Un cliente frustrado llama para reclamar un cargo de su extracto. Está impaciente y a la defensiva. Interrumpe a la agente antes de que termine una pregunta y amenaza con darse de baja antes de que ella pueda responder. Minutos después llama otra clienta que quiere revisar la actividad reciente de su cuenta. Está tranquila, es metódica y pide a la agente que le repase el extracto línea a línea.
Dos clientes, dos conversaciones distintas y dos resultados de negocio completamente diferentes según cómo gestione cada una el agente, sea de IA o humano.
Esta dinámica es solo un microcosmos de los patrones de comportamiento que se repiten cada día en todos los canales, colas y segmentos a los que atiende su negocio. Y la mayoría de las empresas trabajan con una idea de sus clientes que apenas se parece a cómo se comportan de verdad.
El motivo es estructural. Tradicionalmente, las empresas han construido sus perfiles de cliente a partir de encuestas, registros de CRM, tickets de soporte e investigaciones periódicas. Cada fuente aporta valor, pero solo capta una porción: qué compraron, qué salió mal, qué dijeron que querían en una encuesta de hace seis meses. Ninguna recoge toda la complejidad de una interacción: la duda antes de preguntar por la baja, la frase concreta que dispara un escalado, el estado emocional con el que el cliente llega a la llamada antes incluso de que hable el agente.
Esos momentos viven en las conversaciones. Cada uno es una señal directa y en tiempo real de cómo piensan los clientes, qué necesitan, cómo se comportan bajo presión y qué les lleva a escalar, abandonar o quedarse. Es la única fuente de datos totalmente sin filtrar. La mayoría de las empresas están sentadas sobre una mina de oro, pero hasta ahora no tenían 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 perfiles de cliente realistas, representativos y en evolución a partir de los propios datos de conversación de la empresa. Synthetic Customers analiza las conversaciones con sus clientes, extrae los patrones de comportamiento que contienen y produce una población de perfiles que refleja cómo se comunican, piensan y sienten sus clientes de verdad.
Cada perfil es un retrato conductual detallado: la personalidad y la actitud con la que un cliente llega a la interacción, el lenguaje que usa, las emociones que trae, por qué contacta y cómo es probable que reaccione cuando algo no sale como esperaba. Los datos que las empresas necesitan para conocer a fondo a sus clientes 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 de su cola de soporte de cuentas. El sistema revela una población de perfiles, cada uno con un patrón de comportamiento concreto extraído de interacciones reales:
Estos cuatro perfiles representan el 100 % del volumen real de soporte de cuentas de la empresa, y cada uno enlaza con las conversaciones de origen de las que se extrajo. Y lo más importante: cada perfil se comporta de forma distinta en una conversación. El «Persistent Challenger» interrumpe, escala y replica. El «Cautious Verifier» ralentiza la interacción, comprueba cada detalle dos veces y no avanza hasta sentirse del todo seguro. El «Efficient Transactor» va directo al grano. Y el «Anxious First-Timer» puede repetir la misma pregunta varias veces. Estos comportamientos no salen en una encuesta, pero están en todas sus conversaciones con clientes.
Synthetic Customers se apoya en tres propiedades clave.
Qué hace diferente a Synthetic Customers
Realista por diseño
Synthetic Customers parte de sus datos históricos. Los perfiles se basan en conversaciones reales y recogen el lenguaje, los comportamientos, las emociones y los patrones que aparecen en las interacciones. Eso incluye la frustración, la impaciencia, los cambios de tema y la imprevisibilidad, difíciles de modelar a mano. Después, un modelo de respuesta creado a medida reproduce esas dinámicas en la simulación. Cresta valida el realismo con una metodología de evaluación ciega: comprueba si personas e IA distinguen una conversación sintética de una real.
Cobertura representativa y defendible
Synthetic Customers organiza los perfiles en una población ordenada por volumen real de tráfico. Así ve exactamente qué comportamientos pesan más y qué parte de su base de clientes representa cada perfil.
