Neural,iA
Intelligence is standard. Relevance is everything.
Anticipamos cómo va a reaccionar tu audiencia antes de hablarle.
Para explorar la metodología y la capa de datos. El link es personal y dura 24 horas.
Acceso privado, exclusivo para clientes.
del dato a la decisión.
En horas, no en semanas. Y sabiendo qué tan seguro es cada resultado.
- 01 · Conecta
Conectamos tus datos.
Juntamos en un solo lugar lo que ya sabes de tu audiencia (encuestas, ventas, reclamos, estudios) con datos oficiales de tu país. Cada dato dice de dónde viene, y lo tuyo solo lo ves tú.
// Método 50 fuentes públicas en tres capas · censos oficiales, zona por zona · conversación siempre en agregado · procedencia con huella digital · aislamiento por cliente dentro de la base de datos
- 02 · Replica
Armamos tu audiencia virtual.
Miles de personas virtuales con la misma mezcla de edad, estudios, trabajo e ingreso que tu audiencia real, zona por zona o segmento por segmento. Nada se inventa y nadie real es copiado.
// Método poblaciones sintéticas desde censos oficiales (Beckman, Baggerly y McKay, 1996) · ajuste proporcional iterativo (Deming y Stephan, 1940) · ingreso desde encuestas oficiales de hogares · reproduce los datos oficiales con menos de medio punto de diferencia · solo datos agregados, según la ley de datos personales de cada país
- 03 · Prueba
Probamos tus versiones.
Cada persona virtual ve tu mensaje y responde qué elige, qué siente y por qué. Lo ve una vez con tu mensaje y otra sin nada, por separado: la diferencia es lo que logró tu mensaje.
// Método silicon sampling (Argyle y otros, 2023, Political Analysis) · diseño pareado en conversaciones independientes · cada perfil estima cómo se reparten 100 personas como él (Meister, Guestrin y Hashimoto, 2024) · diseño factorial (Hainmueller, Hopkins y Yamamoto, 2014) · supuestos de la IA declarados · preregistro con fecha y huella
- 04 · Calibra y valida
Corregimos y comprobamos con gente real.
La IA tiende a responder más pareja y más “razonable” que la gente. Por eso la comparamos con encuestas y pruebas reales: corregimos en qué se equivoca y comprobamos cuánto acierta. Cada estudio aprende del anterior.
// Método calibración con inferencia potenciada por predicciones, PPI++ (Angelopoulos y otros, 2023, Science; Angelopoulos, Duchi y Zrnic, 2023), aplicada a paneles con IA (Broska, Howes y van Loon, 2025) · factor de tamaño contra experimentos reales (Ashokkumar y otros, 2026, Nature) · validación: margen medido con datos que no se usaron para ajustar y predicciones selladas antes del resultado · control con cada versión nueva del modelo (Bisbee y otros, 2024)
- 05 · Anticipa y decide
Ves el resultado antes de lanzar.
En tu tablero de Deep Brain Voice ves cómo va a reaccionar cada grupo: qué versión gana, en qué zonas, dónde genera rechazo y qué tan seguros estamos. Y le puedes preguntar lo que necesites.
// Incluye informe · escenarios “¿y si…?” · qué hubiera pasado sin tu campaña, con tu historial de ventas o reclamos
// Método modelo multinivel con postestratificación, MRP (Gelman y Little, 1997; Park, Gelman y Bafumi, 2004) · bandas validadas en 500 simulaciones con efecto conocido (Talts y otros, 2018) · freno a los falsos ganadores (Gelman, Hill y Yajima, 2012) · decisión con incertidumbre (Thompson, 1933; Wald, 1950; Raiffa y Schlaifer, 1961)
la precisión se demuestra, no se declara.
- ±14 / ±9
Solo con el panel sintético, sin salir a campo, cada grupo sale con un rango de ±14 puntos. Anclado con el total de una encuesta real, ±9.
- 9 de 10
Y esos rangos se cumplen: 9 de cada 10 veces contienen lo que contestó la gente real.
- 13 de 13
Replicamos 11 experimentos publicados en Latinoamérica. En los 13 cambios de opinión claros, acertamos hacia dónde se movía la gente: 13 de 13.
estadística probada, IA de frontera.Ver las 29 investigaciones
Los métodos estadísticos tienen décadas de uso y validación. Usar modelos de lenguaje como encuestados es un campo nuevo, desde 2023, con resultados prometedores y límites documentados. Citamos las dos cosas.
