EY y Aaru son ahora socios formales. El 30 de septiembre de 2026, EY anunció una alianza entre Aaru, una empresa de simulación de comportamiento mediante IA, y Ernst & Young LLP (EY US) para ayudar a los clientes a evaluar decisiones en poblaciones simuladas antes de actuar (sala de prensa de EY). La alianza llega tras una prueba a ciegas en la que Aaru recreó el 2025 Global Wealth Research Report de EY, una encuesta de seis meses aplicada a 3,600 inversores acaudalados en más de 30 mercados, en solo un día, alcanzando una correlación de Spearman mediana de 0.90 en 53 preguntas de opción única (análisis de EY). Los datos que se exponen a continuación se verificaron en los sitios web de EY y Aaru en octubre de 2026.
Para quienes contratan estudios de investigación, las preguntas relevantes son qué se midió realmente, qué cambia con esta alianza y cómo valorar un proveedor de simulación gestionada frente a herramientas de autoservicio. En esta página diferenciamos los hechos publicados del discurso comercial. Minds es una plataforma de investigación sintética y una alternativa a Aaru; también señalamos en qué casos encaja mejor el modelo de Aaru.
En agosto de 2025, el equipo de Wealth & Asset Management de EY propuso a Aaru el reto de recrear el 2025 EY Global Wealth Research Report sin tener acceso a sus resultados. El estudio original encuestó a 3,600 inversores de alto patrimonio en más de 30 mercados y requirió seis meses de trabajo de campo; el caso de estudio de Aaru describe el coste del trabajo de campo en siete cifras (caso de estudio de Aaru).
Aaru creó inversores simulados a partir de datos demográficos, de comportamiento y de opinión procedentes de censos nacionales, entidades financieras y redes sociales, y la ejecución tomó un día. EY comparó después ambos conjuntos de datos en 53 preguntas equivalentes de opción única utilizando tres métricas:
| Métrica | Resultado publicado | Qué indica |
|---|
| Correlación de Spearman mediana | 0.90 | Las opciones de respuesta se ordenaron de manera muy similar |
| Diferencia promedio por pregunta (RMSE) | 7.1 puntos porcentuales | Brecha típica entre las cuotas de respuesta simuladas y encuestadas |
| Distancia euclidiana promedio | 12.9 | Distancia entre patrones de respuesta de opción múltiple |
| Mayor concordancia | Confianza, percepción de valor, personalización | Temas donde la simulación siguió de cerca a la encuesta |
| Mayor divergencia | Planificación de herencias (−37.82% de correlación), probabilidad de recomendación, frecuencia de revisión de cartera | Temas donde la simulación y la encuesta discreparon |
Fuente: análisis de EY, octubre de 2025.
EY y Aaru sostienen que las discrepancias reflejan la distancia entre lo que la gente dice y lo que realmente hace. Al preguntarles si mantendrían al asesor de sus padres, el 82% de los herederos en la encuesta respondió que sí; la simulación predijo un 43%, y los estudios del sector citados por EY sitúan la retención real entre el 20% y el 30%. De forma similar, el 69% de los inversores encuestados afirmó preferir un único proveedor financiero, la simulación pronosticó un 37%, y EY cita que el 33% de las personas de alto patrimonio neto utiliza realmente un solo asesor.
Cómo interpretar estos resultados
- La prueba fue diseñada y publicada por las dos empresas participantes, sin revisión por pares ni replicación independiente.
- Cubrió únicamente preguntas de opción única; los razonamientos abiertos, los análisis de trade-off de precios y los conceptos de nuevos productos no formaron parte de la comparación.
- Una correlación de rango mediana de 0.90 significa que el orden relativo de las respuestas coincidió con frecuencia; la diferencia media de 7.1 puntos porcentuales refleja mejor el desfase que pueden tener los porcentajes individuales.
- El argumento de que "la simulación estuvo más cerca del comportamiento real" se basa en unas pocas preguntas y en cifras sectoriales de terceros, por lo que conviene considerarlo una señal prometedora antes que una prueba definitiva.
La alianza anunciada el 30 de septiembre de 2026 combina el motor de simulación de Aaru con los equipos sectoriales y funcionales de EY US. Según EY, Aaru genera poblaciones de agentes de IA que representan a una audiencia definida, y EY US ayuda a los clientes a convertir los hallazgos en estrategia. El primer foco declarado son los servicios financieros, donde ambas firmas evalúan mensajes de marketing, ofertas de productos y precios, estrategias comerciales y de servicio, así como las implicaciones de fusiones y adquisiciones (sala de prensa de EY).
Para los compradores, la diferencia práctica radica en la vía de contratación: las grandes empresas pueden acceder ahora a Aaru a través de un proyecto de consultoría con EY US, integrando los datos sectoriales y los equipos asesores de EY en torno a la simulación, además de poder trabajar con Aaru de forma directa.
