¿Pueden las personas virtuales, creadas con IA, ayudar a entender el comportamiento de los consumidores?
Los datos de millones de personas reales sirven para entrenarlas
Los datos de millones de personas reales sirven para entrenarlas
21 de octubre de 2026
por
David Ruiz de Olano
[ ILUSTRACIÓN: METAMORWORKS / ISTOCK ]
¿Qué pasaría si, en lugar de preguntarle a personas reales qué piensan de un producto, una marca o una tendencia política, se lo preguntáramos a máquinas que simulasen ser personas?
Eso es exactamente lo que está empezando a ocurrir en la investigación de mercado: las grandes empresas especializadas están reemplazando los paneles de personas reales por paneles sintéticos compuestos por personas virtuales generadas por inteligencia artificial y entrenadas con los datos de millones de consumidores reales. Este sistema es más rápido y barato que su correspondencia en el mundo real y cada vez más común. Pero mientras la industria empieza a ofrecer estos servicios, los riesgos derivados de usar estas herramientas plantean dudas.
Tradicionalmente, las empresas usan los estudios de mercado para obtener información útil sobre los gustos e intereses de personas que podrían ser usuarias o consumidoras de sus productos. Para conseguir esta información, recurren a firmas especializadas que usan herramientas como los focus groups (un pequeño grupo de personas que, guiadas por un moderador, debaten sobre un producto, servicio o idea), paneles, entrevistas en profundidad o análisis de sentimiento.
Un panel de consumo es un grupo de personas seleccionadas para representar a un público objetivo para responder a preguntas sobre los productos y marcas que consumen, los anuncios que ven y sus experiencias de consumo. Estos paneles se pueden reunir solo una vez o ser encuestados recurrentemente.
Algunos están compuestos por miles de personas en diferentes países y representan a diferentes segmentos de población (por edades, grupo social, género, ocupaciones, etc.). Por ejemplo, la empresa de investigación de mercado Kantar Worldpanel tiene en el Reino Unido una muestra de 30 000 hogares estratificados por edad, género, región, clase social y otros factores. Pero a nivel mundial tiene acceso a los datos sobre comportamiento de consumo de más de 170 millones de panelistas. Con esta información, es capaz de generar más de 130 paneles sobre hábitos de compra y uso en todo el mundo.
Algunas de estas empresas encuestadoras están empezando a reemplazar la voz de las personas por la de personas creadas mediante IA, a las que se entrena con datos históricos de comportamiento real para simular cómo respondería un segmento específico de consumidores a preguntas sobre productos, marcas o publicidad. Un panel sintético es, pues, uno integrado exclusivamente por estas personas virtuales.
Toluna, otra empresa global de investigación de mercados, anunció en octubre de 2025 la creación de un panel de un millón de personas sintéticas usando la IA y aprovechándose de los datos de su panel de 79 millones de personas reales.
En marzo de 2026, Qualtrics, otra empresa global de estudios de mercado, anunció su panel sintético construido sobre los datos de más de 200 millones de personas.
Los beneficios (solo para las empresas) son directos: reducen el tiempo necesario para conseguir la información (algunas estiman una reducción de 4 a 6 semanas a entre 2 o 3 días) y también de los costes (es muy caro pasar de reclutar 50 personas a 500 pero entrenar 50 o 500 personas sintéticas cuesta lo mismo: muy poco).
Pero evidentemente, también hay riesgos (para las empresas y sus clientes). La asociación global que regula, representa y promueve la investigación social de opinión y de mercados, y el análisis de datos, ha pedido a las empresas que usan paneles que diferencien claramente entre respuestas generadas por una máquina y respuestas de humanos reales.
Algunos de estos riesgos son los sesgos en los modelos entrenados con sobreponderancia de datos occidentales (USA y Europa). Si los datos originales que alimentaron a los consumidores sintéticos ya tenían un sesgo de inicio este se amplifica y algunos colectivos pueden quedar infrarrepresentados. Otro riesgo pueden ser las alucinaciones: respuestas que parecen coherentes pero que son incorrectas o, como describió OpenAI, que la IA “se invente cosas”.
