El uso de datos sintéticos está proyectado para crecer de forma acelerada hacia el final de la década.
Proyecciones de Grand View Research indican que el mercado global de esta tecnología llegaría a los US$ 1.788 millones en 2030, con un crecimiento anual compuesto estimado en 35 %.
Este impulso obedece a la adopción masiva de inteligencia artificial y machine learning, el despliegue de IoT y el endurecimiento de las regulaciones de privacidad.
Estas normativas exigen nuevas formas de procesar información sin comprometer la identidad de las personas.
“Los datos sintéticos representan una oportunidad clave para entrenar modelos de IA sin exponer información sensible”, comenta Katherine Prendice, digital officer manager de Softtek.
La especialista agregó que es una forma responsable y eficiente de innovar en el desarrollo de productos.
Una de sus mayores ventajas es la velocidad, permitiendo validar modelos hasta un 25 % más rápido en sectores como finanzas y salud. Al no depender de datos reales, se reducen los procesos de aprobación legal o anonimización, acelerando el ciclo de diseño.
Prendice afirmó que, con esta técnica, las empresas pueden simular escenarios de alto valor sin asumir los riesgos típicos del manejo de datos personales. “Esta eficiencia no solo reduce costos, sino que también ayuda a optimizar el equilibrio entre la utilidad del dato y la inversión necesaria para obtenerlo”.
La implementación de esta tecnología abre puertas a nuevas fuentes de ingresos, como marketplaces especializados y asociaciones de I+D.
Según la experta de la firma, al ofrecer estos datos como servicio, las organizaciones pueden colaborar sin comprometer información sensible.
Sin embargo, la adopción enfrenta retos como asegurar la calidad de los datos generados y evitar la perpetuación de sesgos. “La generación de datos sintéticos requiere recursos técnicos avanzados y talento especializado”, puntualizó Prendice.
Actualmente, las aplicaciones concretas de la innovación con datos sintéticos incluyen:
- Finanzas: simulación de transacciones complejas para modelos de detección de fraude.
- Salud: generación de escenarios clínicos para entrenar sistemas de diagnóstico sin riesgo para pacientes.
- Desarrollo de productos: creación de prototipos y validación de hipótesis en tiempos reducidos.
Esta tendencia está transformando la tecnología de entrenamiento de modelos, permitiendo que las empresas colaboren bajo estándares éticos y legales rigurosos.
