Datos sintéticos en la empresa: cuándo convienen y cuándo no

Fotos de stock gratuitas de adulto, ángulo bajo, barbudo
Contenido
  1. Qué son los datos sintéticos y qué problema de negocio resuelven
  2. Cuatro situaciones en las que los datos sintéticos tienen sentido
  3. Cuándo no conviene usar datos sintéticos
  4. Datos sintéticos y leyes de protección de datos
  5. Cómo validar datos sintéticos antes de usarlos en el negocio
  6. Qué significa para tu empresa usar datos sintéticos
  7. Preguntas frecuentes sobre datos sintéticos en la empresa

Conviene usar datos sintéticos cuando los datos reales son escasos, sensibles o lentos de conseguir, y cuando el uso tolera cierta pérdida de exactitud, como probar software o ensayar escenarios. En cambio, no conviene usarlos como garantía automática de privacidad ni como sustituto total de los datos reales. Antes de decidir, cada empresa debe comprobar cuánto se parecen a los reales, si sirven para la tarea y si dejan reconocer a alguien.

Qué son los datos sintéticos y qué problema de negocio resuelven

Los datos sintéticos son registros generados por un programa o por un modelo. En concreto, imitan la estructura y las propiedades estadísticas de unos datos reales. Una tabla sintética de clientes, por ejemplo, tiene las mismas columnas que la original y distribuciones parecidas. Sin embargo, sus filas no corresponden a personas concretas, o al menos ese es el objetivo.

Para una empresa, por lo tanto, el problema que resuelven es casi siempre de acceso. Los datos reales existen, pero están protegidos por la ley, por contratos o por el riesgo de una filtración. En otros casos, los datos son tan escasos que no alcanzan para entrenar un modelo. Por eso los datos sintéticos aparecen en la conversación cuando un proyecto se frena porque «no podemos usar esos datos».

Además, el NIST los reconoce como una herramienta formal. En concreto, su guía NIST SP 800-188, de septiembre de 2023, cita la creación de datos sintéticos mediante modelos como una de las formas de desidentificar información. También admite que una organización publique versiones sintéticas de datos identificados en lugar de los datos originales.

Cuatro situaciones en las que los datos sintéticos tienen sentido

Los datos sintéticos rinden más cuando el uso final tolera pequeñas diferencias con la realidad. Estas son cuatro situaciones habituales en las empresas, presentadas como ejemplos de uso y no como casos de clientes.

Probar sistemas sin exponer clientes

Por ejemplo, un equipo de desarrollo necesita datos con formato realista para probar un sistema de facturación o un chatbot. En ese caso, una base sintética evita copiar datos de producción a entornos de prueba, donde suelen tener menos controles. Además, el equipo puede compartirla con un proveedor externo con menos riesgo.

Clasificación de la IA por funcionalidad para empresas

Reforzar los casos poco frecuentes

El fraude o las averías graves suelen ser una minoría en los datos. Por eso, ese desbalance dificulta el aprendizaje del modelo. La técnica SMOTE, de Chawla y otros, publicada en 2002, aborda este problema creando ejemplos sintéticos de la clase minoritaria. Según sus autores, combinar ese sobremuestreo con la reducción de la clase mayoritaria puede dar mejores resultados que reducir solo la mayoritaria.

Ensayar escenarios que todavía no ocurrieron

Un comercio puede simular una temporada con el doble de pedidos para probar su logística. También una aseguradora puede ensayar cómo respondería su modelo ante un cambio de precios. En ambos casos, los datos sintéticos permiten preguntar «qué pasaría si» sin esperar a que pase.

Compartir datos con más protección

Cuando se generan con privacidad diferencial, en cambio, los datos sintéticos ofrecen una garantía demostrable. Así lo explica el blog del NIST sobre datos sintéticos con privacidad diferencial, de mayo de 2021. Según ese texto, el conjunto conserva el mismo esquema que el original. Además, los analistas pueden usar cualquier herramienta para procesarlo. Si quieres entender cómo funciona esa técnica, revisa nuestra guía de personalización con IA y privacidad diferencial.

Cuándo no conviene usar datos sintéticos

Los datos sintéticos no son anónimos por el simple hecho de ser generados. Por ejemplo, un modelo que aprende demasiado bien de los datos reales puede reproducir rasgos de personas concretas. El estudio «Synthetic Data, Anonymisation Groundhog Day», de Stadler, Oprisanu y Troncoso, llega a una conclusión clara. Según sus autores, cuando estos datos resisten los ataques de inferencia pierden valor analítico, y cuando conservan ese valor quedan expuestos. Por lo tanto, no superan a la anonimización tradicional en el balance entre privacidad y utilidad.

La exactitud es el segundo límite. De hecho, el mismo blog del NIST reconoce que el principal reto de los datos sintéticos con privacidad diferencial es la exactitud. También admite que conservar las correlaciones entre atributos resulta difícil. Es decir, una relación clave entre ingresos y compras puede debilitarse en la versión sintética.

Por último, el tercer límite aparece al entrenar modelos solo con datos generados. Así lo muestra un estudio de Shumailov y otros, publicado en Nature en julio de 2024. Según el estudio, alimentar un modelo sin criterio con contenido que generaron otros modelos le causa daños que no se pueden revertir. En concreto, se pierden los extremos de la distribución original. Para un negocio, además, esos extremos son justamente los clientes atípicos y los eventos raros que más cuestan.

