NVIDIA publicó 148.000 registros de personas sintéticas salvadoreñas: esto es lo que descubrimos en Liorant

El dataset Nemotron-Personas-El-Salvador de NVIDIA pone 148.000 registros de personas sintéticas salvadoreñas directamente al alcance de cualquier analista, equipo de marketing o investigador. Cada registro contiene siete narrativas de persona distintas que cubren la vida profesional, hábitos deportivos, intereses artísticos, comportamiento de viaje, preferencias culinarias, dinámica familiar y un perfil general.

NVIDIA, en colaboración con la reconocida empresa Widelabs, diseñó el dataset para investigación de Sovereign AI — para apoyar el entrenamiento de LLMs, mejorar la diversidad de datos sintéticos y reducir el colapso de modelos. Este artículo explora cómo los equipos de investigación pueden usarlo como capa de generación de hipótesis de audiencia; esa es la interpretación aplicada de Liorant para este artículo, no el propósito declarado de NVIDIA.

Liorant ejecutó este dataset a través de un pipeline de análisis completo: estadísticas exploratorias sobre las 148.000 filas, embeddings generados por IA de los campos narrativos, una segmentación no supervisada sobre una muestra de trabajo de 20.000 personas y un demo de investigación de marketing conversacional impulsado por un modelo de lenguaje pequeño. Este artículo presenta lo que el análisis reveló — hallazgos, patrones e hipótesis posibles de audiencia — y explica qué pueden hacer los equipos de marketing y los ejecutivos con un flujo de trabajo como este.

Qué contiene el dataset Nemotron-Personas-El-Salvador

El dataset está disponible en nvidia/Nemotron-Personas-El-Salvador en Hugging Face, distribuido en formato Parquet como un único split de entrenamiento. Contiene 148.000 filas y 25 columnas.

Los campos demográficos estructurados proveen el andamiaje factual de cada persona: sexo, edad, idiomas que habla, estado civil, tipo de hogar, nivel educativo, ocupación, clasificación urbana o rural, municipio, departamento y país. El campo de ocupación cubre 119 clases de actividad económica CIIU Rev.4 distribuidas en ocho categorías censales de empleo.

Los campos de texto dan a cada persona su profundidad. La documentación oficial de NVIDIA identifica siete campos de narrativa de persona principales por registro — persona, professional_persona, sports_persona, arts_persona, travel_persona, culinary_persona y family_persona — que en conjunto producen aproximadamente un millón de textos de persona individuales en el dataset completo. El esquema incluye también seis campos de texto contextuales adicionales: cultural_background, skills_and_expertise, hobbies_and_interests, career_goals_and_ambitions y sus equivalentes en formato de lista skills_and_expertise_list y hobbies_and_interests_list (que contienen el mismo contenido como arrays JSON en lugar de prosa). Según el análisis de Liorant, las 13 columnas de texto son únicas en las 148.000 filas, con una longitud narrativa combinada en prosa de aproximadamente 6.817 caracteres y 1.165 palabras por registro.

Todos los campos en las 25 columnas muestran cero valores faltantes. El dataset está estructuralmente completo. Para analistas y equipos de marketing, eso significa que cada persona puede usarse sin imputación, filtrado ni limpieza de datos.

Explorar 148.000 personas sin saturar los sistemas

Cargar el dataset completo directamente en un entorno de análisis estándar requeriría varios gigabytes de memoria — más allá de lo que la mayoría de los entornos de notebook en la nube manejan cómodamente. El enfoque de Liorant en la primera fase de análisis fue consultar los archivos del dataset de forma remota mediante un motor SQL en memoria, sin cargar nunca el dataset completo en un entorno local.

Este enfoque produjo todas las estadísticas descriptivas — conteos de filas, inspección del esquema, conteos de valores faltantes, valores únicos y frecuencias categóricas principales — a través de consultas directas contra los archivos tal como existen en Hugging Face. Los únicos datos traídos a memoria local fueron una muestra aleatoria de 20.000 filas, extraída para el trabajo posterior de segmentación y demo de IA.

