Ir al contenido
Base de conocimiento

Generación agéntica de respuestas

Este documento describe la simulación de campañas, una función en la que agentes de IA generan respuestas sintéticas a partir de perfiles de persona y que permite probar campañas hipotéticas antes de lanzarlas de verdad.

La simulación de campañas permite probar escenarios hipotéticos con datos sintéticos. Los agentes de IA responden las encuestas como encuestados virtuales y generan respuestas realistas según perfiles demográficos y rasgos de comportamiento.

  • Validar el flujo y la lógica del cuestionario antes del lanzamiento real
  • Probar los procesos de análisis de datos con datos sintéticos realistas
  • Formar a los entrevistadores con sesiones de encuesta simuladas
  • Estimar los recursos necesarios para ejecutar la campaña
  • Generar datos de demostración para presentaciones ante las partes interesadas

El modo distribution="llm" utiliza Claude Haiku para generar respuestas coherentes con el contexto a partir de perfiles de persona. Cada pregunta la responde un LLM que recibe el perfil de persona completo y todos los pares de pregunta y respuesta anteriores, de modo que las respuestas son coherentes a lo largo de toda la encuesta.

Principales ventajas frente a la generación basada en reglas:

  • Coherencia contextual: un encuestado que responde «desempleado» no describirá más adelante su lugar de trabajo
  • Lenguaje natural: las respuestas de texto abierto reflejan el estilo de comunicación del perfil
  • Elecciones matizadas: la selección de opciones tiene en cuenta todo el contexto de la pregunta, no solo un azar ponderado

Requisitos: su proveedor de Razonamiento (Configuración del perfil → Modelos de IA), o el de su organización, debe ser Anthropic API o AWS Bedrock, con sus credenciales guardadas. El llenado se factura a esa cuenta, nunca a una clave de la plataforma. Si no hay ningún proveedor configurado o faltan sus credenciales, el modo falla de inmediato, antes de procesar ninguna encuesta: no se recurre en silencio a ninguna alternativa.

Ejemplo:

User: result = mass_fill_surveys(campaign_id="abc", distribution="llm", profiles=["young_single", "retired"])
# result = {"task_id": "...", "status": "pending"}
# poll get_task_status(task_id=result["task_id"]) until terminal
Result (after the task completes):
Young Professional answering "How often do you shop online?"
→ "Several times a week" (tech-savvy, time-conscious)
Retired Senior answering the same question
→ "A few times a month" (traditional, deliberate shopper)

El modo predeterminado, distribution="realistic", aplica una selección aleatoria ponderada según los perfiles demográficos. Es más rápido, pero tiene menos en cuenta el contexto: resulta adecuado para probar procesos de datos con grandes volúmenes cuando la calidad de las respuestas importa menos.

Distribución Método Velocidad Calidad
llm Claude Haiku por pregunta ~1 s/pregunta Alta: contextual y coherente
realistic Azar ponderado Instantánea Media: influida por la demografía
random Azar puro Instantánea Baja: sin influencia demográfica

Simule el ciclo de vida completo de una campaña con varios encuestados.

Fase 1: PreparaciónFase 2: EjecuciónFase 3: AnálisisCrear proyectoCrear campañaGenerar encuestadosCrear estrategia y grupoCrear encuestas en bloqueAsignar perfiles de personaCompletar encuestasGestionar ramificacionesCrear conjunto de datos BronceAplicar rakingExportar datos
  • Crea el proyecto, el cuestionario y la campaña
  • Genera encuestados sintéticos con datos demográficos realistas
  • Crea la estrategia de muestreo y el grupo de encuestados
  • Crea en bloque las encuestas de todos los encuestados
  • Completa las encuestas con respuestas generadas a partir de los perfiles de persona
  • Simula patrones de respuesta realistas según la demografía
  • Gestiona las ramificaciones y los saltos del cuestionario
  • Extrae las respuestas al conjunto de datos Bronce
  • Aplica la ponderación por posestratificación: raking (calibración por rastrillado)
  • Crea los conjuntos de datos Plata y Oro
  • Exporta en varios formatos (CSV, XLSX, SPSS, Parquet, R, JSON)

Los perfiles de persona definen las características que guían la generación de respuestas sintéticas. Cada uno reúne atributos demográficos y rasgos de comportamiento que influyen en su forma de responder.

