Simulación de Audiencia: ¿Pueden los LLM predecir el comportamiento humano?
En marketing, evaluar con qué precisión los LLM predicen el comportamiento humano es crucial para evaluar su efectividad al anticipar las necesidades de la audiencia y reconocer los riesgos de desalineación, comunicación ineficaz o influencia no deseada.
La simulación de audiencia con LLM permite modelar audiencias virtuales, ayudando a las organizaciones a anticipar reacciones ante contenido 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 participación (me gusta, comentarios, compartidos), esencialmente simulando el comportamiento de la audiencia humana.
Resultados del benchmark de simulación de audiencia
Razones detrás de las diferencias de rendimiento en los LLM
Los modelos de lenguaje grande muestran diferentes niveles de precisión al predecir cuál de dos publicaciones de LinkedIn del mismo autor recibirá mayor participación. Estas diferencias surgen de qué tan bien cada modelo procesa las entradas descritas en el benchmark y qué tan efectivamente identifica los factores que influyen en las reacciones de la audiencia.
Comprensión de las señales de participación
El benchmark requiere que los modelos evalúen señales sutiles que predicen la participación. Los modelos de mayor rendimiento tienden a detectar estas señales con mayor precisión. Estas señales incluyen si la publicación:
- Presenta una idea personal o una lección
- Hace una pregunta directa
- Es relatable 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 señales con mayor consistencia.
Uso de información contextual
La evaluación incluye varias piezas de datos contextuales para cada publicación, y los modelos difieren en qué tan bien las utilizan. Cada modelo recibe:
- Texto de la publicación
- Tipo de medio como texto, imagen, video o enlace
- Categoría de seguidores del autor
Una predicción precisa requiere que el modelo combine estas entradas. Los modelos de mayor rendimiento reconocen patrones, como menor participación en publicaciones con enlaces y mayor participación 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 participación requiere razonar sobre las preferencias de la audiencia. Solo unos pocos modelos exhiben una fuerte 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 que son difíciles de inferir solo del texto.
Los modelos que funcionan alrededor del 52% muestran una comprensión parcial de estas señales. Pueden identificar patrones generales pero luchan en casos limítrofes. Los modelos con puntuaciones muy bajas, como o1, parecen juzgar mal los impulsores estándar de participación y a menudo favorecen la opción menos atractiva.
Influencia de los datos de entrenamiento
Se observa que las salidas del modelo reflejan los datos en 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 de entrenamiento contribuyen directamente a la dispersión de resultados en el benchmark.
Los modelos entrenados con conjuntos de datos más amplios o más conversacionales tienden a aproximar mejor las reacciones de los usuarios. Los modelos entrenados con conjuntos de datos más estrechos a menudo dependen de características superficiales que no se correlacionan bien con la participación real.
Generalización entre autores
El conjunto de datos incluye publicaciones de 50 autores con diversas cantidades de seguidores, preferencias de medios y estilos de escritura. Los modelos deben generalizar a través de estas diferencias. Los modelos más fuertes forman expectativas consistentes sobre lo que impulsa la participación independientemente del autor.
Los modelos de menor rendimiento aplican criterios inconsistentes entre diferentes autores y publicaciones.
Consulte nuestra metodología para entender cómo calculamos estas mediciones.
¿Qué es la simulación de audiencia?
La simulación de audiencia es la práctica de usar poblaciones sintéticas impulsadas por modelos, a veces denominadas audiencias virtuales, para predecir cómo las personas reales pueden reaccionar ante contenido, productos o ideas de políticas antes de que se lancen. En lugar de realizar pruebas en vivo con costosas encuestas o grupos focales, las organizaciones pueden crear personajes que representen a su audiencia objetivo y observar sus respuestas simuladas.
La técnica se basa en métodos de modelado basado en agentes, modelos de lenguaje grande y simulación de personajes. Cada agente o personaje simulado está diseñado con atributos como demografía, preferencias o tendencias de comportamiento. Juntos, estos personajes 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 personajes: Los investigadores definen personajes basados en demografías, psicografías o segmentos de mercado específicos. Estos personajes pueden variar desde agentes simples basados en reglas hasta personajes de IA detallados enriquecidos con biografías y habilidades conversacionales.
- Generación de datos sintéticos: Los modelos de lenguaje grande ayudan a simular diálogos, respuestas a encuestas o comportamiento de publicación. Por ejemplo, Artificial Societies opera entre 100 y 300 personajes de IA que leen, reaccionan y recomparten publicaciones de LinkedIn para simular dinámicas de red.
