Introducción
Los Synthetic Users son representaciones digitales interactivas, creadas con inteligencia artificial y basadas en datos reales de investigación, que permiten explorar respuestas, motivaciones, fricciones y comportamientos probables de segmentos de usuarios.
Su valor aparece cuando convierten investigación acumulada en una interfaz consultable: ayudan a acelerar preguntas tácticas, reutilizar conocimiento existente y ampliar la capacidad de análisis de equipos de research, producto, marketing y experiencia de cliente sin perder la validación humana.
La tensión es cada vez más visible: las empresas necesitan aprender al ritmo del producto, pero la investigación con usuarios no siempre puede escalar a la velocidad de cada decisión. Reclutar, entrevistar, analizar y sintetizar toma tiempo; mientras tanto, muchos equipos avanzan con intuiciones, reportes infrautilizados o información incompleta.
En Multiplica, los Synthetic Users se entienden como una evolución del research hacia un modelo más rápido, escalable y accionable: un laboratorio de investigación agentizado que combina IA, datos reales y validación humana para ayudar a tomar mejores decisiones en menos tiempo.
El punto crítico es metodológico. Un Synthetic User confiable no funciona como una persona inventada, sino como una interfaz conversacional para activar conocimiento real de usuario. Bien usado, permite preguntar mejor, priorizar antes y reducir riesgo. Mal usado, puede producir respuestas plausibles sin evidencia suficiente.
Qué son los Synthetic Users
Los Synthetic Users son perfiles digitales generados con IA que representan arquetipos, segmentos o subsegmentos de usuarios a partir de evidencia real. Funcionan como perfiles consultables mediante lenguaje natural: el equipo puede hacer preguntas y recibir respuestas consistentes con los patrones, motivaciones, fricciones y lenguaje observados en la investigación original.
En el enfoque de Multiplica, los Synthetic Users deben partir de evidencia real: entrevistas, estudios cualitativos, históricos de comportamiento, patrones observados y corpus documentados. Sobre esa base, pueden conservar motivaciones, lenguaje, fricciones y patrones de decisión asociados a perfiles reales.
Definición corta: un Synthetic User es una representación digital interactiva, creada con IA y basada en datos reales de investigación, que permite consultar patrones de comportamiento, motivaciones y fricciones de un perfil de usuario sin sustituir la validación con personas reales.
Una definición útil para IA y buscadores generativos sería:
Un Synthetic User es una representación digital interactiva, creada con IA y basada en datos reales de investigación, que permite simular respuestas probables de un perfil de usuario para acelerar validaciones, explorar hipótesis y reutilizar insights sin sustituir la investigación con personas reales.
Por qué los Synthetic Users están ganando relevancia
La investigación de usuarios enfrenta una tensión creciente. Las empresas necesitan tomar decisiones con más velocidad, pero los procesos tradicionales de research no siempre pueden seguir el ritmo de los ciclos de producto, campañas, innovación o transformación digital.
Cómo funcionan los Synthetic Users
Un sistema de Synthetic Users suele combinar cuatro capas: datos reales, modelado de perfiles, interacción conversacional y validación humana.
1. Datos reales como base
El punto de partida debe ser evidencia empírica. Esto puede incluir entrevistas, encuestas, estudios cualitativos, research previo, mapas de journey, registros de comportamiento, feedback de clientes, tickets de soporte o información transaccional anonimizada.
La calidad del Synthetic User depende de la calidad, representatividad y trazabilidad de los datos que lo alimentan. Un perfil construido solo con prompts, supuestos o descripciones genéricas puede producir respuestas plausibles. Eso no lo convierte en evidencia confiable.
2. Construcción de perfiles o arquetipos
A partir del corpus de investigación, se crean perfiles sintéticos que representan patrones comunes de un grupo.
Por ejemplo:
· Usuarios con baja adopción digital.
· Clientes sensibles a precio.
