
En las entrevistas con usuarios reales, ¿cuántas veces la persona responde lo correcto en lugar de lo que de verdad piensa? Lee un texto y no reconoce que no lo ha entendido. Compra un producto sin tener claro para qué lo va a usar. Dice que algo le gusta cuando en realidad solo quiere quedar bien.
Esta distancia entre lo que pensamos y lo que decimos es uno de los grandes puntos ciegos de los test y las entrevistas. Si no la detectamos, confundimos un problema de comprensión con uno de deseabilidad y damos por buenas respuestas complacientes que no reflejan la experiencia real. Así acaban llegando al mercado productos que se contratan sin entenderse del todo y que después generan reclamaciones.
¿Y si pudiéramos simular esa diferencia? Es uno de los usos más prometedores de los usuarios sintéticos: separar lo que una persona diría y lo que probablemente pesa en su decisión, y comparar ambas capas.
A la primera la llamamos razonamiento emitido (la respuesta que se daría en voz alta) y a la segunda, razonamiento pensado (la motivación que hay detrás y que rara vez se verbaliza). Conviene aclararlo desde el principio: la capa pensada no es una lectura de la mente del cliente, sino una hipótesis que el modelo construye a partir de patrones de comportamiento. Su valor está en señalar dónde mirar.
Lo que la entrevista no puede captar
Cuando entrevistamos a una persona, no obtenemos lo que piensa: obtenemos lo que decide contarnos.
Y no mentimos por malicia. Queremos quedar bien, ser útiles y dar la respuesta que creemos que el entrevistador espera. La literatura lo llama sesgo de deseabilidad social: tendemos a exagerar lo que está bien visto y a minimizar lo que no.
Algunos ejemplos que cualquier investigador reconoce:
- “¿Valora usted la previsibilidad del precio?” Sí, todo el mundo. Nadie se declara imprudente.
- “¿Lo entiende?” Casi siempre sí. Nadie quiere ser el único que no ha entendido, así que ese “sí” no informa de nada.
La evidencia lo confirma cuando se compara lo declarado con lo que la gente hace de verdad. The Social Desirability Atlas (Bursztyn, Haaland, Röver y Roth, 2025) reúne estudios de este tipo en ámbitos muy distintos. Uno de ellos, el experimento online de Höglinger y Jann (2018), permitía a los investigadores saber quién había hecho trampa en un juego de dados: al preguntarles directamente, una parte importante de quienes la hicieron no lo reconoció.
Y no es un problema del pasado: en mayo de 2026, Bain & Company recordaba que la distancia entre lo que la gente dice y lo que hace sigue presente en la investigación.
Esto no invalida la entrevista. Significa que lo que escuchamos es, en parte, una versión editada de la persona, y que detectar qué se está editando es difícil en una conversación de 45 minutos.

Razonamiento pensado y razonamiento emitido
Un usuario sintético es un perfil generado con IA que responde como lo haría un segmento de clientes. Su ventaja no es que sea más sincero que una persona, sino que podemos pedirle explícitamente las dos capas y no sufre presión social al darlas.
- Razonamiento emitido: lo que esa persona diría en una entrevista o en una encuesta. Incluye la complacencia, la imagen que quiere proyectar y las respuestas “correctas”.
- Razonamiento pensado: las motivaciones, miedos y contradicciones que hay detrás. Lo que no diría en voz alta: el precio pesa más de lo que admite, la marca es un símbolo de estatus, el “lo pensaré” significa que no.
Lo interesante es la brecha entre ambas. Si en lo emitido un cliente dice valorar la sostenibilidad y en lo pensado decide por precio, aparece una hipótesis de trabajo: comunicar sostenibilidad, pero ganar la venta con precio.
Un caso ficticio, construido para mostrar el método, con una clienta de una comercializadora eléctrica:
| Capa | Respuesta del usuario sintético |
|---|---|
| Situación | Marta, 39 años, dos hijos, recibe una oferta para pasarse a una tarifa con precios distintos por horas: la luz es mucho más barata de noche y los fines de semana. |
| Emitido | “Me parece muy interesante, seguro que ahorro. Lo miraré”. |
| Pensado | “No voy a poner la lavadora a las dos de la mañana con los niños durmiendo. ¿Y si me equivoco de hora y acabo pagando más que ahora? Con la tarifa fija al menos sé lo que me llega”. |
| Lectura | El “me parece muy interesante” no es intención de contratar. Lo que frena a Marta no es el ahorro, que da por bueno, sino el miedo a perder el control de la factura y a cambiar sus rutinas. Está cerca del polo prudente: prefiere pagar algo más a cambio de no tener sorpresas. |
Impacto: solo con lo que dice, la campaña insistiría en “ahorra hasta un X%” y, si la conversión fuera baja, no sabríamos por qué. Con la capa pensada como hipótesis, las propuestas cambian:
- Enseñarle, con su consumo real, cuánto habría pagado el último año con cada tarifa.
- Ofrecer una garantía: si en los tres primeros meses paga más que antes, se le devuelve la diferencia.
- Mostrar que no tiene que cambiar de vida: basta con programar dos o tres aparatos.
- Cada una de estas propuestas es una hipótesis que se valida después con datos de comportamiento o con clientes reales.

