Conocimiento · Fundamentos de IA

Datos sintéticos

Synthetic Data

📂Fundamentos de IA⏱Lectura de 2 min📊Práctico🔗3 relacionados

¿Qué son los datos sintéticos?

Definición en una línea
Datos generados artificialmente con IA o simulación en lugar de datos reales. Sortean los problemas de datos escasos o sensibles.
Este tema, en la capacitación interna📚 Curso relacionado💬 Consulta sobre capacitación
⚡ Resumen en 3 líneas
  • Datos artificiales generados en lugar de reales
  • Sortear datos escasos y sensibles
  • Requiere validación de calidad

Al empezar a usar datos sintéticos, el cuello de botella de obtención de datos se traslada a otro lugar. La estructura en la que se pasaban meses en revisión legal y autorización de salida para recibir los originales cambia: se hace un entrenamiento único con los originales dentro de una zona segura, entrenamiento, y los registros artificiales que salen de ahí se usan fuera para desarrollo, pruebas y colaboración externa. El trabajo del responsable de datos pasa de conseguir datos a crearlos y validarlos.

Hay tres formas principales de crearlos. En los ámbitos con leyes físicas claras, como las fallas de equipos o la conducción autónoma, las situaciones se generan con simuladores; los datos en forma de tabla, como clientes o transacciones, se generan con modelos estadísticos o modelos generativos de tipo GAN o de difusión; y los registros de consultas o contratos se generan con LLM. La frontera con la seudonimización es clara: la seudonimización conserva el registro de una persona real y solo oculta sus identificadores, mientras que lo sintético crea registros nuevos sin una persona correspondiente.

La calidad se evalúa en tres ejes: si la distribución se parece a la de los datos originales (fidelidad), si un modelo entrenado con datos sintéticos rinde bien al evaluarlo con datos reales (utilidad) y si ningún registro original se reproduce tal cual (privacidad). Si falta uno solo, siempre hay problemas: si solo se ajusta la distribución, aparecen personas reales; si solo se aprieta la privacidad, los datos quedan planos y pierden utilidad para el entrenamiento. Por eso, en la práctica no se queda solo con lo sintético, sino que por defecto aplica un entrenamiento mixto que combina entre 10 y 30% de datos reales.

El malentendido más común es creer que «como es sintético, no es dato personal». Si el modelo generativo memoriza y reproduce una anomalía rara, una persona real queda expuesta tal cual y la lógica de cumplimiento normativo se derrumba de golpe. Tampoco hay que olvidar que no se crea información nueva: si con solo 12 casos de fraude se generan 10 mil registros, son apenas variaciones de esos 12. Así, en la validación interna todo parece encajar, pero ante un método de fraude realmente nuevo el modelo falla igual. Además, si los datos sintéticos se reintroducen una y otra vez en el entrenamiento, la distribución se estrecha, un fenómeno llamado colapso del modelo, por lo que el conjunto de evaluación construido con datos reales debe mantenerse separado hasta el final.

Capacitaciones en las que aparece este término · IA·DX
Cursos recomendados · Instructores recomendados · Mini cotización
🧮 Mini cotización · Criterio de honorarios
Aprox. KRW 1,200,000 (≈ US$900)Charla especial de 2 horas · hasta 20 personas · en coreano
Solicitar cotización formal con estas condiciones →
💡 Dicho de forma sencilla
Crear y usar «falsos que parecen reales» en lugar de información real de pacientes: se evitan los problemas de escasez y de sensibilidad.
Por qué es importante en la práctica
Sortea los problemas de escasez de datos y de privacidad, y permite entrenar IA incluso sin datos reales.
Origen y fuentes

Surgió de la necesidad de responder a la escasez de datos y a las regulaciones de privacidad, y su uso se disparó con el desarrollo de la IA generativa.

Entender con un caso

Veamos un caso hipotético. A, una emisora de tarjetas de tamaño mediano con 900 colaboradores, llevaba tres años operando su modelo de detección de transacciones anómalas (FDS). Del total de transacciones, solo el 0.02% estaba confirmado como fraude, y los casos de métodos de fraude nuevos rondaban los 20 por trimestre, por lo que el modelo casi no detectaba patrones nuevos. Además, los datos originales de transacciones no podían salir de la empresa, así que la colaboración con la firma de desarrollo externa llevaba cuatro meses detenida.

  1. El líder del equipo de plataforma de datos, Kim, revisó los registros de autorización de salida de los últimos doce meses: de 12 casos, 8 fueron rechazados y la espera promedio fue de 47 días. En la reunión alguien dijo: «Esperamos los datos y el proyecto termina antes que ellos».
  2. En un servidor aislado dentro de la red segura se entrenó un modelo generador con 18 millones de transacciones de los últimos dos años y, después, solo los tramos con etiqueta de fraude se amplificaron 30 veces para generar 600 mil transacciones sintéticas.
  3. El equipo de seguridad de la información, con el subgerente Park a la cabeza, cotejó uno por uno la distancia al registro más cercano entre los registros sintéticos y los originales, y filtró 1,204 registros prácticamente idénticos a los originales. Antes de empezar, fijó la condición de que «si siquiera un registro sale tal cual, no hay salida de datos».
  4. El responsable de modelado, Lee, evaluó el modelo entrenado solo con datos sintéticos usando las transacciones reales de agosto. La tasa de aciertos subió, pero los falsos positivos aumentaron 2.3 veces, así que cambió el método a un entrenamiento mixto con 20% de datos reales.
  5. Seis meses después, la tasa de detección de métodos de fraude nuevos subió del 61% al 78%; las llamadas de verificación al cliente por falsos positivos bajaron de 340 a 190 al día; y la colaboración externa, detenida, se retomó en tres semanas gracias a la salida de datos sintéticos.
Términos relacionados
Capacitaciones relacionadas con este término
📚Introducción práctica a la IA de agentesCapacitación corporativa de Nanum Consultoría · presencial / en líneaVer curso →
¿Necesita capacitación interna sobre este tema?
Reciba de inmediato un currículo y una cotización personalizados para su equipo.
Consultar sobre capacitación
Última modificación 2026-09-13 · Revisado por John Kim

Preguntas frecuentes

Es válido si se generan de forma estadísticamente parecida a los datos reales. Pero la validación de calidad es imprescindible.
Es útil cuando hay pocos datos o cuando, por ser información personal, es difícil usar datos reales.
Es válido si se generan de forma estadísticamente parecida a los datos reales. Pero la validación de calidad es imprescindible.
Es útil cuando hay pocos datos o cuando, por ser información personal, es difícil usar datos reales.