Los datos sintéticos se venden a menudo como la solución a la privacidad y a la falta de datos. Son útiles, pero solo si sabes qué protegen, qué no y cómo comprobar que sirven.
Puntos clave
- Los datos sintéticos imitan las estadísticas de los reales; no son una copia ni un dato inventado al azar.
- Que sean artificiales no los hace anónimos: si se parecen demasiado al original, pueden revelar personas.
- Heredan los sesgos del conjunto de partida y suelen fallar en los casos raros, que a veces son los importantes.
- Antes de usarlos, valida dos cosas por separado: que sirven para tu análisis y que no filtran datos personales.
Qué son los datos sintéticos
Los datos sintéticos son datos artificiales creados por un algoritmo a partir de datos reales. El ICO es la autoridad de protección de datos del Reino Unido. Según su guía, el proceso consiste en entrenar un modelo con información real, normalmente personal. Después, ese modelo genera registros nuevos que reproducen sus patrones y propiedades estadísticas.
El ICO distingue dos tipos. En los parcialmente sintéticos solo se sustituyen algunas variables, por ejemplo los ingresos. En los totalmente sintéticos, en cambio, se generan todas. NIST lo describe de forma parecida en su guía SP 800-226: un conjunto sintético tiene la misma estructura que el original y conserva relaciones entre atributos, pero corresponde a individuos «falsos».
Esa es su gran ventaja práctica. Como se parecen al original, se pueden analizar con las mismas herramientas y procesos. Para el resto de temas de esta área, visita la sección de inteligencia artificial.
Para qué sirven y cuándo tienen sentido
Los datos sintéticos tienen sentido cuando los datos reales existen, pero no se pueden usar libremente o no alcanzan. Estos son los casos de uso más razonables:
- Pruebas de software: llenar entornos de desarrollo con datos realistas sin copiar la base de clientes.
- Compartir datos: entregar a un proveedor o a un equipo externo un conjunto con la misma estructura, sin datos personales directos.
- Minimización de datos: el ICO señala que pueden reducir la necesidad de recoger más información personal, porque permiten ampliar conjuntos pequeños.
- Escenarios raros o peligrosos: simular situaciones difíciles de observar en la realidad.
En marketing, el uso más habitual es más modesto. Por ejemplo, sirve para probar un modelo de segmentación o un panel de control antes de conectarlo a los datos reales. En cambio, para conocer a tus clientes reales y decidir campañas, los datos sintéticos no sustituyen a los reales: solo los imitan.
El mito del anonimato automático
El error más extendido sobre los datos sintéticos es pensar que, al ser artificiales, ya no son datos personales. El ICO no da una respuesta general. Según su guía, depende de si la información personal usada para crear el modelo se puede deducir a partir de los datos sintéticos. Además, reconoce que evaluar ese riesgo es un campo todavía en desarrollo.
La tensión es clara. Cuanto más se parecen los datos sintéticos a los reales, más útiles son. Sin embargo, también es más probable que revelen información personal. El ICO enumera ataques concretos:
- Inversión del modelo: reconstruir datos de entrenamiento a partir del generador.
- Inferencia de pertenencia: averiguar si una persona estaba en el conjunto original.
- Revelación de atributos: deducir un dato sensible de alguien.
- Valores atípicos: los registros poco comunes son los más fáciles de vincular con una persona.
NIST va más lejos. Su guía advierte que los datos sintéticos generados sin privacidad diferencial solo ofrecen garantías informales y pueden ser vulnerables a ataques. Por eso recomienda generarlos con algoritmos de privacidad diferencial si se busca una protección robusta. Si quieres entender esa técnica, la explicamos en privacidad diferencial: qué es y cómo usarla.
¿Te planteas usar datos sintéticos en tu empresa?
Evaluamos si tu caso los necesita, qué riesgos de privacidad tienen y cómo validarlos antes de ponerlos en producción.