También ha habido algún intento de replicar o usar estos modelos para encuestas sobre sentimiento político. En este caso, usaron un modelo de IA para crear diferentes tipos de personas que respondiesen a las preguntas clásicas sobre sentimiento político que se hacen a los estadounidenses (cuál es su sentimiento respecto a los demócratas y los republicanos).
Esta investigación, realizada en 2024, concluyó que los resultados que aportaban las personas reales y virtuales no eran comparables. Pero también que según mejorasen los modelos cabría preocuparse más de la cuestión ética. Desde entonces, OpeanAI se ha actualizado con 19 versiones en estos dos años y la duda es: ¿llegará el momento en que los barómetros electorales se sustituyan por IA-barómetros?
La pregunta no es si los paneles sintéticos llegarán (porque ya están aquí), sino si como sociedad estamos preparados para asumir ese riesgo. En esta carrera, las empresas están reemplazando personas reales por máquinas que pueden «alucinar» respuestas coherentes pero potencialmente falsas. Sin una regulación clara o una validación rigurosa, el riesgo no es solo que las empresas tomen decisiones equivocadas, sino que la investigación misma pierda su propósito fundamental: entender a las personas reales.
ARGYLE, L. P.; BUSBY, E. C.; FULDA, N.; GUBLER, J. R.; RYTTING, C. & WINGATE, D. (2023). «Out of one, many: Using language models to simulate human samples». Political Analysis, vol. 31, n.º 3, pp. 337-351. Disponible en: https://doi.org/10.1017/pan.2023.2
BISBEE, J.; CLINTON, J. D.; DORFF, C.; KENKEL, B. & LARSON, J. M. (2024). «Synthetic replacements for human survey data? The perils of large language models». Political Analysis, vol. 32, n.º 4, pp. 401-416. Disponible en: https://doi.org/10.1017/pan.2024.5
HUANG, M.-H. & RUST, R. T. (2025). «The GenAI future of consumer research». Journal of Consumer Research, vol. 52, n.º 1, pp. 4-17. Disponible en: https://doi.org/10.1093/jcr/ucaf013
WANG, M.; ZHANG, D. J. & ZHANG, H. (2026). «Large language models for market research: A data-augmentation approach». Marketing Science, vol. 45, n.º 4, pp. 728-751. Disponible en: https://doi.org/10.1287/mksc.2025.0009
Es profesor del departamento de Marketing en Deusto Business School (DBS) Executive Education de la Universidad de Deusto. Es Máster in Management por la escuela de negocios europea ESCP, Licenciado en Ciencias Físicas especialidad Física Fundamental por la Universidad de Cantabria, y PhD en Management por la Universidad de Turín. También cuenta con formación ejecutiva en varias escuelas de negocio como Harvard Business School (Boston, USA), MIT (Boston, USA) e IMD (Lausanne, Suiza). Antes de incorporarse a Deusto, fue director de Estudios de ESCP European School of Management en sus campus de Londres y Turín, y miembro del claustro. Su experiencia profesional incluye varias empresas en el sector financiero Londres, Milán y París. Ha impartido clases a alumnos a nivel de grado y en programas de formación de directivos en las áreas de marketing, innovación y desarrollo de nuevos productos. Sus áreas de investigación recaen en el desarrollo de nuevos productos, innovación de producto y gestión de la innovación tecnológica.
Ver todos los artículos
Es profesor del departamento de Marketing en Deusto Business School (DBS) Executive Education de la Universidad de Deusto. Es Máster in Management por la escuela de negocios europea ESCP, Licenciado en Ciencias Físicas especialidad Física Fundamental por la Universidad de Cantabria, y PhD en Management por la Universidad de Turín. También cuenta con formación ejecutiva en varias escuelas de negocio como Harvard Business School (Boston, USA), MIT (Boston, USA) e IMD (Lausanne, Suiza). Antes de incorporarse a Deusto, fue director de Estudios de ESCP European School of Management en sus campus de Londres y Turín, y miembro del claustro. Su experiencia profesional incluye varias empresas en el sector financiero Londres, Milán y París. Ha impartido clases a alumnos a nivel de grado y en programas de formación de directivos en las áreas de marketing, innovación y desarrollo de nuevos productos. Sus áreas de investigación recaen en el desarrollo de nuevos productos, innovación de producto y gestión de la innovación tecnológica.
Ver todos los artículos
