Datos sintéticos vs reales para IA: cuándo ganan los datos humanos

En un estudio publicado en Nature en 2024, unos investigadores ajustaron una y otra vez un modelo de lenguaje con textos escritos por la versión anterior del mismo modelo. Empezaron con textos sobre arquitectura medieval. En la novena generación, el modelo producía una lista de liebres (Fuente: Shumailov et al., Nature, 2024; el ejemplo lo describe Tech Xplore). En el experimento, el modelo aprendía en cada paso sobre todo de lo que él mismo había generado. Los proyectos reales rara vez funcionan así, pero el principio se mantiene: un modelo no puede aprender lo que no estaba en los datos del modelo que lo generó. Y ese principio influye directamente en qué datos recopilas para tu propio modelo.
Al mismo tiempo, los datos sintéticos no son ni una moda ni un error. Microsoft, Google, Meta, OpenAI y Anthropic usan datos sintéticos para entrenar sus modelos, normalmente junto con datos reales (Fuente: TechCrunch, 2025). La pregunta no es cuál es mejor, sino qué datos encajan con cada tarea. En este artículo verás dónde los datos sintéticos ahorran dinero y tiempo, dónde estropean un modelo y cómo saber si tu proyecto necesita datos reales de personas.
Qué son los datos sintéticos y por qué ahora hay tantos
Los datos sintéticos son datos creados por un algoritmo en lugar de recopilarse en el mundo real. El término abarca varios enfoques muy distintos, y confundirlos es una fuente habitual de malas decisiones:
- Texto generado por un modelo de lenguaje. Un modelo grande escribe diálogos, problemas y respuestas de los que luego aprende un modelo más pequeño o de la siguiente generación.
- Simulaciones y renderizado 3D. Carreteras virtuales para coches autónomos, almacenes para robots, fotos de productos generadas desde distintos ángulos.
- Aumento de datos. Los datos reales se modifican ligeramente: se giran las fotos, se añade ruido al audio, se cambia la iluminación. En sentido estricto no es del todo sintético, porque la base sigue siendo real.
- Generadores tabulares. Crean registros de clientes o transacciones «parecidos» para no tener que compartir los datos reales con contratistas.
El interés por los datos sintéticos se apoya en tres motivos. El primero es que el texto público escrito por personas se está agotando. En 2024, Epoch AI estimó que las empresas lo agotarían en algún momento entre 2026 y 2032 (Fuente: PBS / AP, 2024), y ese plazo ya ha empezado. A principios de 2025, Elon Musk afirmó que «la suma acumulada del conocimiento humano» para entrenar IA ya se había agotado, aunque no todos los investigadores están de acuerdo. El segundo es el coste. Según TechCrunch, el desarrollo de Palmyra X 004 de Writer, entrenado casi por completo con datos sintéticos, costó $700,000. Como comparación, el medio cita una estimación de unos $4.6 millones para un modelo de OpenAI de tamaño similar (Fuente: TechCrunch, 2025). El tercero es la privacidad: los datos sintéticos son más fáciles de compartir y almacenar que los datos personales reales. Más abajo veremos por qué esta ventaja suele sobrestimarse.
Además, las previsiones suelen adelantarse a la realidad. A menudo se cita una cifra de Gartner: «el 60% de los datos usados para IA en 2024 será sintético». Pero era una previsión de 2021, no una medición (Fuente: TechCrunch, 2025). Nadie sabe cuántos datos sintéticos se usan realmente hoy: las empresas no revelan de qué están hechos sus datos de entrenamiento.