El resultado: un panorama demográfico y estructural completo de las 148.000 personas, producido sin los costos de infraestructura ni los requisitos de memoria que normalmente acompañarían a un dataset de este tamaño. Todos los estadísticos reportados en la sección siguiente provienen del análisis directo de Liorant y están respaldados por los tres notebooks referenciados en este artículo.

Hallazgo estructural clave (análisis Liorant): las 25 columnas registran 0% de valores faltantes. Las 13 columnas de texto contienen cada una 148.000 entradas únicas — cada persona tiene un texto completamente distinto en cada campo, tanto en los siete campos de narrativa de persona principales como en las seis columnas de texto contextual. Desde el punto de vista de calidad de datos, el dataset es inusualmente limpio.

Qué muestran los datos: patrones demográficos y ocupacionales clave

El análisis exploratorio de las 148.000 personas revela varios patrones estructurales. Estos son hallazgos descriptivos del dataset sintético — conteos y distribuciones directos — no inferencias sobre consumidores salvadoreños reales.

Edad

La población sintética abarca de 18 a 100 años. La media de edad se sitúa en 42,8 años con una desviación estándar de 17,6. La mediana es 40. El rango intercuartil va de 28 a 55, lo que significa que la mitad de la población cae entre esas dos edades. La distribución es más amplia que una muestra típica de adultos jóvenes y más representativa del espectro completo desde la edad activa hasta la vejez.

Sexo

• Femenino: 79.632 personas — 53,81%
• Masculino: 68.368 personas — 46,19%

Idiomas hablados

Para cualquier equipo de marketing que trabaje en El Salvador, esta distribución confirma que la creatividad solo en español alcanza a la abrumadora mayoría de cualquier audiencia realista. El contenido bilingüe español-inglés es relevante para menos del 9% de la población sintética, concentrado en grupos con mayor educación formal y residencia urbana probable.

Nivel educativo

Más de la mitad de la población sintética tiene como máximo educación primaria o secundaria. La educación universitaria aparece en solo el 12% de las personas. Este patrón tiene implicaciones directas sobre cómo las marcas calibran la complejidad de los mensajes, el diseño de productos financieros, los flujos de incorporación digital y las estrategias de construcción de confianza en diferentes grupos de audiencia en El Salvador.

Departamento — Distribución geográfica

San Salvador concentra el 26,76% de la población sintética. La Libertad, Santa Ana y Sonsonate suman otro 30,8%. Los 14 departamentos aparecen en el dataset, y los diez restantes representan colectivamente alrededor del 42% de las personas. Cualquier marca que trate El Salvador como un mercado único centrado en la capital está, según la distribución interna del dataset, dejando sin atender a la mayoría de la audiencia con un perfil equivocado.

Principales ocupaciones

El dataset cubre 119 clases de actividad económica CIIU Rev.4. Las siete más frecuentes en el dataset completo de 148.000 personas, según el análisis de Liorant:

La economía representada en el dataset se inclina hacia el comercio informal, la agricultura, el trabajo doméstico y la producción alimentaria — coherente con la estructura del mercado laboral real de El Salvador, donde el sector informal representa una parte sustancial del empleo. Las marcas que diseñan campañas alrededor del empleo formal y los trabajadores asalariados estarán, según estas distribuciones, optimizando para un perfil minoritario.

Descubrimos cuatro patrones de audiencia emergentes del análisis de segmentación

La segunda fase de análisis pasó de las estadísticas descriptivas del dataset completo a una muestra de trabajo de 20.000 personas seleccionadas aleatoriamente. El objetivo: comprobar si la segmentación con IA de los campos narrativos produce agrupaciones de audiencia coherentes que van más allá de lo que revelan por sí solas las columnas demográficas estructuradas.

