Participantes sintéticos y gemelos digitales en la investigación: usos, límites y ética (2026)
Escrito por Fengming Liu (UCL) · Revisado por Prof. Shubin Yu (HEC Paris) · May 2026 · Actualizado: 2026-05-30 · 16 min read
Imagina probar tu guía de entrevista con un panel de participantes que nunca se cansan, responden al instante y no cuestan nada, antes de reclutar a una sola persona real. Ese es el atractivo de los participantes sintéticos. Es también donde los investigadores más necesitan tener la cabeza clara, porque la misma tecnología que crea una útil herramienta de ensayo puede fabricar en silencio hallazgos que parecen reales pero no lo son.
Esta guía explica los participantes sintéticos y los gemelos digitales para investigadores: qué son, cómo se construyen, los usos legítimos, los límites estrictos y la ética. Se apoya en nuestra guía Investigación cualitativa asistida por IA generativa, que cubre el flujo de trabajo más amplio.
¿Qué son los participantes sintéticos y los gemelos digitales?
Los participantes sintéticos son personas generadas por IA —impulsadas por grandes modelos de lenguaje— que simulan cómo respondería a las preguntas de investigación una persona con un trasfondo dado. Los gemelos digitales son un tipo específico, anclado en datos: personas de IA construidas a partir de las propias transcripciones de entrevistas o documentos de un individuo real, de modo que el gemelo responde a nuevas preguntas de una forma calibrada a esa persona. Ambos permiten a los investigadores consultar a un "participante" sin reclutar ni volver a reclutar humanos.
La distinción crucial es su anclaje. Una persona sintética genérica se construye a partir de una descripción demográfica y los datos de entrenamiento del modelo; un gemelo digital se ancla en datos reales de una persona específica. Los gemelos tienden a ser más fieles, pero ninguno sustituye los datos humanos frescos.
Conceptos clave
- Participante sintético / persona de IA: un modelo al que se le pide que interprete a una persona o segmento descrito.
- Gemelo digital: una persona derivada de las respuestas previas de un individuo real, usada para preguntas de seguimiento.
- Grupo focal sintético: varias personas de IA discutiendo un tema en conjunto para hacer aflorar perspectivas diversas y tensiones antes del trabajo de campo.
- "Muestreo de silicio": la idea controvertida de usar respuestas generadas por LLM como sustituto de muestras de encuestas o entrevistas.
¿Cómo se crean?
Hay dos rutas generales:
- A partir de una especificación de persona: describes la demografía, las actitudes y el contexto, y el modelo interpreta a esa persona. Rápido y flexible, pero tan anclado como lo estén la descripción y los supuestos previos del modelo.
- A partir de datos reales (gemelos digitales): aportas las transcripciones o documentos reales de un participante, y el sistema construye un gemelo que responde a nuevas preguntas de forma coherente con lo que esa persona realmente dijo. Este es el enfoque más defendible para la investigación de seguimiento, y las plataformas cada vez más adjuntan una puntuación de calibración que estima qué tan estrechamente coincide el gemelo con la fuente real.
Dónde ayudan genuinamente
- Pilotar instrumentos: poner a prueba una guía de entrevista o una encuesta en busca de preguntas confusas o inductivas antes del trabajo de campo.
- Delimitar hipótesis: explorar la forma aproximada de un espacio de preguntas para afinar tu diseño.
- Ensayar la moderación: practicar la indagación y el flujo frente a un grupo focal sintético.
- Generación de ideas: hacer aflorar ángulos, tensiones y contraargumentos que no habías considerado.
- Seguimiento de datos existentes (gemelos): hacer nuevas preguntas a gemelos digitales construidos a partir de entrevistas ya realizadas sin volver a contactar a los participantes, y luego validar los hallazgos más prometedores con seguimientos reales.
Dónde se quedan cortos, y los riesgos
| Riesgo | Qué sale mal |
|---|
| No son evidencia real | Las respuestas sintéticas reflejan los supuestos previos de un modelo, no la experiencia vivida; no pueden descubrir lo genuinamente inesperado. |
| Sesgo y homogeneización | Los modelos aplanan la diversidad y pueden estereotipar a grupos, especialmente a los infrarrepresentados. |
| Consenso fabricado | Las personas pueden coincidir con demasiada facilidad, inventando una falsa sensación de acuerdo. |
| Alucinación oculta | Las respuestas fluidas y seguras pueden estar completamente fabricadas. |
| Tergiversación ética | Hacer pasar datos sintéticos como datos humanos es una violación de la integridad de la investigación. |
Los participantes sintéticos son un espacio de ensayo, no un escenario. Pueden ayudarte a preparar, pilotar y explorar, pero las conclusiones sobre personas reales deben descansar en datos de personas reales.
