Los perfiles generados por IA permiten probar conceptos, mensajes y experiencias antes de recurrir a nuevas mediciones. Su precisión cambia según los datos utilizados, la tarea y el nivel de detalle de la decisión.

La investigación de mercados entra en la etapa de la simulación

Los consumidores sintéticos son perfiles generados mediante inteligencia artificial para responder preguntas, evaluar estímulos o representar comportamientos atribuidos a un segmento. A diferencia de la IA que resume o clasifica información existente, esta metodología produce nuevas respuestas a partir de los patrones del modelo y de los datos que recibe como contexto.

El 2025 Global Market Research Trends Report de Qualtrics, basado en más de 3.000 investigadores de 14 países, encontró que 71% estimaba que, dentro de tres años, la mayoría de la recolección utilizaría respuestas sintéticas. Entre quienes ya las habían usado, 87% reportó alta satisfacción, especialmente al evaluar packaging, nombres y mensajes.

La edición 2026, con más de 3.000 investigadores de 17 países, señala que 95% usa herramientas de IA regularmente o experimenta con ellas. Esta cifra corresponde a IA aplicada a la investigación en general, no solo a consumidores sintéticos. La adopción tecnológica está extendida, pero el dato no demuestra que la simulación haya reemplazado a los métodos tradicionales.

La IA reproduce patrones generales, pero reduce la diversidad

El Nürnberg Institut für Marktentscheidungen (NIM) aplicó tres estudios a 500 consumidores reales de Estados Unidos y a 500 perfiles creados con GPT-4. Cada participante sintético replicó diez variables demográficas de una persona real. Las pruebas abordaron bebidas, ropa deportiva y opinión política.

Las respuestas se acercaron al evaluar criterios generales de compra, pero las diferencias aumentaron frente a marcas y conductas específicas. En bebidas, la distribución de la IA se apartó de la humana en 75% de las preguntas; en ropa deportiva, en 80%. El modelo favoreció marcas conocidas, subestimó la compra de marcas menos conocidas y entregó evaluaciones más positivas y uniformes.

Un estudio de Political Analysis detectó un patrón relacionado. ChatGPT reprodujo algunos promedios de la encuesta electoral estadounidense ANES, pero generó menor dispersión y coeficientes distintos. Pequeños cambios en el prompt y la repetición de la prueba tres meses después también modificaron los resultados. La cercanía de un promedio, por sí sola, no asegura estabilidad ni representación adecuada de los segmentos.

Más información humana mejora el desempeño

Una investigación académica liderada por Stanford permite observar el efecto de entregar mayor contexto al modelo. El estudio de Park y otros autores reclutó a 1.052 personas representativas de la población estadounidense en edad, género, raza, región, educación e ideología. Cada participante completó una entrevista semiestructurada de dos horas y encuestas. Con esos antecedentes, el equipo construyó agentes individuales y los evaluó en preguntas reservadas, rasgos de personalidad y experimentos sociales.

En la versión revisada en junio de 2026, los agentes alimentados solo con entrevistas alcanzaron una precisión equivalente al 83% de la consistencia con que las propias personas repitieron sus respuestas dos semanas después. Los agentes que combinaron entrevistas y encuestas llegaron al 86%; los construidos únicamente con datos demográficos obtuvieron 74%.

Estos resultados no son directamente comparables con los del NIM, porque utilizaron insumos, tareas y métricas diferentes. En conjunto, indican que un perfil definido solo por variables demográficas contiene menos información predictiva que uno basado en evidencia individual. Para una aplicación en Chile, esto supone validar el modelo con información local y medir su desempeño en los segmentos relevantes, sin asumir que una plataforma global reproduce automáticamente las particularidades del mercado.

Usos exploratorios y decisiones de mayor riesgo

La Market Research Society identifica como aplicaciones iniciales el pretest de cuestionarios y guías, la simulación de customer journeys, la exploración de escenarios y la formulación de hipótesis. En marketing, también pueden compararse conceptos, mensajes, nombres o empaques en etapas tempranas, informando que los resultados son estimaciones generadas por un modelo.

La validación debe aumentar cuando la investigación incide en precios, pronósticos de demanda, segmentaciones, inversión publicitaria o lanzamientos. Un perfil sintético puede omitir comportamientos minoritarios, señales emergentes o contradicciones ausentes de sus datos. Tampoco posee recuerdos, emociones ni experiencia de uso: genera respuestas a partir de regularidades aprendidas.

La trazabilidad es otro componente. Insights Association recomienda informar si los resultados proceden de participantes humanos, sintéticos o de ambos; revisar el consentimiento cuando estudios anteriores alimentan nuevos modelos; minimizar los datos personales; y evaluar riesgos de reidentificación.

Un modelo híbrido para los equipos de marketing

La incorporación de consumidores sintéticos puede separar dos etapas. En la exploración, la simulación amplía alternativas, somete mensajes a pruebas preliminares y ayuda a priorizar hipótesis. En la confirmación, una muestra humana independiente verifica los hallazgos que incidirán en la decisión.

Para que el proceso sea auditable, el equipo debe registrar la versión del modelo, el prompt, los parámetros, la fecha y las fuentes de datos. También debe fijar previamente qué diferencias entre muestras serán aceptables, qué segmentos se revisarán por separado y qué decisiones no podrán aprobarse sin investigación con personas reales.

Los consumidores sintéticos trasladan parte del trabajo desde el levantamiento hacia la validación y la gobernanza. Para marketing e insights, su aporte no consiste únicamente en producir respuestas con mayor rapidez, sino en orientar qué hipótesis vale la pena investigar y reservar la evidencia humana para las decisiones donde el error tiene mayores consecuencias.

Fuentes

• Qualtrics, 2025 Global Market Research Trends Report
• Qualtrics, The 4 Market Research Trends Shaping 2026
• NIM, Generative AI in Market Research
• Park et al., LLM Agents Grounded in Self-Reports Enable General-Purpose Simulation of Individuals
• Bisbee et al., Synthetic Replacements for Human Survey Data?
• Market Research Society, Clientside AI Best Practice Guidance
• Insights Association, Code in Action: Synthetic Data Revisited