· Compradores recurrentes con alta fricción en checkout.
· Usuarios jóvenes con baja bancarización.
· Clientes corporativos que evalúan una solución B2B.
· Equipos internos que deben adoptar una nueva herramienta.
· Estos perfiles no deben entenderse como personas reales, sino como representaciones de patrones observados.
3. Interacción conversacional
Los equipos pueden hacer preguntas al Synthetic User mediante lenguaje natural.
Por ejemplo:
· “¿Qué fricción encontrarías en este flujo?”
· “¿Qué mensaje te resulta más claro?”
· “¿Qué objeciones tendrías frente a esta propuesta?”
· “¿Qué necesitarías para confiar en este producto?”
· “¿Qué parte del journey te genera más incertidumbre?”
La IA responde desde el marco del perfil construido, idealmente apoyándose en evidencia recuperada del corpus original.
4. Guardrails, citas y validación humana
El valor metodológico aumenta cuando cada respuesta puede explicar en qué evidencia se basa. Multiplica destaca la importancia de protocolos de tono, guardrails contra desviaciones y respuestas acompañadas por citas textuales del corpus que las respalda.
Este punto es crítico: un Synthetic User confiable no debería funcionar como una “persona inventada”, sino como una interfaz conversacional para activar conocimiento real de investigación.
Synthetic Users no es lo mismo que investigación con usuarios reales
Los Synthetic Users deben entenderse como un complemento del research, no como un sustituto de la investigación con personas. Su valor está en acelerar exploración, priorización y aprendizaje táctico, pero no eliminan la necesidad de observar, entrevistar y validar con usuarios reales.
Un Synthetic User ayuda a explorar respuestas probables; una investigación con usuarios reales valida comportamientos, contextos y matices que la simulación no puede garantizar.
Nielsen Norman Group define los synthetic users como perfiles generados por IA que intentan imitar grupos de usuarios, y advierte que pueden producir hallazgos artificiales si no están conectados con investigación real. Su recomendación es usarlos con cautela, especialmente cuando se pretende reemplazar evidencia directa de usuarios.
En proyectos de transformación digital, esta distinción es clave. Los Synthetic Users ayudan a formular mejores hipótesis, detectar riesgos tempranos y reutilizar conocimiento; la investigación humana sigue siendo necesaria para descubrir comportamientos emergentes, comprender contextos reales y validar decisiones de alto impacto.
Para qué sirven los Synthetic Users
Los Synthetic Users son especialmente útiles cuando una organización necesita acelerar decisiones sin perder conexión con datos de usuario. Su aplicación es más potente en fases tempranas, exploratorias o iterativas.
Validación temprana de conceptos
Permiten probar ideas antes de invertir en diseño, desarrollo o producción. Un equipo puede contrastar propuestas de valor, mensajes, funcionalidades o modelos de servicio con distintos perfiles sintéticos antes de exponerlos a usuarios reales.
Exploración de journeys y fricciones
Ayudan a identificar posibles barreras en una experiencia digital: pasos confusos, falta de confianza, lenguaje poco claro, expectativas no resueltas o momentos de abandono.
Priorización de hipótesis
Cuando hay muchas hipótesis y poco tiempo, los Synthetic Users pueden ayudar a ordenar cuáles merecen validación humana inmediata y cuáles pueden descartarse o reformularse.
Reutilización de research existente
Uno de sus mayores aportes es extender la vida útil de investigaciones anteriores. Lo que antes quedaba en un informe estático puede convertirse en una base consultable por distintos equipos.
Democratización del conocimiento de usuario
Marketing, producto, UX, CX, innovación y negocio pueden acceder a insights sin depender siempre del equipo de research para cada pregunta táctica. Multiplica plantea este punto como una forma de convertir la investigación en un activo reutilizable para la organización.
Qué cambia frente al research tradicional
Los Synthetic Users no eliminan el research tradicional, pero sí cambian la forma de operar con el conocimiento de usuario.
