Simulación de audiencia: ¿Pueden los LLMs predecir el comportamiento humano?
En marketing, evaluar con qué precisión los LLMs predicen el comportamiento humano es crucial para valorar su efectividad en la anticipación de las necesidades de la audiencia y reconocer los riesgos de desalineación, comunicación ineficaz o influencia no deseada.
La simulación de audiencias con LLMs permite modelar audiencias virtuales, ayudando a las organizaciones a prever reacciones a contenidos o productos sin depender de costosas encuestas o grupos focales.
Probamos qué tan bien los modelos de IA pueden predecir cuál de dos publicaciones de LinkedIn del mismo autor obtendrá mayor interacción (me gusta, comentarios, compartidos), simulando esencialmente el comportamiento de la audiencia humana.
Resultados del benchmark de simulación de audiencia
Razones detrás de las diferencias de rendimiento en los LLMs
Los modelos de lenguaje grandes muestran diferentes niveles de precisión para predecir cuál de dos publicaciones de LinkedIn del mismo autor recibirá mayor interacción. Estas diferencias surgen de la forma en que cada modelo procesa los insumos descritos en el benchmark y con qué eficacia identifica los factores que influyen en las reacciones de la audiencia.
Comprensión de las señales de interacción
El benchmark requiere que los modelos evalúen pistas sutiles que predicen la interacción. Los modelos de mayor rendimiento tienden a detectar estas pistas con mayor precisión. Estas pistas incluyen si la publicación:
- Presenta una reflexión personal o una lección
- Formula una pregunta directa
- Es identificable para una audiencia amplia
- Parece promocional
- La estructura afecta la atención del lector
Modelos como DeepSeek Chat V3 y Claude Opus 4 funcionan bien porque identifican estas pistas con mayor consistencia.
Uso de información contextual
La evaluación incluye varios datos contextuales para cada publicación, y los modelos difieren en qué tan bien los utilizan. Cada modelo recibe:
- Texto de la publicación
- Tipo de medio como texto, imagen, video o enlace
- Rango de seguidores del autor
Una predicción precisa requiere que el modelo combine estas entradas. Los modelos de mayor rendimiento reconocen patrones, como menor interacción en publicaciones con enlaces y mayor interacción en narrativas reflexivas. Los modelos más débiles a menudo tratan las entradas de forma aislada o pasan por alto sus interacciones.
Interpretación del comportamiento humano
Predecir la interacción requiere razonar sobre las preferencias de la audiencia. Algunos modelos muestran una gran capacidad en esta área. Muchos modelos se mantienen cerca de la línea base del 50 % porque el comportamiento de la audiencia es variable y depende de factores psicológicos difíciles de inferir solo a partir del texto.
Los modelos que rinden alrededor del 52 % muestran una comprensión parcial de estas pistas. Pueden identificar patrones generales pero tienen dificultades en casos límite. Los modelos con puntuaciones bajas, como o1, parecen juzgar mal los impulsores estándar de la interacción y a menudo favorecen la opción menos atractiva.
Influencia de los datos de entrenamiento
Se observa que los resultados de los modelos reflejan los datos con los que fueron entrenados. Si los datos de entrenamiento no representan una amplia gama de estilos de comunicación o grupos demográficos, el modelo puede malinterpretar ciertos tipos de contenido. Estas diferencias en el entrenamiento contribuyen directamente a la dispersión de resultados en el benchmark.
Los modelos entrenados con conjuntos de datos más amplios o conversacionales tienden a aproximar mejor las reacciones de los usuarios. Los modelos entrenados con conjuntos de datos más limitados a menudo se basan en características superficiales que no se correlacionan bien con la interacción real.
Generalización entre autores
El conjunto de datos incluye publicaciones de 50 autores con diversos números de seguidores, preferencias de medios y estilos de escritura. Los modelos deben generalizar a través de estas diferencias. Los modelos más sólidos forman expectativas consistentes sobre lo que impulsa la interacción, independientemente del autor.
Los modelos de menor rendimiento aplican criterios inconsistentes entre diferentes autores y publicaciones.
