La inteligencia artificial permite crear datos sintéticos que imitan el comportamiento de los reales y anticipan escenarios corporativos. Esta capacidad impulsa el aseguramiento de la calidad a través de simulaciones que reducen los riesgos y ayudan a tomar decisiones. La gobernanza y la alineación con el negocio son esenciales para maximizar su valor.
Las empresas hablan a diario de la inteligencia artificial como herramienta clave para anticiparse a lo que viene. Aun así, muchas todavía someten sus sistemas corporativos a pruebas basadas solo en datos históricos, como si el futuro fuera una variación moderada del pasado. Los datos sintéticos generados con IA abren otra posibilidad: simular escenarios nuevos, tensar los sistemas antes de que la realidad lo haga y preparar a la organización para lo que todavía no ha ocurrido.
Los datos sintéticos no son solo hipótesis, se trata de conjuntos creados por modelos de IA que reproducen el comportamiento estadístico de los reales. Esta naturaleza permite cumplir con normativas de privacidad, limitar el uso de datos de producción y construir pruebas que exploren riesgos sin comprometer la información sensible de la compañía. En lugar de depender solo de entornos del pasado, las organizaciones pueden trabajar con simuladores para escenarios específicos.
De media, una de cada cuatro unidades de datos de prueba que utilizan las organizaciones ya tiene origen sintético. Sin embargo, solo una minoría ha logrado integrar estas prácticas a escala empresarial y convertirlas en una ventaja competitiva. En el terreno concreto de la IA generativa aplicada a la ingeniería de calidad, tan solo el 25% de las organizaciones aprovecha todo el potencial. Pese a ser una tendencia al alza, todavía queda mucho margen por recorrer.
IA generativa y anticipación
El uso de datos sintéticos marca una línea clara. Cuando una organización se apoya en laboratorios de pruebas empieza a decidir antes de que el problema estalle. Para ello, la adopción de la IA generativa en la ingeniería de calidad se está acelerando, pero solo en el 15% de las organizaciones alcanza a toda la empresa.
El potencial de los datos sintéticos no reside solo en “rellenar huecos” del histórico, sino en anticipar escenarios que todavía no figuran en ningún registro. Por ejemplo, una aseguradora puede explorar patrones de siniestros tras fenómenos climáticos adversos que aún no han ocurrido; un banco, someter sus sistemas a picos de fraude inusuales. Ninguno de esos escenarios aparece hoy en la base de datos de producción, pero sí puede construirse de manera controlada a partir de modelos generativos.
Las compañías ancladas en las pruebas clásicas mantienen la vista en el retrovisor, aunque incorporen herramientas nuevas. Para aprovechar el máximo potencial, es necesario incluir cambios en el gobierno y en los procesos clave para garantizar la calidad en los datos de las pruebas.
Cuando se gobiernan bien, los datos sintéticos generados por IA convierten la calidad en un radar estratégico
Además, el gobierno del dato representa otro bloqueo frecuente. En muchas compañías nadie controla de manera global el ciclo de vida del test data. Cada proyecto decide qué generar, con qué herramienta y bajo qué criterios. Así surgen islas de automatización y repositorios dispersos. Al mismo tiempo, la IA puede crear grandes volúmenes de información sintética para pruebas de rendimiento o de simulación de, por ejemplo, casos extremos, que aumentan el conocimiento interno. La capacidad técnica crece, pero la gobernanza avanza a menor velocidad.
La tecnología empuja y la estructura frena. Los perfiles de calidad deben avanzar con la tecnología, ya no basta con ejecutar baterías de pruebas basadas en guiones cerrados. Se necesitan equipos con fluidez en IA, conocimiento profundo del dominio y capacidad de diálogo con negocio. Esa combinación de competencias permite cuestionar el desarrollo de un modelo, detectar sesgos, priorizar escenarios relevantes y traducir resultados técnicos en decisiones comprensibles para la Dirección.
Usar datos sintéticos con efectividad
La adopción responsable de datos sintéticos exige varios movimientos claros. El punto de partida consiste en tratar el test data como un activo estratégico y no como un servicio auxiliar que se improvisa al final del ciclo. Cuando el dato de prueba se alinea con los objetivos corporativos, deja de ser un gasto y se convierte en un seguro frente a variaciones de productividad, sanciones regulatorias o pérdidas operativas.
Diseñar escenarios para la incertidumbre es el siguiente paso. No basta con replicar el histórico: hace falta sentar en la misma mesa a Negocio, Tecnología y Calidad, identificar qué situaciones inquietan a la Dirección, qué patrones aún no se observan y qué combinaciones de factores podrían desbordar los sistemas actuales. La IA generativa facilita la creación de miles de variantes a partir de unos pocos patrones, aunque solo resulta útil cuando se garantiza la calidad del dato en sí mismo.
Otra pieza clave es la gobernanza. Sin un marco claro sobre quién decide qué se sintetiza, con qué modelos, bajo qué controles de privacidad y con qué métricas de calidad, cada equipo acaba generando sus propios datos y el resultado es un mosaico difícil de gestionar. Aparecen solapamientos, duplicidades y huecos en zonas críticas. Ese marco debería depender de la alta Dirección, no solo de los equipos técnicos, para garantizar que las prioridades de negocio se reflejan en las decisiones sobre el business assurance.
El vínculo con el negocio cierra el conjunto. La generación de datos sintéticos tiene sentido cuando se ancla en indicadores que importan de verdad: menos incidentes graves, mejor experiencia de cliente, cumplimiento regulatorio sólido o mayor resiliencia operativa. Si la conversación se queda en herramientas, horas de prueba o número de casos ejecutados, el proyecto pierde fuerza. El valor aparece cuando los escenarios simulados se conectan de forma explícita con decisiones que afectan a la cuenta de resultados y a la reputación de la organización.
Nuevo modelo de gestión del riesgo
Todo esto dibuja una nueva hoja de ruta en la manera de entender la calidad dentro de las compañías, independientemente de su tamaño. Deja de ser una foto borrosa del pasado para convertirse en un conjunto de futuros posibles que la organización puede explorar, medir y priorizar. Los sistemas de pruebas renuncian a actuar como un filtro final y se transforman en un radar estratégico que ayuda a definir prioridades, tomar decisiones y anticipar impactos.
En ese contexto, los datos sintéticos generados con IA se convierten en una pieza clave, pero no en la única. La diferencia real la marcan la calidad del dato, la gobernanza, el diseño de escenarios, la madurez organizativa y la capacidad de los equipos para traducir lo que ocurre en decisiones concretas. Ahí se juega quién aprovechará esta tecnología para anticiparse y construir organizaciones más preparadas y quién se quedará en sistemas ineficientes.
Todos los datos mencionados en esta tribuna provienen del informe “World Quality Report 2025-2026”, elaborado por Sogeti, Capgemini y OpenText.
