Un cliente frustrado llama para disputar un cargo en su estado de cuenta. Está impaciente y combativo, interrumpe a la agente antes de que pueda terminar una pregunta y amenaza con cancelar antes de que ella haya tenido la oportunidad de responder. Minutos después, otra clienta llama porque quiere verificar la actividad reciente de su cuenta. Está tranquila, es metódica y le pide a la agente que la guíe por el estado de cuenta línea por línea.
Dos clientes, dos conversaciones diferentes y dos resultados completamente distintos para el negocio en función de cómo el agente, sea de IA o humano, gestione cada una.
Esta dinámica es solo un microcosmos de los patrones de comportamiento que ocurren todos los días en cada canal, cola y segmento de clientes al que sirve su negocio. Y la mayoría de las empresas trabajan a partir de una comprensión de los clientes que, en realidad, solo guarda un parecido superficial con la forma en que los clientes se comportan realmente.
La razón es estructural. Tradicionalmente, las empresas han construido personas de clientes a partir de encuestas, registros de CRM, tickets de soporte e investigaciones periódicas. Cada una de esas fuentes tiene valor para el negocio, pero aun así solo captura una fracción de información: qué compraron los clientes, qué salió mal, qué dijeron que querían en una encuesta realizada hace seis meses. Ninguna de estas medidas puede capturar toda la complejidad de una interacción con el cliente: la vacilación antes de preguntar por la cancelación, la frase específica que desencadena un escalamiento, el estado emocional que han traído a la llamada antes incluso de que el agente haya hablado.
Esos momentos viven en las conversaciones; cada uno de ellos es una señal directa y en tiempo real de cómo piensan los clientes, qué necesitan, cómo se comportan bajo presión y qué los impulsa a escalar, abandonar o quedarse. Es la única fuente de datos que está completamente sin filtrar. La mayoría de las empresas están sentadas sobre una mina de oro de estos datos, pero hasta ahora no han tenido una forma práctica y eficiente de convertir esos datos en una representación viva y utilizable de su base de clientes.
Presentamos Synthetic Customers
Hoy lanzamos Synthetic Customers, una nueva capacidad de la plataforma de Cresta que crea personas de clientes realistas, representativas y en evolución directamente a partir de los propios datos de conversaciones de una empresa. Synthetic Customers analiza las conversaciones con los clientes de su negocio, extrae los patrones de comportamiento que contienen y produce una población de personas que reflejan cómo se comunican, piensan y sienten realmente sus clientes.
Cada persona es un retrato conductual detallado: la personalidad y la mentalidad que un cliente aporta a una interacción, el lenguaje que utiliza, las emociones que carga, por qué se pone en contacto y cómo es probable que se comporte cuando las cosas no salen como se esperaba. Los ricos datos que las empresas necesitan para comprender a sus clientes a un nivel más profundo ya existen; Synthetic Customers los extrae y los pone a trabajar.
Imagine que un equipo de servicios financieros ejecuta Synthetic Customers sobre 90 días de conversaciones cerradas en su cola de soporte de cuentas. El sistema revela una población de personas, cada una un perfil conductual específico extraído de interacciones reales:
Estas cuatro personas representan el 100 % del volumen real de soporte de cuentas de la empresa, y cada una se vincula con las conversaciones de origen reales de las que se derivó. Y, algo fundamental, cada persona se comporta de forma diferente en una conversación: el «Retador Persistente» puede interrumpir, escalar y replicar; el «Verificador Cauteloso» ralentiza la interacción, comprueba dos veces cada detalle y no avanza hasta sentirse completamente seguro; el «Transactor Eficiente» va directo al grano; y el «Primerizo Ansioso» puede hacer la misma pregunta varias veces. Estos comportamientos no pueden revelarse a partir de una encuesta, pero están presentes en cada una de sus conversaciones con los clientes.
Synthetic Customers se construye en torno a tres propiedades clave.
Qué hace diferente a Synthetic Customers
Realista por diseño
Synthetic Customers parte de sus datos históricos; las personas se fundamentan en conversaciones reales y capturan el lenguaje, los comportamientos, las emociones y los patrones que aparecen en las interacciones reales. Esto incluye la frustración, la impaciencia, los cambios de tema y la imprevisibilidad que son difíciles de modelar manualmente. Luego, un modelo de respuesta creado específicamente reproduce esas dinámicas en la simulación. Cresta valida el realismo de la simulación mediante una metodología de evaluación ciega, comprobando si los humanos y la IA pueden distinguir las conversaciones sintéticas de las reales.
Cobertura representativa y defendible
Synthetic Customers se organiza en una población clasificada según el volumen real de tráfico, de modo que pueda ver exactamente qué comportamientos importan más y qué proporción de su base de clientes real representa cada persona.