Gemelos digitales frente a personas sintéticas genéricas
| Aspecto | Gemelo digital | Persona sintética genérica |
|---|
| Anclaje | Los propios datos de una persona real | Una descripción + supuestos previos del modelo |
| Fidelidad | Mayor, y medible mediante calibración | Menor y más difícil de verificar |
| Mejor uso | Preguntas de seguimiento sobre participantes existentes | Ideación temprana y pilotaje |
| Riesgo principal | Confiar en el gemelo más allá de su fuente | Estereotipos y alucinación |
Validez y calibración
La pregunta central es siempre: ¿qué tan bien coincide la respuesta sintética con lo que diría una persona real? La calibración aborda esto comparando las salidas del gemelo o la persona frente a datos reales reservados y puntuando el acuerdo. Una puntuación de calibración alta da confianza para el uso exploratorio; nunca autoriza tratar la salida sintética como evidencia primaria. Valida siempre los hallazgos importantes frente a participantes reales.
Uso ético y divulgación
- Nunca tergiverses: los datos sintéticos deben etiquetarse como sintéticos en cualquier informe o publicación.
- Consentimiento para los gemelos: construir un gemelo digital a partir de los datos de alguien debería estar cubierto por el consentimiento informado.
- Protégete contra el sesgo: comprueba que las personas no caricaturicen a los grupos que representan.
- Divulga los métodos: indica cómo y dónde se usaron los participantes sintéticos, incluidos los modelos y los prompts.
- Mantén a los humanos en el centro: usa los métodos sintéticos para apoyar la investigación real, no para evitar relacionarte con personas reales.
Buenas prácticas
- Usa los participantes sintéticos para la preparación y la exploración, no como evidencia final.
- Prefiere los gemelos digitales anclados en datos a las personas genéricas para cualquier cosa importante.
- Calibra y valida frente a datos reales antes de confiar en un resultado.
- Etiqueta y divulga todos los datos sintéticos con transparencia.
- Vigila el sesgo y el falso consenso en cada salida.
Herramientas
Algunas plataformas de investigación con IA ahora integran estos métodos directamente. El Grupo focal sintético de QualiTaTi ejecuta discusiones de personas con múltiples agentes para explorar una pregunta antes del trabajo de campo, y su Panel de gemelos digitales extrae personas de entrevistas o documentos ya realizados y adjunta una puntuación de calibración, de modo que las preguntas de seguimiento permanecen ancladas a datos de origen reales.
Un ejemplo trabajado
- Diseño: antes de reclutar, ejecuta un grupo focal sintético de cinco personas para pilotar tu guía y detectar preguntas inductivas.
- Trabajo de campo: realiza 20 entrevistas reales y analízalas con normalidad.
- Seguimiento: construye gemelos digitales a partir de esas 20 transcripciones y haz una nueva pregunta que surgió durante el análisis.
- Validación: comprueba las puntuaciones de calibración y luego confirma las ideas más importantes derivadas de los gemelos con algunos participantes reales.
- Informe: presenta los hallazgos reales como primarios, etiquetando claramente como tal cualquier exploración sintética.
Conclusiones clave
- Los participantes sintéticos son personas de IA; los gemelos digitales son personas ancladas en los propios datos de una persona real.
- Son valiosos para pilotar, delimitar, ensayar, idear y hacer seguimiento anclado, no como reemplazo de los datos humanos.
- Los riesgos incluyen el sesgo, la homogeneización, el falso consenso y la alucinación.
- La calibración estima la fidelidad; los hallazgos importantes aún deben validarse frente a participantes reales.
- Etiqueta siempre los datos sintéticos y divulga cómo se usaron.
Preguntas frecuentes
¿Qué es un participante sintético?
Un participante sintético es una persona generada por IA, impulsada por un gran modelo de lenguaje, que simula cómo respondería a las preguntas de investigación una persona con un trasfondo dado: útil para pilotar y explorar, pero no una fuente de evidencia real.
¿Qué es un gemelo digital en la investigación?
Un gemelo digital es una persona de IA construida a partir de las propias transcripciones de entrevistas o documentos de un individuo real, lo que permite a los investigadores hacer a ese "participante" nuevas preguntas de seguimiento sin volver a reclutarlo. Los gemelos son más fieles que las personas genéricas y pueden calibrarse frente a los datos de origen.
¿Pueden los participantes sintéticos reemplazar a los participantes reales?
No. Reflejan los supuestos previos de un modelo en lugar de la experiencia vivida y pueden introducir sesgo, falso consenso y alucinación. Apoyan la preparación y la exploración, pero las conclusiones sobre personas reales requieren datos de personas reales.
¿Son útiles los grupos focales sintéticos?
Sí, para el ensayo y la ideación. Ejecutar varias personas de IA en discusión puede hacer aflorar tensiones, contraargumentos y ángulos antes del trabajo de campo, ayudándote a afinar tu diseño, siempre que no trates la salida como datos reales de consumidores o participantes.
¿Es ético usar participantes sintéticos?
Puede serlo, cuando se usa con transparencia: etiqueta los datos sintéticos como sintéticos, obtén consentimiento antes de construir gemelos digitales a partir de datos reales, comprueba el sesgo y nunca presentes respuestas sintéticas como hallazgos humanos.
¿Qué es la calibración y por qué importa?
La calibración compara las respuestas de una persona sintética o un gemelo frente a datos reales y puntúa qué tan estrechamente coinciden. Indica cuánta confianza depositar en la salida sintética para el uso exploratorio, pero nunca convierte los datos sintéticos en un sustituto de la evidencia real.