La investigación de mercado sintética es una investigación de mercado en la que encuestados generados por IA responden a las preguntas en lugar de personas reclutadas. Se condiciona un modelo de lenguaje a partir de la descripción de la audiencia que se desea estudiar (edad, región, puesto, hábitos, actitudes y, en ocasiones, datos reales de encuestas o entrevistas), y cada instancia condicionada responde a preguntas de encuesta, reacciona a un concepto o participa en una entrevista. A continuación, las respuestas se agregan como resultados de encuesta o se analizan como transcripciones cualitativas.
El método resulta útil porque es lo bastante rápido y asequible como para ejecutarse antes de cualquier trabajo de campo: permite evaluar múltiples conceptos, mensajes o borradores de cuestionarios en un solo día. Su limitación reside en que los encuestados son simulaciones. Sus respuestas son estimaciones de cómo reaccionaría un grupo, condicionadas por el modelo y los datos suministrados, y deben validarse con personas reales antes de respaldar una decisión cuya reversión resulte costosa.
Esta página aborda la aplicación del método en investigación de mercados. Para conocer su alcance más amplio, incluidos la investigación de UX y el desarrollo de políticas públicas, consulta investigación sintética.
Tres elementos distinguen un estudio de investigación de mercado sintética de una simple conversación con una herramienta de IA:
- Una audiencia definida. El estudio especifica a quién se está simulando, por ejemplo "compradores de alimentación en el Reino Unido de entre 25 a 40 años que compran bebidas vegetales al menos una vez por semana", y cada encuestado sintético se genera a partir de esa definición.
- Un instrumento de investigación. Los encuestados responden a las mismas preguntas estructuradas, valoran los mismos estímulos o siguen la misma guía de entrevista, lo que permite comparar y agregar las respuestas.
- Una fase de análisis y validación. Los resultados se sintetizan en distribuciones, clasificaciones o temas cualitativos, y se comprueba hasta qué punto son fiables, idealmente contrastándolos con datos de encuestas reales para esa misma audiencia.
Muchos proveedores utilizan términos distintos para referirse al mismo concepto: encuestados sintéticos, paneles sintéticos, personas de IA, gemelos digitales de clientes o muestras de silicio. El término académico "silicon sampling" proviene de investigaciones en ciencia política en las que se condicionó un modelo de lenguaje con los perfiles biográficos de participantes reales de encuestas. Los términos coinciden en gran medida; lo verdaderamente relevante son los tres elementos anteriores. Para analizar en detalle la unidad del encuestado, consulta encuestados sintéticos y paneles sintéticos.
Es frecuente buscar "investigación de mercado con datos sintéticos", una frase que mezcla dos conceptos diferentes.
Los datos sintéticos son cualquier conjunto de datos generado de forma artificial. En analítica, suelen equivaler a una copia estadística de una tabla real, como registros de transacciones o clientes, creada para que los analistas trabajen sin exponer la identidad de las personas. Su objetivo es mantener los patrones de los datos que ya posees.
La investigación de mercado sintética genera respuestas nuevas a preguntas que nadie ha contestado todavía: cómo reaccionaría esta audiencia ante un cambio de precio, cuál de estos tres mensajes resulta más creíble o qué frenos impedirían que cambien de marca. Su función es estimar opiniones y reacciones que aún no tienes.
Las respuestas que produce un estudio sintético son una forma de datos sintéticos, pero el desafío principal del método no radica en generar filas de datos. Consiste en definir con precisión a la audiencia, formular preguntas neutrales y determinar hasta qué punto las respuestas son de confianza.
Un estudio típico sigue cinco pasos:
- Plantear la decisión. Define por escrito qué cambiará en función del resultado, por ejemplo "lanzamos el mensaje A o el mensaje B", y qué nivel de confianza necesitas.
- Construir la audiencia. Describe el segmento y genera encuestados que reflejen la diversidad interna del grupo. Los mejores sistemas fundamentan a cada encuestado en evidencia: estadísticas publicadas, fuentes públicas, investigaciones de clientes propias o archivos de encuestas. Un encuestado creado únicamente a partir de una etiqueta demográfica suele responder de forma estereotipada.
- Ejecutar el instrumento. Plantea preguntas cerradas (opción única, opción múltiple, escalas, ordenación, diseños de elección forzada como MaxDiff) y abiertas, o muestra estímulos como conceptos, creatividades, imágenes de packaging, páginas de aterrizaje o prototipos.