Datos sintéticos y leyes de protección de datos

Cada país tiene su propia ley de protección de datos, con su propia definición de dato personal. Sin embargo, generar datos sintéticos a partir de una base real es, en sí mismo, un tratamiento de esa base. Por eso la empresa necesita una base legal para usar los datos de origen. Y la necesita aunque el resultado final no identifique a nadie.

Cursos de IA para empresas en Ecuador: cómo elegirlos

En España, el considerando 26 del Reglamento general de protección de datos indica que los principios de protección de datos no se aplican a la información anónima. Ahora bien, el mismo texto pide tener en cuenta todos los medios que razonablemente puedan usarse para identificar a una persona, incluida la tecnología disponible. En la práctica, la norma deja de aplicarse a un conjunto sintético únicamente cuando pasa esa prueba.

Cómo validar datos sintéticos antes de usarlos en el negocio

En general, la validación responde a tres preguntas: si los datos se parecen a los reales, si sirven para la tarea y si protegen a las personas. El NIST mantiene un programa abierto para eso, el Collaborative Research Cycle. Por ejemplo, su herramienta SDNist produce informes que reúnen más de diez indicadores sobre privacidad, fidelidad y utilidad. Además, entre marzo y junio de 2025 organizó un ejercicio de equipo rojo para intentar reidentificar personas a partir de muestras sintéticas.

Preguntas de negocio para validar un conjunto de datos sintéticos
Pregunta Cómo comprobarla Señal de alarma
¿Se parece a la realidad? Comparar distribuciones y correlaciones con los datos reales Relaciones clave que se debilitan o desaparecen
¿Sirve para la tarea? Entrenar con la versión sintética y medir el acierto sobre una muestra real apartada Un modelo que acierta mucho menos con datos reales
¿Protege a las personas? Buscar registros casi idénticos a los originales y pruebas de ataque Filas sintéticas que coinciden con clientes reales
¿Conserva los casos raros? Revisar la proporción de eventos poco frecuentes Fraudes o averías que casi no aparecen

Después, estas pruebas deberían quedar documentadas en cada proyecto. De hecho, la etapa de evaluación se parece a la que exige cualquier modelo: medir con indicadores para evaluar modelos con impacto en el negocio, y no solo con métricas técnicas.

Qué significa para tu empresa usar datos sintéticos

Para una empresa, los datos sintéticos son una inversión en acceso y velocidad, no un atajo para saltarse la ley. En concreto, el costo está en generar los datos, en validarlos y en repetir la validación cuando cambian los datos reales. A cambio, un equipo puede probar, compartir y entrenar con menos dependencia de la base de producción. La decisión depende, sobre todo, del uso final y del daño que causaría un error.

A veces la alternativa es otra. Por ejemplo, si los datos están repartidos entre sedes o socios, el aprendizaje federado entre organizaciones puede encajar mejor. En cambio, si faltan etiquetas, conviene revisar las estrategias de etiquetado de datos. Y para decidir qué técnica conviene en cada proyecto, puedes conocer nuestras soluciones de IA para empresas.

Preguntas frecuentes sobre datos sintéticos en la empresa

¿Cuándo conviene usar datos sintéticos en lugar de datos reales?

Cuando los datos reales son escasos, sensibles o difíciles de compartir y el uso tolera pequeñas diferencias. Los casos típicos son las pruebas de software, las demostraciones a proveedores, el refuerzo de casos poco frecuentes y la simulación de escenarios. Para decisiones finales sobre clientes concretos, los datos reales siguen siendo la referencia.

¿Los datos sintéticos están fuera de la ley de protección de datos?

No necesariamente. Generarlos a partir de una base real ya es un tratamiento de datos personales, y cada país fija sus propias reglas. En España, el RGPD excluye la información anónima, pero exige valorar todos los medios razonables de identificación. Un conjunto sintético que permite reconocer a alguien sigue sujeto a la norma.

¿Sirven los datos sintéticos para detectar fraude?

Sí, como apoyo. El fraude suele ser una minoría en los datos, y técnicas como SMOTE crean ejemplos sintéticos de esa clase minoritaria para equilibrar el entrenamiento. Sin embargo, el modelo debe evaluarse siempre con transacciones reales reservadas, porque los fraudes inventados pueden no reflejar las tácticas que usan los delincuentes.

¿Qué pasa si un modelo se entrena una y otra vez con datos generados?

Puede degradarse de forma irreversible. Un estudio publicado en Nature en 2024 mostró que entrenar sin criterio con contenido generado por otros modelos borra los extremos de la distribución original. En la práctica, el modelo olvida los casos raros, que en un negocio suelen ser los más costosos de predecir mal.

¿Cómo sé si un proveedor de datos sintéticos protege la privacidad?

Pidiendo pruebas y no promesas. Un proveedor serio explica qué método usa, si aplica privacidad diferencial y con qué parámetros, y entrega informes de fidelidad, utilidad y riesgo de reidentificación. También conviene comprobar si alguna fila sintética coincide casi por completo con un registro real de la empresa.

¿Qué ofrece el NIST para evaluar datos sintéticos?

El NIST mantiene el Collaborative Research Cycle, con datos de referencia y la herramienta SDNist. Esa herramienta produce informes que reúnen más de diez indicadores sobre privacidad, fidelidad y utilidad. Además, entre marzo y junio de 2025 el programa organizó un ejercicio para intentar reidentificar personas a partir de muestras sintéticas publicadas.

Scroll al inicio