Consulte nuestra metodología para comprender cómo calculamos estas mediciones.
¿Qué es la simulación de audiencia?
La simulación de audiencia es la práctica de utilizar poblaciones sintéticas basadas en modelos, a veces denominadas audiencias virtuales, para predecir cómo las personas reales pueden reaccionar a contenidos, productos o ideas políticas antes de que se publiquen. En lugar de realizar pruebas en vivo con costosas encuestas o grupos focales, las organizaciones pueden crear personas que representen a su audiencia objetivo y observar sus respuestas simuladas.
La técnica se basa en métodos de modelado basado en agentes, grandes modelos de lenguaje y simulación de personas. Cada agente o persona simulada se diseña con atributos como datos demográficos, preferencias o tendencias de comportamiento. Together, estas personas interactúan, produciendo datos sintéticos que aproximan el comportamiento de un grupo de clientes o ciudadanos reales en la misma situación.
¿Cómo funcionan las herramientas de simulación de audiencia?
La mecánica de la simulación de audiencia depende de las herramientas utilizadas, pero la mayoría de los enfoques comparten componentes estándar:
- Diseño de personas: Los investigadores definen personas basadas en datos demográficos, psicográficos o segmentos de mercado específicos. Estas personas pueden ir desde simples agentes basados en reglas hasta personas de IA detalladas enriquecidas con biografías y habilidades conversacionales.
- Generación de datos sintéticos: Los grandes modelos de lenguaje ayudan a simular diálogos, respuestas a encuestas o comportamiento de publicación. Por ejemplo, Artificial Societies opera entre 100 y 300 personas de IA que leen, reaccionan y comparten publicaciones de LinkedIn para simular la dinámica de la red.
- Modelado de interacción: Las personas no actúan de forma aislada. Interactúan, se influyen mutuamente y forman patrones como cámaras de eco, cascadas de republicaciones o cambios en la opinión pública. Esto permite a las simulaciones capturar tanto las reacciones individuales como los fenómenos a nivel grupal.
- Prueba de escenarios: Variando los insumos como el encuadre del mensaje, el tipo de medio o las preguntas de la encuesta, las organizaciones pueden observar cómo responden las audiencias simuladas a estas variaciones. Estos escenarios ayudan a generar hipótesis y probar ideas en una etapa de práctica segura antes de interactuar con personas reales.
- Análisis de datos: Los resultados se analizan mediante técnicas como nubes de palabras, análisis de sentimiento y puntuación de precisión. Los resultados pueden mostrar cuál de dos variantes de publicación tiene más probabilidades de ganar, temas comunes en los comentarios o la perspectiva de una persona sobre por qué una idea resuena más que otra.
Ejemplo real: Simulaciones de agentes generativos de Stanford
Un equipo de investigación de la Universidad de Stanford desarrolló una arquitectura de agentes que convierte datos cualitativos de entrevistas en representaciones de individuos reales impulsadas por LLM.
En lugar de construir personas solo a partir de etiquetas demográficas, cada agente se basa en una entrevista de dos horas con la persona que representa. Probados contra la Encuesta Social General, los agentes igualaron las respuestas de sus individuos fuente casi tan bien como esos individuos igualaron sus propias respuestas al ser encuestados nuevamente dos semanas después.
La arquitectura también mostró un sesgo de predicción reducido entre grupos raciales e ideológicos en comparación con los enfoques de personas demográficas específicas, lo que sugiere que puede modelar poblaciones diversas de manera más fiel que los métodos más simples.1
Casos de uso de la simulación de audiencia
Marketing y publicidad
Las marcas pueden probar eslóganes de campaña, elementos visuales o posicionamiento de productos con una audiencia virtual antes de gastar en distribución a gran escala. En lugar de depender únicamente de las respuestas de encuestas tradicionales, pueden generar datos sintéticos a partir de personas de IA y comparar el rendimiento entre grupos.
Por ejemplo, los especialistas en marketing pueden determinar si un producto resuena más con la Generación Z que con profesionales mayores y ajustar su estrategia creativa en consecuencia. Esta capacidad de validar campañas en la etapa de prueba conduce a ahorros de costes y una segmentación más precisa.