Los atributos de sus propios encuestados se suman al perfil

Sección titulada «Los atributos de sus propios encuestados se suman al perfil»

Un perfil de persona es un arquetipo; el encuestado al que representa es un registro concreto de su proyecto. Cuando se genera una respuesta sintética para un encuestado real, los atributos de ese encuestado se añaden al perfil: su edad, su género y su ubicación, y todos los atributos personalizados que haya registrado para él.

En los atributos personalizados suelen estar las características por las que un estudio segmenta realmente: tamaño de la empresa, sector, región, nivel de afiliación o lo que haya traído su importación. Ahora esos atributos llegan al encuestado simulado, de modo que un perfil que responde en nombre de una microempresa del sector bancario responde como tal, y no como un arquetipo genérico que casualmente comparte la franja de edad.

Dos consecuencias que conviene conocer:

  • Un atributo real prevalece sobre uno personalizado del mismo nombre. Si registra un atributo personalizado llamado location, se impone el campo de ubicación propio del encuestado: al encuestado simulado nunca se le dan dos respuestas distintas a la misma pregunta sobre sí mismo.
  • Los atributos por los que pondera son los que ve el perfil. Los factores de calibración ya pueden construirse a partir de atributos personalizados, así que esto cierra una brecha: antes era posible ponderar una muestra según una característica que nunca se había comunicado a los encuestados simulados.
Perfil Datos demográficos Características de las respuestas
Young Professional 25-35 años, soltero, con empleo, ingresos de 50 000-80 000 $ Afín a la tecnología, valora su tiempo, respuestas breves
Family Oriented 30-50 años, casado, con hijos, zona residencial periférica Decisiones centradas en la familia, respuestas detalladas
Retired Senior 65 años o más, jubilado, ingresos fijos Valores tradicionales, respuestas minuciosas
High Earner 35-55 años, ingresos altos (>100 000 $) Prioriza la calidad, preferencias de gama alta
Random Datos demográficos variados Patrones de respuesta impredecibles

Cada perfil de persona se define con:

name: Young Professional
description: Young adult professional, tech-savvy and time-conscious
demographics:
age_range: 25-35
gender: any
marital_status: single
employment: full-time professional
income: $50,000 - $80,000
education: bachelor's degree
location: urban/suburban
behavioral_traits:
- tech-savvy
- time-conscious
- values convenience
- early adopter
response_style:
verbosity: brief
decision_speed: quick
detail_level: moderate

Los usuarios pueden crear perfiles a medida para necesidades de investigación concretas:

User: "Create a persona for budget-conscious students"
AI: Creating custom persona: Budget Student
Demographics:
- Age: 18-24
- Employment: Part-time or student
- Income: < $25,000
- Education: Currently enrolled
- Location: University town
Behavioral Traits:
- Price-sensitive
- Social media active
- Peer-influenced decisions
- Values free trials/samples
Response Style:
- Casual language
- Quick decisions
- Strong opinions on value
Save this persona for future simulations?

Para cada pregunta de la encuesta, el LLM recibe un único prompt que contiene:

  1. Prompt del sistema: el texto del perfil de persona, con sus datos demográficos y rasgos de comportamiento
  2. Datos demográficos del encuestado: los datos reales del registro del encuestado (edad, género, nivel de estudios, etc.)
  3. Historial de preguntas y respuestas: todos los pares anteriores de pregunta y respuesta de esta sesión de encuesta
  4. Pregunta actual: el texto de la pregunta, las opciones disponibles y el formato de respuesta JSON esperado

El LLM devuelve una respuesta JSON estructurada que se convierte al formato que espera el motor de encuestas (un valor único, una lista o un diccionario, según el tipo de pregunta).

Cada encuesta mantiene un historial acumulado de pares de pregunta y respuesta. Este historial se incluye en cada prompt posterior, lo que permite al LLM:

  • Mantener la coherencia: quien dijo «desempleado» no describirá más tarde un lugar de trabajo
  • Apoyarse en el contexto: las valoraciones de satisfacción concuerdan con las experiencias positivas o negativas mencionadas antes
  • Evitar contradicciones: las respuestas demográficas se mantienen coherentes entre sí

Formato de respuesta según el tipo de pregunta

Sección titulada «Formato de respuesta según el tipo de pregunta»