Dónde funcionan los datos sintéticos y dónde no puedes prescindir de los datos reales
Una buena regla práctica: los datos sintéticos funcionan cuando conoces con precisión las reglas del mundo que simulas. Los datos reales hacen falta cuando el modelo tiene que aprender algo nuevo sobre las personas y su comportamiento. La valoración de abajo es una estimación del sector basada en cómo se construyen hoy los datasets:
Tarea | Datos sintéticos | Por qué |
|---|---|---|
Matemáticas y código | Funcionan bien | Las respuestas se pueden comprobar automáticamente: se ejecuta un test o se calcula el resultado |
Formato e instrucciones para chatbots | Funcionan | El modelo aprende la forma de la respuesta, no hechos nuevos |
Escenarios poco frecuentes para coches autónomos y robots | Útiles como complemento | Estas situaciones son peligrosas o tardan mucho en darse en la realidad |
Datos tabulares para pruebas y demos | Funcionan | La precisión no es crítica; la privacidad sí importa |
Voz con acentos, ruido, idiomas poco comunes | Un mal sustituto | La síntesis de voz repite lo que ya conoce, no la diversidad real de voces |
Fotos y vídeos del mundo real | Un mal sustituto | Los renders son demasiado «limpios»: sin mala iluminación, móviles viejos ni particularidades locales |
Valoraciones de respuestas y preferencias (RLHF) | No son un sustituto completo | El modelo tiene que convencer a personas, no a otro modelo |
Encuestas y opiniones de grupos concretos | No son un sustituto | Un modelo adivina el estereotipo, no la opinión real |
Los coches autónomos, donde la simulación se usa desde hace tiempo, lo muestran bien. Waymo modela situaciones que casi nunca verás en la carretera, como un tornado o un elefante en plena calle. Pero detrás hay 127 millones de millas reales sin conductor de seguridad, y los expertos en seguridad se preguntan abiertamente de dónde sale la «verdad de referencia» (ground truth) de esa simulación si no es de datos reales (Fuente: Axios, 2026). La simulación amplía los datos reales; no los sustituye.
Lo mismo ocurre en cualquier situación en la que el valor de los datos está en su diversidad. Si tu modelo tiene que entender un acento nigeriano o leer tickets de tiendas de la India, necesita grabaciones reales y fotos reales. Explicamos en detalle por qué la diversidad de las personas en un dataset influye directamente en el sesgo del modelo en nuestro artículo sobre datasets diversos.
Colapso del modelo: qué pasa cuando los modelos aprenden de modelos
El colapso del modelo es la degradación gradual de un modelo que se entrena una y otra vez con datos creados por otros modelos. Los autores del estudio de Nature lo demostraron tanto matemáticamente como en la práctica: casi todos los modelos que probaron empezaron a repetir las mismas frases y, en pocas generaciones, el significado original fue sustituido por sinsentidos (Fuente: Nature, 2024).
El mecanismo es más sencillo de lo que parece:
- Un modelo reproduce lo típico con más frecuencia que lo raro. Los datos generados contienen menos casos raros que los datos originales.
- El siguiente modelo aprende de estos datos y ve los casos raros todavía con menos frecuencia.
- Con cada generación desaparecen las «colas» de la distribución: palabras poco comunes, dialectos, situaciones inusuales.
- Al final, el modelo solo conoce lo «promedio» y falla justo donde los errores le cuestan más a un negocio.
Los investigadores no dicen que no se pueda entrenar con datos sintéticos. Dicen que esos datos hay que filtrarlos con cuidado y que las empresas con acceso a datos generados por personas tendrán ventaja. El investigador Nicolas Papernot dice lo mismo: entrenar con lo que generan otros modelos es como hacer una copia de una copia, y por el camino se pierde parte de la información (Fuente: PBS / AP, 2024).
El colapso no es inevitable si conservas tus datos reales
Esta historia tiene una continuación importante que rara vez se menciona. En 2024, un grupo de investigadores de Stanford y otras instituciones comparó dos escenarios. En el primero, cada nueva generación aprendía solo de los datos sintéticos de la generación anterior, y los modelos se degradaron como era de esperar. En el segundo, los datos sintéticos se añadían a los datos reales originales sin eliminarlos, y el colapso no se produjo. El resultado se mantuvo en modelos de lenguaje, modelos de generación de imágenes y modelos de difusión para moléculas (Fuente: Gerstgrasser et al., "Is Model Collapse Inevitable?", 2024).
La conclusión para un equipo que construye un dataset es práctica: los datos sintéticos no son veneno en sí mismos; el peligro es perder tu base real. Mientras los datos humanos reales sigan en el entrenamiento, el modelo mantiene su conexión con la realidad. Por eso los datos reales no deberían tratarse como una compra puntual, sino como un activo: se conservan, se amplían y se reutilizan en cada nueva versión del modelo.
También hay un lado menos evidente. Internet se está llenando rápidamente de textos e imágenes generados por IA, así que incluso los datos «reales» extraídos de la web resultan cada vez más a menudo sintéticos. El mismo problema afecta al crowdsourcing: si un trabajador copió una respuesta de ChatGPT, pagaste por datos sintéticos a precio de datos humanos. Por eso hoy la verificación importa tanto en el crowdsourcing: archivos en lugar de texto, grabaciones de voz, fotos con detalles concretos y preguntas de control. Contamos cómo organizar este tipo de comprobación en nuestro artículo sobre el control de calidad del trabajo de los trabajadores.