El enfoque combinó los siete campos de narrativa de persona principales y los campos de texto contextual disponibles por persona en una representación de texto única, y luego usó un modelo de IA multilingüe para convertir la narrativa combinada de cada persona en un vector numérico — una representación matemática de su significado. Esos vectores se agruparon con un algoritmo de segmentación no supervisado, probado con múltiples tamaños de grupo para identificar cuál producía las agrupaciones más internamente coherentes.

Una medida estadística de la cohesión de segmentos — que cuantifica qué tan claramente separadas e internamente consistentes son cada agrupación — alcanzó su punto óptimo con cuatro segmentos, con una puntuación de 0,1185 en una escala donde valores más altos son mejores. Esa puntuación es modesta en términos absolutos, como es esperable para texto narrativo rico en lugar de datos puramente numéricos, pero supera significativamente todas las demás opciones de número de grupos probadas (de tres a diez).

Los cuatro segmentos a continuación representan patrones que surgieron del análisis narrativo de la muestra de trabajo de 20.000 personas. Son hipótesis de audiencia fundamentadas en los datos, no perfiles de clientes verificados. Su valor está en estructurar las preguntas que un equipo de marketing debería llevar a la investigación real — no en reemplazar esa investigación.

Segmento A — Trabajadoras del sector informal (28,8% de la muestra — 5.757 personas)

El primer patrón es el más grande por volumen y el más específico de género en el dataset. El 97,99% de las personas en este segmento son mujeres. Sus ocupaciones se concentran en el empleo doméstico (831 personas), trabajo en restaurantes y comida ambulante (509), comercio minorista no especializado (485) y confección de prendas (328). La educación se centra en primaria (28,2%) y bachillerato (27,5%), con un 14,3% sin educación formal. El segmento se inclina hacia ciudades y municipios medianos fuera de la capital, distribuido en La Libertad (18,7%), Santa Ana (12,1%) y Sonsonate (10,9%). El 71% está clasificado como urbano.

Lo que este patrón sugiere para los equipos de marketing: El texto narrativo en este segmento describe mujeres que gestionan economías informales de efectivo, administran las compras del hogar y toman decisiones diarias con presupuestos ajustados pero consistentes. Hipótesis que vale la pena probar: productos de acceso financiero y dinero móvil, mensajes de seguridad familiar, bienes de consumo prácticos, herramientas para pequeños negocios enmarcadas en necesidades operativas diarias más que en inversión a largo plazo. El mensaje correcto para este segmento casi con certeza difiere del que funciona en audiencias urbanas con empleo formal — y el canal adecuado difícilmente será digital-first.

Segmento B — Economía física y rural (30,0% de la muestra — 6.004 personas)

El segmento más grande por conteo de personas es casi exclusivamente masculino — 94,85% hombres — y se concentra en edades jóvenes, con el rango modal entre 20 y 29 años. Las ocupaciones las dominan el cultivo de cereales y legumbres (1.058 personas), la construcción de edificios (636), el mantenimiento y reparación de vehículos (207), el transporte terrestre (185) y la seguridad pública (164). El bachillerato es el nivel educativo modal (30,2%), seguido de la primaria (26,0%). Este es el único segmento con representación rural significativa: el 34,9% de las personas está clasificado como rural, frente al promedio de la muestra de aproximadamente el 23%.

Lo que este patrón sugiere para los equipos de marketing: Las descripciones narrativas en este segmento muestran hombres jóvenes dedicados a trabajo físico, frecuentemente al aire libre, con infraestructura formal limitada a su alrededor. El alcance digital probablemente sea menor que en el segmento de servicios urbanos. Las brechas de conectividad, el menor tiempo en plataformas y la distancia de los servicios financieros formales aparecen como patrones contextuales. Hipótesis que vale la pena probar: canales offline y radio, mensajes sobre herramientas prácticas y estabilidad de ingresos, insumos agrícolas, seguros enmarcados en riesgo laboral, y creatividad orientada a la comunidad más que a la aspiración individual.

