Setenta y cinco por ciento de las empresas deberán usar IA generativa para crear datos sintéticos hacia fines de 2026, según Gartner — un salto desde menos del 5% en 2023. El motivo es simple: el dato sintético promete lo que todo equipo de datos quiere — volumen, realismo estadístico y velocidad — sin la fricción de pedir aprobación para usar dato real de cliente. El problema vive en la segunda mitad de la frase que nadie termina: sin la fricción, pero no necesariamente sin el riesgo.
El error más común no es usar dato sintético. Es asumir que generarlo equivale a resolver de una vez la parte de privacidad y cumplimiento del proyecto. La LGPD no excluye el dato sintético de su propio alcance por definición — excluye el dato verdaderamente anonimizado, con la salvedad explícita de que deja de contar como anónimo si puede revertirse con medios razonables disponibles. Investigación reciente muestra que esa salvedad no es teórica.
El síntoma: dato sintético se volvió sinónimo de dato seguro
El patrón se repite: el equipo de datos genera una versión sintética de una base sensible, corre la métrica de privacidad estándar de la herramienta elegida, ve el sello "seguro" en pantalla y distribuye el resultado a QA, a un socio externo o a un pipeline de entrenamiento — sin verificar si el generador fue probado contra un ataque real, sin preguntar si ese uso específico exigía más rigor del que una métrica de distancia estadística puede garantizar.
El artículo 12 de la LGPD es claro sobre dónde se rompe esa suposición: el dato anonimizado solo sale del alcance de la ley cuando el proceso de anonimización no puede revertirse con los medios técnicos razonablemente disponibles en el momento del tratamiento. Generar dato sintético a partir de una base real es, por definición, un proceso de anonimización como cualquier otro — sujeto a la misma prueba, no a un régimen de excepción solo porque el método usa IA generativa en vez de enmascaramiento tradicional.
La ANPD (autoridad brasileña de protección de datos) ya mostró que trata la frontera entre contenido sintético y dato personal con seriedad, no como zona gris. En la Nota Técnica 1/2026, la agencia trató el contenido sintético generado por IA que identifica a una persona real como dato personal sujeto a la LGPD — el caso concreto era un deepfake, pero el principio detrás aplica a cualquier salida artificial que aún cargue información suficiente para apuntar de vuelta a alguien real. "Fue generado por IA" no es, por sí solo, un argumento de defensa.
Dónde el dato sintético realmente acelera el proyecto
Cuando el uso está bien definido, el dato sintético resuelve un cuello de botella real — y la ganancia de velocidad es genuina, no hype de proveedor.
- Entornos de desarrollo y prueba sin cola de aprobación. Los equipos de ingeniería esperan semanas por una versión enmascarada y aprobada de la base de producción. El dato sintético generado a partir del esquema y la distribución estadística elimina esa cola — el equipo prueba contra algo estadísticamente parecido sin tocar ningún registro real de cliente.
- Refuerzo de clases raras en entrenamiento de modelos. Fraude, churn de cliente grande, falla de equipo crítico — eventos raros que el dato real no tiene en volumen suficiente para entrenar bien un modelo. El dato sintético generado específicamente para esas clases minoritarias mejora la precisión sin esperar años de recolección.
- Compartir entre equipos y con socio externo. Un socio de integración o una consultora externa necesita dato realista para validar una API o un reporte — sin exponer la base real de clientes a un nuevo perímetro de riesgo.
- Demostración comercial y prueba de concepto. Vender un producto de datos o presentar un dashboard a un cliente potencial exige volumen y realismo visual, no los registros reales de otro cliente apareciendo en pantalla por error.
En los cuatro casos, el dato sintético reemplaza un dato real que solo necesitaba parecer real, no ser rastreable hasta un individuo específico después.
Dónde el dato sintético engaña a quien solo miró la métrica de privacidad
El punto ciego aparece cuando la fidelidad estadística que hace útil al dato es la misma fidelidad que lo hace reversible. Un generador sobreajustado a los datos de entrenamiento aprende patrones demasiado específicos — incluso de registros individuales raros — y los reproduce en la salida sintética de una forma que un atacante puede explotar.
Un estudio presentado en la conferencia académica FASE 2026 probó exactamente esta brecha: métodos de generación sintética que pasaron las métricas de privacidad estándar del mercado igual filtraron información bajo ataques de inferencia de membresía y de reconstrucción, recuperando una fracción real de los registros originales. La métrica medía distancia estadística entre distribuciones; el ataque estimaba la distribución real detrás de ella. Son preguntas distintas, y pasar la primera no responde la segunda.
Dato sintético que pasa la métrica de privacidad y falla el ataque de reconstrucción no es anónimo — es anónimo hasta que alguien lo prueba.
Esa es exactamente la "reversión con medios razonablemente disponibles" que el artículo 12 de la LGPD usa como criterio. Si un ataque de inferencia publicado en una conferencia académica de 2026 logra reconstruir parte de la base original, ese medio ya está razonablemente disponible — lo que significa que el dato sintético generado por ese método nunca dejó de ser dato personal ante la ley, incluso con el sello "anonimizado" de la herramienta.