Datos sintéticos vs crowdsourcing: comparación en lo que importa
Aquí, crowdsourcing significa recopilar datos a través de una plataforma en la que personas reales graban su voz, hacen fotos, responden preguntas o valoran las respuestas de un modelo. La comparación de abajo es general: las cifras concretas dependen de la tarea.
Parámetro | Datos sintéticos | Datos de personas (crowdsourcing) |
|---|---|---|
Coste por unidad | Muy bajo una vez configurado | Más alto, pero predecible: pagas por cada envío aceptado |
Coste de puesta en marcha | Requiere ingenieros, un generador y controles de calidad | Requiere instrucciones y una campaña piloto |
Velocidad | De minutos a horas | De horas a semanas, según el volumen y los países |
Escala | Prácticamente ilimitada | Limitada por el número de personas del grupo objetivo |
Diversidad | No más amplia que los datos del generador | Acentos, dispositivos, condiciones y opiniones reales |
Casos raros | Solo los que hayas previsto | Aparecen solos, incluidos los que no se te habían ocurrido |
Sesgo | Hereda el sesgo del generador | Depende de a quién reclutes; se controla con segmentación geográfica |
Privacidad | Más sencilla, pero no segura automáticamente | Requiere el consentimiento de los participantes y normas de almacenamiento |
Control de calidad | Necesita un conjunto de referencia de datos reales | Revisión de envíos, doble etiquetado, preguntas de control |
La tabla muestra que cada enfoque destaca en áreas distintas. Los datos sintéticos ganan en velocidad y volumen. Los datos de personas ganan en el motivo por el que se recopilan: información nueva sobre el mundo real. Y los datos sintéticos no se pueden validar sin datos reales: para saber si una voz generada suena como una real, necesitas voces reales.
El enfoque híbrido: cómo combinan ambos los equipos
En la práctica, la mayoría de los equipos no elige una sola opción, sino que monta un proceso que usa las dos. Una secuencia típica:
- Recopila un conjunto base de datos reales que cubra los países, idiomas y condiciones adecuados. Es la base que ampliarán los datos sintéticos.
- Reserva parte de los datos reales para las pruebas. El modelo tiene que funcionar para usuarios reales, y es con eso con lo que hay que probarlo, no con datos sintéticos.
- Añade datos sintéticos para ganar volumen y para situaciones que son caras o peligrosas de captar en vivo.
- Haz que personas revisen parte de los datos sintéticos. ¿Es creíble el diálogo, hay errores de hecho, alguna frase suena poco natural?
- Tras el lanzamiento, recopila ejemplos reales de errores y casos en los que el modelo tropieza, y añádelos a la siguiente ronda de entrenamiento.
Los pasos 1, 2, 4 y 5 son justo el tipo de trabajo que es fácil dividir en microtareas. Por ejemplo, revisar datos sintéticos es la misma evaluación humana de las respuestas del modelo, solo que aplicada a los datos en lugar de a un producto terminado.
¿Cuántos datos reales necesita un enfoque híbrido así? La respuesta honesta: no hay una proporción universal, y cualquier cifra del tipo «basta con un 20% de datos reales» sin el contexto de la tarea es una suposición. La proporción depende de lo bien que el generador conozca tu ámbito y de lo diversos que sean tus usuarios. Lo fiable es medir en lugar de adivinar: entrena varias versiones con distintas proporciones de datos sintéticos y compáralas con los datos reales reservados en el paso 2. Si la calidad en los ejemplos reales deja de mejorar o empeora a medida que crece la parte sintética, has encontrado tu límite.
Ejemplo: un asistente de voz para un servicio de reparto
Imagina un equipo que crea un bot de voz para repartos en Kenia y Nigeria. La síntesis de voz puede producir rápidamente miles de variantes de «dónde está mi pedido» y «cancela mi entrega». Pero si el generador no conoce bien los acentos locales, o la mezcla de inglés con suajili o yoruba, el bot tropezará precisamente con los clientes reales. Lo sensato es recopilar grabaciones de personas reales de estos países, con distintos teléfonos y ruido de fondo, probar el modelo con ellas y solo después completar el volumen con síntesis. Explicamos cómo recopilar un conjunto así en nuestra guía de recopilación de datos de voz, y cómo funciona la segmentación por países en nuestro artículo sobre cómo recopilar datos de países concretos.
