Habla con tu mercado antes de jugártela.
Personas sintéticas con la demografía real de su país (edad, estudios, ingresos, trabajo y hogar, sacados de estadísticas oficiales de población) y una psicología que no cambia de la primera pregunta a la última. Investiga, ensaya o pon a prueba con ellas en horas y no en semanas, y mira exactamente de dónde sale cada una. Habla con una y compruébalo por ti mismo.
"Siento que nunca escuchas de verdad lo que intento decirte."
Cuando necesitas personas con las que probar y las reales son demasiado lentas.
Reclutar personas es caro, lleva semanas y no puedes repetir con la misma persona dos veces. Estos son los cuatro usos para los que los equipos usan de verdad el motor.
Genera diálogos con conflicto, desconfianza, persuasión y reparación, con la intención, el objetivo y el estado de creencias etiquetados en cada turno y calculados antes de escribir el texto.
Enfrenta tu sistema a usuarios que escalan, se contradicen, insisten durante veinte turnos o intentan que diga algo que no debe. De forma repetible y antes de que lo hagan tus clientes reales.
Entrevista en horas a consumidores sintéticos con la demografía real de tu mercado. Su perfil es fijo y explícito durante toda la entrevista, con respuestas de escala calculadas a partir de él en lugar de improvisadas por el modelo, para que el estudio con personas reales haga las preguntas correctas.
Practica una negociación o una decisión difícil frente a una contraparte con su propio perfil, sus propias prioridades y ningún interés en darte la razón. El primer "no" duro te lo dice una persona sintética, no tu cliente.
Un prompt de sistema describe a una persona. Esto la construye.
Pide a un modelo generalista que interprete un personaje y lo hará, pero no podrás decir de dónde ha salido ese personaje, por qué ha respondido lo que ha respondido ni lo buena que ha sido la respuesta. StrataSynth modela a la persona de forma explícita, fuera del texto, para que las tres preguntas tengan respuesta.
Cada persona sintética tiene identidad, estilo de apego, miedos centrales, sesgos e historia de vida. Se reutiliza entre conversaciones en lugar de desecharse después de cada ejecución.
Primero se resuelven las creencias, el estado de la relación y la lógica de decisión; después se genera el lenguaje. En las preguntas cerradas (escalas y elecciones forzadas) el motor calcula la respuesta a partir del perfil y el modelo solo la pone en palabras.
Cada turno lleva el estado que el motor calculó antes del texto (intención, objetivo, estado de creencias y su variación, estado de la relación) más el acto comunicativo que declara el generador. Queda escrito, no se infiere después.
Las métricas se calculan de forma determinista. Ningún modelo se pone nota a sí mismo, que es como la evaluación circular esconde los problemas en lugar de sacarlos a la luz.
Dos productos que ya funcionan sobre él.
El motor no es una demo en busca de un caso de uso. Son productos completos en producción, y cada uno consume la misma plataforma a través de su API.
Plataforma de investigación cualitativa. Hace entrevistas moderadas por IA con consumidores reales y sintéticos, y convierte las conversaciones completas en evidencia estructurada (motivadores, barreras, necesidades y citas) para agencias y equipos de insights.
qualisynth.comPlataforma para practicar conversaciones de alto riesgo. Los profesionales ensayan las conversaciones que importan (negociaciones, objeciones, decisiones difíciles) frente a contrapartes sintéticas con su propio perfil, sus propias prioridades y ningún interés en darte la razón.
arenasynth.comCuéntanos el escenario. Nosotros construimos el dataset.
Tu escenario, tus países, tu volumen: generado por el mismo motor y entregado con las métricas de calidad y la documentación que puedes ver en los datasets públicos de abajo. No compras más texto: te llevas lo que pasaba por debajo, en cada turno.
El escenario, los países, cuántas personas, cuántas conversaciones y qué quieres entrenar o probar.
El mismo motor y los mismos controles de calidad deterministas que se aplican a todo lo que publicamos en abierto.
El dataset con sus métricas y una ficha que documenta cómo se hizo: auditable, no una caja negra.
