Ese criterio debe quedar definido antes de conocer el resultado de la simulación.
Después conviene acordar con el proveedor qué datos reales sustentan los perfiles, a qué población corresponden y cómo se evaluará el desempeño. La comprobación debería incluir información humana que no se haya utilizado para ajustar el modelo, así como resultados por los segmentos relevantes para el negocio.
También recomendamos identificar por separado las observaciones recogidas de personas y las generadas por un modelo. Esa distinción permite que quien lea el informe entienda qué se observó, qué se simuló y qué conclusiones dependen de cada fuente.
Una innovación que necesita evidencia humana
Como orientación complementaria, Ipsos sostiene en su documento Synthetic Data: From Hype to Reality que la confiabilidad de los datos sintéticos depende de los datos humanos utilizados para construirlos y actualizarlos, además de la experiencia de quienes los desarrollan. Se trata de una perspectiva metodológica de la compañía, no del mismo experimento de Pew. [3]
En Datexco proponemos evaluar estas herramientas por la evidencia que aportan a cada decisión. Si se utilizan simulaciones, sus resultados deben presentarse con su alcance y validación. La pregunta que debería guiar su adopción es qué sabemos sobre su desempeño en el problema específico que necesita resolver la empresa.
Fuentes
2. Pew Research Center. Methodology del mismo estudio. 30 de septiembre de 2026.
Fuentes consultadas el 5 de noviembre de 2026. Las recomendaciones y los ejemplos identificados como tales corresponden al análisis editorial de Datexco.