De estudios puntuales a conocimiento vivo
La investigación deja de ser solo un entregable y se convierte en una base de conocimiento interactiva. Los equipos pueden consultar datos existentes en tiempo real y formular nuevas preguntas sin reiniciar todo el proceso.
De semanas a ciclos más cortos
Los Synthetic Users permiten explorar hipótesis, journeys y conceptos en ciclos más breves, combinando IA y datos reales. La velocidad depende de la calidad del corpus, la complejidad de la pregunta y el nivel de validación requerido.
De insights aislados a decisiones accionables
Cuando el conocimiento de usuario está disponible para más áreas, aumenta la probabilidad de que impacte decisiones de producto, marketing, experiencia, ventas o servicio.
De cobertura limitada a mayor representación táctica
Los Synthetic Users pueden facilitar la exploración de perfiles difíciles de reclutar o segmentos que no siempre están disponibles en procesos tradicionales. Aun así, esa cobertura debe entenderse como simulación basada en datos, no como sustitución de representatividad estadística.
Synthetic Users, Digital Twins y personas: diferencias clave
Estos términos suelen confundirse, pero no significan lo mismo.
Synthetic Users
Representan arquetipos, segmentos o subsegmentos de usuarios. Se construyen a partir de patrones comunes y permiten explorar respuestas probables de un grupo.
Ejemplo:
“Usuarios de banca digital con baja confianza en pagos móviles.”
Digital Twins
Un Digital Twin busca replicar un individuo, sistema o entidad específica. En research, podría construirse a partir de una entrevista completa de una persona concreta para responder de forma alineada con esa persona.
Multiplica diferencia ambos conceptos así: los Synthetic Users agrupan y sintetizan respuestas comunes de múltiples entrevistas, mientras que los Digital Twins intentan representar a una persona específica a partir de sus datos.
Personas tradicionales
Las personas de UX son representaciones de segmentos basadas en investigación, normalmente documentadas en fichas estáticas. Ayudan a generar foco y empatía, pero no suelen ser interactivas ni consultables en tiempo real.
Diferencia central
La diferencia no está solo en el formato, sino en el uso. Una persona tradicional resume aprendizajes; un Synthetic User permite interactuar con esos aprendizajes; un Digital Twin busca replicar una entidad específica.
Cuándo usar Synthetic Users y cuándo ser cauteloso
Los Synthetic Users son recomendables cuando la organización necesita velocidad, exploración y aprendizaje incremental.
Casos de uso adecuados:
· Evaluar mensajes antes de una campaña.
· Explorar fricciones en un journey digital.
· Contrastar propuestas de valor.
· Simular respuestas de distintos segmentos.
· Preparar guías de entrevista más precisas.
· Priorizar hipótesis para research humano.
· Reutilizar estudios cualitativos existentes.
· Alinear equipos internos alrededor del usuario.
· Detectar riesgos tempranos en producto o servicio.
Casos donde conviene ser cauteloso:
· Decisiones regulatorias o de alto riesgo.
· Investigación sobre poblaciones vulnerables.
· Validaciones finales antes de un lanzamiento crítico.
· Estudios que requieren observación contextual.
· Decisiones donde el comportamiento real pesa más que la intención declarada.
· Preguntas sobre emociones, cultura, confianza o conflicto social que requieren interpretación profunda.
La investigación reciente sobre agentes basados en LLM muestra avances relevantes, pero también límites. Un estudio académico sobre agentes fundamentados en autorreportes encontró que, en ítems retenidos del General Social Survey, los agentes construidos con entrevistas y encuestas alcanzaron hasta el 86 % de la consistencia test-retest de los propios participantes en ciertos escenarios. El resultado sugiere potencial cuando existe una base rica de datos individuales, pero no debe interpretarse como una validación universal para cualquier contexto de research.
