¿Qué significa realmente probar una idea con 1.000 participantes simulados por IA?

En esta página

1. Paso 1: La audiencia se divide en grupos
2. Paso 2: El código crea cada participante
3. Paso 3: Cómo “responde” cada participante
4. Paso 4: Cómo se calculan los totales
5. Por qué la cifra no es el tamaño de muestra de una encuesta
6. Qué puede revelar un informe
7. Qué no pueden demostrar los resultados
8. Precisión no es exactitud
9. Convertir los hallazgos en experimentos reales
10. Tu siguiente paso

“Probado con 1.000 participantes” suena a encuesta. No lo es, y saber exactamente qué pasa dentro de la prueba es la mejor protección contra interpretar el resultado más de la cuenta.

Esta guía recorre una prueba de SellTo.us de principio a fin: cómo se crean los perfiles simulados, cómo se produce cada respuesta, cómo se calculan los totales, qué puede decirte el informe y qué no. Todo lo que aparece aquí coincide con nuestra página de metodología publicada, que describe el motor tal como funciona actualmente.

Si todavía estás decidiendo si las pruebas simuladas tienen cabida en tu proceso, empieza por nuestra comparación entre audiencias simuladas por IA e investigación con clientes reales. Este artículo da por hecho que estás a punto de leer un informe y quieres entenderlo.

Paso 1: La audiencia se divide en grupos

Describes tu idea y para quién es. Un modelo de IA (Claude Sonnet 5.5, de Anthropic) lee ambas cosas y divide la audiencia en grupos. Una prueba de 1.000 participantes tiene 8 grupos; las pruebas más grandes tienen 25 o 100.

Cada grupo recibe:

• un nombre y su porcentaje de la audiencia,
• un rango de edad,
• 4 trabajos o roles de vida típicos,
• un nivel de presupuesto: ajustado, medio, holgado o alto,
• una breve nota sobre cómo compran.

Si añades una foto, el mismo modelo la mira una vez y escribe una breve descripción en texto. Los participantes reaccionan a esa descripción, no a la imagen en sí.

Este es el paso con más consecuencias. Los grupos son la interpretación que hace la IA de la configuración de tu audiencia, así que una audiencia vaga (“todo el que cocina”) produce grupos amplios y genéricos, mientras que una concreta (“padres de niños pequeños que cocinan para toda la semana los domingos”) produce grupos más definidos.

Paso 2: El código crea cada participante

Los participantes individuales los crea nuestro código, no la IA. Para 1.000 participantes, el código crea exactamente 1.000 perfiles:

• cada uno se asigna a un grupo en proporción al porcentaje de ese grupo,
• la edad se elige al azar dentro del rango del grupo,
• la profesión se elige al azar entre las 4 profesiones del grupo.

Las elecciones aleatorias usan como semilla el ID de la prueba, así que el mismo público se puede reconstruir exactamente. En la prueba de 100.000 participantes, cada perfil recibe además una ciudad o zona.

Fíjate en lo que no varía: todos los miembros de un grupo comparten el mismo nivel de presupuesto y la misma nota sobre sus hábitos de compra. Así que 1.000 participantes son en realidad 8 descripciones de grupo, cada una ampliada en muchos perfiles que se diferencian por edad y profesión.

Paso 3: Cómo “responde” cada participante

Los perfiles van a un segundo modelo, Claude Haiku 4.5, en solicitudes de 40 cada vez. Una prueba de 1.000 participantes son 25 solicitudes. Cada solicitud contiene tu audiencia, todas las versiones que estás probando (texto, precio, descripciones de fotos) y 40 perfiles numerados.

El modelo devuelve una respuesta por perfil. Para un producto físico es lo compraría, quizás o no lo compraría; para una app, la probaría, quizás o no la probaría; para un servicio, lo consideraría, quizás o no lo consideraría. Cada respuesta va acompañada de un motivo de menos de 12 palabras.

Así que cada participante tiene su propio perfil y su propia respuesta, pero no son conversaciones separadas. El modelo evalúa 40 perfiles de una vez.

Paso 4: Cómo se calculan los totales

Las cuentas son deliberadamente sencillas.

Quién respondió. Las respuestas que llegan mal formadas o que no llegan se descartan, nunca se adivinan. El informe muestra cuántos respondieron realmente, por ejemplo “988 de 1.000”. Si responden menos de la mitad, la prueba falla y el crédito se devuelve automáticamente.

Cada porcentaje. Para cada versión: el número de participantes que dieron esa respuesta, dividido entre el número de los que respondieron. Supongamos que 391 de 988 respondieron “la probaría”. El informe lo muestra como un 40%, redondeado al número entero más cercano.

Resultados por grupo. El mismo recuento, hecho dentro de cada grupo.

Lo que no se calcula. Ni márgenes de error ni confianza estadística. No hemos medido los resultados frente a ventas reales, así que añadir una cifra de confianza sugeriría un tipo de exactitud que nadie ha demostrado.

Por qué la cifra no es el tamaño de muestra de una encuesta

En una encuesta real, una muestra más grande reduce el error aleatorio porque cada nuevo encuestado es una extracción independiente de la población. Esa lógica no se aplica aquí.

