Cómo funcionan los paneles sintéticos y los encuestados con IA

Un participante sintético es un sujeto de investigación simulado por un modelo de lenguaje. El modelo se condiciona a partir del perfil del tipo de persona que se desea estudiar (edad, región, ocupación, hábitos, actitudes e idealmente datos reales de encuestas o entrevistas sobre personas afines) y luego responde a preguntas de encuestas, reacciona a conceptos o participa en una entrevista asumiendo ese rol.

Un panel sintético es un grupo de participantes sintéticos creado para representar a una audiencia. Dado que a cada integrante se le pueden plantear las mismas preguntas, sus respuestas pueden agregarse en distribuciones y compararse entre diferentes segmentos, de forma muy similar a una encuesta realizada con un panel reclutado.

Ambos son herramientas para la investigación rápida y direccional. Permiten a un equipo evaluar ideas y cuestionarios antes del trabajo de campo, pero sus respuestas son estimaciones producidas por un modelo, no mediciones de personas reales, y deben contrastarse con datos reales antes de fundamentar una decisión cuyo coste de reversión sea elevado.

Comparativa de los participantes sintéticos con términos relacionados

El vocabulario en este sector se solapa con frecuencia. Estas son las distinciones clave a la hora de comparar herramientas o leer un apartado metodológico:

Para conocer más sobre el método general que utiliza a estos participantes, consulta qué es la investigación de mercado sintética.

Cómo se construyen los participantes sintéticos

Un participante sintético de utilidad consta de tres capas:

1. Un modelo de lenguaje base. Aporta fluidez y conocimiento general, pero también incorpora sus propios sesgos: complacencia, locuacidad y desviaciones de opinión presentes en sus datos de entrenamiento.
2. Un perfil y la evidencia que lo respalda. El perfil define atributos demográficos, conductuales y actitudinales. Los sistemas más avanzados fundamentan cada perfil en fuentes: estadísticas oficiales, estudios públicos y los propios resultados de encuestas, transcripciones de entrevistas o archivos de clientes del equipo. Un participante creado únicamente a partir de una etiqueta demográfica tiende a responder como un estereotipo.
3. Un protocolo de respuesta. El participante responde dentro de un instrumento definido (opción única, selección múltiple, escalas, rankings, tareas de elección forzada como MaxDiff o preguntas abiertas) para que las respuestas puedan compararse y agregarse.

El modo en que se recopilan las respuestas cerradas es determinante. En las replicaciones publicadas por Minds, solicitar a los participantes sintéticos probabilidades para cada una de las opciones de respuesta en lugar de forzar una única elección redujo el error de distribución entre 12.47 y 19.72 puntos porcentuales en cuatro conjuntos de datos públicos (estudio de Minds).

Qué es un panel sintético y en qué se diferencia de un panel tradicional

Un panel sintético es la variante grupal: desde decenas hasta miles de participantes sintéticos que varían dentro de la definición de una audiencia, por ejemplo, "compradores de alimentación en el Reino Unido de entre 25 y 40 años que compran leche vegetal semanalmente". El panel responde a un estudio y los resultados se interpretan mediante distribuciones, rankings y temas emergentes.

Ambos enfoques no son sustitutos. Un panel sintético es una vía para decidir qué vale la pena preguntar a un panel real, así como para diseñar ese estudio real de forma más reducida y mejor orientada. Para profundizar en esta comparativa, consulta paneles sintéticos frente a paneles tradicionales.

Qué demuestra la evidencia sobre su precisión

Ninguna cifra única resume la precisión de los participantes sintéticos. Los resultados varían según la audiencia, la pregunta y el método de recopilación, y la evidencia publicada apunta en ambas direcciones:

• Argyle y sus colaboradores condicionaron GPT-3 con historiales sociodemográficos de participantes reales de encuestas en EE. UU. y observaron que podía reproducir las distribuciones de respuesta de numerosos subgrupos, a lo que denominaron "fidelidad algorítmica" (Political Analysis, 2023).
• Un equipo liderado por Stanford creó agentes para 1,052 estadounidenses a partir de entrevistas de dos horas, encuestas o ambas. En preguntas reservadas de la General Social Survey, alcanzaron el 83%, el 82% y el 86% de la consistencia test-retest de dos semanas de los propios participantes, frente al 74% de los agentes a los que solo se les proporcionaron datos demográficos (arXiv, 2024). La fundamentación en autoinformes reales superó a las simples etiquetas demográficas.
• Bisbee y sus colaboradores descubrieron que ChatGPT, guiado mediante prompts de persona, coincidía con las puntuaciones medias del termómetro de sentimientos de la American National Election Study, pero con menor variación que los encuestados reales, relaciones de regresión diferentes, sensibilidad a pequeñas modificaciones en la formulación y desviaciones a lo largo del tiempo (Political Analysis, 2024).
• Santurkar y sus colaboradores hallaron una discrepancia sustancial entre las opiniones que expresan los modelos de lenguaje y las de 60 grupos demográficos de EE. UU., donde algunos grupos, como las personas mayores de 65 años, quedaban reflejados de forma deficiente incluso cuando se intentaba orientar el modelo hacia ellos (ICML 2023).

Para un análisis más extenso sobre los puntos de coincidencia y divergencia entre las respuestas sintéticas y humanas, lee participantes sintéticos frente a reales: precisión.

