Los modelos de inteligencia artificial más avanzados necesitan cantidades masivas de datos para aprender. ChatGPT, Claude y Gemini fueron entrenados a partir de miles de millones de páginas web, libros digitalizados, repositorios de código y conversaciones. Pero hay un problema creciendo silenciosamente: los datos humanos se están acabando. IBM predice que para 2026, los datos públicos accesibles para entrenar modelos grandes de IA podrían agotarse, mientras que aproximadamente el 50% del contenido online ya es generado por IA. Esta saturación crea un “loop” peligroso donde los modelos se entrenan con información de otros modelos, degradando progresivamente su calidad en un fenómeno que investigadores llaman “colapso del modelo”. La respuesta que está emergiendo no viene de recolectar más datos reales, sino de los datos sintéticos: información artificialmente generada que imita patrones del mundo real sin contener información real.

¿Qué son exactamente los datos sintéticos?

En la práctica, son información artificialmente generada diseñada para imitar patrones y características de datos del mundo real sin contener información real de personas o eventos. IBM los define como datos creados mediante métodos estadísticos o técnicas de IA como deep learning e IA generativa, que pueden servir como reemplazo o complemento de datos reales al entrenar modelos de machine learning.

La generación ocurre típicamente de dos formas. La primera, usando simulaciones computarizadas que producen datasets realistas en entornos virtuales. Y la segunda, mediante modelos generativos de IA que crean texto, imágenes y datos tabulares sintéticos. Un ejemplo concreto lo ilustra mejor que definiciones abstractas. JP Morgan enfrentaba dificultad entrenando modelos de detección de fraude porque los casos fraudulentos eran raros comparados con transacciones legítimas. La firma utilizó datos sintéticos para generar más ejemplos de transacciones fraudulentas, balanceando la base de datos y mejorando significativamente el entrenamiento del modelo.

Existen dos tipos principales. Los datos completamente sintéticos generan información enteramente nueva sin incluir datos reales; por ejemplo, crear registros médicos ficticios que exhiban patrones clínicos realistas para investigación sin violar HIPAA. Los datos parcialmente sintéticos derivan de información real pero reemplazan porciones sensibles con valores artificiales, manteniendo características estadísticas del conjunto de datos original mientras protegen privacidad útil en investigación clínica donde se necesitan datos reales pero salvaguardar información personal es igualmente clave.

Por qué son necesarios ahora: cuando los datos humanos escasean

La necesidad de datos sintéticos responde a múltiples presiones convergentes. Primero, la escasez absoluta de datos nuevos. IBM Research señala que para 2030, este tipo de información superará a los datos reales en el entrenamiento de modelos de IA. Esta proyección no es especulativa. De hecho, refleja la realidad matemática de que la generación de contenido por IA está creciendo exponencialmente mientras los datos humanos originales son finitos.

Segundo, la contaminación del ecosistema de datos. Con aproximadamente 50% del contenido online ya generado por IA, entrenar nuevos modelos raspando internet significa inevitablemente alimentarlos con outputs de modelos anteriores. Un estudio publicado en Nature demostró que entrenar modelos de IA recursivamente con datos generados por IA lleva a “colapso del modelo”, un fenómeno donde los resultados se vuelven progresivamente sin sentido. Los investigadores mostraron que cuando los modelos aprenden no de la realidad sino de predicciones de otros modelos sobre la realidad, los errores se amplifican generación tras generación.

Tercero, las regulaciones de privacidad crean barreras insuperables. GDPR en Europa y CCPA en California imponen restricciones estrictas sobre uso de datos personales. Sectores como salud y finanzas manejan información sensible que no puede compartirse libremente para entrenamiento de IA. Los datos sintéticos ofrecen una solución: generar conjuntos de datos que exhiben patrones estadísticos realistas sin contener información personal identificable real.

Cuarto, el costo prohibitivo de recolección y etiquetado. Crear bases de datos de alta calidad es caro y lento, requiriendo horas de trabajo humano para categorizar cada ejemplo. Los datos sintéticos pueden generarse bajo demanda, a escala, con etiquetas automáticas incorporadas.

Ventajas de los datos sintéticos más allá del ahorro de costos

Gartner predice que para 2026, el 75% de las empresas usarán IA generativa para crear datos sintéticos de clientes, subiendo desde menos del 5% en 2023. Este salto dramático responde a beneficios tangibles que van más allá de simplemente reducir costos.