- • texto
- • etiquetas de hablante
- • coherencia psicológica limitada
- • poco o ningún estado explícito
- • texto + intención + objetivo + acto comunicativo
- • estado de creencias y su variación
- • estado y trayectoria de la relación
- • reproducible mediante semilla y versionado
Cuatro formas de generarlos
El mismo motor por debajo: elige la puerta de entrada que encaje con cómo trabaja tu equipo.
Configura escenarios, revisa los trabajos y previsualiza los datasets antes de generar a escala.
Genera y evalúa desde la terminal con ejecuciones reproducibles y programables.
Intégralo en notebooks y pipelines de entrenamiento. Exporta directamente a DataFrames o a Hugging Face.
La misma API HTTP sobre la que funcionan nuestras propias verticales. Integra la generación y las entrevistas en tu producto.
Prueba el motor desde un notebook
Cuatro notebooks listos para ejecutar (en inglés). El 04 es un A/B auditable frente a tu propio LLM, con tus propias claves: la deriva de rol se mide de forma determinista, así que no tienes que fiarte de nuestra palabra.
Genera un dataset estructurado, explora los campos de intención y creencias, y exporta a formato de fine-tuning o de Hugging Face.
Aplica métricas deterministas a un dataset terminado: coherencia de creencias, estabilidad de la identidad, entropía del comportamiento.
Clientes enfadados, usuarios confundidos, negociadores manipuladores: reutilizables entre escenarios para pruebas de estrés.
A/B auditable frente a tu propio LLM, con tus propias claves. Detección determinista de la deriva de rol, sin un LLM como juez.
Mira resultados reales antes de preguntarnos nada
Datasets públicos generados con StrataSynth, con seguimiento de creencias, trayectorias de la relación y etiquetas de referencia incluidos. Cárgalos con datasets.load_dataset().
España, México, Estados Unidos, Reino Unido, Alemania, Francia, Italia y Brasil, cada persona en su propio idioma, con biografía, forma de hablar, aficiones y metas, y puntuaciones de personalidad (Big Five) y de apego. Listas para usar como usuarios simulados de tu agente.
Límites familiares, reparación de la confianza en la pareja, estrés del cuidador.
Escalada de celos, evaluaciones de desempeño, intentos de distanciamiento.
Transiciones profesionales, conflicto con un mentor, ruptura de una relación.
Ansiedad ante un trabajo nuevo, finales de relación, reinvención personal.
Cómo se comporta el motor en la práctica
PersonaHub, FinePersonas, Nemotron-Personas, PERSONA, Synthetic-Persona-Chat, Twin-2K-500 y StrataSynth Personas resuelven cada uno un problema distinto. Esto es lo que ofrece cada uno y cuándo elegirlo.
Una prueba comparativa entre StrataSynth y dos LLM generalistas punteros, con una única persona sénior sometida a veinte turnos adversariales. La conclusión: la próxima frontera de las personas sintéticas no es un texto mejor, sino una identidad que se mantenga bajo presión.
Hicimos que los mismos dos negociadores sintéticos cerraran el mismo acuerdo B2B 100 veces, 50 en Gran Bretaña y 50 en Estados Unidos, sin cambiar nada salvo el condicionamiento por país. Algunas señales culturales se debilitaron bajo presión. Otras se reforzaron. Esa asimetría es el hallazgo.
Todo sistema que produce personas sintéticas afirma que son realistas. No ha habido una forma estándar de verificarlo. PsycheBench es una suite de evaluación abierta para la calidad de la identidad sintética: puntuación determinista, sin LLM como jueces.
Construimos a Sofía Martínez Rojas sin scripts de venta ni árboles de objeciones. En una sesión de negociación mantuvo su posición bajo presión: este es el relato de esa sesión.
La mayoría de las personas sintéticas se comportan de forma coherente, hasta que dejan de hacerlo. Analizamos una interacción estructurada en siete fases con una persona sintética para explorar si una identidad puede mantenerse coherente y, aun así, adaptarse bajo una presión sostenida.
La mayoría de las personas sintéticas son disfraces. La ingeniería de identidad sintética es la práctica de construir a la persona que hay debajo, con sus sistemas de creencias y sus mecanismos de defensa, y de medir si la identidad se mantiene bajo presión en lugar de darlo por hecho.
