Datos sintéticos: cuándo sustituyen al dato real y cuándo engañan

Los datos sintéticos son datos generados artificialmente que imitan la estructura y el comportamiento estadístico de datos reales, sin ser un registro de ninguna persona ni de ninguna operación que haya ocurrido. Se venden como la solución elegante a un problema real: necesitas datos para probar, formar o entrenar, y los que tienes llevan nombres, DNIs, historiales clínicos o importes que no deberían salir de donde están. La promesa suena perfecta. Y precisamente por eso conviene mirarla de cerca.

Esta guía va de lo concreto: qué son de verdad, en qué escenarios sustituyen al dato real sin pérdida, en qué escenarios te dan una confianza falsa, cómo se generan, qué pide el RGPD antes de tocarlos y cómo medir si el dataset que has fabricado sirve para algo. Nada de teoría de laboratorio: lo que ponemos aquí es lo que vemos funcionar en empresas que no tienen un equipo de investigación.

Un aviso de entrada: los datos sintéticos no son anonimización, aunque se usen para lo mismo. Son cosas distintas con riesgos distintos, y confundirlas es el primer error.

¿Qué son los datos sintéticos y qué no son?

Un dataset sintético se fabrica a partir de un modelo que aprende las propiedades de un dataset real —distribuciones, correlaciones, patrones temporales— y después genera filas nuevas que respetan esas propiedades. La fila 1.482 de tu tabla sintética de clientes no corresponde a ningún cliente: es una combinación plausible de valores que podría existir.

Lo que no son:

• No son anonimización. Anonimizar es coger el dato real y romper el vínculo con la persona. Sintetizar es generar dato nuevo. Si te interesa la diferencia práctica y cuándo exige cada una el RGPD, está desarrollada en la guía de anonimización de datos.
• No son datos ficticios al azar. Rellenar una tabla con nombres de una lista y cantidades aleatorias es dummy data. Útil para comprobar que un formulario no se rompe, inútil para cualquier cosa que dependa de la estructura.
• No son automáticamente seguros. Un generador entrenado con pocos registros puede memorizar y reproducir casi literalmente a un individuo concreto. El riesgo baja mucho, pero no es cero por definición.
• No arreglan un dato malo. Si el dataset de origen está sucio, sesgado o incompleto, el sintético hereda esos defectos y además los disimula. Vale la pena leer antes la guía de calidad de datos.

La forma honesta de verlo: los datos sintéticos reducen riesgo y desbloquean trabajo que estaba parado. No convierten un problema de datos en un no-problema.

¿Cuándo sustituyen al dato real?

Hay un patrón bastante claro. Funcionan cuando lo que necesitas es estructura y volumen, y fallan cuando necesitas verdad sobre hechos concretos.

| Escenario | ¿Sirve el sintético? | Por qué | |---|---|---| | Entornos de desarrollo y pruebas | Sí, muy bien | Necesitas tablas con forma realista, no clientes reales | | Demos a cliente o a dirección | Sí | Evitas enseñar la cartera de otro en una pantalla | | Formación interna del equipo | Sí | Practican con casos realistas sin acceso a producción | | Pruebas de carga y rendimiento | Sí | Puedes generar 50 veces el volumen actual | | Compartir con un proveedor externo | Sí, con control | Reduce el riesgo de la cesión; no elimina el contrato | | Entrenar un modelo que irá a producción | Con matices | Sirve para arrancar o para equilibrar clases; rara vez como única fuente | | Analítica de negocio y reporting | No | Un cuadro de mando sobre dato inventado es un cuadro de mando inventado | | Auditoría, cumplimiento, evidencia legal | No | Necesitas el hecho real, trazable |

El caso más interesante y el más malinterpretado es el entrenamiento de modelos. Ahí los datos sintéticos aportan en dos situaciones muy concretas: cuando una clase está tan poco representada que el modelo no la aprende (fraude, averías, impagos: eventos raros por definición), y cuando quieres probar que un enfoque tiene sentido antes de pedir acceso al dato real, que en muchas empresas es un trámite de semanas. Lo que no hace el sintético es inventar señal que no estaba. Si en tus datos reales no hay relación entre el comportamiento de un cliente y su baja, el modelo entrenado con sintéticos tampoco la encontrará: solo reproducirá la ausencia de relación con más filas.