Ejemplo real: Focus Agent
Investigadores de KU Leuven construyeron un sistema multiagente que replica la estructura de un grupo focal tradicional completamente en software, incluyendo tanto a los participantes como el rol de moderador.
El sistema se validó realizando cinco sesiones reales de grupos focales con 23 participantes humanos sobre los mismos temas de discusión, comparando luego los resultados con los generados solo por participantes de IA. Las opiniones generadas por IA se alinearon estrechamente con las de los encuestados humanos.
Más allá de reemplazar a los participantes, el moderador LLM también ofreció ventajas prácticas sobre la moderación humana, como una dirección de temas y gestión del tiempo más consistentes.2
Medios y publicaciones
Las empresas de medios pueden simular cómo diferentes formatos de contenido (por ejemplo, publicaciones cortas, artículos extensos, videos explicativos) funcionarán entre sus audiencias.
La simulación de personas también permite probar cómo los titulares afectan los clics o cómo el tono influye en las veces que se comparte. Al anticipar reacciones, los editores pueden priorizar las historias con más probabilidades de difundirse, en lugar de esperar a las métricas posteriores a la publicación.
Políticas públicas e investigación
Los gobiernos y los grupos de reflexión pueden utilizar la simulación de audiencia para probar ideas de investigación de políticas. Las poblaciones sintéticas modeladas según datos demográficos específicos pueden ilustrar cómo diferentes comunidades podrían responder a un nuevo impuesto, una regulación de salud o una iniciativa climática. Los investigadores han aplicado simulaciones generativas para explorar problemas como la polarización y la desinformación.
Este enfoque facilita la generación de hipótesis y proporciona un entorno más seguro para anticipar consecuencias no deseadas antes de interactuar con personas reales.
Desarrollo de productos
Las empresas pueden simular cómo las personas que representan datos demográficos específicos hablan sobre una nueva característica o dispositivo. Por ejemplo, una empresa de tecnología podría comparar si los propietarios de pequeñas empresas, los estudiantes o los gerentes empresariales encuentran más valor en una nueva actualización de software.
Los conocimientos de la simulación pueden orientar las decisiones de diseño y mitigar el riesgo de lanzar características que no logren resonar con la audiencia prevista.
Capacitación y educación
Las universidades y las empresas pueden utilizar simulaciones para crear entornos de práctica donde los alumnos interactúen con personas de IA. Un negociador en formación podría practicar con contrapartes simuladas, o un estudiante de medicina podría probar estrategias de comunicación con pacientes sintéticos.
Estos escenarios de formación ofrecen una gama realista de respuestas, lo que permite a los alumnos perfeccionar sus habilidades antes de encontrarse con personas reales.
Agencias de investigación de mercado
Las preguntas de encuestas tradicionales y los grupos focales pueden ser costosos y lentos. Las agencias de investigación de mercado pueden complementarlos con simulación de audiencia para generar datos sintéticos que proporcionen información direccional rápida.
Si bien las simulaciones no reemplazan la interacción con clientes reales, pueden reducir la dependencia de paneles costosos y acelerar las pruebas en etapas tempranas.
Herramientas de simulación de audiencia
Si busca una herramienta dedicada para la simulación de audiencia en lugar de usar LLMs, aquí tiene algunas opciones:
Artificial Societies
Artificial Societies permite a los usuarios describir una audiencia objetivo en lenguaje natural o generar una basada en interacciones en redes sociales. Luego, construye una “sociedad” de personas y ejecuta simulaciones impulsadas por IA.
Cada simulación incluye pruebas A/B automáticas, que generan variaciones de un mensaje en el estilo del usuario y las prueban contra la audiencia. Los resultados se presentan con puntuaciones, comentarios y resúmenes, lo que permite una interpretación rápida. Los casos de uso abarcan relaciones públicas, desarrollo de productos, branding, marketing, periodismo y redes sociales.