• Las respuestas no son extracciones independientes. Proceden de un solo modelo que trabaja a partir de un puñado de descripciones de grupo.
• No se está muestreando ninguna población. Los grupos son la interpretación que hace una IA del texto de tu audiencia, no una selección de personas reales.
• Las repeticiones dan resultados distintos. Si vuelves a hacer la misma prueba, obtienes cifras algo diferentes, y no se ha medido el tamaño de esa diferencia.

Lo que sí te da una prueba más grande es más grupos, más variedad en los perfiles, más entrevistas de muestra (12 con 1.000; 50 con 10.000; 200 con 100.000) y espacio para más versiones. Es más detalle que explorar, no más certeza.

Qué puede revelar un informe

Lee un informe como una lluvia de ideas estructurada con cifras. Es bueno mostrando:

• Motivos. El informe se redacta a partir de los totales, los resultados por grupo y una muestra aleatoria de 160 motivos de los participantes. Los motivos recurrentes del “no” suelen ser la parte más útil.
• Diferencias entre grupos. Si un grupo reacciona con mucha más frialdad que otro, eso señala un segmento que conviene comprobar con personas reales.
• Comparaciones equivalentes. Todas las versiones van a los mismos participantes en las mismas solicitudes, así que una comparación de versiones dentro de una prueba es justa, aunque el orden en que se enumeran las versiones puede influir en la IA.
• Hipótesis que probar. Las soluciones sugeridas, los riesgos, las alternativas y el DAFO (SWOT) se etiquetan como hipótesis de IA, no como hallazgos.

El código revisa el informe escrito antes de que lo veas: se eliminan las cifras que no coinciden con los resultados, se quitan las afirmaciones inventadas sobre el producto, los precios de la competencia, los tamaños de mercado y las citas sin fuente, y las citas textuales tienen que coincidir con lo que el participante respondió de verdad. Cada página se etiqueta como Resultado simulado, Hipótesis de IA, Tu información o Fuente verificada.

Qué no pueden demostrar los resultados

• Demanda. Nadie gastó dinero ni se registró.
• Una tasa de conversión real. “El 40% la probaría” no dice nada sobre cuántos visitantes de una página real lo harían.
• El precio correcto. Cualquier “mejor precio” de un informe es el criterio de la IA a partir de las respuestas, no un cálculo a partir de una curva de precios.
• Que una diferencia pequeña importe. Trata los resultados ajustados entre versiones como un empate.
• Nada que quede fuera de tu descripción. Los participantes no ven tu web, a tus competidores ni las reseñas.

Precisión no es exactitud

Un informe puede decir 40% para una versión y 41% para otra. Esas cifras son recuentos exactos de respuestas simuladas. No son estimaciones del comportamiento real al punto porcentual.

La precisión describe con qué finura se mide algo. La exactitud describe lo cerca que está de la realidad. Una simulación puede ser perfectamente precisa sobre sus propias respuestas y aun así estar lejos de lo que harían los clientes reales, y para los resultados de SellTo.us no se afirma ninguna cifra de exactitud.

Un hábito útil: redondea mentalmente cada cifra simulada a “baja”, “media” o “alta” y céntrate en los motivos.

Convertir los hallazgos en experimentos reales

Imagina que pruebas una app de suscripción que planifica entrenamientos semanales en función del horario de un padre o una madre. El informe muestra que una proporción media la probaría, con motivos frecuentes como “No se adapta al sueño de mis hijos” y “Otra suscripción que se me olvidará”, y un grupo, el de padres con trabajo a turnos, mucho más frío que el resto.

Así es como puedes convertir eso en evidencia real:

1. Escribe cada motivo recurrente como una afirmación que se pueda comprobar. “A los padres les preocupa olvidarse de una suscripción” se convierte en “un primer mes gratis con un recordatorio antes del cobro aumenta los registros reales”.
2. Elige primero la más arriesgada. Nuestra guía para encontrar tus supuestos más arriesgados muestra cómo ordenarlos.
3. Compruébala con personas reales. Habla con entre cinco y diez padres con trabajo a turnos sobre cómo hacen ejercicio ahora.
4. Haz una pequeña prueba de comportamiento. Una landing page o lista de espera con dos ofertas mide lo que hace la gente, no lo que dicen los perfiles.
5. Usa la nueva prueba para los cambios de redacción. Después de reescribir, una nueva prueba compara la versión antigua y la nueva con el mismo público simulado y solo señala una diferencia por encima de un umbral fijo de al menos 2 puntos porcentuales. Es una regla de decisión, no una prueba.

Tu siguiente paso

Antes de hacer una prueba, describe tu audiencia de la forma más concreta posible, porque los grupos se construyen a partir de ella. Cuando llegue el informe, lee primero los motivos, después las diferencias entre grupos y, al final, el porcentaje principal.

Puedes hacer tu primera prueba de 1.000 participantes (gratis si cumples los requisitos) o abrir el informe de ejemplo para practicar su lectura. Para todo el detalle técnico, consulta cómo funciona.

Escrito por el equipo de SellTo.us. Los ejemplos de este artículo son hipotéticos. Los resultados de SellTo.us provienen de participantes simulados por IA, no de personas reales, y no predicen ventas ni garantizan el éxito.