El research es valioso pero no escala a la velocidad que los equipos necesitan. Hay una brecha entre la velocidad del negocio y la del aprendizaje. El laboratorio sintético existe para cerrarla, sin sustituir a las personas.
El problema
El modelo tradicional tiene un techo.
Lento y costosoUn ciclo de entrevistas más análisis puede tomar de cuatro a seis semanas. Las decisiones no esperan.
Difícil de escalarProbar con usuarios reales tiene fricción: reclutamiento, sesiones, análisis, síntesis.
Edge cases invisiblesEl research tradicional valida lo obvio. Los escenarios límite, los futuros posibles y los segmentos extremos quedan sin explorar.
Qué es
Diseño sintético.
Co-diseñar con IA, no diseñar para IA.
Uso de inteligencia artificial y datos aumentados para crear modelos que simulan usuarios, contextos o sistemas, con el fin de identificar retos, anticipar comportamientos y acelerar innovación. Es una capacidad estratégica, no una herramienta.
Amplifica al usuarioNo reemplaza al humano. Lo potencia con simulaciones que una persona sola no podría cubrir.
El resultado son decisiones, no pantallasEl fin no es generar más interfaces. Es decidir mejor con evidencia sintética.
Explora lo invisibleNo busca validar lo obvio: tensiona hipótesis, detecta riesgos y abre futuros posibles antes de invertir.
La confusión más común
Un usuario sintético no es un agente.
Ni una gema, ni un LLM. Son cuatro cosas distintas.
El agente resuelve la tarea. El usuario sintético revela por qué alguien no logra resolverla. Esa diferencia es todo el método.
Sin evidencia humana de origen no hay laboratorio: hay ficción bien redactada.
No es data disfrazada de persona: es comportamiento con origen humano. El perfil parte de material real, se amplía a los segmentos que no alcanzamos a reclutar, y se cruza con contexto y fricción medida hasta que responde de forma consistente consigo mismo.
Las tres capas de construcción y lo que aparece al final. Emoción, frustración, verbalización y umbral de abandono no estaban en ninguna planilla: emergen del cruce.
Cómo opera
Es un proceso, no un software que se instala.
Hoy, sin laboratorio
La investigación es un hito que se agenda
La evidencia llega cuando el diseño ya está hecho
Preguntar es caro, así que se pregunta poco
El equipo discute opiniones y gana quien insiste
Con el laboratorio instalado
La investigación es una rutina continua
La hipótesis existe antes de abrir el Figma
Preguntar es barato, así que se pregunta siempre
El equipo discute evidencia y gana el dato
El ciclo operativo. Cada ronda recalibra el modelo, así que el aprendizaje se acumula en vez de empezar de cero cada vez.
Simular antes de construirEl error se descubre cuando cuesta una tarde y no un sprint. Bajar ese costo cambia la conducta del equipo.
Declarar siempre el límiteCada salida dice qué está simulado y qué validado. Declarar el límite es lo que hace confiable al método.
Simular conflicto, no éxitoSi nadie se pierde ni abandona, no se está midiendo usabilidad: se está confirmando lo que ya se creía.
Cerrar el ciclo con personasLo sintético prioriza; la persona valida y firma. Sin ese cierre queda una máquina de suposiciones.
El activo no es el modelo: es el hábito. Se instala en el equipo, no en la licencia.
El circuito completo. Lo sintético nunca decide solo: prioriza, y la validación humana firma antes de que nada llegue al roadmap.
Mapeo de impacto
¿A quién le pasa esto?
Es la pregunta que cambia la prioridad de un hallazgo.
Un problema universal es un defecto de diseño. Uno segmentado es un defecto de cobertura: si nadie lo mapea, nadie lo ve. La ventaja del método es que ampliar la matriz de segmentos cuesta cómputo, no reclutamiento.
La escala de alcance. Cada nivel cambia quién paga el problema y, por tanto, cuánto vale resolverlo.
Región y mercadoReglas locales, feriados, formato de documento, idioma.
Dispositivo y pantallaEscritorio, móvil, tablet. Tamaño, densidad, teclado.
ConectividadLatencia, caída de sesión, timeouts en horas pico.
Versión de appNavegador y release: quién quedó atrás en la migración.
Rol y permisosOperador, apoderado, administrador. Lo que puede y lo que no.
Madurez digitalAntigüedad como cliente, frecuencia de uso, tolerancia.
Gobernanza
Lo que hace defendible una decisión.
Sin esto, un laboratorio sintético es un generador de opiniones caras.
Origen
Data lineage
Qué datos alimentan cada cohorte: vigencia, cobertura, permisos, calidad, sesgos conocidos y representatividad de las fuentes.
