# Usuarios sintéticos: qué sirven y qué no en research de UX > Los usuarios sintéticos son personas simuladas por IA. Sirven para explorar hipótesis, no para validar decisiones. Qué encontró NN/g y cómo usarlos bien. *Tags: ia, research, usuarios, metodos* --- > [!info] Definición Rápida > **Los usuarios sintéticos** son perfiles simulados por un modelo de lenguaje que responden preguntas como si fueran personas de un público objetivo. No son personas reales, no tienen experiencias verificables y no generan datos de comportamiento. Sirven para explorar, no para decidir. ## ¿Qué son y cómo se usan? Se crean con un prompt o con una herramienta que describe a la persona: edad, oficio, objetivos, contexto. El modelo responde a una entrevista, a un concepto o a una encuesta. Es rápido y barato, y por eso resulta tentador. El problema está en lo que devuelve. Una respuesta de un modelo tiene la forma de una respuesta de usuario, pero no sale de una experiencia real. Parece una entrevista; en realidad es una completación de texto sobre un perfil. ## ¿Qué encontró NN/g? En junio de 2024, Maria Rosala y Kate Moran, de Nielsen Norman Group, compararon dos herramientas, el producto Synthetic Users y ChatGPT con un prompt de rol detallado, contra tres estudios que el equipo ya había hecho con personas reales. Los estudios eran entrevistas con visitadores médicos en Latinoamérica, con estudiantes de cursos en línea y una prueba de concepto. Su conclusión: lo que dicen los usuarios sintéticos debe tratarse como hipótesis, nunca presentarse como hallazgo de usuarios reales, y la investigación de UX sigue necesitando personas reales. Los fallos que describe el artículo son concretos: | Fallo | Qué pasó en el estudio | |---|---| | Adulación | Valoraron los foros de los cursos que la mayoría de los participantes reales consideró forzados, y calificaron de "muy útil" una app para entregar muestras médicas con drones | | Comportamiento idealizado | Dijeron haber terminado cursos en línea que los estudiantes reales suelen empezar y abandonar | | Falta de profundidad | Listaron los factores que hacen atractivo un curso sin prioridad ni detalle, demasiado superficiales para actuar | | Sin experiencia real | No han usado ningún producto, así que sus "experiencias pasadas" no son fiables | NN/g sí reconoce dónde funcionaron: cuando un visitador médico sintético describió su día típico, el resultado fue muy parecido a lo que contaron los participantes reales. Una lectura posible, que no es del artículo: una rutina de trabajo está bien documentada en internet, mientras que las opiniones sobre un concepto nuevo no existen en ningún texto previo. El artículo también advierte sobre las organizaciones con poca madurez en UX: son las que más ven a los usuarios sintéticos como solución ideal y las que más riesgo tienen de usarlos mal o depender de ellos. ## ¿Por qué le importa a un diseñador? Porque la tentación es grande. Un equipo con poco tiempo puede querer "validar" una idea con diez perfiles en cinco minutos. Ese atajo genera una falsa sensación de evidencia, y luego el equipo defiende una decisión que nadie probó. La investigación académica apunta en la misma dirección. Un estudio de 2025 de González-Bustamante, Verelst y Cisternas comparó respuestas sintéticas con una encuesta probabilística de opinión pública en Chile: en preguntas de confianza los modelos acertaron mucho (F1 por encima de 0,90), pero la fidelidad cambió bastante de una pregunta a otra, y los autores piden calibración antes de confiar en estas muestras. Otro trabajo de 2025 (Wang, Hunt, Tang y Joseph) parte de que los modelos muestran poca diversidad frente al comportamiento humano y prueba a ajustarlos con una muestra pequeña de personas reales. El ajuste mejora la diversidad y la coherencia, pero ni el mejor modelo reproduce los resultados estadísticos del estudio original, así que los autores concluyen que esos datos no sirven para sustituir participantes en análisis formales. Eso encaja con los [[sesgos-en-modelos|sesgos que traen los modelos]], con los [[sesgos-de-ia-en-research|sesgos de la IA en el research]] y con el [[context-engineering|cuidado con el contexto que le das]]. ## ¿Cómo se usan sin engañarte? Reglas que puedes seguir mañana: 1. **Etiqueta siempre la fuente.