Segmento C — Profesionales de servicios urbanos (26,8% de la muestra — 5.365 personas)

Este segmento destaca como el más concentrado geográficamente y el más equilibrado en términos de género. El 71,3% de sus personas proviene del departamento de San Salvador — el 32,3% solo de San Salvador Centro. Es el único segmento donde las personas masculinas y femeninas aparecen en números aproximadamente iguales (50,2% hombres, 49,8% mujeres). La educación universitaria alcanza el 17,2% — cinco puntos porcentuales por encima del promedio del dataset completo — y el 89,2% está clasificado como urbano. Las principales ocupaciones reflejan una economía de servicios más diversa: restaurantes (360), comercio minorista no especializado (309), empleo doméstico (293), construcción (250) y otros servicios (250).

Lo que este patrón sugiere para los equipos de marketing: Este es el perfil que más se acerca al modelo mental que muchas marcas usan cuando piensan en el consumidor salvadoreño. Es real — pero representa aproximadamente uno de cada cuatro personas en la muestra, y se concentra casi completamente en la capital. Hipótesis que vale la pena probar: canales digitales, servicios financieros, productos de desarrollo profesional, mensajes de estilo de vida y consumo. La mayor presencia universitaria y la concentración urbana convierten a este segmento en el más propenso a responder a creatividad digital-first, productos financieros formales y comercio mediado por plataformas.

Segmento D — Emprendedoras de la economía alimentaria (14,4% de la muestra — 2.874 personas)

El segmento más pequeño es el más distintamente definido. La elaboración de productos de panadería concentra 847 personas; los restaurantes y la comida ambulante, 753. El comercio minorista no especializado de alimentos (349), los puestos de mercado (249) y el comercio especializado en alimentos (229) siguen a continuación. El 76,4% de las personas en este segmento son mujeres. La educación se concentra en bachillerato (30,2%) y primaria (25,5%). A diferencia del Segmento C, este grupo está distribuido geográficamente — aparece en múltiples departamentos en lugar de centrarse en una sola ciudad, con San Salvador (15,9%), Santa Ana (11,8%), La Libertad (10,6%) y Sonsonate (9,5%) contribuyendo de forma significativa.

Lo que este patrón sugiere para los equipos de marketing: Las descripciones narrativas en este segmento muestran mujeres que operan sus propios negocios de alimentos — gestionando proveedores, fijando precios, atendiendo clientes habituales y navegando cadenas de suministro informales. Lo que les falta, en el contexto narrativo, es acceso a crédito formal, infraestructura de gestión empresarial y estabilidad en la cadena de suministro que los negocios más grandes dan por sentado. Hipótesis que vale la pena probar: microfinanzas y capital de trabajo, proveeduría de ingredientes y envases, herramientas de punto de venta, y mensajes de gestión empresarial enmarcados en eficiencia operativa más que en aspiración.

Métodos de investigación: antes y después de las personas sintéticas

La mayoría de los equipos de marketing que trabajan en El Salvador — o en cualquier mercado centroamericano — comienzan una campaña desde uno de tres puntos de partida: intuición de stakeholders senior moldeada por experiencias pasadas, plantillas globales de personas recicladas ("María, 35 años, madre de clase media"), o un ciclo de investigación formal que tarda entre seis y diez semanas y cuesta miles de dólares antes de que aparezca la primera hipótesis estructurada.

Esto es lo que cambia cuando un dataset de personas sintéticas entra en el flujo de trabajo:

La última fila de esa tabla es la más importante. Las personas sintéticas aceleran la fase de formación de hipótesis de la investigación, no la fase de conclusiones. Cada segmento, patrón e idea de campaña producido a partir de este dataset requiere validación con datos reales de clientes, registros de CRM, entrevistas de campo o resultados de campañas antes de que cualquier decisión estratégica se apoye en él.