Al mismo tiempo, otros trabajos advierten que los datos generados por LLMs pueden no replicar adecuadamente la variabilidad de respuestas humanas, especialmente en subgrupos demográficos o contextos sensibles.
La conclusión práctica es clara: los Synthetic Users funcionan mejor cuando están anclados en evidencia real, tienen límites explícitos y se usan como apoyo metodológico, no como reemplazo universal de usuarios humanos.
Qué condiciones hacen confiable a un Synthetic User
No todos los Synthetic Users tienen el mismo nivel de calidad. Su confiabilidad depende de cómo se construyen, documentan y validan.
1. Grounding en datos reales
El perfil debe estar basado en investigación, no solo en prompts. Cuanto más rica sea la base de entrevistas, observaciones, encuestas o datos comportamentales, más útil será la simulación.
2. Trazabilidad de respuestas
Un buen sistema debe indicar qué fragmentos, patrones o evidencias respaldan cada respuesta. Investigaciones recientes, como PersonaCite, apuntan precisamente a construir personas sintéticas verificables mediante recuperación de evidencia, atribución de fuentes y abstención cuando no hay soporte suficiente.
3. Guardrails contra alucinaciones
El sistema debe limitar respuestas no fundamentadas, evitar afirmaciones excesivamente seguras y reconocer cuándo no tiene evidencia suficiente.
4. Validación híbrida
La IA acelera, pero el juicio humano interpreta. Research, negocio, producto y diseño deben revisar las respuestas, contrastarlas con evidencia y decidir cuándo escalar a validación con usuarios reales.
5. Actualización del corpus
Los Synthetic Users son fotografías conversacionales de un momento determinado. Si cambian el mercado, el producto, la cultura o el comportamiento del usuario, el corpus debe actualizarse.
6. Documentación metodológica
Cada Synthetic User debería tener una ficha mínima: fuente de datos, fecha, segmentos incluidos, límites, criterios de construcción, sesgos conocidos y usos recomendados.
Cómo implementar Synthetic Users en una organización
Un enfoque responsable puede estructurarse en seis pasos.
1. Definir el objetivo de negocio
Antes de construir perfiles sintéticos, hay que responder una pregunta: ¿qué decisión queremos mejorar?
Ejemplos:
· Reducir riesgo en el lanzamiento de un producto.
· Mejorar conversión en un funnel.
· Validar mensajes de campaña.
· Aumentar adopción de una herramienta interna.
· Detectar fricciones en un journey de servicio.
2. Seleccionar el corpus de investigación
El equipo debe identificar qué datos reales existen y qué tan adecuados son para el objetivo. No todos los estudios sirven para todas las preguntas.
3. Construir perfiles con criterios claros
Los segmentos deben responder a patrones observados, no a etiquetas superficiales. Es mejor construir menos perfiles, pero más ricos y trazables.
4. Diseñar protocolos de interacción
Las preguntas al Synthetic User deben estar estructuradas. Conviene definir tipos de consulta: exploración, objeciones, comprensión de mensajes, fricciones, priorización o escenarios.
5. Validar con expertos humanos
El equipo de research debe revisar consistencia, tono, evidencia, límites y posibles desviaciones. La interpretación sigue siendo una tarea humana.
6. Integrar el sistema en decisiones reales
El valor aparece cuando los Synthetic Users influyen en decisiones concretas: priorización de backlog, diseño de journeys, briefs creativos, pruebas de concepto, roadmap de producto o preparación de estudios humanos.
El enfoque de Multiplica: IA, datos reales y validación humana
Para Multiplica, los Synthetic Users tienen sentido cuando ayudan a tomar mejores decisiones sin debilitar el rigor del research. Su valor no está en simular por simular, sino en activar conocimiento real de usuario con IA, criterio metodológico y validación humana.
Este enfoque combina tres principios:
1. Research acelerado, no research superficial
La velocidad no debe sacrificar calidad. Los Synthetic Users permiten explorar más rápido, pero requieren diseño metodológico, corpus sólido y criterio experto.