- Analizar. Agrega las respuestas cerradas en distribuciones y compara segmentos; codifica las respuestas abiertas en temas comunes; identifica contradicciones y respuestas de tono genérico.
- Validar y decidir. Contrasta una muestra de los resultados con datos reales cuando estén disponibles, clasifica los resultados como direccionales y determina qué conclusiones deben pasar a un estudio con personas.
La forma de recoger las respuestas influye más de lo que parece a simple vista. En las replicaciones de encuestas publicadas por Minds, pedir a los encuestados sintéticos probabilidades entre distintas 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 (investigación de Minds). Forzar una única respuesta por encuestado descarta la incertidumbre que sí presentan las poblaciones reales.
Un resultado de investigación de mercado sintética debe mostrar población, preguntas, referencia humana y error. Este ejemplo procede de una validación de producto ya publicada, no de datos ilustrativos.
En la réplica de Food and You 2 del 18 de agosto de 2026, 301 Minds persistentes de 16–24 años respondieron las mismas tres preguntas sobre frecuencia de comidas que la encuesta publicada por la Food Standards Agency británica. La cohorte sintética abarcó Inglaterra, Gales e Irlanda del Norte. La base humana de referencia fue de 257 por pregunta. Cada pregunta tenía siete opciones; se completaron las 903 respuestas Mind-pregunta previstas.
Una pregunta original era, traducida: «¿Con qué frecuencia sales a cenar o compras comida para llevar para la cena?». Se comparó la proporción de cada opción, no la predicción correcta de una persona concreta. Los porcentajes humanos se excluyeron de la ejecución; al ser pública la fuente, no puede descartarse una exposición previa durante el preentrenamiento o mediante conocimiento almacenado.
| Pregunta | Diferencia absoluta media respecto a las proporciones humanas (puntos porcentuales) |
|---|
| Frecuencia de desayuno | 2.98 |
| Frecuencia de almuerzo | 6.48 |
| Frecuencia de cena | 8.56 |
| Las 21 celdas de opciones | 6.01 |
El error medio global fue de 6.01 puntos porcentuales; cuanto menor, mejor. La «aproximación del 93.99%» publicada equivale a 100 menos ese error, no a un 93.99% de precisión individual. La cena presentó la mayor desviación media; el resultado agregado no debe ocultar las diferencias entre preguntas.
Como contexto, la referencia histórica de un prompt genérico registró un error de 6.68 puntos, y una distribución uniforme, 7.00. No se volvieron a ejecutar simultáneamente. Es una repetición con una cohorte existente y tres preguntas relacionadas, no un nuevo estudio poblacional independiente ni una garantía de error para otra encuesta. No se estimó un intervalo de incertidumbre del muestreo humano. La Food Standards Agency no patrocinó, avaló ni revisó el estudio de Minds.
Consulte el cuestionario, la audiencia y los resultados por pregunta, la comparación con referencias y el contexto del estudio y el dataset original Food and You 2, Wave 10. Antes de usar un resultado en su decisión, repita esta comprobación con una audiencia y un cuestionario pertinentes.
No existe una cifra única de precisión para la investigación de mercado sintética. Si un proveedor cita un porcentaje sin detallar el conjunto de datos, las preguntas y la metodología de comparación, no está ofreciendo información útil. La literatura publicada muestra resultados en ambas direcciones.
Evidencias a favor de su viabilidad:
- Argyle y colaboradores condicionaron GPT-3 con miles de perfiles sociodemográficos de participantes reales de encuestas en EE. UU. y observaron que lograba emular las distribuciones de respuesta de múltiples subgrupos. Llamaron a esta propiedad "algorithmic fidelity" y a las muestras resultantes "silicon samples" (Political Analysis, 2023).
- Un equipo liderado por Stanford diseñó agentes para 1,052 estadounidenses a partir de entrevistas de dos horas, encuestas o ambas fuentes. En preguntas reservadas de la General Social Survey, los agentes alcanzaron el 83%, 82% y 86% de la consistencia test-retest que los propios participantes mostraron a dos semanas, frente al 74% de los agentes configurados solo con datos demográficos (arXiv, 2024). El anclaje en autoinformes reales superó a las simples etiquetas demográficas.
Evidencias sobre sus limitaciones:
- Bisbee y colaboradores solicitaron a ChatGPT, guiado mediante personas, puntuaciones de termómetro de sentimientos para compararlas con el American National Election Study. Los promedios coincidían estrechamente, pero las respuestas sintéticas mostraban menos variabilidad que las reales, los coeficientes de regresión solían diferir, los resultados cambiaban ante ligeras variaciones en la redacción y un mismo prompt arrojaba respuestas distintas con tres meses de intervalo (Political Analysis, 2024).