Las respuestas son los códigos enteros del mapa labels de la pregunta (texto libre solo en las preguntas abiertas de tipo Textarea); consulte Formato de presentación de encuestas:

Tipo de pregunta Formato esperado Ejemplo
Opción única (radio/desplegable) Un código de respuesta 2
Opción múltiple (casillas) Lista de los códigos seleccionados (el analizador la reduce a una máscara de bits) [1, 4]
Control deslizante (numérico) Número dentro del rango 7
Rango (intervalo) Par [low, high] dentro del rango, con el mínimo no superior al máximo [3, 8]
Interruptor (booleano) true / false true
Texto abierto (textarea) Cadena "Great service overall"
Grupo de preguntas Lista de códigos, uno por subpregunta (un único control compartido) [1, 3, 2]
Pregunta de matriz Lista anidada de códigos, filas × columnas [[1, 2], [3, 1]]

Combinación de perfiles → llenado masivo → análisis

Sección titulada «Combinación de perfiles → llenado masivo → análisis»

El flujo recomendado para generar datos sintéticos con respuestas del LLM:

  1. Diseñe su combinación de perfiles: elija cuáles incluir y en qué proporción
  2. Llame a mass_fill_surveys con distribution="llm" y los perfiles elegidos
  3. Cree el conjunto de datos Bronce: extraiga las respuestas sin procesar
  4. Aplique raking: pondere las respuestas para que coincidan con la demografía objetivo
  5. Exporte y analice: CSV, XLSX, SPSS, Parquet, R o JSON
# Enqueue the background fill task (returns immediately with a task_id)
result = mass_fill_surveys(
campaign_id="campaign-uuid",
distribution="llm",
profiles=["young_single", "married_family", "retired", "high_income"],
max_surveys=50,
)
# result = {"task_id": "...", "status": "pending", ...}
# Poll until terminal
while True:
status = get_task_status(task_id=result["task_id"])
if status["state"] in ("completed", "partial", "failed"):
break
sleep(5)

La herramienta responde de inmediato; el bucle de generación se ejecuta como tarea en segundo plano en el propio worker de Portor. La consulta periódica muestra status_text (por ejemplo, "23 of 50 surveys processed"). Hay tres estados finales distintos: completed (todas las encuestas completadas), partial (una mezcla: el resumen del llenado aparece en status_text, y volver a invocar mass_fill_surveys solo reintenta las encuestas sin completar) y failed (ninguna encuesta completada, con un last_error que explica el motivo).

User: "Run a simulation of the NPS campaign with 50 respondents,
mostly young professionals and families, using LLM responses"
AI: Configuring simulation:
Campaign: NPS Customer Satisfaction
Distribution: LLM (Claude Haiku)
Respondents: 50 synthetic profiles
Persona Distribution:
- Young Professional: 40% (20 respondents)
- Family Oriented: 40% (20 respondents)
- Random: 20% (10 respondents)
Each survey will maintain conversation history for consistent responses.
Output:
- Bronze dataset (raw responses)
- Silver dataset (weighted)
- XLSX export
Start simulation?

Cuando termina la simulación, los usuarios reciben:

Simulation Complete: "Q1 Satisfaction Test Run"
Surveys:
- Total: 100
- Completed: 98
- Terminated (screening): 2
Response Statistics:
- Average completion time: 6m 42s
- Questions answered: 1,470
- Skip rate: 8.3%
NPS Results:
- Promoters (9-10): 34%
- Passives (7-8): 41%
- Detractors (0-6): 25%
- NPS Score: +9
Demographic Distribution vs. Targets:
┌─────────────┬──────────┬──────────┬─────────┐
│ Factor │ Target │ Actual │ RMSE │
├─────────────┼──────────┼──────────┼─────────┤
│ Male │ 48% │ 47% │ 0.01 │
│ Female │ 50% │ 51% │ 0.01 │
│ Age 18-24 │ 15% │ 14% │ 0.01 │
│ Age 25-34 │ 25% │ 26% │ 0.01 │
│ Age 35-44 │ 25% │ 24% │ 0.01 │
└─────────────┴──────────┴──────────┴─────────┘
Overall Quality: ✅ Excellent (RMSE: 0.012)
Weighting Efficiency: 94% (Design Effect: 1.06)
Conjunto de datos Descripción Formato
Bronce Respuestas sin procesar, tal como se recogieron Parquet
Plata Respuestas ponderadas (con raking aplicado) Parquet
Oro Depurado y listo para exportar CSV, XLSX, SPSS