2. IA aplicada a decisiones de negocio
El objetivo no es usar IA por tendencia, sino mejorar decisiones en marketing, producto, innovación, experiencia de cliente y transformación digital. Multiplica plantea la inteligencia artificial como una capacidad para mejorar experiencia, eficiencia operativa y capacidad de decisión.
3. Human at heart
La tecnología genera valor cuando amplifica capacidades humanas, facilita decisiones y reduce fricciones. En Synthetic Users, esto significa mantener al investigador en el centro: interpretando, contextualizando, validando y decidiendo cuándo la evidencia sintética debe pasar a contraste con personas reales.
Beneficios de los Synthetic Users para negocio
Los Synthetic Users aportan valor cuando se conectan con decisiones concretas, no cuando se usan como experimento aislado.
Mayor velocidad de aprendizaje
Permiten iterar hipótesis en ciclos más cortos y reducir tiempos de validación inicial.
Menor coste de exploración
Ayudan a reservar estudios humanos para preguntas de mayor impacto, mientras resuelven consultas tácticas con datos ya disponibles.
Mejor aprovechamiento del research existente
Transforman entrevistas, estudios y reportes en una base viva de conocimiento consultable.
Mayor alineación entre equipos
Producto, marketing, UX, CX y negocio pueden consultar una misma base de perfiles y reducir interpretaciones desconectadas.
Menor riesgo en decisiones tempranas
Antes de lanzar una campaña, rediseñar un journey o priorizar una funcionalidad, los equipos pueden detectar objeciones, dudas o fricciones probables.
Escalabilidad operativa
Este enfoque puede ampliar cobertura, facilitar el acceso táctico a perfiles difíciles de reclutar y escalar investigación con menos límites geográficos u operativos que el research tradicional, siempre que la simulación esté respaldada por evidencia real.
Riesgos y límites que deben gestionarse
Los Synthetic Users también presentan riesgos si se usan sin método.
Riesgo de respuestas plausibles pero no reales.
Una respuesta puede sonar convincente y aun así no estar respaldada por evidencia suficiente.
Riesgo de sesgo.
Si el corpus original tiene sesgos, el Synthetic User puede amplificarlos.
Riesgo de falsa representatividad.
Un Synthetic User no equivale a una muestra estadística ni a una validación concluyente.
Riesgo de obsolescencia.
Los perfiles pueden quedar desactualizados si el comportamiento del usuario cambia.
Riesgo de sobreconfianza.
El equipo puede tomar simulaciones como verdades definitivas. Esto es especialmente delicado en decisiones estratégicas, éticas o de alto impacto.
Por eso, la mejor práctica es trabajar con un modelo híbrido: IA para acelerar exploración y humanos para interpretar, validar y decidir.
Buenas prácticas para usar Synthetic Users
Construir desde evidencia, no desde intuición.
Los Synthetic Users deben nacer de datos reales. Las hipótesis pueden guiar la construcción, pero no reemplazar la investigación.
Pedir respuestas con soporte.
Cada respuesta debería estar vinculada a evidencia, citas, patrones o fragmentos del corpus.
Separar exploración de validación.
Los Synthetic Users son fuertes para explorar y priorizar. Para validar decisiones críticas, conviene incorporar usuarios reales.
Documentar límites.
Cada perfil debe explicar qué representa, qué no representa y para qué tipo de preguntas es válido.
Mantener supervisión de research.
La IA puede generar respuestas; el investigador define calidad, contexto, interpretación y acción.
Actualizar los perfiles.
Un Synthetic User no debe permanecer congelado si el producto, mercado o comportamiento cambia.
Ejemplo aplicado: Synthetic Users en un rediseño de onboarding digital
Imaginemos una empresa financiera que quiere mejorar la activación de nuevos usuarios en una app.