** Nunca presentes un hallazgo sintético como si fuera de usuarios reales. 2. **Úsalos antes del estudio.** Para pilotar una [[guiones-de-entrevista-con-ia|guía de entrevista]] o descubrir temas que faltan. 3. **Trátalos como hipótesis.** Cada salida debe convertirse en algo que compruebas con personas reales. 4. **Ten cuidado con poblaciones nicho.** NN/g advierte que ahí los resultados pueden ser irregulares, porque el modelo tiene menos datos. 5. **No los uses para decidir prioridades.** Eso requiere datos de comportamiento. Un flujo útil: usa un usuario sintético para escribir diez preguntas de una entrevista, elige cuatro, pruébalas con dos personas reales y ajusta. El sintético no respondió a tu problema; te ayudó a preparar la conversación. Lo mismo aplica a las [[personas-con-ia|personas generadas con IA]]: pueden ser un borrador, pero no reemplazan lo que aprendes hablando con usuarios. ## ¿Cuándo NO conviene? - Para validar un concepto o una decisión de producto. - Para públicos especializados o poco representados en internet, donde el modelo tiene pocos datos. - Para preguntar por experiencias pasadas con un producto, porque el perfil nunca lo usó. - Cuando la organización tiene poca madurez en research y podría usar los resultados como sustituto. - Cuando el resultado se va a presentar a stakeholders como si fuera evidencia de usuarios. ## Ejemplo Ejemplo ilustrativo: un equipo quiere saber si los usuarios aceptarían una opción de pago en cuotas en una app de viajes. Un colega genera cinco usuarios sintéticos y todos dicen que la opción les parece "muy útil". El equipo está a punto de priorizarla, pero una revisión rápida muestra que los perfiles nunca mencionaron el costo ni el plazo. Hacen cuatro entrevistas con viajeros reales y descubren que la mayoría prefiere pagar todo al reservar, por miedo a un cargo futuro. Lo que aprendió: la respuesta sintética era cómoda y falsa. La entrevista real cambió la decisión. ## ¿Cómo documentar un experimento con usuarios sintéticos? Si vas a usarlos, deja un registro que otra persona pueda repetir. Cinco campos bastan: 1. **Modelo y versión**, con la fecha de la consulta, porque las respuestas cambian al cambiar el modelo. 2. **Prompt completo**, incluido el rol y cualquier instrucción de formato. 3. **Perfil descrito**: edad, oficio, contexto. Anota qué atributos vinieron de tu investigación y cuáles inventaste. 4. **Criterio de paso a la siguiente fase**: qué tendría que pasar con personas reales para que la hipótesis siga viva. 5. **Resultado y decisión**: qué hipótesis generó, cuál probaste después y qué cambió. Ese registro también te protege. Si un colega pregunta por qué el equipo cambió de dirección, la respuesta no será "lo dijo la IA", sino "generamos esta hipótesis, la probamos con cuatro personas y estos fueron los resultados". ## Errores comunes - Presentar una respuesta de IA como si fuera de usuarios reales. - Confiar en que "todos" los perfiles dan la misma opinión, sin preguntarse por la adulación del modelo. - Usarlos para sustituir entrevistas por falta de tiempo. - No registrar qué prompt y qué modelo se usaron. - Creer que más perfiles mejoran la evidencia: repetir un sesgo cien veces no lo corrige. ## Fuentes - [Synthetic Users: If, When, and How to Use AI-Generated "Research" (Nielsen Norman Group, 2024)](https://www.nngroup.com/articles/synthetic-users/) - [Emulating Public Opinion: A Proof-of-Concept of AI-Generated Synthetic Survey Responses for the Chilean Case (arXiv 2509.09871)](https://arxiv.org/abs/2509.09871) - [Can Finetuning LLMs on Small Human Samples Increase Heterogeneity, Alignment, and Belief-Action Coherence? (arXiv 2511.21218)](https://arxiv.org/abs/2511.21218) --- Source: https://www.fernandoux.com/es/wiki/ia/usuarios-sinteticos/