Publicamos cuatro datasets de diálogo en los que la intención, el objetivo, el estado de creencias y la dinámica de la relación los calculó el motor antes de generar el texto, no se infirieron después. 400 conversaciones, 8.404 turnos, 23 columnas.
La mayoría de los datasets de diálogo te dan las palabras. Este artículo explica las cuatro dimensiones de creencias que StrataSynth registra en cada turno (confianza, hostilidad, autoestima, resolución), cómo se actualizan de forma determinista y cómo usarlas como señal de entrenamiento.
María del Carmen Ruiz es una abogada española de 50 años generada por StrataSynth. Este es el registro de una conversación en la que mantuvo su postura bajo una presión filosófica y emocional sostenida.
Evaluar diálogo generado por IA con otra IA crea un sistema circular en el que ambas comparten los mismos modos de fallo. Aquí tienes un fallo concreto que puede pasar por alto, y las métricas deterministas que usamos en su lugar.
Lo que la gente pregunta antes de la demo
¿En qué se diferencia de pedirle a un LLM que interprete un personaje?
La diferencia es la trazabilidad. Cada persona se muestrea a partir de datos de población publicados y, en los datasets generados, el motor decide la intención, el objetivo y el estado de creencias antes de escribir cada turno y los guarda como etiquetas, así que puedes rastrear qué se decidió detrás de cada frase. En escalas y elecciones forzadas, si lo pides, la respuesta se calcula a partir del perfil en lugar de improvisarse. Y si una configuración concreta se mantiene bajo presión es algo que medimos, turno a turno, no algo que damos por hecho.
¿Cómo medís la calidad sin usar un LLM como juez?
Las métricas de evaluación del motor se calculan con numpy, scikit-learn y sentence-transformers, nunca con un modelo que ponga nota a la salida. Un juez que comparte los puntos ciegos del generador esconde los problemas en lugar de sacarlos a la luz. Además, así podemos medir si un modelo más barato empeora los resultados, en lugar de tener una opinión al respecto. Los veredictos de calidad de producto, en las herramientas construidas sobre el motor, son una capa aparte y se documentan por separado.
¿Qué países cubre? ¿La cultura es real o un estereotipo?
Ocho países con condicionamiento de población: España, Estados Unidos, Reino Unido, Alemania, Francia, Italia, México y Brasil. Sale de estadísticas oficiales de población, no de listas de palabras: la edad, los estudios, los ingresos, la situación laboral y el hogar de cada persona, y en cinco de los países su profesión real, salen de las distribuciones reales de ese país y son coherentes entre sí. Cambiar el país cambia quién está en la muestra. Lo que reivindicamos como nuestro es la divergencia dentro de un mercado, medida como diferencias en distribuciones agregadas de comportamiento y no como la elección de ningún individuo. Las diferencias entre países se deben en parte a cómo el propio modelo base representa cada país e idioma: nuestra prueba de control no pudo descartarlo, y publicamos ese resultado en lugar de venderlo.
¿Puedo ver resultados reales antes de hablar con nadie?
Sí, y sin darnos tu email. Los datasets públicos están en Hugging Face con licencia CC BY 4.0, la demo en vivo funciona en el navegador y el notebook 04 ejecuta un A/B auditable frente a tu propio LLM con tus propias claves de API, para que puedas comprobar lo que decimos en lugar de creértelo.
¿Podéis construir un dataset para mi propio escenario?
Es lo principal que vendemos. Tú especificas el escenario, los países, el número de personas y el volumen, y lo recibes con las mismas métricas de calidad y la misma documentación que los datasets públicos. Cuéntanos qué quieres entrenar o probar.
¿De quién son los datos? ¿Hay personas reales en ellos?
Los resultados son tuyos. No hay sujetos humanos ni datos personales: las personas son sintéticas, generadas a partir de estadísticas de población y no muestreadas de nadie. Eso elimina la conversación sobre consentimiento y protección de datos que exige un panel humano.
Cuéntanos para qué necesitas personas sintéticas.
Datasets a medida para tu propio escenario, una vertical construida sobre el motor o algo en lo que todavía no hemos pensado. Preferimos escuchar primero el problema a venderte un plan.