--- title: "Cómo Leer las Reclamaciones de Precisión de Audiencias Sintéticas" description: "Los proveedores de investigación sintética publican porcentajes de precisión entre el 85% y el 98%. Casi ninguno de ellos mide lo mismo. Aquí se explica cómo saber qué reclamaciones se pueden verificar." canonical_url: "https://getminds.ai/blog/es/how-to-read-synthetic-audience-accuracy-claims" last_updated: "2026-10-02T18:52:19.443Z" --- # Cómo Leer las Reclamaciones de Precisión de Audiencias Sintéticas Los proveedores de investigación sintética publican cifras de precisión entre el 85% y el 98%. Leído rápidamente, el campo parece establecido y las diferencias parecen pequeñas. No son comparables. Los porcentajes miden diferentes cantidades contra diferentes líneas de base en diferentes tareas, y varios no miden la precisión en absoluto. Este artículo expone lo que encontramos al leer el material publicado de nueve proveedores en septiembre de 2026, incluido el nuestro, y las ocho preguntas que separan una reclamación que puedes verificar de una que no puedes. Tenemos un interés aquí. Minds vende audiencias sintéticas. Así que el estándar a continuación se aplica a nosotros en los mismos términos, y el lugar donde salimos peor se declara tan claramente como el de los demás. ## Las ocho preguntas Una reclamación de precisión publicada es verificable cuando responde a estas: 1. **¿Contra qué estándar externo?** Un conjunto de datos independiente nombrado o un estudio publicado, no una muestra interna. 2. **¿Contra qué techo?** Los humanos no reproducen sus propias respuestas perfectamente. Su autoconsistencia es el máximo realista. 3. **¿Contra qué piso?** Lo que la misma métrica puntúa sin modelo detrás de ella. 4. **¿Qué significa la métrica?** "Precisión" no se define por sí misma. 5. **¿Comparado con qué línea de base?** Un aviso ingenuo al mismo modelo es la comparación que importa, porque esa es la alternativa gratuita. 6. **¿Revisado por quién?** La revisión por pares o un preprint invitan a la corrección. 7. **¿Dónde falla?** Un método sin un modo de fallo publicado no ha sido probado lo suficientemente duro como para encontrar uno. 8. **¿Puede alguien verificarlo?** Método, muestra y datos disponibles para inspección. ## Lo que publica el campo Compilado de las propias páginas y documentos públicos de los proveedores, septiembre de 2026.
Proveedor Cifra principal Lo que mide
Simile 85% de fiabilidad de auto-retest humano Reproducción de las respuestas de individuos fuente, contra el piso de ruido humano
Artificial Societies 86% de precisión de distribución Coincidencia de distribución, contra un techo humano declarado del 91%
Articos 86% de temas identificados por expertos Recuperación de temas vs informes publicados de expertos
Evelance 89.78% de superposición temática Coincidencia de temas, 7 personas vs 23 usuarios reales
Synthetic Users 85–92% "Paridad Orgánica Sintética" Similitud de entrevistas sintéticas a reales
Aaru 0.90 de correlación mediana Correlación en un estudio de cliente
Evidenza 88% de precisión, 0.81 de correlación Métrica no definida públicamente
Fairgen 98% de tasa de aprobación de sanidad Un control de calidad interno, no precisión
Minds Spearman 0.85, +4% de sesgo de escala Correlación de rangos en 54 anuncios vs un panel humano
Dos observaciones siguen, y ninguna es sobre cuál producto es mejor. **El número más alto no es una cifra de precisión.** El 98% de Fairgen es la proporción de perfiles generados que pasan su propio control de calidad de seis dimensiones. No dice nada sobre si la salida coincide con los datos humanos, y Fairgen no afirma que lo haga. Cualquiera que ordene esta tabla por porcentaje los clasificaría primero en una medida en la que nunca participaron. **Solo dos cifras son comparables.