Personas generadas con IA: los riesgos de inventar a tus usuarios

¿Qué es una persona y para qué sirve?

Una persona es la representación de un grupo de usuarios, con objetivos, contexto, frustraciones y comportamientos. Su función es recordar al equipo para quién diseña y ayudar a priorizar. Una buena persona no es un retrato bonito: es un resumen de datos reales que cambia decisiones.

El problema de generarla con IA es que el texto parece completo. Tiene nombre, edad, empleo, una frase de cita y una lista de frustraciones. Parece investigación, pero es una mezcla de lo que el modelo aprendió sobre perfiles parecidos. Nada de eso viene de tus usuarios.

¿Qué muestran los estudios?

Cuatro trabajos recientes miran el problema desde ángulos distintos. Ninguno estudia exactamente las personas de UX de tu producto, así que léelos como señales de lo que puede pasar, no como una medición de tu caso.

Un grupo dominante por ocupación. Van der Linden y sus colegas (arXiv, 2025) pidieron a cuatro modelos (GPT-4, Gemini 2.5, DeepSeek V3.1 y Mistral-medium) más de 1,5 millones de perfiles de 41 ocupaciones de Estados Unidos, con el prompt “Genera un perfil de: ocupación en Estados Unidos”, y los compararon con datos de la Oficina de Estadísticas Laborales. Los modelos comprimieron cada ocupación hacia un perfil dominante. En conjunto, los trabajadores blancos aparecieron 31 puntos porcentuales por debajo de la realidad y los negros 9 por debajo, mientras que los hispanos aparecieron 17 puntos por encima y los asiáticos 12. Gemini generó a los empleados de limpieza del hogar (housekeepers) como hispanos el 99,9 % de las veces. El modelo importa: la subrepresentación de trabajadores blancos va de unos 18 puntos (DeepSeek) a unos 44 (Gemini). Los autores aclaran que probaron un solo prompt y que algunas versiones ya se retiraron.

Estereotipos frente a personas reales. Un estudio de Penn State presentado en AAAI 2026 (“A Tale of Two Identities”) comparó más de 1.500 personas generadas por GPT-4o, Gemini 1.5 y DeepSeek v2.5 con las respuestas de 141 personas reales con características parecidas. Cuando el chatbot representó a una mujer afroamericana de 50 años, habló de música gospel, mano dura, justicia social y cuidado del cabello natural. Las personas reales hablaron de trabajo, crianza, voluntariado y salud. Los investigadores describen cuatro daños de representación: estereotipos, exotización, borrado y sesgo benevolente.

Estereotipos al condicionar. Bombieri y Rospocher (2025) simularon 200 residentes de Estados Unidos que responden preguntas sociodemográficas. Concluyen que los modelos suelen producir perfiles homogéneos que subrepresentan la diversidad demográfica y que condicionar por género, etnia o discapacidad puede provocar cambios estereotipados.

Un contrapunto. Sethi y colegas (CHI EA 2025) analizaron 600 descripciones de personas generadas por cinco modelos con once métricas de diversidad léxica. No encontraron sesgo demográfico significativo en esa diversidad (edad, género y país), pero sí diferencias significativas entre modelos. Esa métrica mide la variedad del vocabulario, algo distinto de medir si el contenido es estereotipado. Aun así, el resultado recuerda que “sesgo” depende de qué midas y de qué modelo uses.

Nielsen Norman Group añade un matiz de uso. Sus pruebas con usuarios sintéticos (revisadas en usuarios sintéticos) indican que los datos sintéticos pueden servir para desarrollar proto personas, que hay que revisar después de investigar con usuarios reales, pero que las respuestas planas y demasiado amplias de los usuarios sintéticos no sirven para priorizar funciones ni para crear personas.

¿Cómo usarlas como borrador?

1. Úsalas como proto personas: un punto de partida para listar hipótesis sobre el grupo.
2. Etiqueta cada atributo con su fuente: ¿viene de tu research o del modelo?
3. Descarta lo que no tenga fuente, sobre todo citas textuales, edades precisas y datos demográficos.
4. Contrasta con entrevistas: cada motivación debe aparecer en algunas conversaciones reales. Si necesitas ayuda para ordenar lo que oíste, mira la síntesis de entrevistas con IA.
5. Revisa la representación: pregúntate qué grupos faltan y qué estereotipos aparecen. Los sesgos de los modelos explican por qué ocurre.
6. Versiona la persona con fecha y fuentes, para saber qué cambió cuando llegaron datos nuevos.

¿Cuándo NO conviene?

• Cuando la persona va a circular como evidencia ante stakeholders sin aclarar su origen.
• Cuando se usa para poblaciones poco representadas en los datos del modelo, como personas con discapacidad o comunidades específicas.
• Cuando reemplaza las entrevistas que el equipo no tuvo tiempo de hacer.
• Cuando el resultado define decisiones de accesibilidad, salud o finanzas.

¿Cómo se documenta una persona con fuentes?

Una persona útil obliga a declarar el origen de cada dato. Esta es una plantilla mínima:

Si un campo no tiene fuente, déjalo vacío o márcalo como hipótesis. Una persona con huecos honestos sirve más que una completa e inventada. Revísala cada cierto tiempo: si el producto cambió de público, si el equipo ya no la consulta al decidir o si sus objetivos describen a alguien que no aparece en los datos nuevos, reemplázala en lugar de parchearla.

Ejemplo

Ejemplo ilustrativo: un equipo quiere una persona para una app de ahorro para familias. Un colega genera “Laura, 42 años, madre de dos, trabaja de administrativa”. Antes de usarla, el equipo revisa: la edad y el oficio vienen del prompt, la frase “me da miedo fallar” no sale de ninguna entrevista y los objetivos se parecen a los de cualquier app de finanzas. Reemplazan la persona por una construida con seis entrevistas reales y conservan la generada como lista de hipótesis para probar.

Lo que aprendió el equipo: el perfil de IA ayudó a empezar la conversación, pero los datos reales cambiaron los objetivos principales.

Errores comunes

• Presentar una persona generada como si fuera de investigación.
• Usar citas textuales que el modelo inventó.
• No revisar qué grupos faltan en la representación.
• Quedarse con la primera versión sin contrastarla.
• Olvidar la fecha y la fuente de cada atributo.

Fuentes

• Generating the Modal Worker: A Cross-Model Audit of Race and Gender in LLM-Generated Personas Across 41 Occupations (arXiv 2510.21011)
• Penn State: chatbots overemphasize sociodemographic stereotypes
• Mining Impersonification Bias in LLMs via Survey Filling (Bombieri y Rospocher, 2025)
• “When AI Writes Personas”: Analyzing Lexical Diversity in LLM-Generated Persona Descriptions (CHI EA 2025)
• Synthetic Users: If, When, and How to Use AI-Generated “Research” (Nielsen Norman Group)