- Modelado de interacción: Los personajes 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 que las simulaciones capturen no solo reacciones individuales sino también fenómenos a nivel de grupo.
- Pruebas de escenarios: Al variar entradas 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: Las salidas se analizan utilizando técnicas como nubes de palabras, análisis de sentimientos y puntuación de precisión. Los resultados pueden mostrar ganadores probables entre dos variantes de publicación, temas comunes en los comentarios o la perspectiva de un personaje sobre por qué una idea resuena más que otra.
Ejemplo de la vida real: Simulaciones de Agentes Generativos de Stanford
Un equipo de investigación de la Universidad de Stanford desarrolló una arquitectura de agente que convierte datos de entrevistas cualitativas en representaciones impulsadas por LLM de individuos reales.
En lugar de construir personajes 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 coincidieron con las respuestas de sus individuos fuente casi tan bien como esos individuos coincidieron con sus propias respuestas cuando fueron reencuestados con dos semanas de diferencia.
La arquitectura también mostró una reducción del sesgo de predicción entre grupos raciales e ideológicos en comparación con los enfoques de personajes solo demográficos, lo que sugiere que puede modelar poblaciones diversas con mayor fidelidad que los métodos más simples.1
Casos de uso de simulación de audiencia
Marketing y publicidad
Las marcas pueden probar eslóganes de campañas, 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 tradicionales de las encuestas, pueden generar datos sintéticos de personajes de IA y comparar el rendimiento entre grupos.
Por ejemplo, los comercializadores pueden determinar si un producto resuena más con la Generación Z que con los profesionales mayores y ajustar su estrategia creativa en consecuencia. Esta capacidad de validar campañas en la etapa de prueba conduce a ahorros de costos y una segmentación más precisa.
Ejemplo de la vida real: Focus Agent
Investigadores de la KU Leuven construyeron un sistema multiagente que replica la estructura de un grupo focal tradicional completamente en software, incluidos tanto los participantes como el rol del moderador.
El sistema fue validado ejecutando cinco sesiones reales de grupos focales con 23 participantes humanos sobre los mismos temas de discusión, y luego comparando las salidas con las generadas 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 publicación
Las empresas de medios pueden simular cómo diferentes formatos de contenido (por ejemplo, publicaciones cortas, artículos de formato largo, explicaciones en video) se desempeñarán entre sus audiencias.
La simulación de personajes también permite probar cómo los titulares afectan los clics o cómo el tono influye en las comparticiones. Al anticipar reacciones, los editores pueden priorizar historias que tienen más probabilidades de propagarse, en lugar de esperar a las métricas posteriores a la publicación.
Política pública e investigación
Los gobiernos y los grupos de reflexión pueden usar la simulación de audiencia para probar ideas de investigación de políticas. Las poblaciones sintéticas modeladas según demografías específicas pueden ilustrar cómo diferentes comunidades podrían responder a un nuevo impuesto, regulación de salud o 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 los personajes que representan demografías específicas hablan sobre una nueva función o dispositivo. Por ejemplo, una empresa tecnológica podría comparar si los dueños de pequeñas empresas, los estudiantes o los gerentes empresariales encuentran más valor en una nueva actualización de software.
Los conocimientos de la simulación pueden informar las decisiones de diseño y mitigar el riesgo de lanzar funciones que no resuenen con la audiencia prevista.
Entrenamiento y educación
Las universidades y las empresas pueden usar simulaciones para crear entornos de práctica donde los estudiantes interactúan con personajes 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 entrenamiento ofrecen una gama realista de respuestas, permitiendo a los estudiantes perfeccionar sus habilidades antes de encontrarse con individuos reales.
Agencias de investigación de mercado
Las preguntas tradicionales de encuestas y los grupos focales pueden ser costosos y lentos. Las agencias de investigación de mercado pueden complementarlas con simulación de audiencia para generar datos sintéticos que proporcionen conocimientos direccionales rápidos.
Aunque 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 está buscando una herramienta dedicada para la simulación de audiencia en lugar de usar LLM, aquí hay algunas opciones:
Artificial Societies
Artificial Societies permite a los usuarios describir una audiencia objetivo en lenguaje sencillo o generar una basada en interacciones en redes sociales. Luego construye una "sociedad" de personajes 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, permitiendo una interpretación rápida. Los casos de uso abarcan relaciones públicas, desarrollo de productos, marca, marketing, periodismo y redes sociales.
Figura 1: Panel de simulación de Artificial Societies.