- Santurkar y colaboradores detectaron una divergencia sustancial entre las opiniones expresadas por modelos de lenguaje y las de 60 grupos demográficos de EE. UU., una brecha que persistía incluso al orientar el modelo hacia un colectivo concreto; ciertos segmentos, como las personas mayores de 65 años, quedaban reflejados con muy poca fidelidad (ICML 2023).
- En investigación sobre consumo específicamente, Brand, Israeli y Ngwe comprobaron que las estimaciones de disposición a pagar obtenidas con modelos de lenguaje a veces eran comparables a las de estudios humanos, pero con frecuencia resultaban inexactas y en ciertos casos presentaban el signo opuesto. El ajuste fino (fine-tuning) con datos de encuestas previas de la misma categoría mejoró el alineamiento para nuevas funciones dentro de esa categoría, pero no para categorías de producto inéditas (documento de trabajo de HBS, SSRN).
El patrón general en estos estudios es claro: las respuestas sintéticas son más fiables ante actitudes bien documentadas en poblaciones con amplia representación en los datos, y cuando los encuestados se fundamentan en evidencia real sobre las personas a las que representan. En cambio, resultan menos fiables al estimar la varianza, diferencias entre subgrupos, categorías nuevas, sensibilidad al precio y cualquier aspecto supeditado a una experiencia física real.
Minds aborda la validación como una funcionalidad del producto y no como una simple promesa comercial. Destacan dos aspectos clave:
Audience Validation. En Minds, una Audience puede contrastarse con encuestas reales ya publicadas, con archivos de encuestas que subas (PDF, Excel, CSV o Word), o con ambas vías. Minds conserva únicamente las preguntas cuyas respuestas públicas sean un punto de comparación justo para esa Audience, las plantea todas a sus Minds en una sola ejecución y detalla cada pregunta excluida junto con el motivo. Cada encuesta obtiene una puntuación sobre 100 con un intervalo del 95%, su fuente y a quién consultó. Las nuevas Audiences se validan automáticamente tras su entrenamiento, y cualquier Audience puede validarse de nuevo más adelante. Esto proporciona una verificación sobre la audiencia exacta que vas a utilizar, algo mucho más útil que una afirmación genérica de precisión.
Replicaciones publicadas. Minds ha publicado replicaciones frente a cinco conjuntos de datos públicos: GSS 2024, ANES 2024, el Canadian Election Study de 2024, PISA 2022 y la encuesta Food and You 2 de la Food Standards Agency del Reino Unido. El error medio de distribución osciló entre 4.72 y 8.33 puntos porcentuales (resultados completos). Dado que los estudios emplean instrumentos diferentes y uno de ellos está ponderado, no deben combinarse en una puntuación única de precisión. El mismo informe señala que, en las preguntas de Food and You, una línea base de igual probabilidad ya alcanzaba 7.00 puntos de error, por lo que un dato de error bajo no demuestra por sí solo una gran ventaja competitiva. Consulta cómo se construyen los paneles de investigación de Minds para conocer la metodología detallada.
Lo que esto no demuestra: igualar los porcentajes publicados de una encuesta no equivale a simular con exactitud a cada individuo, y obtener buenos resultados en una encuesta no se traslada automáticamente a otra audiencia distinta o a otro tipo de pregunta. Por esa razón, la comprobación debe realizarse sobre tu propia audiencia y en torno a tu pregunta concreta.
| Método | Velocidad típica | Coste relativo | Representatividad | Ideal para | Principal riesgo |
|---|
| Investigación de mercado sintética | De minutos a horas | Bajo por estudio | No es representativa por sí sola; depende del anclaje y la validación | Filtrar conceptos y mensajes, testear cuestionarios, explorar segmentos difíciles de reclutar | Respuestas plausibles pero erróneas, varianza insuficiente, sesgo del modelo |
| Encuesta en panel online | De días a semanas | Medio | Puede aproximarse a una población con buen muestreo y ponderación | Dimensionamiento, tracking, estimaciones representativas | Encuestados fraudulentos o de baja calidad, fatiga del panel |
| Grupos focales y entrevistas | Semanas | Alto por participante | No representativa; muestras reducidas | Profundidad, lenguaje, reacciones emocionales, motivos inesperados | Sesgo del moderador y efectos de grupo, n pequeña |
| Pruebas A/B o en mercado | Semanas, requiere tráfico real | De medio a alto | Comportamiento real de tus usuarios actuales | Decisión final entre variantes activas | Solo evalúa lo que puedes desplegar; lento ante múltiples opciones |
Estos métodos ofrecen su mayor valor al aplicarse en secuencia. La investigación sintética acota las alternativas, una encuesta o estudio cualitativo confirma la selección final, y una prueba en vivo resuelve aquello que solo el comportamiento real puede determinar.