Lo que el enfoque ofrece es velocidad al inicio del proceso de investigación: entrar a un briefing de campaña con cuatro hipótesis de audiencia estructuradas, ángulos creativos pre-evaluados y una lista específica de supuestos a validar — en lugar de una página en blanco. La ventaja competitiva no está en reemplazar el trabajo de campo. Está en llegar al trabajo de campo con preguntas mejor formuladas.

Un asistente inteligente de investigación construido sobre el mismo dataset

La tercera fase del análisis construyó una capa interactiva sobre el trabajo de segmentación. Los vectores narrativos precomputados y la muestra de trabajo segmentada se cargaron en un pipeline ligero que conecta una capa de búsqueda semántica con un pequeño modelo de lenguaje con capacidad de seguir instrucciones — ejecutándose en una GPU de nube estándar sin costo incremental.

El sistema funciona así: un usuario escribe una pregunta en lenguaje natural. El sistema identifica las cinco narrativas de personas semánticamente más similares a la pregunta. Esas cinco personas se pasan luego al modelo de lenguaje, que genera una respuesta estructurada — hipótesis de audiencia, borrador de brief de campaña, resumen de segmento o marco de mensajes — fundamentada en las personas recuperadas, no en el conocimiento general del modelo.

Interfaz activa

Crear una consulta de investigación y conversar en lenguaje natural

liorant · asistente de investigación con IA

El asistente en uso. Un miembro del equipo carga el material fuente y escribe una pregunta en lenguaje natural; el sistema devuelve una respuesta estructurada y fundamentada en las fuentes en el mismo idioma. Sin sintaxis de consulta, exportación de datos ni pasos técnicos intermedios: la pregunta y la consulta ocurren en una sola conversación.

Fuente: Interfaz funcional de Liorant, construida sobre el flujo de trabajo NVIDIA Nemotron-Personas-El-Salvador.

Ejemplo de pregunta enviada al sistema: "¿Qué personas de este dataset podrían ser receptivas a una campaña de educación financiera digital?"

El sistema recuperó personas del segmento de servicios urbanos concentrado en San Salvador, junto con individuos del sector informal cuyas descripciones narrativas tocaban temas de remesas, hábitos de ahorro y gestión de efectivo de micronegocios. La respuesta generada identificó motivaciones probables (estabilidad de ingresos, seguridad financiera familiar), posibles barreras de confianza (preferencia por proveedores informales, experiencia previa limitada con plataformas digitales), canales sugeridos (grupos comunitarios, radio, WhatsApp), y una lista específica de afirmaciones a validar con clientes reales antes de actuar.

Esto no es investigación de mercado. Es un acelerador de hipótesis — una herramienta que ayuda a un equipo de marketing a entrar a un brief con supuestos estructurados y verificables en lugar de intuiciones no validadas. Una interfaz accesible desde el navegador, construida al final del pipeline de análisis, hace esto interactivo para usuarios no técnicos, sin requerir ningún conocimiento de datos para operar.

Cómo reproducir este flujo de trabajo

El pipeline completo funciona en el nivel gratuito de Google Colab sin instalación local requerida. La complejidad técnica la gestionan los notebooks; el aporte del equipo de negocio es la pregunta, el producto y el contexto de audiencia.

• Ejecutar el análisis exploratorio. El primer notebook se conecta a los archivos del dataset de forma remota, ejecuta todas las estadísticas descriptivas como consultas de base de datos sin cargar el dataset completo en memoria, y exporta una muestra de trabajo de 20.000 filas. Tiempo estimado: 8–12 minutos.

• Guardar la muestra de trabajo. Descargar el archivo de muestra — aproximadamente 60–80 MB — del entorno de análisis antes de pasar al siguiente paso.