Ejemplo de la vida real: Teneo
Teneo, una empresa de relaciones públicas, se preparaba para lanzar una nueva estrategia tecnológica y necesitaba probar si sus mensajes resonarían con las partes interesadas clave antes de anunciarlos públicamente. Sin embargo, la empresa enfrentó varias restricciones:
- La estrategia era confidencial, lo que limitaba los métodos de investigación tradicionales.
- El cronograma era corto, lo que hacía difíciles las encuestas a gran escala.
- Auditorios importantes, como responsables políticos, líderes de la industria y partes interesadas especializadas, eran casi imposibles de alcanzar a través de paneles convencionales de investigación de mercado.
Para abordar estos desafíos, Teneo se asoció con Artificial Societies. El proceso incluyó:
- Creación de personajes de IA: Se generaron más de 5,000 personajes de IA. Estos personajes 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 representaron diferentes grupos de partes interesadas, incluidos:
- Consumidores
- Pares de la industria
- Responsables políticos, lobistas e influencers políticos.
- Prueba de narrativas de mensajes: Los investigadores probaron seis narrativas tecnológicas competidoras usando encuestas y experimentos dentro de cada sociedad de IA.
- Análisis de reacciones: Las respuestas se analizaron tanto a nivel agregado como de personaje individual, permitiendo al equipo comparar reacciones entre segmentos de audiencia.
La simulación produjo conocimientos a gran escala mucho más rápido que los métodos de investigación tradicionales. Los resultados clave incluyeron:
- 189,756 respuestas únicas generadas a partir de las simulaciones de IA.
- Conocimientos basados 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 analítica 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 personajes de IA diseñados para parecerse a audiencias reales.
Los usuarios crean o editan personajes, o los clonan a partir de datos existentes como entrevistas o encuestas. Después de definir una audiencia, pueden hacer preguntas y recibir respuestas generadas por personajes, que van de 5 a 100. La plataforma agrupa las respuestas, proporciona conocimientos clave y permite que los agentes voten por opciones.
Las características clave incluyen:
- Respuestas multiagente con resúmenes y conocimientos agregados.
- La memoria de personajes impulsada por Mem0 permite a los personajes retener contexto y patrones de comportamiento con el tiempo, 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 reacción en video permite a los equipos probar cómo las audiencias podrían responder a contenido de video como anuncios, materiales de campaña o presentaciones.
- El acceso a API 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 simulador y calibración contra 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 comercializadores interactúen con estos personajes 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.
- Conocimientos interactivos del consumidor: Los comercializadores pueden interactuar con personajes simulados 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) e integra con los datos existentes del cliente.
- Planificación y activación de medios: Los conocimientos de las audiencias de IA se pueden utilizar para construir estrategias de medios dirigidas y activar campañas.
- Modelado de audiencia consciente de la privacidad: Debido que utiliza simulaciones estadísticas en lugar de depender en gran medida de identificadores personales, la solución puede escalar la segmentación de audiencia mientras permanece más cumplida 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.
- Comentarios de audiencia en tiempo real: Los usuarios pueden hacer preguntas y recibir respuestas inmediatas de personajes simulados, en lugar de ejecutar encuestas.
- Pruebas 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: Soporta encuestas rápidas, entrevistas y discusiones estilo grupo focal con personajes de IA.
- Audiencias personalizadas y predefinidas: Las organizaciones pueden construir audiencias usando sus propios datos de encuestas o usar poblaciones demográficas listas para usar en múltiples 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 AI
Construido por investigadores de Stanford, Simile tiene como objetivo simular grandes grupos, o incluso sociedades enteras, para predecir cómo las personas podrían reaccionar ante productos, políticas o decisiones corporativas.6
- Personajes de gemelo digital: Crea agentes de IA que representan individuos reales basados en datos de comportamiento e entrevistas.
- Simulaciones de comportamiento humano a gran escala: Modela interacciones entre miles de agentes para predecir decisiones de consumo o resultados sociales.
- Proyección de escenarios: Las empresas pueden anticipar eventos como cambios en la demanda del consumidor o preguntas de analistas durante las llamadas de ganancias.
- Arquitectura de agente generativo: Los agentes de IA planifican acciones, forman opiniones e interactúan entre sí para producir dinámicas de comportamiento realistas.
Añadir como fuente preferidaMetodología del benchmark
Nuestra pregunta de investigación para este benchmark fue "¿Pueden los modelos de IA predecir qué publicación de LinkedIn obtendrá más participación antes de que se publique?" Por esta razón, evaluamos qué tan bien los modelos de IA pueden predecir cuál de dos publicaciones de LinkedIn del mismo autor generará una mayor participación total (me gusta + comentarios + compartidos) dentro de los 7 días posteriores a la publicación.