La generación por LLM de mass_fill_surveys utiliza una única llamada sin estado al LLM por pregunta: el motor askalot_ai.respondent_sim, que Portor invoca directamente en lugar de pasar por el ejecutor de agentes de varios turnos. Es una decisión deliberada:

  • Portor ya tiene el estado de la encuesta en el propio proceso mediante FlowProcessor, así que no hace falta que un agente llame a herramientas MCP que acabarían de nuevo en el propio Portor
  • Cada pregunta es una llamada directa («con este perfil y las respuestas dadas hasta ahora, responda a esta pregunta»)
  • Sin llamadas MCP circulares, con una gestión de errores más sencilla y menor latencia

Esto es distinto del agente Encuestado (el flujo complete-survey), que recorre una encuesta completa turno a turno mediante herramientas MCP y se utiliza dentro de la simulación de campañas: la vía de llenado masivo sacrifica esa profundidad agéntica a cambio de rendimiento.

Aspecto Configuración
Modelo Claude Haiku 4.5 (claude-haiku-4-5-20251001)
Tokens máximos 256 por respuesta
Temperatura 0,8 (variación natural)
Contexto Perfil de persona + datos demográficos del encuestado + historial de preguntas y respuestas

Dentro de mass_fill_surveys, las encuestas se completan de forma secuencial. Cada encuesta acumula su propio historial de preguntas y respuestas para mantener la coherencia interna, sin depender de las demás encuestas.

Los archivos de perfil son documentos Markdown con front matter YAML, montados en los contenedores de Portor desde el directorio compartido de prompts de askalot_ai. El modo LLM y el modo basado en reglas utilizan los mismos perfiles.

El modo LLM utiliza solo Anthropic: Claude Haiku ofrece el mejor equilibrio entre velocidad, coste y calidad para generar respuestas de encuesta. El servicio de inferencia local de la plataforma se utiliza únicamente para los embeddings de documentos, no para generar respuestas.


  • Antes de lanzar campañas costosas
  • Al probar nuevos diseños de cuestionario
  • Para formar a los analistas en el proceso de datos
  • Para validar estrategias de muestreo
  • Para generar datos de demostración para presentaciones ante las partes interesadas
  • No son opiniones reales: los datos sintéticos reflejan perfiles arquetípicos, no actitudes reales
  • Coherencia frente a variedad: los perfiles sintéticos pueden ser más coherentes que las personas reales
  • Casos límite: las combinaciones de respuestas poco habituales pueden estar infrarrepresentadas
  • Preguntas abiertas: el texto generado por IA puede carecer de una diversidad auténtica
  • Dependencia de la API: el modo LLM requiere un proveedor de razonamiento Anthropic API o AWS Bedrock con credenciales válidas, además de acceso a Internet
  • Sin señal de tiempo de respuesta: las respuestas generadas se registran como producidas por una máquina y quedan excluidas a propósito de la detección de encuestados demasiado rápidos (speeders), de modo que una campaña simulada no ofrece una distribución de tiempos significativa: esa comprobación solo resulta informativa cuando responden encuestados reales

El modo LLM sigue el principio de la plataforma de «sin alternativas silenciosas»:

  • Sin proveedor o sin credenciales: falla de inmediato, antes de procesar ninguna encuesta, e indica qué hay que configurar
  • Errores de la API: los fallos de encuestas concretas se registran y se notifican en el resultado
  • JSON no válido del LLM: la encuesta falla y se notifica en el resultado. La excepción es una pregunta de texto libre: en ese caso, la propia respuesta del LLM se registra como respuesta
  • Sin degradación silenciosa: el modo nunca cambia por su cuenta a la generación basada en reglas
  1. Utilice el modo LLM cuando importe la calidad: cuando el realismo de las respuestas sea relevante (presentaciones, pruebas de análisis)
  2. Utilice el modo basado en reglas cuando importe la velocidad: cuando necesite mucho volumen rápidamente (pruebas de carga del proceso de datos)
  3. Combine perfiles: incluya el perfil «random» para aportar variedad
  4. Compare con pilotos: valide los patrones de la simulación con pequeñas muestras reales
  5. Documente los datos sintéticos: etiquete claramente los conjuntos de datos como simulados