¿Cuándo engañan los datos sintéticos?

Aquí está la parte que no sale en los folletos. Tres formas de llevarte a conclusiones falsas:

El modelo parece excelente y no lo es. Si evalúas un modelo entrenado con datos sintéticos usando también datos sintéticos, estás midiendo lo bien que el modelo reproduce a tu generador, no la realidad. La métrica sube y no significa nada. Regla innegociable: el conjunto de evaluación siempre es dato real, aunque sea pequeño.

Las colas desaparecen. Los generadores aprenden bien el centro de la distribución y mal los extremos. Los casos raros —el pedido de 400.000 €, el paciente con cinco patologías, la transacción a las 4 de la madrugada— se suavizan o se pierden. Y en la mayoría de proyectos útiles, el valor está justo ahí, en el extremo.

El sesgo se blanquea. Si tu histórico de contratación favoreció a un perfil, el sintético lo reproducirá, pero ahora con una capa de aparente neutralidad porque «ya no son datos de personas reales». El sesgo no se ha ido, se ha vuelto más difícil de señalar. Es el mismo problema que describimos en la criba de CV con IA.

Un dataset sintético es tan bueno como la pregunta que vas a hacerle. Si no sabes qué vas a validar con él, no lo generes.

¿Cómo se generan? Tres familias y qué cuesta cada una

No hace falta una infraestructura de investigación. En la práctica las opciones se ordenan por esfuerzo:

1. Reglas y simulación. Defines a mano el esquema, los rangos, las proporciones y las reglas de negocio (un pedido tiene al menos una línea; la fecha de alta precede a la de baja). Es lo más barato, lo más controlable y lo más usado. Cubre el 80% de los casos de desarrollo y pruebas. 2. Modelos estadísticos. Ajustas distribuciones y correlaciones del dataset real y muestreas de ahí. Mantiene las relaciones entre columnas sin aprender a nadie en particular. Buen punto medio para tablas de cliente, consumo o transacciones. 3. Modelos generativos. Redes entrenadas sobre el dataset original para producir filas, texto o imágenes nuevas. Es lo más fiel y lo más caro: exige volumen de partida, cómputo y, sobre todo, controles de privacidad porque es donde aparece el riesgo de memorización.

Nuestro consejo, y lo repetimos en casi todos los proyectos: empieza por el nivel 1. La mayoría de equipos que «necesitan datos sintéticos» en realidad necesitan un buen generador por reglas y dos tardes de trabajo, no un modelo generativo con su propio ciclo de vida. Y si acabas en el nivel 3, ese generador es un modelo en producción, con todo lo que eso implica: versiones, monitorización y mantenimiento, como cualquier otro (MLOps).

¿Qué dice el RGPD sobre los datos sintéticos?

El RGPD no los menciona por su nombre. Lo que importa es una sola pregunta: ¿el resultado permite reidentificar a una persona, por sí solo o combinado con otra información razonablemente disponible? Si la respuesta es no, estás fuera del ámbito del reglamento para ese dataset. Si es sí —aunque sea para una minoría de filas—, sigues tratando datos personales y te aplica todo.

De ahí salen cuatro obligaciones prácticas que conviene no saltarse:

• El entrenamiento del generador es un tratamiento. Para fabricar el sintético has usado datos personales reales. Eso necesita base legal y debe constar en el registro de actividades.
• Documenta el riesgo de reidentificación. No basta con afirmar que es sintético. Mide la distancia entre las filas generadas y las originales y descarta las que estén demasiado cerca de un registro único.
• Cuidado con los datos de categoría especial. Salud, biometría, ideología: el listón sube y la mera sintetización no lo baja solo.
• Trázalo. Quién generó el dataset, con qué versión del generador, a partir de qué fuente y con qué fecha. Es exactamente la disciplina del gobierno del dato, aplicada a un artefacto nuevo.