La cobertura es medible y sustituye las suposiciones por evidencia. Cada perfil enlaza con las conversaciones de origen con las que se construyó, de modo que los equipos pueden inspeccionarlo y validarlo. «Estos 12 perfiles representan ~82 % del volumen de conversaciones» es defendible y accionable; «creemos que hemos cubierto los casos de uso principales» no lo es.
Evoluciona con su negocio
El comportamiento del cliente no es estático. Se lanzan productos, cambian las políticas, aparecen segmentos nuevos, y las conversaciones de hoy no se parecen a las de hace seis meses. El 70 % de los directivos reconoce el problema: las expectativas de los clientes evolucionan más rápido de lo que su empresa puede adaptarse.
Synthetic Customers se actualiza con sus datos de conversación más recientes, así que sus perfiles reflejan el comportamiento actual y no una foto fija que ya envejece. Cuando el comportamiento del cliente cambia con el mercado y su negocio evoluciona, su conocimiento de esos clientes evoluciona también.
Nuevas aplicaciones en toda la empresa
Pruebas simuladas de agentes de IA
¿Cómo saber que está probando su agente de IA con los clientes que se va a encontrar de verdad en producción?
Cada vez más equipos de AIM tienen que responder a esa pregunta. El 32 % de las organizaciones señala la calidad como el mayor freno para llevar agentes de IA a producción, según el informe 2026 State of Agent Engineering de LangChain. Probar antes del lanzamiento partiendo de suposiciones es parte del motivo. Un agente puede pasar todas las pruebas de su suite y aun así fallar en producción si esas pruebas se escribieron contra una representación parcial de la base de clientes.
Las simulaciones genéricas con LLM agravan el problema. Un preprint reciente de arXiv sobre simulación del comportamiento humano con LLM encontró que la mayoría converge hacia un usuario genérico y demasiado cooperativo. Ese usuario aplana las diferencias individuales y deja fuera los comportamientos de cola larga, que son los que de verdad rompen a los agentes en producción.
Synthetic Customers resuelve esto porque ancla la simulación en los comportamientos que sus clientes han mostrado realmente, con un modelo de respuesta creado a medida que reproduce dinámicas que un LLM genérico no alcanza. Estos perfiles se integran directamente en la suite de pruebas automatizadas de Cresta AI Agent: cada uno se convierte en un prompt de una prueba de Simulated Visitor, con evaluadores reutilizables asociados a cada caso para mantener una gestión de calidad consistente en todas las ejecuciones. Las estimaciones de cobertura permiten responder a «¿estamos listos para lanzar?» con un número, no con intuición. Según evoluciona el agente, los mismos Synthetic Customers usados en el lanzamiento inicial son la base de referencia de cada actualización, lo que permite pruebas de regresión continuas y acumulativas.
El cambio para los equipos de IA es notable: el tiempo entre detectar un fallo y validar la corrección se desploma, y se crea una base de pruebas reutilizable que gana solidez con cada versión.
Formación de agentes humanos
Los mismos Synthetic Customers que validan un agente de IA sirven para formar a un agente humano. Los agentes pueden practicar conversaciones con perfiles modelados sobre el comportamiento real de los clientes, incluida la frustración, la impaciencia y la complejidad que los guiones y los role-plays supervisados rara vez recogen.
Esto cambia la forma de la formación. Un agente nuevo puede practicar más con el «Persistent Challenger» para desarrollar el músculo de desescalado que necesitará desde el primer día. Un agente veterano puede formarse específicamente con el «Cautious Verifier» para responder preguntas con matices y dejar cada detalle claro sin perder al cliente. Y un equipo que va a implantar una política nueva puede formarse con los perfiles con más probabilidad de tener un problema con ella, antes de que esa política llegue a clientes reales.
Como los mismos perfiles alimentan tanto las pruebas del agente de IA como la formación del agente humano, los equipos pueden exigir coherencia entre cómo resuelven unos y otros la misma situación. El estándar al que se somete su agente de IA antes de lanzarlo es el mismo con el que se forma a sus agentes humanos.
Simulación de la voz del cliente (VoC)
Las decisiones de negocio más importantes (un cambio de precios, una política nueva, un giro en los mensajes) se toman sin una forma fiable de anticipar cómo reaccionará el cliente. Los equipos lanzan el cambio, miran qué pasa y ajustan después.