Estadística y muestreo
- Deming y Stephan (1940) Annals of Mathematical StatisticsAjuste proporcional iterativo.
- Kish (1965) Survey SamplingDiseño muestral y muestra efectiva con pesos.
- Efron (1979) Annals of StatisticsBootstrap.
- Beckman, Baggerly y McKay (1996) Transportation Research APoblaciones sintéticas a partir de datos oficiales.
- Gelman y Little (1997) Survey MethodologyRegresión multinivel con postestratificación (MRP).
- Park, Gelman y Bafumi (2004) Political AnalysisMRP para estimar territorios.
- Gelman, Hill y Yajima (2012) Journal of Research on Educational EffectivenessMuchas comparaciones sin falsos ganadores.
- Wang, Rothschild, Goel y Gelman (2015) International Journal of ForecastingMRP con muestras no representativas.
- Talts y otros (2018) arXivValidación de modelos con simulaciones de efecto conocido.
- Vehtari y otros (2021) Bayesian AnalysisDiagnósticos de convergencia.
Paneles sintéticos con IA
- Argyle y otros (2023) Political AnalysisUn modelo condicionado con perfiles reproduce cómo responden los grupos.
- Angelopoulos y otros (2023) ScienceInferencia válida con muchas predicciones y pocos datos reales.
- Angelopoulos, Duchi y Zrnic (2023) arXivPPI++: cuánto confiar en las predicciones sin perder validez.
- Horton, Filippas y Manning (2023) NBER (MIT)Modelos de lenguaje como agentes económicos simulados: el Homo silicus.
- Bisbee y otros (2024) Political AnalysisLos límites: menos variación que la gente real y cambios entre versiones.
- Meister, Guestrin y Hashimoto (2024) StanfordPedir el reparto describe mejor a un grupo que sumar respuestas sueltas.
- Park y otros (2024) StanfordAgentes con datos reales son más fieles que con solo datos demográficos.
- Manning, Zhu y Horton (2024) MIT y HarvardAciertan la dirección de los efectos, no su tamaño.
- Broska, Howes y van Loon (2025) Sociological Methods & ResearchPersonas reales y sintéticas en un mismo diseño.
- Ashokkumar, Hewitt, Ghezae y Willer (2026) NatureEn 70 experimentos, las predicciones siguen de cerca los efectos reales, pero exageran su tamaño.
- Pew Research Center (2026) Data LabsGemelos de encuestados reales erraron 12 puntos en promedio: no reemplazan una encuesta.
Para decidir
- Thompson (1933) BiometrikaLa probabilidad de que una opción sea mejor que otra.
- Wald (1950) Statistical Decision FunctionsDecidir cuidando el peor caso.
- Raiffa y Schlaifer (1961) Applied Statistical Decision TheoryDecidir con incertidumbre.
- Howard (1966) IEEECuánto vale saber más antes de decidir.
- Hainmueller, Hopkins y Yamamoto (2014) Political AnalysisQué aporta cada parte de una opción.
- Russo y otros (2018) Foundations and Trends in Machine LearningRepartir las pruebas entre opciones a medida que llegan resultados.
- Offer-Westort, Coppock y Green (2021) American Journal of Political ScienceExperimentos adaptativos para probar muchos mensajes.
- Das, Kong, Sen y Zhou (2023) Google ResearchLa línea base “si no haces nada” para series con historial.
¿qué siente tu audiencia ante cada mensaje?
Probamos tus mensajes en tu audiencia sintética, segmento por segmento: por territorio, nivel socioeconómico, cultura y estilo de vida. Sales a la calle con el mensaje que emociona.
¿qué obras y medidas valora la gente?
Estimamos cómo percibe cada zona tu gestión y a quién le atribuye el mérito. Sabes qué comunicar, dónde y a quién.
¿qué pasa si cambio el precio?
Comparamos conceptos y precios en tu audiencia sintética, sin semanas de campo. Decides antes de invertir.
recórrela por dentro.
Deja tu nombre y tu email y te enviamos un link personal para explorar la metodología y la capa de datos. Dura 24 horas y, cuando vence, pides otro.
¿Prefieres que te la mostremos?