· 5 min de lectura
Los "usuarios sintéticos" no reemplazan el discovery
Un estudio de Adobe Research con mención de honor en CHI 2026: los agentes aproximan la distribución del grupo, pero fallan con la persona que dicen representar.
En resumen
La IA no elimina la necesidad de hablar con usuarios reales: elimina parte del trabajo previo. El valor del discovery nunca estuvo en producir respuestas plausibles, sino en permitir que la realidad contradijera al equipo. Los usuarios sintéticos te ayudan a pensar más rápido; solo los reales pueden decirte cuándo estás equivocado.
Este artículo arranca de una conversación fugaz con Giada Gentili, excelente Product Manager, que hace años viene esparciendo producto y agilidad por LATAM (vayan a conocerla linkedin.com/in/ingiadagentili).
Arranquemos desde una pregunta:
¿Puede una IA simular a nuestros usuarios?
La evidencia más reciente sugiere una respuesta más incómoda y, para Product, bastante más útil:
Puede aproximar cómo respondería una población, pero no necesariamente entender a la persona concreta que estás intentando representar.
Esa diferencia parece semántica. En realidad define dónde la IA puede acelerar discovery y dónde puede destruirlo.
El hallazgo
Este 2026, investigadores de Adobe Research entrevistaron en profundidad a trabajadores del conocimiento, construyeron agentes personalizados a partir de esas entrevistas y luego compararon las evaluaciones de nuevos conceptos hechas por los agentes con las respuestas de las personas reales.
El resultado fue paradójico:
- los agentes no reprodujeron de forma confiable las preferencias de la persona específica que supuestamente representaban;
- pero, agregados, sí aproximaron razonablemente la distribución de respuestas del grupo.
Los autores lo describen como agentes calibrados a nivel de distribución, pero imprecisos a nivel de identidad. El trabajo recibió una mención de honor en CHI 2026 (arxiv.org/abs/2603.29890).
Esto significa que un agente entrenado con la entrevista de “María” puede no predecir bien qué elegiría María.
Pero un conjunto de agentes podría ayudar a estimar qué conceptos probablemente generen rechazo o aceptación a nivel agregado.
No es un sustituto barato de una entrevista. Es una herramienta diferente. El problema surge cuando nos quedamos con la conclusión sintética y no profundizamos con usuarios reales.
El error que están cometiendo muchos equipos
Los equipos suelen usar usuarios sintéticos para hacer preguntas como:
- ¿qué problema tiene este cliente?
- ¿por qué abandonaría nuestro producto?
- ¿qué funcionalidad valoraría?
- ¿cómo reaccionaría a esta propuesta?
- ¿qué necesidad no estamos viendo?
Es justamente el territorio en el que menos deberíamos confiar en ellos.
Teresa Torres sostiene que las entrevistas de discovery importan porque exponen historias específicas de comportamiento pasado, contexto y necesidades reales. Un modelo que genera una respuesta plausible produce una historia de una persona imaginaria, no evidencia sobre el mercado. (producttalk.org/generative-ai-discovery)
La limitación no es simplemente que la IA “no tenga empatía”.
Es más profunda:
La IA tiende a completar lo probable. Discovery existe para encontrar lo improbable pero verdadero.
Una entrevista valiosa no confirma lo que ya sabías sobre un segmento. Descubre la excepción, el workaround extraño, la restricción organizacional o la motivación que no entraba en tu modelo mental.
Los usuarios sintéticos son buenos precisamente en lo contrario: reproducen patrones aprendidos y respuestas estadísticamente plausibles.
El usuario sintético no va a decirte dónde estás equivocándote (una mala entrevista tampoco).
La plausibilidad lingüística está siendo confundida con validez de investigación
Siguiendo con esta breve investigación (Claudio, necesito que indagues sobre X), vemos que el estudio de los investigadores de Adobe no está aislado.