** El 85% de Simile y el 86% de Artificial Societies se expresan como una proporción de lo que los humanos logran. Se pueden comparar. Nada más en la columna se puede comparar con nada, incluyendo entre sí. ## Quién publica fallos Aquí es donde el campo se separa más claramente. Fairgen declara los estudios para los cuales su método no es adecuado: seguimiento de marca, segmentación, conjunto conjunto. Su orientación es "probar antes de ir al campo, no en su lugar". Synthetic Users afirma que los encuestados sintéticos "sin calibración son individualmente creíbles, pero colectivamente incorrectos". Articos y Evelance dicen que su salida es direccional y pertenece junto a la investigación humana en lugar de en su lugar. Aaru, Evidenza y Artificial Societies no publican condiciones de fallo que pudiéramos encontrar. ## Dónde estamos, incluido el vacío Nuestros propios estudios utilizan ablaciones de cuatro condiciones, retienen respuestas reales, sellan selecciones de candidatos antes de que se abran los objetivos, y reportan el piso de oportunidad junto al resultado. En un conjunto de ítems GSS, una distribución plana sin modelo detrás de ella ya puntúa 83.71%; nuestro 92.47% cierra el 54% de la distancia restante. El piso pertenece junto al porcentaje, y generalmente falta. Publicamos resultados que no funcionaron. Un aumento de perfil registrado de 0.17 puntos tuvo un intervalo del 95% de -1.00 a +1.31, cruzó cero y no cumplió con su criterio de promoción. En avisos cortos cotidianos en una comparación cegada, nuestras audiencias ganaron un 13.8% frente al 30.5% para avisos genéricos y un 34.0% para avisos demográficos. Eso es una pérdida, y se publica. **Lo que no tenemos es revisión por pares.** El resultado de ajuste fino de Simile apareció en EMNLP 2025 con un conjunto de datos abierto de 2.9 millones de respuestas. Artificial Societies tiene un resultado de comportamiento grupal en el British Journal of Psychology. Nosotros no tenemos ninguno. Nuestro trabajo de validación se publica en nuestro propio sitio y no ha pasado por revisión externa, y hasta que lo haga, un lector tiene razón al ponderarlo de manera diferente. Nuestra asociación con SINUS-Institut a veces se lee como validación. No lo es. Es procedencia: el modelo de entorno en el que se basan nuestras personas proviene de décadas de su investigación, lo cual es una declaración sobre insumos más que sobre precisión. Su director general lo expresa claramente: el Milieu-Minds "no reemplazan ni la investigación social ni la experiencia de nuestro instituto". ## Cómo verificar cualquier proveedor en diez minutos Pide la definición de la métrica, el tamaño de la muestra, la línea de base y las condiciones de fallo. Pregunta qué puntúa la misma medida sin modelo detrás de ella. Si un proveedor no puede producir eso, el porcentaje es marketing, quien lo haya publicado y cuán favorable se vea. Esa prueba no es cómoda para nosotros tampoco. Simplemente es la única que le dice algo a un comprador. ## Fuentes Todas las cifras anteriores proceden del material público de cada proveedor, consultado el 22 de septiembre de 2026. Las afirmaciones cambian: compruebe la fuente antes de confiar en ella. Si hemos interpretado mal la suya, díganoslo y la corregiremos. - [Simile](https://www.simile.com/) - [Simile, EMNLP 2025 (Kolluri, Wu, Park, Bernstein), SocSci210](https://arxiv.org/abs/2607.26348) - [Artificial Societies](https://societies.ai/) - [Artificial Societies, the science behind it](https://societies.io/ai-simulation-research) - [Articos](https://articos.com/) - [Evelance](https://evelance.io/) - [Synthetic Users, science](https://www.syntheticusers.com/science) - [Aaru](https://www.aaru.com/) - [Evidenza](https://www.evidenza.ai/) - [Evidenza, research](https://www.evidenza.ai/research) - [Fairgen](https://www.fairgen.ai/) - [Minds validation studies](https://getminds.ai/research) - [SINUS-Institut and Minds, original release](https://getminds.ai/press/minds-partners-with-sinus)