La cobertura es mensurable, reemplazando las suposiciones con evidencia respaldada por datos. Cada persona se vincula con las conversaciones de origen a partir de las cuales se construyó, de modo que los equipos puedan inspeccionar y validar lo que hay detrás de cada perfil. «Estas 12 personas representan aproximadamente el 82 % del volumen de conversaciones» es defendible y accionable de una manera que «Creemos que hemos cubierto los principales casos de uso» simplemente no lo es.
Evoluciona a medida que lo hace su negocio
El comportamiento del cliente no es estático. Se lanzan nuevos productos, cambian las políticas, surgen nuevos segmentos, y las conversaciones que ocurren hoy se ven diferentes de las que ocurrieron hace seis meses. El 70 % de los ejecutivos reconoce los problemas que plantea esta dinámica, e informa de que las expectativas de los clientes están evolucionando más rápido de lo que su empresa puede adaptarse.
Synthetic Customers se actualiza para incorporar sus datos de conversaciones más recientes, de modo que sus personas reflejen el comportamiento actual en lugar de una instantánea que ya está envejeciendo. A medida que el comportamiento del cliente cambia con el mercado y su negocio evoluciona, también lo hace su comprensión de los clientes a los que sirve.
Nuevas aplicaciones en toda la empresa
Pruebas simuladas de agentes de IA
¿Cómo puede saber que está probando su agente de IA frente a los clientes con los que realmente se encontrará en producción?
Es una pregunta que cada vez más equipos de AIM se ven obligados a responder; el 32 % de las organizaciones cita la calidad como el mayor obstáculo para llevar los agentes de IA a producción, según el informe 2026 State of Agent Engineering de LangChain. Las pruebas previas al lanzamiento basadas en suposiciones son parte de la razón por la que este es un obstáculo tan persistente. Un agente puede superar todas las pruebas de su suite… y aun así fallar en producción si las pruebas se escribieron frente a una representación parcial de la base de clientes.
Las simulaciones genéricas de LLM agravan el problema. Un preprint reciente de arXiv sobre la simulación del comportamiento humano basada en LLM descubrió que la mayoría converge hacia un usuario genérico y excesivamente cooperativo que aplana las diferencias individuales y pasa por alto los comportamientos de larga cola que realmente hacen fallar a los agentes en producción.
Synthetic Customers resuelve esto al fundamentar la simulación en los comportamientos que sus clientes han exhibido realmente, utilizando un modelo de respuesta creado específicamente que reproduce las dinámicas que los LLM genéricos no pueden. Estas personas se integran directamente en la suite de pruebas automatizadas de Cresta AI Agent, y cada una se convierte en un prompt en una prueba de Simulated Visitor, con evaluadores reutilizables que se adjuntan a cada caso de prueba para una gestión de calidad consistente en cada ejecución. Las estimaciones de cobertura permiten responder «¿estamos listos para lanzar?» con un número, no con intuición. A medida que el agente evoluciona, los mismos Synthetic Customers utilizados en el lanzamiento inicial se convierten en la base de referencia para cada actualización posterior, lo que respalda las pruebas de regresión continuas y acumulativas a medida que el agente se actualiza.
El cambio que esto representa para los equipos de IA es significativo: el tiempo entre identificar un fallo y validar una corrección se reduce drásticamente, y crea una base de pruebas reutilizable que se fortalece con cada lanzamiento.
Capacitación de agentes humanos
Los mismos Synthetic Customers que validan un agente de IA pueden capacitar a un agente humano. Los agentes pueden practicar conversaciones con Synthetic Customers modelados sobre el comportamiento real de los clientes, incluidas la frustración, la impaciencia y la complejidad que los guiones y los juegos de rol supervisados rara vez capturan.
Esto cambia la forma de la capacitación de agentes. Un agente más nuevo puede dedicar más tiempo a practicar con el «Retador Persistente» para desarrollar el músculo de desescalamiento que necesitará desde el primer día, mientras que un agente más experimentado puede capacitarse específicamente con el «Verificador Cauteloso» para responder preguntas matizadas y asegurarse de que cada detalle quede claro y comprendido sin perder al cliente. Un equipo que está implementando una nueva política puede capacitarse frente a las personas con más probabilidades de tener un problema con ella, antes de que la política siquiera se active para clientes reales.
Debido a que las mismas personas impulsan tanto las pruebas de agentes de IA como la capacitación de agentes humanos, los equipos pueden imponer coherencia entre cómo sus agentes de IA y humanos manejan las mismas situaciones. Los estándares a los que se somete a su agente de IA en la validación previa al lanzamiento son los mismos estándares frente a los que se capacita a sus agentes humanos.