• Ejecutar el análisis de segmentación. El segundo notebook toma la muestra de trabajo, genera embeddings narrativos con un modelo de IA multilingüe, evalúa múltiples opciones de número de segmentos, aplica la solución óptima de cuatro segmentos, perfila todos los segmentos en dimensiones demográficas y ocupacionales, y exporta la muestra segmentada y el archivo de embeddings. Tiempo estimado: 20–30 minutos en un entorno GPU gratuito.

• Guardar dos archivos de salida. El archivo de embeddings y la muestra segmentada son necesarios para el demo interactivo del paso siguiente.

• Ejecutar el demo de investigación de marketing. El tercer notebook carga los dos archivos guardados, construye la capa de búsqueda semántica, conecta un modelo de lenguaje pequeño y lanza una interfaz accesible desde el navegador. Se escribe una pregunta de marketing en lenguaje natural para recuperar hipótesis de audiencia, borradores de brief de campaña o resúmenes de segmento.

Este proceso está diseñado para que equipos no técnicos los ejecuten con una configuración mínima. Cambiar la pregunta, la categoría de producto o la geografía objetivo cambia el resultado sin reconstruir nada desde cero.

Lo que este flujo de trabajo no puede reemplazar

Las personas sintéticas no sustituyen:

Entrevistas reales con clientes. Solo las personas reales pueden confirmar si una hipótesis sobre motivación, barrera o comportamiento realmente les aplica. La profundidad narrativa de las personas sintéticas puede ayudar a los equipos a formular mejores preguntas de entrevista — pero las entrevistas siguen siendo esenciales.

Datos de CRM y comportamiento. La frecuencia de compra, las señales de churn, los patrones de uso de producto y los cálculos de valor de vida del cliente requieren registros de transacciones reales. Un dataset sintético no puede replicar esto.

Datos de rendimiento de campañas. Solo las pruebas A/B reales y los resultados de campañas en vivo revelan si un mensaje funciona. Las personas sintéticas pueden ayudar a reducir las opciones creativas que vale la pena probar — no pueden reemplazar la prueba.

Experiencia cultural y local. Un dataset, por estructuralmente rico que sea, no lleva el conocimiento de un investigador, estratega de marca o miembro de la comunidad que vive dentro de la cultura estudiada. La experiencia local no es opcional; es la capa interpretativa que hace que los hallazgos de datos sean significativos.

Supervisión ética. Cualquier flujo de trabajo asistido por IA que oriente decisiones que afectan a comunidades reales requiere revisión humana, transparencia metodológica y validación documentada antes de actuar sobre sus resultados. El uso responsable de datos sintéticos es una elección activa, no un estado por defecto.

Limitaciones conocidas documentadas por NVIDIA. La tarjeta oficial del dataset de NVIDIA señala varias restricciones específicas que los equipos deben tener en cuenta: las comunidades indígenas y afrodescendientes están sub-representadas en la población sintética; las narrativas generadas por IA pueden contener supuestos de roles de género heredados de los datos de entrenamiento subyacentes; el español salvadoreño en el dataset es una aproximación generada por un modelo de IA, no extraída de un corpus lingüístico salvadoreño autorizado; y la religión no está modelada en ningún campo de persona. Los equipos que apliquen este dataset a investigación sobre comunidades marginadas, precisión lingüística o matices culturales deben ponderar estas limitaciones con especial cuidado.

El dataset Nemotron es un punto de partida para la generación estructurada de hipótesis — una de las fases más valiosas de un proceso de investigación, y una que los equipos de marketing en América Latina sistemáticamente subfinancian y preparan de forma insuficiente. No es un atajo que omite la investigación posterior.

Cómo Liorant ayuda a los equipos de investigación a construir esto

Liorant diseña y opera sistemas de IA para equipos de marketing, operaciones y legal en España, Colombia y El Salvador. El flujo de trabajo descrito en este artículo representa una categoría de capacidad que llamamos Inteligencia de Clientes con IA — combinando datos estructurados, embeddings narrativos, segmentación, búsqueda semántica y modelos de lenguaje ligeros en herramientas de investigación repetibles que los equipos de marketing pueden operar ellos mismos.