En este artículo los autores compararon usuarios reales y simulados en evaluaciones de agentes de retail. Encontraron que el rendimiento medido variaba según qué modelo se utilizara para simular al usuario, que las simulaciones sobreestimaban o subestimaban sistemáticamente determinadas tareas y que representaban peor a algunos grupos lingüísticos y demográficos.
Por otro lado, este otro llega a una conclusión metodológica similar: las simulaciones pueden ser útiles para exploración, pero no deberían tratarse como evidencia confirmatoria sin datos humanos y calibración estadística. Afinar prompts hasta que la simulación “parezca humana” no garantiza inferencias válidas sobre humanos reales.
El patrón entre estas investigaciones es consistente:
- las simulaciones pueden aproximar tendencias;
- no preservan necesariamente diferencias individuales;
- pueden ocultar segmentos mal representados;
- y generan respuestas convincentes incluso cuando están mal calibradas.
La plausibilidad lingüística está siendo confundida con validez de investigación.
El cambio de criterio para un PM
La división correcta no es:
- research humano, lento;
- research sintético, rápido.
La división útil es:
Generación de hipótesis
La IA puede ampliar el espacio de posibilidades:
- anticipar objeciones obvias;
- crear variaciones de un concepto;
- identificar preguntas faltantes;
- simular escenarios extremos;
- detectar propuestas que probablemente fallen.
Producción de evidencia
Los humanos siguen siendo necesarios para demostrar:
- qué hacen realmente;
- qué restricciones enfrentan;
- qué valoran cuando hay trade-offs;
- qué comportamiento cambia;
- qué solución pagarían, adoptarían o abandonarían.
La IA puede ayudarte a decidir qué vale la pena investigar.
No debería decidir qué aprendiste del mercado.
El uso que sí tiene sentido
La conclusión más interesante del artículo de base es que los agentes podrían servir para screening temprano de conceptos.
Imaginá que el equipo produjo veinte propuestas. Sería carísimo mostrar las veinte a usuarios reales. También sería una pérdida de tiempo, porque muchas contienen defectos evidentes.
Podrías usar simulaciones para:
- detectar propuestas redundantes;
- encontrar objeciones previsibles;
- eliminar las claramente débiles;
- identificar qué supuestos necesitan investigación;
- llegar a las conversaciones humanas con tres alternativas más sólidas.
La simulación no reemplaza la evidencia.
Reduce el costo de llegar a las preguntas que merecen evidencia.
Una máquina perfecta para el discovery theater
El verdadero peligro no es técnico. Es económico.
Los usuarios sintéticos permiten producir “insights” sin el trabajo incómodo de:
- reclutar participantes;
- escuchar contradicciones;
- confrontar evidencia;
- revisar una hipótesis querida;
- admitir que el equipo entendió mal el problema.
Eso los convierte en una máquina perfecta para el discovery theater.
Un equipo puede generar personas, entrevistas, quotes, patrones y oportunidades sin haber aprendido nada nuevo sobre una persona real.
Y como el resultado está bien escrito, puede resultar más persuasivo que una entrevista genuina, desordenada y contradictoria. He aquí la trampa en la que no debemos caer.
Definir una regla explícita
Algo como:
Ninguna salida generada por usuarios sintéticos puede etiquetarse como customer insight.
Las salidas de los agentes pueden servir como:
- hipótesis;
- preevaluación;
- simulación;
- riesgo potencial;
- pregunta de investigación.
Nunca como evidencia.
Además, pediría que toda recomendación basada en simulaciones indique:
- qué datos humanos la fundamentan;
- qué segmentos podrían estar mal representados;
- qué decisión está permitido tomar con ella;
- qué evidencia real falta antes de invertir.
La gobernanza de research debería distinguir entre contenido plausible y conocimiento validado.
El copiloto no debería volverse el decisor, y el piloto, buscar la incomodidad de las respuestas en entrevistas con humanos.