Simulación de la voz del cliente (VoC)
La mayoría de las decisiones de negocio más importantes, ya sea un cambio de precios, una nueva política o un cambio en los mensajes, se toman sin una forma fiable de anticipar cómo reaccionarán realmente los clientes. Los equipos lanzan el cambio, observan lo que sucede y ajustan después de los hechos.
Simulated Customers cambia el orden de las operaciones; antes de finalizar una decisión, los equipos pueden interactuar directamente con segmentos de clientes específicos, hacer preguntas y poner a prueba las suposiciones frente a personas fundamentadas en el comportamiento real. Un equipo de políticas puede sondear cómo responde el «Primerizo Ansioso» a un nuevo proceso de reclamaciones, detectando confusión o vacilación antes de que aparezca en producción. Un equipo de comunicaciones puede previsualizar una notificación planificada de interrupción del servicio con el «Transactor Eficiente», y averiguar si el mensaje se entiende de la manera prevista o si es probable que desencadene exactamente las llamadas de seguimiento que pretendía evitar. Esto permite a los equipos de toda la organización comprobar que un cambio destinado a reducir la fricción no la genera para los clientes con menos probabilidades de tolerarla.
El resultado es un bucle de retroalimentación más rápido y que consume menos recursos, que no requiere esperar a que la producción le diga lo que piensan sus clientes.
Análisis más profundo del cliente
Synthetic Customers también revela lo que está sucediendo dentro de la base de clientes a lo largo del tiempo. Los equipos pueden ver cómo se comportan las diferentes personas y segmentos a lo largo del recorrido del cliente: dónde suelen tener dificultades, dónde se desvinculan y cómo cambian sus necesidades desde el momento en que se ponen en contacto hasta el momento en que se cierra la conversación, sin esperar a un ciclo de investigación trimestral o a que regrese una encuesta.
Esos patrones también tienen valor predictivo, y se extraen de una imagen fundamentalmente más completa de la base de clientes de la que puede producir la investigación tradicional. Una encuesta típica de clientes llega al 3-5 % de los clientes, y los grupos focales llegan de algún modo a incluso menos. Synthetic Customers se deriva del 100 % de las conversaciones que su negocio ha capturado. Ese cambio (de inferir patrones a partir de una muestra pequeña y autoseleccionada a revelarlos a partir de la población completa) es lo que hace creíble la capa predictiva. La persona se convierte en una dimensión adicional que los equipos pueden superponer al análisis de cohortes conductuales: los clientes que tuvieron un tipo determinado de experiencia y pertenecen a una persona específica se comportan de manera diferente a los clientes que tuvieron la misma experiencia pero un perfil conductual distinto. Eso permite anticipar qué es probable que necesiten a continuación los clientes individuales, dónde es probable que surja la fricción y qué clientes están en riesgo, mucho antes de que la señal aparezca en el resultado de una encuesta o en un informe de pérdida de clientes.
Y debido a que estos conocimientos están vinculados a personas específicas y rastreables en lugar de a tendencias agregadas, los equipos pueden actuar sobre ellos con precisión. Con visibilidad del 100 % del volumen de conversaciones, Cresta revela qué priorizar a continuación en función de lo que está sucediendo en toda la base de clientes, no solo de lo que aparece en la pequeña porción que se queja, se va o responde a una encuesta. Esto incluye adelantarse a la pérdida de clientes antes de que sea demasiado tarde, identificar los problemas subyacentes que provocan incidencias repetidas (un flujo de autoservicio que está roto silenciosamente, una brecha en la orientación de los agentes que sigue produciendo escalamientos, una política que genera fricción para un segmento pero no para otro) y dirigir la corrección adecuada al equipo adecuado: orientación de agentes, flujos de trabajo, comportamiento del agente de IA o el propio producto.
Una nueva base para la comprensión del cliente
Los synthetic customers están preparados para cambiar por completo la forma en que las empresas comprenden y prueban frente al comportamiento del cliente en 2026. Las empresas que acepten y se apoyen en esto tomarán decisiones más rápidas y seguras con menos riesgo en el mundo real.
Tendrán la primera visión de lo que se vuelve posible cuando una empresa dispone de un modelo continuamente actualizado y conductualmente preciso de su propia base de clientes.
Synthetic Customers es la primera capacidad de una capa más amplia de inteligencia de clientes que llega a la plataforma de Cresta, una que convierte las conversaciones que ya tiene en un modelo preciso y vivo de los clientes a los que realmente sirve.
Todo lo que necesita para conocer verdaderamente a sus clientes ya está en sus conversaciones. Synthetic Customers le ayuda a desbloquearlo.
Vea Synthetic Customers en acción: ¡regístrese hoy en nuestro seminario web de demostración!