Control
Human in the loop
El investigador valida hipótesis, interpretación y decisión final. Se compara con research real cuando la decisión es crítica o de alto riesgo.
Calidad
Quality score
Consistencia interna, realismo, diversidad, tasa de alucinación, trazabilidad, fidelity y utility.
Riesgo
Risk tier & register
Matriz para decidir cuándo usar sintético, cuándo híbrido y cuándo research humano. Detecta sesgos, privacidad y exclusiones.
Trazabilidad
Audit log
Registro de prompts, versiones, datos usados, decisiones tomadas y límites declarados.
Impacto
ROI y XLA
Tiempo, costo, tokens por dólar, conversión, fricción y confianza. El método se mide como cualquier otra inversión.
Casos
Tres laboratorios, tres preguntas.
Trabajo de equipo en Acid Labs. Las cifras vienen de la ejecución real.
Omnilife México
Registro y checkout
Evaluación sintética del journey de alta de distribuidores y del primer pedido, antes de salir a producción.
80usuarios sintéticos
5arquetipos
2.6Mtokens
Velocidad de ejecución
10 horasfrente a1 mes
−92% de tiempo
Fidelity0.93
Fidelidad frente a usuarios reales
Utility0.90
Accionabilidad para decidir
−70%tiempo de registro
−60%errores en pedidos
85%satisfacción de usuarios
Cinco arquetipos ejecutando alta de distribuidor y primer pedido sobre las pantallas reales de Omnilife MX.
OULALAB
Auditoría UX
Evaluación sintética del flujo principal y del modelo de negocio, cruzando accesibilidad, usabilidad y atención visual.
50usuarios sintéticos
4arquetipos
1.8Mtokens
Velocidad de ejecución
7 horasfrente a2 días
−78% de tiempo
Fidelity0.94
Fidelidad frente a usuarios reales
Utility0.91
Accionabilidad para decidir
12fricciones resueltas
−40%rework post-lanzamiento
1 sprintadelantado en value prop
El patrón de atención se generó a partir de las cincuenta cohortes sobre el flujo de clóset, como un heatmap sintético.
Banco de Chile
Loyalty foresight
Simulación de escenarios futuros de lealtad antes de comprometer esfuerzo, conceptualizar y presupuestar.
26K+consumers, 9 fuentes
6arquetipos
3.2Mtokens
Velocidad de ejecución
3 díasfrente a6–8 semanas
−93% de tiempo
Fidelity0.96
Fidelidad frente a usuarios reales
Utility0.93
Accionabilidad para decidir
18oportunidades priorizadas por ROI
3hipótesis tensionadas
−60%riesgo en decisiones
Se publica el método y las métricas de ejecución. Los arquetipos, los hallazgos por segmento y la estrategia resultante son material del cliente.
Los tres casos en la misma escala. El ahorro no es el objetivo en sí: el objetivo es que preguntar deje de ser caro, para poder preguntar siempre.Las cuatro capas del foresight de Banco de Chile. Cada una acota a la siguiente: de lo que pasa en el mundo a lo que le pasa a este banco.
Cómo se instala
No hace falta partir de cero.
El laboratorio se integra al flujo existente de producto, diseño y research.
Las fases de instalación. La transferencia es transversal a propósito: si el equipo interno no queda operando solo, el laboratorio no se instaló.La metodología en cinco capas. Cada una habilita la siguiente: sin datos alineados no hay arquetipos, y sin pilotos que funcionen nadie adopta nada.
Data
Qué se necesita
Datos de usuarios existentes, 1P como mínimo. Comportamiento histórico o patrones de uso. Conexiones a 2P y 3P si las hay.
Inputs
Con qué se alimenta
Prototipos, wireframes o journeys. Research existente, cuantitativo o cualitativo. Hipótesis de negocio y OKRs definidos.
Equipo
Quién tiene que estar
Un sponsor ejecutivo con capacidad de decisión, equipo de producto y diseño disponible, y voluntad real de iterar con evidencia sintética.
Métricas de impacto
No solo velocidad.
No aceleramos research para hacer más entregables: aceleramos aprendizaje para decidir antes.
Time-to-insightdías en vez de semanas · velocidad de aprendizaje
Costo evitadoresearch y rework · eficiencia presupuestal
Riesgo reducidopre-desarrollo y pre-lanzamiento · decisiones defendibles
Impacto productoconversión, NPS y adopción · valor al negocio
Calidad sintéticafidelity, utility y consistency · confianza metodológica
Transferenciaplaybooks, squads y madurez · capacidad instalada
Gobernanzatrazabilidad, sesgos y límites declarados
Adopcióncuántas decisiones del trimestre usaron el laboratorio