La escalabilidad es inmediata: puedes generar millones de puntos de datos en horas, algo imposible con recolección manual. El cumplimiento regulatorio se simplifica porque los datos sintéticos no contienen información personal real, facilitando compartir datasets entre equipos y organizaciones sin violar GDPR o HIPAA. El balance de clases se resuelve—si tu dataset real tiene pocos ejemplos de eventos raros pero críticos como fraudes o fallas de equipos, puedes generar sintéticamente más casos de esas categorías para entrenar mejor el modelo.

El control granular es otra ventaja distintiva. IBM Research describe cómo su herramienta Task2Sim genera imágenes sintéticas optimizadas para tareas específicas de clasificación, controlando parámetros como fondo, iluminación y posición de objetos. Este nivel de control permite crear escenarios que serían impracticables de capturar en datos reales. La industria automotriz adoptó datos sintéticos tempranamente precisamente por esto: recolectar muestras de todos los escenarios potenciales en carretera, incluyendo casos extremos, sería impráctico o imposible.

Limitaciones de los datos sintéticos: no todo es solución mágica

Los datos sintéticos no son panacea y presentan desafíos genuinos que las organizaciones deben navegar. El riesgo de “mode collapse” es real—cuando el modelo generador produce variaciones limitadas en lugar de la diversidad necesaria. IBM advierte que los sesgos presentes en datos sintéticos, heredados de los datos reales usados como semilla o exacerbados por los métodos de generación, pueden influenciar el entrenamiento de modelos de IA y potencialmente propagarse a datasets sintéticos adicionales generados de esos modelos.

La fidelidad es otro desafío. Raúl Salles de Padua, Director de Ingeniería en Multiverse Computing, explica en IBM Think que “la fidelidad de los datos sintéticos se calcula comparándolos con datos del mundo real mediante pruebas estadísticas y analíticas”. Los datos sintéticos pueden no capturar toda la complejidad del mundo real, especialmente matices sutiles y relaciones no obvias que existen en datos genuinos.

El fenómeno de colapso del modelo, documentado en Nature, demuestra que cuando los modelos de IA son entrenados repetidamente con texto generado por IA, sus outputs pueden volverse progresivamente sin sentido. Este riesgo existe porque cada nuevo modelo aprende no de la realidad sino de la predicción del modelo anterior sobre la realidad, amplificando errores iterativamente.

IBM Research desarrolló una solución llamada LAB (Large-scale Alignment for chatBots) que previene el colapso desacoplando el modelo del proceso de muestreo. La privacidad tampoco está garantizada automáticamente—los datos sintéticos pueden ser ingeniería inversa para revelar información sobre los datos reales subyacentes, requiriendo técnicas robustas de anonimización.

Replanteando cómo entrenar IA a escala

NVIDIA lanzó recientemente Nemotron-4 340B, una familia de modelos abiertos diseñados para generar datos sintéticos para entrenar modelos de lenguaje grande en varias industrias, abordando el costo prohibitivamente alto y dificultad de acceder a conjuntos de datos robustos. Esta inversión de gigantes tecnológicos señala que los datos sintéticos no son solución temporal sino infraestructura permanente.

IBM desarrolló Project Synderella específicamente para generar datos tabulares sintéticos para bancos y otras empresas, permitiéndoles desarrollar productos más rápido. El MIT-IBM Watson AI Lab demostró que clasificadores preentrenados con datos básicos funcionaron más precisamente que modelos entrenados con datos más detallados. David Cox, codirector del laboratorio, afirmó: “Hacer tanto como podamos con datos sintéticos antes de comenzar a usar datos del mundo real tiene el potencial de limpiar ese modo del Salvaje Oeste en el que estamos”.

Para empresas colombianas y latinoamericanas, los datos sintéticos representan una oportunidad sin precedentes. Históricamente, organizaciones pequeñas y medianas no podían competir con gigantes tecnológicos que tenían acceso a cantidades masivas de datos. Ahora, cualquier empresa puede generar datos sintéticos específicos para su industria sin inversión prohibitiva en recolección de datos.

Sin embargo, la adopción efectiva requiere comprender que los datos sintéticos no reemplazan datos reales completamente sino que los complementan estratégicamente. El balance óptimo varía según el caso de uso. Las empresas que dominen cuándo y cómo usar datos sintéticos versus cuándo insistir en datos reales tendrán ventajas claras en el desarrollo de inteligencia artificial.