¿Puede una IA responder por las personas?

Una institución necesita conocer las dificultades de sus usuarios. Organizar entrevistas supone localizar personas, coordinar horarios, preparar al equipo y revisar la información recogida. Mientras se discute el presupuesto, aparece una alternativa: describir distintos perfiles a una inteligencia artificial y pedirle que responda el cuestionario desde cada uno de ellos.

En poco tiempo se obtiene una base con cientos de respuestas. Hay diferencias entre edades, ocupaciones y niveles educativos. Los comentarios abiertos contienen explicaciones que suenan familiares. Las tablas están listas para incorporarse al informe.

La facilidad para producir ese material plantea una pregunta que debe resolverse antes de interpretarlo: ¿qué relación existe entre esas respuestas y las de las personas que la institución quiere conocer? Un modelo puede generar lo que parece razonable para un perfil. Establecer si esa respuesta representa una experiencia, preferencia o conducta real exige otro tipo de prueba.

Qué estamos llamando una respuesta sintética

En este artículo nos referimos a respuestas generadas por modelos de lenguaje a los que se asignan perfiles o información sobre personas. El sistema recibe instrucciones para contestar como alguien con determinadas características y produce registros que después pueden analizarse.

El término datos sintéticos abarca otros procedimientos, incluidos métodos estadísticos para generar bases destinadas a pruebas o a facilitar el acceso a información protegida. Sus propiedades dependen de cómo se construyen y evalúan. Aquí examinamos una aplicación concreta: utilizar modelos de lenguaje para simular participantes en encuestas e investigaciones sociales.

La distinción importa porque una base artificial puede servir para comprobar que un formulario funciona sin que sus porcentajes describan a ninguna población. La validez debe juzgarse en relación con el uso previsto.

Lo que han encontrado las investigaciones

Argyle et al. (2023) estudiaron la capacidad de GPT-3 para simular respuestas a partir de información sociodemográfica de participantes reales en encuestas estadounidenses. Sus resultados mostraron correspondencias con patrones de respuesta de distintos subgrupos y dieron fundamento a la posibilidad de investigar estas simulaciones como herramientas de las ciencias sociales. Los autores denominaron fidelidad algorítmica a esa capacidad de reproducir patrones humanos bajo determinadas condiciones.

Una evaluación posterior de Bisbee et al. (2024) encontró una dificultad importante. Las respuestas generadas principalmente con GPT-3.5 Turbo podían aproximarse a promedios observados en el American National Election Study y, al mismo tiempo, presentar menos variación y relaciones entre variables diferentes de las obtenidas con participantes humanos. También documentaron sensibilidad a la redacción de las instrucciones y al momento de generación.

Xie et al. (2026) ampliaron la evaluación mediante SSDataBench, un marco para examinar el realismo estadístico de datos sociales generados por modelos de lenguaje. Compararon quince modelos utilizando información de cuatro estudios longitudinales y tres transversales. Encontraron limitaciones para conservar la heterogeneidad cuando la generación se apoyaba en información limitada sobre los individuos. También presentaron evidencia preliminar de que el entrenamiento específico por dominio puede mejorar el desempeño.

Pew Research Center publicó otra evaluación el 30 de septiembre de 2026 (Chapekis et al., 2026b). Construyó perfiles con información de integrantes reales de su American Trends Panel e intentó reproducir tres encuestas del primer semestre de ese año. Con Claude Opus 4.6 en la configuración principal, obtuvo una diferencia absoluta media de 12,4 puntos porcentuales entre las respuestas humanas y sintéticas. Esa medida resume discrepancias entre porcentajes de respuesta; no es un margen de error muestral.

Estos trabajos examinan modelos, instrucciones, poblaciones y criterios diferentes. Leerlos como una competición en la que cada estudio confirma o desmiente al anterior perdería parte de su valor. En conjunto, permiten precisar el problema: una simulación puede rendir bien en ciertas tareas y fallar en otras que son decisivas para la investigación.

Acertar el promedio puede ocultar el problema

Imaginemos una institución que pregunta a dos grupos de usuarios si están satisfechos con un servicio. Cada grupo tiene cien integrantes. El siguiente ejemplo es hipotético y fue construido para este artículo; no corresponde a datos de clientes ni a una prueba realizada con un modelo.

La simulación reproduce exactamente el 60 % general. Sin embargo, elimina una diferencia de cuarenta puntos porcentuales entre los grupos. Si la validación se limitara al total, podríamos declarar un ajuste perfecto y pasar por alto el problema más relevante para mejorar el servicio.

Para una institución interesada en identificar a quién está atendiendo peor, ese error tendría consecuencias prácticas. El resultado sintético sugeriría una experiencia uniforme donde las respuestas humanas muestran una desigualdad considerable.

El ejemplo demuestra una posibilidad aritmética. No estima con qué frecuencia ocurre en los modelos disponibles. Su utilidad es explicar por qué la coincidencia de un indicador general resulta insuficiente para validar todos los usos de una base. Una simulación puede conservar ciertas características de los datos y distorsionar otras.

La diversidad que un perfil deja fuera

Saber la edad, ocupación y escolaridad de una persona aporta información, pero deja mucho por conocer. Dos usuarios con esas mismas características pueden haber recibido un trato distinto, depender de redes de apoyo diferentes o interpretar una pregunta a partir de experiencias que el perfil nunca menciona.

Wang et al. (2025) investigaron los riesgos de utilizar modelos de lenguaje para sustituir participantes. Su trabajo incluyó cuatro modelos y estudios con 3.200 participantes de dieciséis identidades demográficas, y documentó problemas de representación distorsionada y homogeneización de grupos. Estos hallazgos cuestionan la idea de que asignar una identidad al modelo basta para recuperar la diversidad de quienes la comparten.

