¿Por qué la ciencia de la salud parece contradecirse a sí misma?
Un estudio de Harvard y el MIT acaba de construir la mayor población sintética jamás creada. Puede cambiar la investigación, el diseño de experiencias y el branding. También puede hacernos creer que conocemos a las personas mejor de lo que realmente las conocemos.
Hace unos días se publicó un estudio con un título que parece escrito para ganar tu atención, y la mia. Y la mía la ganó: MatrAIx: Simulating the World with 8.3 Billion Persona Agents.
8.300 millones.
MatrAIx construyó, casi en paralelo, una población sintética del mismo tamaño exacto que la humanidad real que hoy habita el planeta.
Una persona sintética por cada ser humano que habita hoy el planeta.
Y no es una coincidencia menor. Según Naciones Unidas, en 2026 la población mundial cruzó exactamente esa barrera: 8.300 millones de habitantes, un récord histórico en la historia de la humanidad.
La cifra es extraordinaria. La idea que hay detrás lo es todavía más.
El proyecto lo lideran Xiaomin Li, de Harvard, y Yuexing Hao, del MIT, pero llamarlo «un estudio de Harvard y el MIT» sería quedarse corto. Detrás aparecen Stanford, Berkeley, Princeton, Oxford, Carnegie Mellon, Wharton, Harvard Medical School, Cornell, Columbia. En su comité asesor, nombres como Marinka Zitnik, James Zou, Yilun Du, Dawn Song, Asu Ozdaglar o Philip Torr. Y entre quienes aportaron cómputo, modelos o financiamiento: OpenAI, Anthropic, Microsoft Azure, AWS, Meta.
Cuando esa cantidad de instituciones y esa magnitud de recursos apuntan en la misma dirección, conviene prestar atención. No porque tengan razón automáticamente. Porque están señalando hacia dónde va el viento.
Aclaremos algo antes de seguir.
No han creado 8.300 millones de copias digitales de las personas que habitamos la Tierra.
No existe una máquina capaz de predecir con precisión casi perfecta qué vamos a comprar, pensar o hacer mañana.
Lo que han construido es menos espectacular como titular. Y probablemente mucho más relevante como señal de hacia dónde estamos avanzando.
Han construido una infraestructura para simular usuarios.
Y eso puede alterar profundamente la relación entre las marcas y las personas.
Del buyer persona al consumidor que responde
Durante décadas, quienes trabajamos en estrategia, marketing o branding usamos las mismas herramientas para acercarnos a las personas: segmentaciones, estudios cualitativos y cuantitativos, entrevistas, focus groups, customer journeys, mapas de empatía, buyer personas.
Podíamos escribir que María tenía 37 años, dos hijos, vivía en Madrid, viajaba tres veces al año, valoraba la sostenibilidad y estaba dispuesta a pagar más por ciertos productos.
Pero María permanecía quieta. Existía en una diapositiva.
Podíamos imaginar lo que haría. María no podía entrar en una web, comparar dos precios, discutir con un chatbot, abandonar un carrito o explicarnos por qué una promesa le resultaba poco creíble.
Eso es lo que empieza a cambiar. Y lo que empieza a cambiar es fascinante.
Persona 8B
La base sobre la que funciona MatrAIx, contiene 8.300 millones de registros organizados en 1.290 dimensiones categóricas: contexto personal, psicología, capacidades, comportamiento, estilo de vida. Edad, región, idioma, educación, profesión, valores, tolerancia al riesgo, hábitos tecnológicos, salud, consumo. Parte se genera sintéticamente respetando relaciones entre variables; parte se construye a partir de fuentes humanas reales. El equipo liberó públicamente un conjunto depurado de alrededor de un millón de personas.
El salto conceptual ocurre cuando ese registro se conecta con un modelo de inteligencia artificial.
Deja de ser una ficha.
Empieza a actuar.
Responde una encuesta. Conversa con una IA. Navega una web. Usa una aplicación.
MatrAIx incluye 1.010 tareas en más de 25 sectores —comercio, finanzas, software, salud— y los investigadores corrieron 18.189 pruebas sobre ocho tareas representativas.
Pensemos lo que significa para una marca.
Una compañía podría desarrollar una propuesta de producto y, antes de mostrarla a una sola persona real, hacerla interactuar con miles de perfiles distintos. Cambiar el precio. Cambiar el lenguaje. Cambiar el proceso de compra. Incorporar un asistente de IA o eliminarlo. Probarlo con personas mayores, con usuarios expertos, con distintos niveles de renta, distintos países, distintas necesidades de accesibilidad.