Figura 1: Panel de simulación de audiencia de Artificial Societies
Ejemplo real: Teneo
Teneo, una empresa de relaciones públicas, se estaba preparando para lanzar una nueva estrategia tecnológica y necesitaba probar si su mensaje resonaría con las partes interesadas clave antes de hacerlo público. Sin embargo, la empresa enfrentó varias limitaciones:
- La estrategia era confidencial, lo que limitaba los métodos de investigación tradicionales.
- El cronograma era corto, lo que dificultaba las encuestas a gran escala.
- Audiencias importantes, como formuladores de políticas, líderes de la industria y partes interesadas especializadas, eran casi imposibles de alcanzar a través de los paneles de investigación de mercado convencionales.
Para abordar estos desafíos, Teneo se asoció con Artificial Societies. El proceso incluyó:
- Creación de personas de IA: Se generaron más de 5.000 personas de IA. Estas personas se basaron en perfiles demográficos y psicográficos reales, informados por la escucha social y la investigación cualitativa.
- Construcción de “sociedades” especializadas: Sociedades de IA separadas representaban diferentes grupos de interés, incluidos:
- Consumidores
- Pares de la industria
- Formuladores de políticas, lobistas e influyentes políticos.
- Prueba de narrativas de mensajes: Los investigadores probaron seis narrativas tecnológicas en competencia utilizando encuestas y experimentos dentro de cada sociedad de IA.
- Análisis de reacciones: Las respuestas se analizaron tanto a nivel agregado como a nivel de persona individual, lo que permitió al equipo comparar las reacciones entre los segmentos de audiencia.
La simulación produjo información a gran escala más rápido que los métodos de investigación tradicionales. Los resultados clave incluyeron:
- 189.756 respuestas únicas generadas a partir de las simulaciones de IA.
- Información basada en 30 preguntas de investigación en profundidad en seis narrativas.
- Identificación de la narrativa más efectiva y mensajes personalizados para cada segmento de audiencia.
- Entrega de resultados a través de una plataforma de análisis interactiva y un informe escrito.3
Ask rally
Ask Rally es un simulador de audiencia virtual que permite a los usuarios probar preguntas, contenido e ideas con personas de IA diseñadas para parecerse a audiencias reales.
Los usuarios crean o editan personas, o las clonan a partir de datos existentes como entrevistas o encuestas. Después de definir una audiencia, pueden hacer preguntas y recibir respuestas generadas por personas, que van desde 5 hasta 100. La plataforma agrega respuestas, proporciona información clave y permite que los agentes voten sobre opciones.
Las características clave incluyen:
- Respuestas multiagente con resúmenes agregados e información.
- La memoria de personas impulsada por Mem0 permite que las personas conserven el contexto y los patrones de comportamiento, ayudando a simular reacciones de audiencia más consistentes y realistas.
- La sofisticación de audiencia de cuatro niveles permite a los usuarios modelar audiencias con diferentes niveles de experiencia o familiaridad con un tema.
- La simulación de reacciones de video permite a los equipos probar cómo las audiencias podrían responder al contenido de video, como anuncios, materiales de campaña o presentaciones.
- API acceso permite a los equipos integrar el simulador en flujos de trabajo de investigación, herramientas internas o pipelines de pruebas automatizadas.
- Entornos de prueba para sitios web, campañas y medios.
- Capacidades adicionales como gemelos digitales, entornos de simulación y calibración con datos del mundo real.
- Plan gratuito para experimentación y pruebas tempranas.
Generative Audiences de Dentsu
Generative Audiences es una herramienta de inteligencia de marketing de IA que crea audiencias de consumidores simuladas a partir de datos reales. Ayuda a las marcas a mejorar la segmentación de audiencia, la planificación de medios y el rendimiento de las campañas al permitir que los especialistas en marketing interactúen con estas personas de IA y analicen sus respuestas.4
- Datos deterministas e impulsados por IA: Combina datos deterministas basados en personas con señales de comportamiento impulsadas por IA para modelar con precisión el comportamiento de la audiencia.
- Información interactiva del consumidor: Los especialistas en marketing pueden interactuar con personas simuladas para explorar motivaciones y comportamientos, por ejemplo, para probar cómo las audiencias podrían responder a nuevos mensajes, ideas de productos o eventos actuales.