Aporta valor cuando la agilidad o el alcance priman sobre la precisión milimétrica:
- Filtrado temprano de conceptos y mensajes, cuando hay más alternativas de las que el presupuesto permite llevar a campo.
- Desarrollo de cuestionarios: identificar preguntas confusas, opciones de respuesta ausentes y redacciones sesgadas antes de invertir en trabajo de campo.
- Exploración de audiencias caras o difíciles de reclutar, como perfiles B2B muy especializados, a modo de primera lectura antes de concertar entrevistas dirigidas.
- Iteración en posicionamiento, textos de packaging o flujos de onboarding donde cada ronda exigiría semanas por métodos convencionales.
- Preparación de estudios con personas: formular hipótesis, seleccionar qué segmentos muestrear y redactar la guía de discusión.
Para proyectos centrados en concepto, consulta pruebas de concepto con IA.
Opta por personas reclutadas, observación de comportamiento o mediciones consolidadas cuando:
- Necesites una estimación representativa: tamaño de mercado, penetración, cuota o el porcentaje exacto de intención de compra.
- Requieras elasticidad de precio o disposición a pagar en puntos de precio específicos para fijar una tarifa.
- La afirmación vaya a publicarse, regularse o auditarse, incluidas alegaciones publicitarias que exijan justificación probatoria, claims clínicos o de salud y pronósticos electorales.
- El producto deba tocarse, probarse, olerse o utilizarse físicamente.
- La audiencia, la categoría o el comportamiento sean nuevos y carezcan de datos fiables que los describan, o si la audiencia tiene escasa presencia en textos públicos (los estudios de desalineación citados señalan a adultos mayores y otros colectivos poco representados).
- La decisión implique un alto coste de rectificación y no hayas validado la Audience sintética frente a datos reales para ese tipo de pregunta.
Los resultados sintéticos conllevan además un error correlacionado: como todos los encuestados proceden del mismo modelo de base, pueden equivocarse al unísono en la misma dirección. Las personas reales cometen errores independientes; las simuladas no siempre.
Exige a los proveedores datos contrastables, no adjetivos:
- ¿Qué conjuntos de datos públicos habéis replicado, con qué preguntas y cuál fue el margen de error? ¿Se publica una línea base comparativa?
- ¿Puedo validar mi propia Audience frente a datos de encuestas reales y ver qué preguntas se excluyeron y por qué motivo?
- ¿Cómo se fundamentan los encuestados: solo mediante variables demográficas o con fuentes, estadísticas y mis propios documentos de investigación?
- ¿Qué tipos de preguntas admite la plataforma (abiertas, opción única, opción múltiple, escalas, MaxDiff) y cómo se recopilan las respuestas cerradas?
- ¿Para qué casos de uso desaconsejáis utilizar la herramienta?
Puedes consultar una comparativa de proveedores en nuestra guía de herramientas de investigación de mercado sintética, y un análisis metodológico más amplio en investigación sintética frente a investigación de mercado tradicional.
Minds es una plataforma diseñada para ejecutar investigación de mercado sintética de extremo a extremo: permite crear una Audience de Minds fundamentada en fuentes y en tus propios archivos, realizar Studies con preguntas abiertas, cerradas o MaxDiff, testear estímulos como conceptos, creatividades, webs y textos, analizar y exportar los resultados, y validar la Audience frente a encuestas reales. Minds está optimizada para decisiones direccionales. No convierte un estudio sintético en estadísticamente representativo, y para estimaciones representativas, validaciones regulatorias o pruebas físicas de producto seguirás necesitando personas reclutadas.
- 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.
- Brand, J., Israeli, A. and Ngwe, D. (2023). Using LLMs for Market Research. Harvard Business School working paper, SSRN 4395751.
- 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, first released as "Generative Agent Simulations of 1,000 People". arXiv 2411.10109.
- Minds (2026). We Tested Synthetic Audiences Against Reality.