Aaru se define como una plataforma de simulación conductual entrenada con resultados de comportamiento del mundo real. En el estudio de EY, diseñó agentes con arquitecturas de comportamiento que modelan rasgos de toma de decisiones, los situó en entornos simulados y les aplicó el cuestionario de la encuesta. Aaru señala que esa misma población simulada puede volver a evaluarse tras un suceso, como un cambio en los tipos de interés o una maniobra de la competencia, proyectando cambios de opinión en menos de 24 horas (caso de estudio de Aaru).
Aaru no publica tarifas de autoservicio; el acceso se realiza mediante venta corporativa o, ahora, a través de la alianza con EY US. Para ver una comparativa detallada entre Aaru y las opciones de autoservicio, consulta Minds vs Aaru y la lista general de alternativas a Aaru.
Para valorar cualquier plataforma de investigación sintética con objetividad, los equipos deben tener claros los límites estadísticos y metodológicos de las poblaciones sintéticas. Los resultados sintéticos son direccionales. No garantizan representatividad, prueba causal, previsión de demanda, disposición exacta a pagar, ni reemplazan a los participantes reclutados para la validación final en decisiones críticas.
Los agentes simulados generan respuestas a partir de patrones en sus datos de entrenamiento, supuestos demográficos previos y el contexto proporcionado. Al ejecutarse en diversas alternativas de un escenario, ponen de manifiesto compensaciones relativas, fricciones potenciales en los mensajes y justificaciones cualitativas. Estas señales direccionales permiten depurar un volumen amplio de ideas antes de comprometer presupuestos de investigación primaria.
No obstante, las simulaciones sintéticas no pueden sustituir a la evidencia empírica en las siguientes áreas:
- Representatividad: Las personas de modelos lingüísticos no replican la distribución demográfica y psicográfica exacta de una población objetivo de forma estadísticamente representativa.
- Prueba causal: Simular una respuesta ante un estímulo aislado no demuestra mecanismos causales ni contempla variables de confusión del entorno real.
- Previsión de la demanda: Las preferencias declaradas de forma simulada no pueden proyectar con exactitud tasas de adopción, penetración de mercado ni volumen de compras reales.
- Disposición a pagar: Los agentes sintéticos no afrontan restricciones financieras reales, por lo que las simulaciones de precios no permiten fijar la elasticidad precio absoluta.
- Verificación final de alto impacto: Los movimientos estratégicos críticos, las asignaciones presupuestarias relevantes y las declaraciones públicas siguen requiriendo validación con participantes humanos reclutados.
Tratar las conclusiones sintéticas como insumos iterativos y exploratorios, y no como pronósticos definitivos, evita que los equipos dependan en exceso de datos sintéticos en decisiones ejecutivas.
Al adoptar la investigación sintética, las organizaciones suelen elegir entre dos esquemas operativos: proyectos de consultoría gestionada o plataformas de simulación en autoservicio.
Los proyectos de consultoría gestionada, como la alianza entre EY US y Aaru, implican equipos externos dedicados que configuran poblaciones de agentes a medida, procesan datos corporativos propios, calibran la simulación y entregan informes estratégicos cerrados. Esta modalidad encaja en transformaciones corporativas amplias, planificación de escenarios e iniciativas estratégicas complejas donde la organización prefiere que un socio asesor gestione la modelización.
Las plataformas de software en autoservicio ponen la simulación en manos de los jefes de producto, investigadores de UX y especialistas de marca de la empresa. Los equipos internos diseñan sus propias Audiences, prueban conceptos bajo demanda y ejecutan estudios estructurados sin depender de ciclos de consultoría. Este modelo da prioridad a la agilidad, la autonomía y la experimentación continua durante todo el ciclo de vida del producto.
La opción adecuada depende de la organización del equipo. Las estructuras con investigadores internos que iteran a diario sobre mensajes o funcionalidades obtienen más valor del autoservicio. Las entidades que buscan un proyecto estratégico externalizado suelen decantarse por el asesoramiento gestionado.
| Dimensión | Consultoría gestionada | Plataforma de autoservicio |
|---|
| Usuario principal | Patrocinadores de la alta dirección, consultores estratégicos externos | Investigadores de mercado integrados, directores de producto |
| Cadencia de ejecución | Basada en proyectos, ciclos estratégicos de varias semanas | Iteraciones de investigación continuas y bajo demanda |
| Control del flujo de trabajo | Configuración y análisis externalizados | Control directo del investigador sobre Audiences y Studies |
| Caso de uso ideal | Análisis de escenarios, transformación empresarial | Filtrado de conceptos, prueba de mensajes, priorización |
Minds es la plataforma integral para la investigación sintética comercial. Proporciona a los equipos internos de producto y UX, diseño de servicios, estudios de mercado, voz del cliente (VoC), marketing, innovación y agencias un control directo desde la creación de audiencias y la planificación del estudio hasta la prueba de estímulos, métodos cualitativos y cuantitativos soportados, comparación, análisis y exportación. Los estímulos pueden incluir prototipos de Figma cuando esté habilitado, sitios web y flujos de aplicaciones, imágenes, vídeo, textos, presentaciones, cuestionarios y conceptos.