Y volver a empezar. En horas.
Estamos pasando de imaginar al consumidor a simular versiones posibles de su comportamiento. Esa diferencia merece nuestra atención.
Las marcas ganan un nuevo laboratorio
Construir marcas siempre implicó decidir bajo incertidumbre. Nunca supimos con certeza absoluta cómo reaccionaría el mercado. Por eso investigamos, prototipamos, pilotamos. Y por eso, muchas veces, aprendimos después de equivocarnos.
La simulación introduce una instancia nueva entre la idea y la realidad. El proceso clásico —comprender, diseñar, validar, lanzar, aprender— gana un paso adicional: simular y corregir antes de validar con personas reales.
No es un detalle menor. El mercado ya está apostando fuerte a esta idea: el mercado global de digital twins —la categoría tecnológica más amplia en la que se inscribe este tipo de simulación— se proyecta en unos 34.000 a 40.000 millones de dólares en 2026, con tasas de crecimiento anual que varias consultoras ubican entre el 33% y el 48% hacia el final de la década. No es una curiosidad académica. Es una industria que se está construyendo en tiempo real.
Imaginemos un banco lanzando una nueva propuesta de valor. Antes de presentarla, podría observar cómo la interpretan miles de perfiles sintéticos con distintos niveles de conocimiento financiero. ¿Entienden lo mismo? ¿Dónde aparece desconfianza? ¿Qué promesa suena excesiva?
Imaginemos un hotel probando una experiencia frente a viajeros de negocios, familias, distintas culturas y presupuestos.
Imaginemos una arquitectura de marca puesta a prueba para detectar qué nombres generan confusión o dónde la promesa se despega de la experiencia.
No para obtener una sentencia. Para encontrar preguntas mejores.
Ahí está una de las mayores oportunidades. Porque una buena estrategia rara vez empieza con una respuesta brillante. Empieza con una pregunta que todavía nadie había formulado.
El consumidor sintético no sustituye al consumidor humano
Aquí conviene detenerse. Toda herramienta poderosa lleva la tentación de pedirle algo para lo que no está preparada.
El dato que más va a circular sobre MatrAIx es un 91,5% de precisión. Vale la pena explicar qué significa realmente.
En una prueba controlada de 400 interacciones, los investigadores comprobaron si los agentes actuaban de acuerdo con los atributos asignados a su perfil. En 366 casos, el comportamiento esperado apareció o fue correctamente evitado. Eso da 91,5%.
Pero no significa que MatrAIx prediga el comportamiento humano con un 91,5% de precisión.
Significa que un modelo determinado interpretó consistentemente el personaje que se le había asignado.
La diferencia es enorme. Y el propio estudio ofrece una advertencia todavía más contundente: cuando mantuvieron la misma cohorte de personas sintéticas pero cambiaron el modelo de IA que las representaba, los resultados variaron drásticamente.
En un experimento sobre elección de plan de pago, la proporción obtenida osciló entre 23,2% y 93,9% según el modelo utilizado.
Las personas eran las mismas. Cambió la inteligencia artificial que las interpretaba. Y cambió drásticamente el resultado.
Esto no es un matiz aislado de un solo estudio. La propia industria de investigación de mercado está llegando a la misma conclusión desde otro ángulo. Una encuesta de 2026 a 150 profesionales de investigación de usuarios —el estudio State of Synthetic Users, de User Interviews— encontró algo revelador: el 97% de los investigadores usa inteligencia artificial en algún punto de su flujo de trabajo, pero solo el 8% confía en usuarios sintéticos de forma regular, y un 28% —el grupo más numeroso— decidió directamente no usarlos. Un 63% de las organizaciones ni siquiera tiene todavía una política definida al respecto.
Léase bien: la misma profesión que adoptó la IA masivamente para casi todo, frenó específicamente ante la idea de reemplazar personas reales por participantes sintéticos.
Eso no es tecnofobia. Es criterio profesional.
Por eso hablar de «8.300 millones de seres humanos simulados» sería un error.
Lo que observamos es cómo un modelo de inteligencia artificial interpreta cómo podría comportarse alguien con determinadas características. Hay humanidad en los datos que construyen el perfil. Hay estadística, correlaciones, comportamiento observado. Pero entre todo eso y la decisión final sigue existiendo un modelo. Y los modelos también tienen sesgos, límites y formas particulares de representar el mundo.