La brecha no es igual para todos
Ante la misma oferta que recibió Marta, otro cliente puede decir casi lo mismo (“suena bien, lo miraré”) y estar pensando algo muy distinto: “si me ahorro 15 euros al mes, me cambio ya; lo que no quiero es tener que llamar a nadie para hacerlo”.
A Marta la frena el miedo a perder el control de la factura; a él, el esfuerzo del cambio. La frase emitida es casi idéntica, pero lo que pesa en la decisión no, y cada caso pide una propuesta diferente.
Por eso no basta con un perfil medio. Los usuarios sintéticos tienen que cubrir los extremos de los comportamientos que mueven la decisión (actitud ante el riesgo, relación con el dinero, fidelidad a la marca, canal preferido, momento del cliente).
Por defecto, la IA tiende al centro: genera la respuesta más probable, que suele ser la más común, y deja fuera justo los casos que más información aportan.

Los límites: el usuario sintético también se maquilla
Separar lo pensado de lo emitido es útil, pero la investigación reciente muestra que el propio modelo tiene sesgos, y algunos afectan precisamente a esas dos capas:
- Rara vez admite no saber. En el experimento de Pew Research Center (septiembre de 2026), los encuestados sintéticos eligieron “no estoy seguro” solo un 4% de las veces, unas cuatro veces menos que las personas, y acertaron más preguntas de conocimiento que el panel humano. Si no se le pide explícitamente otra cosa, el modelo tiende a dar la respuesta “correcta”: justo la capa emitida que queríamos superar.
- Sus respuestas convergen. Nielsen Norman Group planteó la misma pregunta abierta a 120 encuestados sintéticos y a 604 profesionales: las personas usaron más de 50 etiquetas distintas; los sintéticos, una docena, y ninguna de las poco frecuentes. Si ocurre con respuestas abiertas, puede ocurrir con las motivaciones: el riesgo es que todos los perfiles acaben “pensando” lo mismo. Por eso los perfiles tienen que cubrir los extremos.
- Si solo conoce la demografía, estereotipa. Cuando se construyen solo con datos demográficos, los modelos inflan entre dos y cuatro veces las diferencias entre segmentos (Chen, Zhu y Zheng, 2026, estudio preliminar aún en revisión). Si solo sabe que alguien tiene 65 años, el modelo rellena el resto con el tópico de lo que hace una persona de 65 años. Por eso los perfiles necesitan datos de comportamiento real: qué compra, cómo usa el servicio, qué respondió en encuestas anteriores.
- Su “pensamiento” no es una ventana. Anthropic mostró en 2025 que los modelos de razonamiento no siempre explicitan lo que realmente influye en sus respuestas. La capa pensada es una hipótesis útil, no una lectura de mentes.

Por todo esto, los usuarios sintéticos no sustituyen a la investigación con personas, y su fiabilidad depende mucho del tipo de pregunta. En el mismo estudio de Pew, al replicar cerca de 300 preguntas de opinión pública, las estimaciones de los encuestados sintéticos se desviaron de media 12 puntos, con fallos especialmente llamativos en temas de actualidad. En tareas más acotadas y con datos propios el resultado mejora: Bain (mayo de 2026), con datos históricos de encuestados de una empresa de tecnología de consumo, reprodujo cerca del 90% de los resultados clave de un estudio real de preferencias de producto.
La receta que aplicamos:
Alimentar los perfiles con datos propios (CRM, comportamiento, encuestas previas), no solo con datos demográficos.
Diseñar perfiles que cubran los extremos de cada comportamiento para evitar que las respuestas converjan al centro o se conviertan en estereotipos.
Pedir siempre las dos capas y analizar la brecha entre lo emitido y lo pensado.
Validar con personas reales las hipótesis más relevantes antes de decidir.
De la respuesta correcta a la decisión real
Los usuarios sintéticos no reemplazan el trabajo de campo, pero sí cambian dónde se pone el esfuerzo. Permiten explorar en poco tiempo muchos perfiles y explicaciones que una ronda de entrevistas no podría cubrir, descartar pronto las hipótesis débiles y llegar al trabajo de campo con las preguntas que de verdad importan.
Bien diseñados, con datos propios y validados con personas, los usuarios sintéticos pueden acercarse mucho a los resultados reales. La investigación clásica nos cuenta cómo quieren verse los clientes; los usuarios sintéticos nos ayudan a formular hipótesis sobre cómo deciden. Juntos, permiten decidir mejor y con menos esfuerzo.
La diferencia entre el razonamiento pensado y el emitido es solo la puerta de entrada. Trabajar bien con usuarios sintéticos tiene más matices de los que parece, y en próximos artículos seguiremos tirando del hilo.
Mientras tanto, diseñamos usuarios sintéticos con razonamiento pensado y emitido, definimos los perfiles de tu mercado y validamos los hallazgos con investigación real.
¿Quieres descubrir lo que tus clientes piensan y no te dicen?