Si vas a usar sintéticos precisamente para esquivar una conversación incómoda sobre privacidad, mal empezamos. El enfoque que funciona es el contrario: usarlos como una medida más dentro de un marco que ya tienes ordenado, que es lo que desarrollamos en la guía de RGPD e IA.

¿Cómo se mide si un dataset sintético sirve?

Tres controles. Si no puedes pasarlos, no lo uses todavía.

Fidelidad. ¿Se parece a lo real? Compara distribución a distribución y matriz de correlaciones. Un test rápido y muy honesto: entrena un clasificador para distinguir filas reales de sintéticas. Si acierta el 95%, tu sintético no se parece a nada. Si se queda cerca del 50%, buena señal.

Utilidad. ¿Sirve para la tarea? Entrena el modelo con sintéticos, evalúalo con reales y compáralo con el mismo modelo entrenado con reales. La caída de rendimiento es tu precio por no usar dato real, y tú decides si lo pagas.

Privacidad. ¿Protege? Mide la distancia de cada fila generada a su vecino más próximo del original. Las filas pegadas a un registro real se descartan. Y haz la prueba del outlier: si tu cliente más grande es identificable en el sintético por el volumen, no has protegido nada.

¿Cómo empezar sin montar un proyecto de seis meses?

Un camino de cuatro pasos que cabe en un mes de trabajo a tiempo parcial:

1. Escribe el caso de uso en una frase, con la decisión que vas a tomar con esos datos. Si no sale, el problema no son los datos. 2. Elige una sola tabla —la que más bloquea hoy a desarrollo o a formación— y genérala por reglas. Dos días. 3. Pasa los tres controles de fidelidad, utilidad y privacidad. Documenta el resultado aunque sea en una página. 4. Decide si subes de nivel. Solo si el generador por reglas se queda corto para la pregunta real, pasa a modelos. No antes.

Lo que hace que esto funcione no es la técnica, es la disciplina de no engañarse: evaluar siempre con dato real, documentar lo que se pierde y no tratar el dataset sintético como si fuera verdad.

Preguntas frecuentes

¿Los datos sintéticos están exentos del RGPD?

Solo si no permiten reidentificar a nadie, ni solos ni combinados con otra información disponible. Y eso hay que demostrarlo con una medida de riesgo de reidentificación, no afirmarlo. El entrenamiento del generador, además, sí es un tratamiento de datos personales en toda regla.

¿Puedo entrenar un modelo de producción solo con datos sintéticos?

Rara vez es buena idea. Funciona como complemento —para equilibrar clases raras o arrancar sin acceso al dato real— pero la evaluación tiene que hacerse siempre contra datos reales. Un modelo validado solo contra sintéticos mide su parecido al generador, no a la realidad.

¿Qué diferencia hay entre datos sintéticos y anonimizados?

Los anonimizados son registros reales a los que se ha roto el vínculo con la persona; los sintéticos son registros nuevos generados por un modelo. Los primeros conservan los hechos, los segundos conservan la estructura estadística. Para auditoría necesitas los primeros; para probar software, los segundos suelen bastar.

¿Cuánto dato real hace falta para generar sintéticos útiles?

Depende del método. Un generador por reglas no necesita dataset de origen, solo conocimiento del negocio. Los modelos generativos sí: con pocos miles de registros el riesgo de que memoricen individuos concretos sube bastante, y la fidelidad baja.

Si estás valorando usar datos sintéticos para desbloquear un proyecto que lleva meses parado por una cuestión de privacidad, suele merecer la pena mirar antes el conjunto: qué datos hay, quién responde de ellos y qué se puede hacer con lo que ya tienes. Eso es exactamente lo que miramos en la auditoría, y si prefieres contarlo en una llamada corta antes de decidir nada, hablemos.