De segmentar personas a ensayar futuros
Durante años usamos la inteligencia artificial sobre todo para analizar el pasado: qué compraron las personas, dónde hicieron clic, cuándo abandonaron, qué dijeron.
La etapa que empieza ahora la usa para ensayar futuros posibles.
¿Qué ocurriría si subimos el precio? ¿Qué pasaría si cambiamos esta interfaz? ¿Cómo reaccionaría determinado grupo si el asistente de IA comete un error? ¿Qué usuarios abandonarían primero?
La investigación deja de mirar solo lo que sucedió y empieza a explorar también lo que podría suceder.
Para las marcas, esto importa porque el branding nunca consistió únicamente en gestionar lo que una organización dice. Una marca existe en la interpretación que las personas hacen de todo lo que la organización hace: producto, precio, atención, experiencia, diseño, cultura, tecnología, comportamiento.
Si ahora podemos ensayar miles de esas interpretaciones antes de llegar al mercado, tenemos una herramienta nueva para ganar coherencia, detectar fricciones y anticipar consecuencias.
Pero la palabra clave sigue siendo ensayar. No adivinar.
Una nueva capacidad para encontrar los bordes
Quizás el uso más valioso de esta tecnología no sea saber qué hará «la mayoría». Sea descubrir qué ocurre en los márgenes — porque ahí nacen la mayoría de las malas experiencias.
Un proceso perfecto hasta que llega alguien con una discapacidad. Una web sencilla para alguien de treinta años e incomprensible para alguien de setenta. Un mensaje claro en un país y ofensivo en otro. Una promoción atractiva para cierto nivel de renta y hostil para otro.
Hasta ahora, estos problemas aparecían tarde: después de lanzar, después de las quejas, después de perder clientes, después de dañar la confianza.
La simulación puede ayudarnos a buscar deliberadamente esas zonas antes de que ocurran. Y eso puede construir mejores marcas — no porque aprendan a persuadir mejor, sino porque pueden aprender a escuchar mejor antes de hablar.
También podemos construir una máquina extraordinaria de persuasión
Y aquí aparece la otra cara.
La misma tecnología que permite preguntar «¿qué usuarios no están entendiendo esta experiencia?» también puede usarse para preguntar «¿qué mensaje logra convencer con mayor eficacia a este perfil?» — y repetir el experimento cientos, miles, millones de veces, hasta encontrarlo.
La frontera entre personalización y manipulación nunca fue especialmente amplia. Ahora puede estrecharse todavía más.
Los propios investigadores de MatrAIx lo advierten: el sistema no debería usarse para impersonar individuos, atribuir opiniones a personas o comunidades identificables, construir perfiles dirigidos a individuos, ni desarrollar estrategias de persuasión, exclusión o discriminación de precios sobre grupos protegidos. Insisten, además, en que una simulación no elimina la obligación de consultar a las personas reales afectadas, sobre todo en salud, finanzas o empleo.
Esto conecta con algo que venimos discutiendo hace años alrededor de la tecnología y las marcas: que algo pueda hacerse no significa que deba hacerse.
La capacidad tecnológica avanza mucho más rápido que nuestra capacidad cultural para decidir cómo queremos usarla. Y ahí la marca deja de ser identidad o comunicación. Se convierte en criterio. En límites. En decisiones. En confianza.
Una marca también se define por lo que decide no hacer, incluso cuando técnicamente puede hacerlo.
El peligro de convertir prejuicios en personas
Existe otro riesgo: creer que 1.290 variables equivalen a una representación completa de un ser humano.
Seguimos siendo mucho más complicados que eso. Somos contradictorios. Cambiamos de opinión. Decimos una cosa y hacemos otra. Nos dejamos influir. Pagamos más de vacaciones y menos al volver a casa. Perdonamos a la marca que queremos y abandonamos para siempre a la que apenas conocemos.
Ninguna base de datos contiene esa complejidad.
Una persona sintética puede tener edad, ingresos, personalidad, hábitos de compra y tolerancia al riesgo. Pero no tiene infancia. No tiene madre. No esperó nerviosa un diagnóstico. No guarda la camiseta que alguien le regaló a los doce años.
Y las marcas también habitan ahí. En territorios que difícilmente caben en una variable.