Usamos 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: Categoría de seguidores (por ejemplo, "1k-5k", "5k-20k")
- Verdad fundamental: Números reales de participación y etiqueta de ganador (A o B)
Datos de ejemplo:
Publicación A (Ganador – 156 de participación): "Después de tres startups fallidas, esto es lo que desearía que alguien me hubiera dicho sobre el ajuste producto-mercado: Deja de construir funciones que solicitaron tus cinco usuarios beta. Obsesiónate con el problema que enfrenta el 95% de tu mercado objetivo. Cometí este error durante 2 años. No lo repitas. ¿Cuál es la lección de producto más grande que aprendiste a las duras?"
- Medio: texto
- Seguidores: 5k-20k
Publicación B (84 de participación): "¡Emocionado de compartir nuestro nuevo panel de análisis impulsado por IA! Echa un vistazo a la demostración y háznos saber qué piensas."
- Medio: enlace
- Seguidores: 5k-20k
Análisis: La publicación A ganó porque proporciona consejos específicos y accionables de un fracaso personal, hace una pregunta atractiva y ofrece contenido relatable. La publicación B es una promoción genérica con menos potencial de participación.
Evaluación
En la evaluación, cada modelo recibe esta información para ambas publicaciones:
- Texto de la publicación
- Tipo de medio
- Categoría de cantidad de seguidores del autor
Con esta información, se espera que los modelos predigan si la publicación A o B es la mejor. Pueden mostrarnos su razonamiento, pero no evaluamos su razonamiento en este benchmark.
Dado que los modelos tienen un 50% de probabilidad de ser precisos sobre el mejor rendimiento (solo hay dos opciones), estamos considerando buscar "mejora sobre el azar (Precisión menos 50% que es la línea base de adivinanza aleatoria)" en el futuro.
Sin embargo, en este conjunto de datos, no hemos observado una adivinanza aleatoria; todos los modelos explicaron su razonamiento, ya sea que sus respuestas fueran correctas o incorrectas.
¿Cuáles son los desafíos potenciales de la simulación de audiencia?
A pesar de su promesa, la simulación de audiencia debe abordarse con precaución.
Validación contra clientes reales
Las predicciones de las audiencias virtuales deben compararse con los resultados reales. Sin benchmarks, los resultados pueden crear una falsa confianza. La validación es crucial para asegurar que los personajes sintéticos reflejen con precisión el comportamiento de las personas reales.
Sesgo en los modelos de lenguaje
Los personajes de IA están moldeados por los datos que entrenaron los modelos de lenguaje subyacentes. Si esos datos subrepresentan ciertos grupos, los personajes resultantes pueden distorsionar cómo se retratan demografías específicas. Esto puede afectar cómo se simulan las respuestas a encuestas o la opinión pública.
Interpretabilidad
Aunque las conversaciones de personajes o las nubes de palabras pueden mostrar temas comunes, no siempre está claro por qué surgen salidas específicas. La complejidad de las respuestas de LLM puede dificultar explicar o validar el comportamiento de la audiencia.
Pautas éticas
El uso de datos sintéticos para la investigación de clientes o la investigación de políticas requiere transparencia. Las organizaciones deben asegurar que no presenten las simulaciones como un reemplazo de clientes reales y deben respetar los límites éticos al definir personajes.
Generalizabilidad
Las simulaciones dependen en gran medida del alcance del diseño de personajes. Un modelo entrenado con fundadores tecnológicos con sede en 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
Ejecutar simulaciones detalladas con miles de personajes puede requerir recursos significativos. Aunque las herramientas de IA están mejorando la eficiencia, los experimentos a gran escala aún requieren tiempo, conocimiento técnico 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},
title = {{Simulación de Audiencia: ¿Pueden los LLM 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
Siguiente para leer
Comparación de VPS: Hetzner vs Digital Ocean
Benchmark de Reranker: Comparación de los 8 Mejores Modelos
Comparativo de Modelos Tabulares: Rendimiento en 19 Conjuntos de Datos
Top 10 Generadores de Documentos de Word con IA: Revisados y Probados
Búsqueda Agéntica: Benchmark de 8 APIs de Búsqueda para Agentes
Ejecución de Código con MCP: Un Nuevo Enfoque para la Eficiencia de Agentes de IA
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.