Pew encontró otra manifestación del problema: según la pregunta, las respuestas sintéticas se concentraban excesivamente en categorías intermedias o extremas y evitaban opciones elegidas por participantes reales (Chapekis et al., 2026a). Una aproximación a la orientación general de la opinión podía convivir con una representación empobrecida de su diversidad.

Esto merece especial atención cuando se investigan necesidades poco visibles. Si una experiencia apenas aparece en las fuentes disponibles para el modelo, una respuesta bien redactada podría reproducir explicaciones conocidas y dejar fuera precisamente aquello que la investigación necesita descubrir.

Tampoco las encuestas humanas garantizan una representación adecuada por el solo hecho de entrevistar personas. La cobertura, la selección, la no respuesta y la medición requieren revisión. Comparar respuestas sintéticas con una encuesta exige examinar también la calidad de esa referencia.

Qué habría que validar antes de utilizarlas

Proponemos organizar la evaluación alrededor de tres preguntas relacionadas. Esta es una orientación para revisar un proyecto, no un instrumento de validación ya probado.

La primera es qué resultado necesita recuperar la simulación. Estimar una proporción, comparar grupos y estudiar relaciones entre variables son tareas diferentes. La validación debería corresponder a la afirmación que se pretende hacer. Si interesa conocer una desigualdad entre grupos, el porcentaje general no basta; si interesa explicar una conducta, habrá que examinar las relaciones relevantes y sus límites.

La segunda es frente a qué información se comprobará el desempeño. Conviene reservar datos humanos que no se hayan utilizado para ajustar las instrucciones o seleccionar la configuración. Además, debe documentarse qué información recibió el modelo. No significa lo mismo generar respuestas a partir de unos pocos atributos que hacerlo con un historial detallado de actitudes. Incluso al reservar datos para evaluación, puede ser difícil establecer si determinados materiales públicos formaron parte del entrenamiento original del sistema.

La tercera es si los errores permitirían tomar la decisión prevista. Una diferencia pequeña en un promedio podría ocultar errores grandes en un grupo reducido. Por eso conviene definir de antemano qué discrepancias serían aceptables y por qué, considerando las consecuencias del uso. No existe un umbral único que vuelva adecuada una simulación para cualquier investigación.

Este examen requiere conservar el modelo y su versión, la fecha de generación, las instrucciones, los perfiles, los parámetros disponibles y las reglas de procesamiento. También interesa comprobar qué cambia al repetir el ejercicio o modificar elementos razonables de su configuración. Esa documentación ayuda a delimitar el alcance de una validación y las condiciones que obligarían a revisarla.

Generar más respuestas no equivale a escuchar a más personas

Producir diez mil registros puede estabilizar los porcentajes que devuelve una configuración del modelo. Eso permite estudiar su comportamiento, pero no incorpora diez mil observaciones independientes de personas reales ni demuestra que el resultado se acerque a la población de interés.

La diferencia es importante al calcular incertidumbre. Aplicar mecánicamente las fórmulas habituales de una muestra humana a esos registros puede generar intervalos estrechos que no expresan los errores de representación de la simulación. Una salida estable puede seguir estando alejada del fenómeno que queremos conocer.

Cuando se trabaja con una población difícil de contactar, la facilidad de generación tampoco resuelve por sí sola la falta de información. La pregunta sigue siendo qué evidencia permite evaluar las respuestas obtenidas. La dificultad para escuchar a un grupo vuelve más exigente esa comprobación.

Un lugar útil dentro de la investigación

Una institución podría emplear respuestas artificiales para comprobar recorridos de un formulario, detectar errores de programación o ensayar formatos de análisis. En esas tareas, el criterio de éxito puede ser el funcionamiento del proceso, siempre que los registros estén identificados y no se mezclen con observaciones reales.

También puede utilizar un modelo para proponer interpretaciones de preguntas o explorar hipótesis. Esas sugerencias tendrían que contrastarse mediante revisión especializada y pilotaje con la población pertinente. En una investigación cualitativa, un diálogo generado puede ayudar a preparar una guía; su coherencia no demuestra que recoja las experiencias que aparecerán durante las entrevistas.

Estimar opiniones o comportamientos poblacionales exige un respaldo mayor. Habría que demostrar un desempeño adecuado para la población, el tema, el período y la decisión concreta. Los resultados favorables en otro contexto constituyen antecedentes útiles, no una autorización general para trasladar el procedimiento.

La pregunta que queremos mantener abierta

Escribimos sobre las respuestas sintéticas porque su facilidad de producción puede hacer que una decisión de investigación pase inadvertida: sustituir el contacto con personas por una representación generada de ellas. La sustitución merece una evaluación explícita, especialmente cuando de sus resultados dependerán servicios, recursos o interpretaciones sobre grupos poco escuchados.

¿Puede una IA responder por las personas? admite una respuesta práctica inmediata: puede producir respuestas en su nombre. La cuestión científica es en qué condiciones esas respuestas permiten conocerlas. Los estudios revisados muestran posibilidades y límites que obligan a precisar la tarea, contrastar resultados y conservar espacio para experiencias que el modelo podría omitir.

Desde Ideas y Evidencia defendemos ese examen antes de convertir una simulación en una afirmación sobre la sociedad. La utilidad de una herramienta se demuestra en el trabajo que permite hacer y en la evidencia que respalda sus resultados. Cuando queremos comprender a las personas, también cuenta nuestra disposición a escuchar aquello que no habíamos previsto preguntar.