Regulación y derechos sobre los datos: qué debes prever
Elegir entre datos sintéticos y reales ya no es solo una cuestión de ingeniería. El artículo 10 del Reglamento de IA de la UE (EU AI Act) exige que los datos de entrenamiento, validación y prueba de los sistemas de IA de alto riesgo sean «pertinentes, suficientemente representativos y, en la mayor medida posible, carezcan de errores y estén completos». También establece que los conjuntos de datos deben tener en cuenta «el entorno geográfico, contextual, conductual o funcional específico» en el que se prevé usar el sistema (Fuente: AI Act Service Desk, Article 10). La forma más sencilla de demostrar la representatividad para países y grupos de personas concretos es con datos recopilados allí y de ellos.
En cuanto a los plazos: en mayo de 2026, la UE alcanzó un acuerdo provisional para aplazar las obligaciones de los sistemas de alto riesgo hasta el 2 de diciembre de 2027, y las de la IA integrada en productos regulados, como los dispositivos médicos, hasta el 2 de agosto de 2028 (Fuente: Sidley Austin, 2026). Antes de lanzar un proyecto, consulta el estado actual con un abogado, porque los plazos pueden cambiar. Pero un dataset recopilado hoy seguirá entrenando modelos cuando entren en vigor los requisitos.
Los datos reales conllevan sus propias obligaciones. Antes de recopilar voz, fotos o vídeo mediante crowdsourcing, comprueba algunas cosas:
- Consentimiento claro. Los participantes deben saber exactamente qué envían y para qué. Esto se indica directamente en la tarea, no en letra pequeña.
- Mínimos datos personales. No pidas nombres, direcciones ni documentos si la propia tarea no los necesita.
- Terceros en el encuadre. Las instrucciones de grabación deben prohibir expresamente filmar a transeúntes y lugares privados.
- Conservación y acceso. Decide de antemano dónde se almacenarán los datos, quién tendrá acceso y cuándo se eliminarán.
- Registro de procedencia. Anota dónde y cuándo se obtuvo cada conjunto de datos. Esto ayuda tanto ante los reguladores como en el enfoque híbrido: siempre sabrás qué datos son reales y cuáles sintéticos.
Esto no es asesoramiento legal: los requisitos dependen del país, del tipo de datos y de la finalidad del sistema, y son especialmente estrictos para los datos biométricos.
Tres ideas erróneas habituales sobre los datos sintéticos
«Los datos sintéticos resuelven automáticamente la privacidad»
No siempre. Investigadores de la EPFL probaron varios generadores de datos tabulares de última generación y concluyeron que los datos sintéticos o bien no protegen frente a ataques que revelan información sobre los registros originales, o bien pierden su utilidad. En sus palabras, los datos sintéticos están «lejos de ser el santo grial» de la publicación de datos con preservación de la privacidad y no superan a la anonimización tradicional (Fuente: Stadler, Oprisanu, Troncoso, USENIX Security, 2022). La razón es clara: un generador aprende de datos reales y puede reproducir sus características, sobre todo en los registros poco comunes. Así que los datasets sintéticos también hay que comprobarlos, en lugar de considerarlos anónimos por definición.
«Los datos sintéticos eliminan el sesgo»
Más bien al contrario. Un generador traslada los desequilibrios de sus datos de entrenamiento a los datos nuevos, y el colapso del modelo los amplifica. Si en los datos originales casi no había personas mayores o personas de África, los datos sintéticos no los «completarán» de forma verosímil. La única forma de corregir el desequilibrio es añadir datos de las personas que faltaban.
«Los datos sintéticos son casi gratis»
Lo barato es la unidad de datos, no el proceso. El coste incluye el trabajo de ingeniería, la computación, el filtrado y el hecho de que la calidad hay que seguir comprobándola con algo. Y el resultado más caro es un modelo que queda bien en las pruebas y falla con usuarios reales.
Checklist: ¿necesita tu proyecto datos reales?
Si respondes «sí» a al menos dos de estas preguntas, probablemente los datos sintéticos por sí solos no bastarán:
- ¿Trabajará el modelo con voz, caras, escritura a mano o fotos del mundo real?