- Integración de datos de múltiples fuentes: Sintetiza múltiples fuentes de datos (estáticas y en tiempo real) y se integra con los datos existentes del cliente.
- Planificación y activación de medios: La información de las audiencias de IA se puede utilizar para construir estrategias de medios dirigidas y activar campañas.
- Modelado de audiencia consciente de la privacidad: Debido a que utiliza simulaciones estadísticas en lugar de depender en gran medida de identificadores personales, la solución puede escalar la segmentación de audiencia siendo más compatible con la privacidad.
Electric Twin
Electric Twin es una plataforma de audiencia sintética que crea poblaciones digitales a partir de datos del mundo real.5
- Modelado de audiencia sintética: Crea poblaciones digitales que representan grupos demográficos reales y simulan el comportamiento humano.
- Retroalimentación de audiencia en tiempo real: Los usuarios pueden hacer preguntas y recibir respuestas inmediatas de personas simuladas, en lugar de realizar encuestas.
- Prueba de escenarios y mensajes: Los equipos pueden evaluar conceptos de productos, campañas, estrategias de precios y propuestas de políticas antes de lanzarlos.
- Encuestas y grupos focales simulados: Admite encuestas rápidas, entrevistas y discusiones estilo grupo focal con personas de IA.
- Audiencias personalizadas y prediseñadas: Las organizaciones pueden construir audiencias utilizando sus propios datos de encuestas o utilizar poblaciones demográficas prefabricadas en varios países.
- Motor de predicción: Compara los resultados con datos de encuestas del mundo real para estimar las respuestas probables de los consumidores.
- Entorno de investigación que preserva la privacidad: Las poblaciones sintéticas permiten probar ideas sin exponer datos sensibles o personales.
Simile IA
Construido por investigadores de Stanford, Simile tiene como objetivo simular grandes grupos, o incluso sociedades enteras, para predecir cómo las personas podrían reaccionar a productos, políticas o decisiones corporativas.6
- Personas gemelas digitales: Crea agentes de IA que representan a individuos reales basándose en datos de comportamiento y entrevistas.
- Simulaciones de comportamiento humano a gran escala: Modela interacciones entre miles de agentes para predecir decisiones de consumo o resultados sociales.
- Previsión de escenarios: Las empresas pueden anticipar eventos como cambios en la demanda de los consumidores o preguntas de analistas durante las llamadas de resultados.
- Arquitectura de agentes generativos: Los agentes de IA planifican acciones, forman opiniones e interactúan entre sí para producir dinámicas de comportamiento realistas.
Metodología del benchmark de simulación de audiencia
Nuestra pregunta de investigación para este benchmark fue: “¿Pueden los modelos de IA predecir qué publicación de LinkedIn obtendrá más interacción antes de ser publicada?” Con este fin, evaluamos qué tan bien los modelos de IA pueden predecir cuál de dos publicaciones de LinkedIn del mismo autor generará una mayor interacción total (me gusta + comentarios + compartidos) dentro de los 7 días posteriores a la publicación.
Utilizamos publicaciones de 50 autores para nuestro conjunto de datos. Cada fila contiene un par de publicaciones del mismo autor con estas características:
- Contenido de la publicación: Texto sin procesar de ambas publicaciones
- Tipo de medio: texto/imagen/video/enlace para cada publicación
- Contexto del autor: Rango de seguidores (por ejemplo, “1k-5k”, “5k-20k”)
- Verdad fundamental: Números de interacción reales y etiqueta del ganador (A o B)
Datos de ejemplo:
Publicación A (Ganadora – 156 interacciones): “Después de tres startups fallidas, esto es lo que ojalá alguien me hubiera dicho sobre el ajuste producto-mercado: Dejen de construir funciones que pidieron sus cinco usuarios beta. Comiencen a obsesionarse con el problema que realmente enfrenta el 95 % de su mercado objetivo. Cometí este error durante 2 años. No lo repitan. ¿Cuál es la mayor lección de producto que aprendieron a las malas?”