Un compromiso típico comienza con un lanzamiento de producto, una expansión regional o una pregunta de audiencia que el equipo no ha podido responder con la investigación existente. Liorant diseña y despliega un flujo de trabajo de investigación de audiencias asistido por IA, calibrado al entorno de datos del cliente — registros de CRM, datos de campaña, uso de producto, o un dataset sintético como punto de partida — y entrega un sistema funcional en cuatro a seis semanas.

El entregable no es un informe. Es una herramienta activa que el equipo de marketing opera por sí mismo, respaldado por el equipo de ingeniería de IA de Liorant para mantenimiento, iteración y expansión continuos. Reportamos resultados en términos de negocio: hipótesis generadas, ciclos de investigación comprimidos, calidad de los briefings de campaña mejorada — no en métricas de infraestructura.

Descubre cómo Liorant entrega sistemas de IA funcionales en cuatro a seis semanas →

Preguntas frecuentes

¿El dataset Nemotron-Personas-El-Salvador es gratuito?

Sí. NVIDIA lo publicó en Hugging Face bajo una licencia Creative Commons Atribución 4.0 Internacional (CC-BY 4.0). Esta licencia permite el uso para cualquier propósito — incluyendo aplicaciones comerciales — siempre que se otorgue el crédito correspondiente a NVIDIA como fuente. Verifica siempre los términos actuales en la tarjeta del dataset antes de su uso.

¿Los cuatro segmentos representan a consumidores salvadoreños reales?

No. Los segmentos son patrones que emergieron de un análisis con IA de una muestra de 20.000 personas extraída de un dataset sintético. Representan agrupaciones demográficas y ocupacionales plausibles que vale la pena investigar — no perfiles de clientes verificados. Cada hipótesis que generan requiere validación con personas reales antes de informar una decisión estratégica.

¿Necesitamos un equipo técnico para trabajar con estos datos?

No si trabajas con Liorant. Todo el diseño técnico, la implementación, la selección del modelo y las operaciones continuas recaen en el equipo de ingeniería de Liorant. Un ejecutivo de marketing aporta la pregunta de negocio, el contexto estratégico y las prioridades de validación. El sistema entrega insights en lenguaje comercial.

¿Cuál es la diferencia entre una persona sintética y un buyer persona?

Un buyer persona es un perfil compuesto construido a partir de investigación real de clientes — entrevistas, encuestas, análisis de CRM. Una persona sintética es un perfil generado computacionalmente que representa diversidad demográfica y narrativa plausible, no a un individuo real específico. Los buyer personas resumen conocimiento validado. Las personas sintéticas exploran el espacio de hipótesis antes de que esa validación comience. Los dos son complementarios, no intercambiables.

¿Cuál es el primer paso para una empresa interesada en esta capacidad?

Una sesión de descubrimiento de 30 minutos con Liorant. Revisamos tus activos de datos existentes, identificamos la pregunta de audiencia más valiosa que vale la pena responder y describimos exactamente cómo un flujo de trabajo de investigación asistida por IA se calibraría a tu mercado, tu producto y tu equipo — sin compromiso previo.

Empieza a construir investigación de audiencias asistida por IA

Los equipos de marketing que esperan dos o tres meses para recibir resultados de trabajo de campo antes de formular una sola hipótesis verificable perderán terreno frente a equipos que llegan al campo con preguntas más precisas. El análisis de personas sintéticas no acorta el trabajo de campo — mejora lo que los equipos llevan a él.

El dataset Nemotron, disponible gratuitamente, analizado en horas y capaz de revelar patrones de audiencia en la población sintética de El Salvador, es una demostración temprana de cómo funciona ese cambio en la práctica. Los equipos que actúen primero — validando las hipótesis más prometedoras con clientes reales — construirán una ventaja estructural en la comprensión de una audiencia que sus competidores todavía están aproximando.