- ¿Hablan tus usuarios idiomas o con acentos poco representados en los datos abiertos?
- ¿Se lanza el producto en países concretos con sus propias particularidades: documentos, rótulos, productos?
- ¿Necesitas saber qué piensan o prefieren personas reales?
- ¿Es caro un error en un caso poco frecuente, en dinero, seguridad o reputación?
- ¿Te falta un conjunto de datos reales para probar el modelo de forma honesta?
Cuánto cuesta recopilar datos reales mediante crowdsourcing
La tarifa por tarea la fijas tú, así que la forma más fácil de estimar el presupuesto es a partir del volumen que necesitas. En RapidWorkers, la tarifa mínima es de $0.05 por tarea, la comisión de la plataforma es del 15%, el trabajo rechazado no se paga y el presupuesto no utilizado vuelve a tu saldo. Un ejemplo ilustrativo: 500 grabaciones de voz a $0.30 cada una costarían $150 por las tareas más $22.50 de comisiones, es decir, $172.50 en total.
Puedes limitar los trabajadores a los países que necesites: la plataforma tiene más de 195,000 trabajadores registrados en más de 200 países. La prueba de que la tarea se ha completado puede recibirse como archivo, captura de pantalla, enlace o texto. Para saber más sobre la recopilación de datos para IA, consulta nuestra guía principal, y sobre fotos para visión artificial, nuestro artículo sobre recopilación de datos de imágenes.
Preguntas frecuentes
¿Se puede entrenar un modelo solo con datos sintéticos?
Para tareas acotadas con respuestas verificables, como matemáticas o formato, a veces sí. Pero el propio generador se entrenó con datos reales, y el modelo final debe probarse con ejemplos reales.
¿Qué es el colapso del modelo en pocas palabras?
Es cuando un modelo entrenado con datos de otros modelos va olvidando los casos raros y empieza a repetirse. Cada nueva generación ve el mundo un poco más estrecho que la anterior.
¿Son los datos sintéticos más baratos que los reales?
Por unidad, normalmente sí. Pero hay que tener en cuenta el trabajo de ingeniería, los controles de calidad y el coste de los errores del modelo en condiciones reales. Para datasets pequeños y específicos, recopilar mediante crowdsourcing suele resultar más sencillo y barato.
¿Qué datos sustituyen peor los datos sintéticos?
La voz con acentos e idiomas poco comunes, las fotos y vídeos del mundo real, las opiniones de grupos concretos de personas y las valoraciones de respuestas de modelos. Todo aquello cuyo valor está en la diversidad y el criterio humano.
¿Cómo puedes asegurarte de que los datos de los trabajadores no están generados por IA?
Pide pruebas difíciles de generar: archivos de audio, fotos con un detalle concreto en el encuadre, respuestas sobre experiencias personales. Añade preguntas de control y compara las respuestas entre distintos trabajadores. Explicamos cómo redactar instrucciones para que los trabajadores entiendan los requisitos en nuestro artículo sobre la comunicación con los trabajadores.
¿Obliga la ley a usar datos reales?
No existe una prohibición expresa de los datos sintéticos. Pero, para los sistemas de alto riesgo en la UE, los datos deben ser representativos de las personas y los lugares donde funcionará el sistema, y eso es difícil de demostrar sin datos reales. En la práctica, los datos reales hacen falta al menos para las pruebas y la validación.
En resumen: los datos sintéticos aportan escala, las personas aportan sentido
Los datos sintéticos son una buena herramienta para el volumen, la velocidad y los escenarios poco frecuentes que son difíciles de captar en vivo. Pero no pueden darle a un modelo lo que el generador no sabía: voces nuevas, condiciones reales, opiniones reales. Cuanto más contenido generado por IA hay en internet, más valiosos se vuelven los datos verificados de personas. El esquema más fiable hoy es usar datos reales como base y como conjunto de prueba, y datos sintéticos para la escala.
Si necesitas grabaciones de voz, fotos o valoraciones de respuestas de personas reales en países concretos, echa un vistazo a lo que RapidWorkers ofrece a los empleadores. Puedes empezar con una pequeña campaña piloto: los depósitos empiezan en $20.
¿Listo para empezar?
Únete a miles de trabajadores y empleadores que ya usan RapidWorkers para completar tareas rápido.
- Sin suscripción
- Cancela cuando quieras
- Disponible 24/7
- Resolución de disputas