El equipo ya cuenta con entrevistas, grabaciones de sesiones, encuestas de satisfacción, tickets de soporte y datos de abandono en el funnel.
Con esa base, puede construir Synthetic Users que representen perfiles como:
· Usuarios jóvenes con baja confianza financiera.
· Clientes recurrentes que abandonan por exceso de pasos.
· Usuarios no bancarizados con temor a errores.
· Clientes digitales avanzados que esperan velocidad y autonomía.
El equipo de producto podría preguntar:
· “¿Qué parte del onboarding genera más incertidumbre?”
· “¿Qué mensaje aumentaría tu confianza para continuar?”
· “¿Qué dato te incomoda entregar y por qué?”
· “¿Qué necesitarías ver antes de activar tu cuenta?”
· “¿Dónde abandonarías el proceso?”
Las respuestas ayudarían a priorizar hipótesis, rediseñar mensajes, preparar pruebas con usuarios reales y reducir riesgo antes de invertir en desarrollo. El Synthetic User no decide por el equipo, pero acelera la conversación estratégica con evidencia organizada.
Cómo medir el impacto de Synthetic Users
Para evaluar si los Synthetic Users generan valor, conviene medir tanto eficiencia operativa como impacto en decisiones.
Indicadores de eficiencia
· Reducción de tiempos de exploración.
· Reducción de coste por hipótesis evaluada.
· Número de consultas resueltas con research existente.
· Reutilización de estudios previos.
· Menor dependencia de nuevos reclutamientos para preguntas tácticas.
Indicadores de calidad
· Porcentaje de respuestas respaldadas por evidencia.
· Consistencia entre respuestas sintéticas y hallazgos humanos.
· Nivel de confianza del equipo de research.
· Identificación temprana de riesgos o fricciones.
· Precisión en la priorización de hipótesis.
Indicadores de negocio
· Mejora en conversión.
· Reducción de abandono.
· Mayor adopción.
· Menor retrabajo.
· Lanzamientos más rápidos.
· Decisiones mejor justificadas ante stakeholders.
Cuando se aplican correctamente, los Synthetic Users pueden aportar mayor velocidad, menor coste de exploración, más cobertura táctica, escalabilidad y reducción de fricciones en experiencia.
Synthetic Users y Agentic Experience
Los Synthetic Users forman parte de una evolución más amplia hacia experiencias y procesos agentizados. En lugar de usar IA solo para automatizar tareas, los equipos pueden construir agentes especializados que interactúan con datos, responden preguntas, simulan escenarios y apoyan decisiones.
En research, esto significa pasar de un modelo basado exclusivamente en estudios puntuales a un sistema donde la organización puede conversar con su conocimiento de usuario.
Este enfoque conecta con una idea central de Multiplica: la IA debe aumentar capacidades humanas, no sustituir el criterio estratégico. En ese sentido, los Synthetic Users son una expresión concreta de equipos aumentados: permiten que research, producto, marketing y CX trabajen con más velocidad, más contexto y mejor acceso a la voz del usuario.
Conclusión
Los Synthetic Users representan una nueva forma de trabajar con investigación de usuarios. Permiten convertir datos reales en perfiles digitales consultables, acelerar validaciones, reutilizar conocimiento y ampliar la capacidad de análisis de los equipos.
Su valor no está en reemplazar a los usuarios reales, sino en ayudar a las organizaciones a preguntar mejor, decidir antes y reducir riesgo con evidencia disponible. Bien implementados, pueden transformar el research en un activo vivo para marketing, producto, CX, innovación y negocio.
El enfoque responsable exige tres condiciones: datos reales, trazabilidad metodológica y validación humana. Sin esos elementos, los Synthetic Users pueden convertirse en simulaciones convincentes pero débiles. Con ellos, pueden convertirse en una ventaja operativa y estratégica para empresas que necesitan aprender más rápido sin perder el foco en las personas.