- Medio: texto
- Seguidores: 5k-20k
Publicación B (84 interacciones): “¡Emocionados de compartir nuestro nuevo panel de análisis impulsado por IA! Echa un vistazo a la demostración y cuéntanos qué piensas.”
- Medio: enlace
- Seguidores: 5k-20k
Análisis: La publicación A ganó porque proporciona consejos específicos y prácticos desde el fracaso personal, hace una pregunta atractiva y ofrece contenido identificable. La publicación B es una promoción genérica con menor potencial de interacción.
Evaluación del benchmark de simulación de audiencia
En la evaluación, cada modelo recibe esta información para ambas publicaciones:
- Texto de la publicación
- Tipo de medio
- Rango de número de seguidores del autor
Con esta información, se espera que los modelos predigan si la publicación A o B es la de mejor rendimiento. Pueden mostrarnos su razonamiento, pero no evaluamos su razonamiento en este benchmark.
Dado que los modelos tienen una probabilidad del 50 % de ser precisos sobre el mejor rendimiento (hay dos opciones), estamos considerando buscar en el futuro el “incremento sobre el azar (Precisión menos el 50 %, que es la línea base de adivinanza aleatoria)” como línea base.
Aun así, en este conjunto de datos, no hemos observado adivinación aleatoria; todos los modelos explicaron su razonamiento, ya sea que sus respuestas fueran correctas o incorrectas.
Añadir como fuente preferida¿Cuáles son los posibles desafíos de la simulación de audiencia?
A pesar de su promesa, la simulación de audiencia debe abordarse con precaución.
Validación frente a clientes reales
Las predicciones de las audiencias virtuales deben compararse con los resultados reales. Sin benchmarks, los resultados pueden generar una falsa confianza. La validación es crucial para garantizar que las personas sintéticas reflejen con precisión el comportamiento de las personas reales.
Sesgo en los modelos de lenguaje
Las personas de IA están moldeadas por los datos que entrenaron los modelos de lenguaje subyacentes. Si esos datos subrepresentan a ciertos grupos, las personas resultantes pueden distorsionar cómo se representan grupos demográficos específicos. Esto puede afectar la forma en que se simulan las respuestas de encuestas o la opinión pública.
Interpretabilidad
Aunque las conversaciones de personas o las nubes de palabras pueden mostrar temas comunes, no siempre está claro por qué surgen resultados específicos. La complejidad de las respuestas de los LLM puede dificultar la explicación o validación del comportamiento de la audiencia.
Directrices éticas
El uso de datos sintéticos para la investigación de clientes o de políticas requiere transparencia. Las organizaciones deben asegurarse de que no presenten las simulaciones como un reemplazo de los clientes reales y deben respetar los límites éticos al definir las personas.
Generalizabilidad
Las simulaciones dependen en gran medida del alcance del diseño de las personas. Un modelo entrenado con fundadores tecnológicos de EE. UU. no puede predecir automáticamente las respuestas de la Generación Z en Asia. La sobregeneralización es un riesgo al extender los hallazgos a poblaciones que no estaban representadas en la simulación.
Costo computacional
La ejecución de simulaciones detalladas con miles de personas puede requerir recursos significativos. Aunque las herramientas de IA están mejorando la eficiencia, los experimentos a gran escala aún exigen tiempo, conocimientos técnicos e infraestructura.
Cita esta investigación
Elige el formato que se ajuste al lugar donde vas a publicar. Pegar la versión con enlace en tu CMS conserva el enlace de retroceso.
@misc{ermut2026,
author = {Ermut, Sıla and Alper, Şevval},
title = {{Simulación de audiencia: ¿Pueden los LLMs predecir el comportamiento humano?}},
year = {2026},
month = apr,
howpublished = {\url{https://aimultiple.com/audience-simulation}},
note = {AIMultiple. Recuperado el 28 de Abril de 2026}
}Enlaces de referencia
Sé el primero en comentar
Tu dirección de correo electrónico no será publicada. Todos los campos son obligatorios. Los comentarios se dejan en su idioma original.