El segundo punto ciego es más sutil: la calidad cae generación tras generación cuando un modelo se reentrena repetidamente sobre dato mayoritariamente sintético, sin reintroducir señal real periódicamente — aprende a reproducir sus propios sesgos en vez del patrón que existía en la base original. La misma lógica que ya defendimos sobre dato limpio — la calidad es siempre relativa al uso, nunca un estándar absoluto aplica a la fidelidad sintética: suficientemente bueno para probar una pantalla de registro puede ser suficientemente malo para entrenar un modelo de riesgo crediticio.
Cinco preguntas antes de aprobar dato sintético en producción
Ninguna de las cinco exige comprar herramienta nueva — exigen decidir el alcance antes de generar el dato, no después de distribuirlo.
- ¿Para qué uso exacto va a servir — prueba interna, entrenamiento de modelo o dato compartido externamente? El riesgo tolerable cambia por completo entre los tres. La prueba interna tolera más fidelidad y menos escrutinio; el dato que sale de la empresa exige lo contrario.
- ¿El generador fue auditado contra ataques de reconstrucción e inferencia de membresía — o solo contra una métrica de distancia estadística? Si la respuesta es solo la segunda, la evaluación de privacidad está incompleta, no necesariamente errada.
- ¿Ese dato sintético sería reidentificable con los medios razonables disponibles para quien lo reciba? Es la pregunta que el artículo 12 de la LGPD ya hace — y es la que decide si el dato sigue siendo personal, sin importar la etiqueta que le puso la herramienta.
- ¿La fidelidad cubre el caso extremo que la prueba o el entrenamiento necesitan capturar, sin replicar el registro raro que también es el más identificable? Fidelidad y privacidad tiran en direcciones opuestas; la decisión necesita nombrar cuál pesa más en ese uso específico.
- ¿Existe un plan para reintroducir dato real periódicamente, evitando la degradación por generaciones sucesivas de entrenamiento solo con dato sintético? Sin ese plan, el modelo aprende a reproducir sus propios sesgos en vez del patrón real que cargaba la base original.
La segunda y la tercera son las que más equipos se saltan — y son exactamente las que la checklist de gobernanza de cualquier piloto de IA con dato real ya cubre antes del primer prompt: mapear qué entra, verificar la base legal, documentar por escrito. El dato sintético no reemplaza esa disciplina — solo cambia en qué etapa aparece la pregunta correcta.
La pregunta correcta no es si se puede usar — es qué dato sintético para qué uso
El dato sintético no es un atajo de cumplimiento ni es una trampa por definición. El error costoso no está en ninguno de los dos extremos — ni en rechazar la tecnología por miedo, ni en tratarla como exención automática de la LGPD porque "no es dato real". Está en saltarse el paso de nombrar, por escrito, para qué uso específico fue aprobado ese dato sintético, con qué nivel de auditoría de privacidad detrás.
Una empresa que trata el dato sintético como acelerador de prueba y entrenamiento, con alcance declarado y auditoría real de reversibilidad, gana exactamente la velocidad que Gartner proyecta para la mayoría del mercado hacia 2026. Una empresa que trata la etiqueta "sintético" como sinónimo automático de "sin riesgo" descubre la diferencia — como siempre — en el primer incidente, cuando alguien pregunta si ese dato realmente nunca pudo revertirse.
Preguntas que siempre vuelven
Para cerrar, las dudas más comunes sobre dato sintético, privacidad y LGPD.
¿Qué son los datos sintéticos y para qué sirven?
Los datos sintéticos son registros artificiales generados por algoritmo — hoy, mayoritariamente por IA generativa — que reproducen los patrones estadísticos de una base real sin contener ningún registro real de ella. Sirven principalmente para tres usos: acelerar entornos de prueba y desarrollo sin esperar aprobación de enmascaramiento, reforzar clases raras en entrenamiento de modelos (fraude, churn, falla crítica) y viabilizar el intercambio de dato realista con un socio externo o en una demostración comercial, sin exponer la base de clientes original.
¿El dato sintético exime de cumplir la LGPD?
No automáticamente. La LGPD excluye de su alcance solo el dato verdaderamente anonimizado — y el artículo 12 es explícito al decir que el dato deja de contar como anónimo si puede revertirse con medios técnicos razonablemente disponibles al momento del tratamiento. Generar dato sintético es un proceso de anonimización como cualquier otro, sujeto a la misma prueba. Investigación de 2026 ya mostró métodos de generación sintética aprobados por métricas estándar de privacidad que aun así permitieron reconstruir una parte real de la base original bajo ataque — lo que legalmente los mantiene dentro del alcance de dato personal.
¿El dato sintético es seguro contra la filtración de información real?
Depende del método y de cómo fue auditado, no de la etiqueta "sintético" en sí. Un generador sobreajustado a sus datos de entrenamiento aprende patrones de registros individuales raros y puede reproducirlos en la salida de una forma que un ataque de inferencia de membresía o de reconstrucción puede explotar — incluso cuando la métrica de privacidad estándar de la herramienta clasifica el resultado como seguro. La métrica mide distancia estadística entre distribuciones; el ataque estima la distribución real detrás de ella. Sin auditoría contra ambos tipos de ataque, "pasó la métrica" no equivale a "es seguro".