Modos de fallo a tener en cuenta

Los participantes sintéticos fallan de formas distintas a los paneles humanos:

• Varianza insuficiente. Las respuestas se concentran en torno a la postura más típica, por lo que las distribuciones parecen más homogéneas que las reales y las opiniones minoritarias desaparecen.
• Error correlacionado. Todos los participantes comparten el mismo modelo, por lo que un punto ciego afecta a todos al mismo tiempo. Los márgenes de error convencionales asumen participantes independientes y no son aplicables.
• Dependencia del prompt y del modelo. Pequeños cambios en la redacción, el orden o la versión del modelo pueden alterar los resultados.
• Complacencia. Los participantes pueden valorar positivamente todo lo que se les presente, a menos que el instrumento metodológico obligue a elegir o asumir renuncias.
• Audiencias con escasez de datos. La precisión disminuye en grupos de baja incidencia, puestos muy especializados y categorías nuevas que apenas están documentadas en los datos disponibles.

Cómo crea y valida Minds los paneles sintéticos

En Minds, cada participante sintético es un Mind y un panel sintético es una Audience. Los Minds se fundamentan en fuentes y en los archivos que aportes, como resultados de encuestas, transcripciones de entrevistas o investigaciones de clientes, y un Study plantea a una Audience preguntas abiertas y cerradas, ejercicios MaxDiff y otros métodos, o le presenta estímulos como conceptos, imágenes, páginas web y textos publicitarios.

Audience Validation evalúa una Audience frente a encuestas reales en lugar de depender de una afirmación general de precisión. Minds localiza encuestas publicadas cuyos encuestados coinciden con la Audience, o utiliza los archivos de encuestas que subas, conserva únicamente aquellas preguntas cuyas respuestas publicadas constituyan un objetivo adecuado para esa Audience, y detalla cada pregunta excluida junto con su motivo. Cada encuesta recibe una puntuación sobre 100, definida como 100 menos la diferencia media absoluta en puntos porcentuales respecto a la distribución de respuestas publicada, con un rango del 95%. Consulta cómo funciona Audience Validation para conocer los detalles.

Las replicaciones publicadas por Minds con cinco conjuntos de datos públicos arrojaron errores medios de distribución de 4.72 a 8.33 puntos porcentuales (resultados completos). Esos estudios emplean diferentes instrumentos y no deben combinarse en una única métrica de precisión; asimismo, un buen resultado en una encuesta no se traslada automáticamente a una audiencia o pregunta distinta.

Cuándo utilizar participantes sintéticos y cuándo no

Casos de uso recomendados:

• Filtrar un volumen amplio de conceptos, claims o mensajes para obtener una selección previa antes del trabajo de campo.
• Probar previamente un cuestionario para detectar redacciones confusas, opciones de respuesta faltantes o preguntas tendenciosas.
• Obtener una primera lectura sobre audiencias difíciles o costosas de reclutar, antes de realizar entrevistas dirigidas.
• Plantear hipótesis y definir qué segmentos debería muestrear un estudio con humanos.

En su lugar, recurre a personas reclutadas o a comportamientos observados cuando:

• Necesites estimaciones representativas como el tamaño de mercado, la cuota o el porcentaje exacto de intención de compra.
• Necesites calcular la disposición a pagar o la elasticidad del precio en puntos de precio específicos.
• La afirmación vaya a ser publicada, regulada o auditada, incluyendo la justificación de alegaciones publicitarias o declaraciones de salud.
• El producto deba tocarse, degustarse o utilizarse físicamente.
• La audiencia o la categoría sea nueva, por lo que apenas existen datos fiables que la describan.

Cómo evaluar a un proveedor de participantes sintéticos

Solicita evidencia verificable:

1. ¿Qué encuestas públicas habéis replicado, cuál fue el error y con qué línea de base se compararon los resultados?
2. ¿Puedo validar mi propio panel frente a datos reales de encuestas y ver qué preguntas se excluyeron y por qué motivo?
3. ¿Cómo se fundamenta cada participante: con una simple etiqueta demográfica o con fuentes y mis propios archivos de investigación?
4. ¿Cómo se recopilan las respuestas cerradas y tienen los participantes la posibilidad de discrepar o rechazar un concepto?
5. ¿Para qué casos afirmáis que no se debe utilizar la herramienta?

Encontrarás una comparativa de proveedores en la guía sobre plataformas de participantes sintéticos.

Fuentes

• Argyle, L. P., Busby, E. C., Fulda, N., Gubler, J. R., Rytting, C. and Wingate, D. (2023). Out of One, Many: Using Language Models to Simulate Human Samples. Political Analysis, 31(3), 337-351.
• Bisbee, J., Clinton, J. D., Dorff, C., Kenkel, B. and Larson, J. M. (2024). Synthetic Replacements for Human Survey Data? The Perils of Large Language Models. Political Analysis, 32(4), 401-416.
• Santurkar, S., Durmus, E., Ladhak, F., Lee, C., Liang, P. and Hashimoto, T. (2023). Whose Opinions Do Language Models Reflect? Proceedings of the 40th International Conference on Machine Learning.
• Park, J. S. and colleagues (2024). LLM Agents Grounded in Self-Reports Enable General-Purpose Simulation of Individuals. arXiv 2411.10109.
• Minds (2026). We Tested Synthetic Audiences Against Reality.