Simulated Customers cambia el orden de las operaciones. Antes de cerrar una decisión, los equipos pueden interactuar directamente con segmentos concretos, hacer preguntas y poner a prueba sus supuestos frente a perfiles anclados en el comportamiento real. Un equipo de políticas puede sondear cómo responde el «Anxious First-Timer» a un nuevo proceso de reclamaciones y detectar confusión o dudas antes de que aparezcan en producción. Un equipo de comunicación puede previsualizar un aviso de corte de servicio con el «Efficient Transactor» y averiguar si el mensaje se entiende como pretende o si va a provocar justo las llamadas de seguimiento que quería evitar. Así, cualquier equipo puede comprobar que un cambio pensado para reducir fricción no la genera precisamente en los clientes menos dispuestos a tolerarla.
El resultado es un ciclo de feedback más rápido y menos costoso, que no obliga a esperar a que la producción le diga qué piensan sus clientes.
Análisis más profundo del cliente
Synthetic Customers también saca a la luz qué está pasando dentro de la base de clientes a lo largo del tiempo. Los equipos pueden ver cómo se comportan distintos perfiles y segmentos en todo el recorrido: dónde suelen atascarse, dónde se desenganchan y cómo cambian sus necesidades desde que contactan hasta que se cierra la conversación. Y sin esperar a un ciclo de investigación trimestral ni a que vuelva una encuesta.
Esos patrones tienen además valor predictivo, y salen de una imagen mucho más completa de la base de clientes que la que produce la investigación tradicional. Una encuesta de clientes típica llega al 3-5 % de los clientes, y los grupos focales llegan a menos todavía. Synthetic Customers se extrae del 100 % de las conversaciones que su negocio ha capturado. Ese salto, de inferir patrones a partir de una muestra pequeña y autoseleccionada a revelarlos en la población completa, es lo que hace creíble la capa predictiva. El perfil pasa a ser una dimensión más que los equipos pueden superponer al análisis de cohortes conductuales: dos clientes con la misma experiencia se comportan de forma distinta si pertenecen a perfiles conductuales distintos. Eso permite anticipar qué va a necesitar cada cliente, dónde va a aparecer la fricción y qué clientes están en riesgo, mucho antes de que la señal salga en una encuesta o en un informe de churn.
Y como estas conclusiones se atan a perfiles concretos y trazables, y no a tendencias agregadas, los equipos pueden actuar con precisión. Con visibilidad sobre el 100 % del volumen de conversaciones, Cresta muestra qué priorizar según lo que ocurre en toda la base de clientes, no solo en la pequeña porción que se queja, se va o contesta una encuesta. Eso incluye adelantarse al churn antes de que sea tarde, identificar los problemas de fondo que provocan incidencias repetidas (un flujo de autoservicio roto sin que nadie lo note, un hueco en la orientación al agente que sigue generando escalados, una política que crea fricción en un segmento y no en otro) y dirigir la corrección al equipo adecuado: orientación al agente, workflows, comportamiento del agente de IA o el propio producto.
Una nueva base para conocer al cliente
Synthetic Customers va a cambiar por completo la forma en que las empresas entienden el comportamiento del cliente y prueban contra él en 2026. Las compañías que lo asuman y se apoyen en ello tomarán decisiones más rápidas y seguras, con menos riesgo real.
Verán antes que nadie qué se vuelve posible cuando una empresa dispone de un modelo de su propia base de clientes que se actualiza de forma continua y es fiel a su comportamiento.
Synthetic Customers es la primera capacidad de una capa más amplia de inteligencia de clientes que llega a la plataforma de Cresta. Una capa que convierte las conversaciones que ya tiene en un modelo preciso y vivo de los clientes a los que realmente atiende.
Todo lo que necesita para conocer de verdad a sus clientes ya está en sus conversaciones. Synthetic Customers le ayuda a sacarle partido.
Vea Synthetic Customers en acción: ¡apúntese hoy a nuestro webinar de demo!