Cuanto más sofisticados sean nuestros modelos de consumidor, más importante será recordar que el mapa nunca será el territorio.
¿Desaparecerán los focus groups?
No lo creo. Probablemente cambien de forma.
La investigación con personas reales es cara, lenta y limitada en escala — precisamente el problema que MatrAIx intenta resolver, y el mismo que está empujando decenas de millones de dólares hacia esta industria cada trimestre. Pero el objetivo sensato no es reemplazar la investigación humana por investigación sintética. Es usar cada una para lo que hace mejor.
La IA puede probar miles de hipótesis. Las personas pueden decirnos cuáles tienen sentido.
La IA puede descubrir anomalías estadísticas. Las personas pueden explicar las emociones detrás de ellas.
La IA puede recorrer rápidamente innumerables combinaciones. Las personas pueden sorprendernos.
Esa última capacidad sigue siendo esencial. Una inteligencia artificial responde desde patrones existentes. Una persona puede hacer algo que nadie había previsto. Las grandes ideas, las transformaciones culturales, muchos de los comportamientos que después estudiamos, empezaron siendo una anomalía que ningún modelo habría anticipado.
De las personas ficticias a las personas sintéticas
Hay algo simbólico en todo esto para quienes trabajamos en branding. Durante décadas inventamos buyer personas para acercarnos a la realidad. Ahora podemos hacer que esas personas hablen. Pronto harán que naveguen, compren, comparen, interactúen entre ellas, recuerden experiencias anteriores.
El propio equipo de MatrAIx señala entre sus líneas futuras la creación de personas dinámicas con memoria de largo plazo y mayor validación con datos humanos longitudinales.
Estamos, probablemente, al comienzo. Dentro de algunos años, una organización podría mantener poblaciones sintéticas permanentes que acompañen todo el desarrollo de sus productos y su marca. Antes de cambiar una web, probarla. Antes de modificar un precio, simularlo. Antes de lanzar un servicio, estresarlo. Antes de entrar en un mercado, explorar las preguntas que deberíamos hacerle.
Eso puede mejorar mucho la calidad de las decisiones — siempre que no confundamos simulación con certeza.
Cuanto más sintético sea el consumidor, más humana deberá ser la marca
Ahí está la paradoja más interesante de todo esto.
La tecnología nos va a permitir construir representaciones cada vez más precisas de las personas. Pero las personas van a valorar cada vez más aquello que las haga sentir reconocidas como personas, no solo clasificadas como perfiles.
Una marca podría conocer mil variables sobre mí y seguir sin entenderme. Podría predecir mi próxima compra y no merecer mi confianza. Podría personalizar cada mensaje y resultar irrelevante. Podría optimizar cada palabra y carecer de significado.
Porque el branding nunca consistió en conocer al consumidor. Consiste en construir una relación que valga la pena con él. Y las relaciones no funcionan solo porque una parte conozca perfectamente a la otra. Funcionan cuando hay confianza. Cuando hay coherencia. Cuando lo que prometemos guarda relación con lo que hacemos.
MatrAIx puede ayudarnos a probar marcas antes de lanzarlas. Puede mostrarnos escenarios que no habíamos imaginado. Puede acelerar extraordinariamente una parte de nuestro trabajo.
Pero hay algo que ningún consumidor sintético podrá decidir por nosotros, qué clase de marca queremos ser.
¿Qué clase de marca queremos ser?
Esa decisión sigue siendo profundamente humana. Y ahí, probablemente, empieza el verdadero desafío.
Porque en un mundo donde podremos simular miles de millones de personas, la ventaja de una marca no va a estar simplemente en tener más datos sobre ellas.
Va a estar en saber qué hacer con ese conocimiento.
Y en saber cuándo dejar de usarlo.
Los propios autores de MatrAIx cierran su investigación con una recomendación sensata: simular usuarios diversos antes de lanzar, pero validar después contra la realidad. Sus agentes son instrumentos de simulación, no personas — y los resultados sobre población real deben seguir contrastándose con seres humanos.
Ampliemos esa recomendación.
Simular antes de decidir. Preguntar antes de asumir. Experimentar antes de imponer.
Y cuando llegue el momento de entender verdaderamente a las personas, volver a las personas.
Porque 8.300 millones de consumidores sintéticos pueden ayudarnos a imaginar muchísimas posibilidades.
Pero todavía hacen falta seres humanos para construir marcas que merezcan la pena.
Related posts