Dentro de Minds, los equipos crean Audiences reutilizables de personas de IA, denominadas Minds, y ejecutan Studies con preguntas abiertas, de opción única, selección múltiple y escalas. Los investigadores pueden entrevistar a un Mind individual o recoger opiniones de una Audience completa de forma colectiva, conservando el contexto entre sesiones.
En cuanto a la evaluación cuantitativa estructurada, Studies aplica MaxDiff para la prioridad relativa, conjoint para análisis de compensaciones con atributos configurados, Kano para categorización de funcionalidades, así como Van Westendorp y Gabor-Granger para análisis de precios. Al igual que en la prueba de EY, Minds contrasta las respuestas simuladas con resultados reales: la función Audience Validation evalúa cada Audience frente a encuestas publicadas o tus propios archivos de encuesta, asignando una puntuación sobre 100, un intervalo del 95% y el detalle de las preguntas excluidas.
Minds no promete una representatividad estadística estricta. La observación humana, las pruebas físicas o sensoriales, la obtención de pruebas reguladas y la validación final de alto impacto pueden complementar este flujo de trabajo cuando proceda; esto no convierte a Minds en una herramienta puntual o limitada. Minds funciona bajo modelo de autoservicio, con Pay as you go a 0,12 $/respuesta y Pro a 199 $ por usuario al mes; Aaru resulta más indicada cuando se prefiere una simulación gestionada y dirigida por consultores para respaldar una decisión estratégica de gran alcance.
A la hora de valorar software de investigación sintética o proveedores de simulación gestionada, los responsables de compras e insights deben aplicar un marco centrado en cuatro pilares operativos.
| Pilar de evaluación | Requisitos clave de verificación |
|---|
| 1. Consultoría gestionada vs plataforma de autoservicio | Definir las competencias internas, la necesidad de servicios externos y los plazos esperados |
| 2. Metodología y configuración del estudio | Confirmar MaxDiff y conjoint, diseño estructurado del estudio y separación del chat frente a las ejecuciones metodológicas |
| 3. Inspección de evidencia y auditabilidad | Inspeccionar los prompts de los agentes, distribuciones completas de respuestas y definiciones versionadas de personas |
| 4. Vía de validación humana | Establecer reclutamiento para verificaciones finales y condicionar decisiones críticas a datos reales |
Pilar 1: Alineación con el modelo de entrega
Los compradores deben evaluar si requieren acompañamiento estratégico consultivo o autonomía continua para investigar. Los servicios gestionados encajan en diagnósticos puntuales de alto nivel donde la dirección busca un entregable integral. Las plataformas de autoservicio son idóneas para equipos integrados que necesitan evaluar conceptos de forma constante, iterar narrativas e interactuar con perfiles de usuario.
Pilar 2: Métodos de investigación estructurados
La interacción en formato chat exploratorio resulta insuficiente para adoptar decisiones cuantitativas sobre compensaciones. Conviene comprobar si la plataforma cuenta con diseños formales como MaxDiff para ordenar la relevancia de características y conjoint para combinaciones de atributos múltiples, y si mantiene la consulta informal diferenciada de los esquemas experimentales.
Pilar 3: Inspección de evidencia y auditabilidad
El gobierno corporativo exige transparencia sobre cómo se alcanzan las conclusiones sintéticas. Hay que verificar la posibilidad de auditar los prompts de los perfiles, las premisas demográficas y las transcripciones sin procesar, además de revisar si el proveedor expone con claridad la definición de sus métricas de precisión, como hizo EY al publicar la correlación de Spearman, el RMSE y la distancia euclidiana.
Pilar 4: Protocolos de validación humana
La simulación sintética debe considerarse un filtro de inicio de embudo y no un sustituto íntegro del trabajo de campo. Es necesario documentar qué conclusiones pueden avanzar apoyándose en datos sintéticos direccionales y cuáles precisan validarse con paneles de participantes reales. Los lanzamientos de alto riesgo, los trámites regulatorios y las modificaciones sustanciales de tarifas deben contrastarse primero mediante validación humana reclutada.
Un stack de investigación maduro no descansa en un único método o proveedor. Asigna a la investigación sintética el rol de acelerador en fases iniciales para que el reclutamiento humano posterior sea más preciso y rentable.
En la etapa de descubrimiento, los investigadores utilizan personas de IA para explorar el vocabulario del cliente, mapear objeciones y articular propuestas de valor. En el filtrado de conceptos, los equipos aplican metodologías estructuradas como MaxDiff o conjoint sobre Audiences sintéticas para reducir decenas de alternativas a una lista corta.
Los conceptos finalistas pasan entonces a pruebas con paneles humanos reclutados. Al haberse descartado antes las propuestas débiles y los mensajes confusos, el trabajo de campo con personas resulta más económico y se concentra en confirmar los resultados clave.
Al respetar los límites metodológicos reales y combinar herramientas de autoservicio como Minds con una disciplina rigurosa de validación humana, los equipos de insights aceleran sus procesos de investigación preservando la solidez de sus decisiones. Los equipos interesados en probar la investigación sintética estructurada pueden registrarse para obtener acceso.