Sesgo, calidad y colapso del modelo
La calidad de los datos sintéticos nunca supera la del modelo que los genera. NIST explica que pueden reducir la precisión en subgrupos de población y provocar sesgos sistémicos. Además, el propio proceso de generación añade incertidumbre, y ese error se propaga a cualquier análisis posterior.
El ICO coincide en que los sesgos del conjunto original pasan a los sintéticos. Por lo tanto, si tus datos reales infrarrepresentan a un grupo, los sintéticos lo harán también, o peor. Para detectarlo a tiempo, revisa los riesgos de sesgo en IA y cómo mitigarlos.
El colapso del modelo
Un riesgo específico aparece cuando se entrenan modelos con datos generados por otros modelos. El estudio «The Curse of Recursion», de Shumailov y otros autores, llama a este fenómeno colapso del modelo. Sus autores observaron que entrenar con contenido generado causa defectos irreversibles: las colas de la distribución original, es decir, los casos poco frecuentes, desaparecen.
La consecuencia práctica es importante. Imagina que tu objetivo depende de los casos raros, como el fraude o las quejas graves. En ese caso, unos datos sintéticos mal construidos pueden borrar justo lo que necesitas ver. El ICO lo menciona también: en usos como la detección de fraude, que depende de los valores atípicos, quizá no exista un equilibrio aceptable entre utilidad y privacidad.
Cómo validar datos sintéticos antes de usarlos
Validar datos sintéticos exige dos pruebas distintas: una de utilidad y otra de privacidad. Aprobar una no garantiza aprobar la otra.
- Define el uso. Escribe qué análisis o modelo vas a construir con los datos y qué precisión necesitas.
- Compara estadísticas. Revisa distribuciones, correlaciones y, sobre todo, los resultados en subgrupos pequeños.
- Prueba el modelo final. Entrena con datos sintéticos y evalúa con datos reales reservados; las métricas de evaluación de modelos predictivos te dirán si la diferencia importa.
- Evalúa la privacidad. Busca registros sintéticos casi idénticos a registros reales y presta atención a los valores atípicos.
- Documenta y revisa. Anota cómo se generaron, con qué datos y con qué parámetros, y repite la validación si cambian.
En proyectos de aprendizaje automático, los datos sintéticos tampoco sustituyen a un buen etiquetado de los datos reales. Lo vemos en el papel del etiquetado manual en machine learning. Y si necesitas acompañamiento en otro mercado, también ofrecemos consultoría en inteligencia artificial en México.
Preguntas frecuentes
¿Los datos sintéticos son anónimos?
No necesariamente. El ICO indica que depende de si se puede deducir información de las personas reales a partir de ellos, y NIST advierte que, sin privacidad diferencial, pueden ser vulnerables a ataques. Hay que evaluar el riesgo en cada caso.
¿Qué diferencia hay entre datos sintéticos y datos anonimizados?
Los anonimizados son los datos reales con los identificadores quitados o enmascarados; los sintéticos son registros nuevos generados por un modelo que imita a los reales. Ninguno de los dos es anónimo de forma automática si no se evalúa el riesgo de reidentificación.
¿Se puede entrenar una IA solo con datos sintéticos?
Es posible en algunos casos, pero arriesgado. La investigación sobre el colapso del modelo muestra que entrenar de forma recursiva con contenido generado hace desaparecer los casos poco frecuentes, así que conviene validar siempre con datos reales.
¿Cuándo no conviene usar datos sintéticos?
Cuando el objetivo depende de los casos raros, como la detección de fraude, o cuando necesitas conocer a tus clientes reales. En esos casos, los sintéticos pueden borrar justo la señal que buscas o dar una imagen engañosa.
Fuentes
- SP 800-226: Guidelines for Evaluating Differential Privacy Guarantees, NIST, marzo de 2025 (consultado el 21-10-2026).
- Synthetic data, Information Commissioner’s Office (consultado el 21-10-2026).
- The Curse of Recursion: Training on Generated Data Makes Models Forget, Shumailov et al., arXiv (consultado el 21-10-2026).
- Off road, but not offline: How simulation helps advance our Waymo Driver, Waymo (consultado el 21-10-2026).