Microsoft ha creado empresas sintéticas completas para probar Copilot sin utilizar datos reales de clientes. No son simples listas de preguntas: reproducen organigramas, usuarios, reuniones, correos, documentos, proyectos y cambios a lo largo del tiempo. La finalidad es comprobar si un asistente responde con precisión en situaciones parecidas a las de una organización real, pero sin exponer información confidencial.
La propuesta, presentada por Microsoft Research el 30 de octubre de 2026, aborda un problema práctico: evaluar un sistema empresarial exige contexto realista, mientras que ese contexto suele contener datos personales, secretos comerciales y comunicaciones sensibles. La solución no elimina todos los riesgos ni demuestra por sí sola que Copilot acertará en cada empresa. Sí ofrece una infraestructura repetible para encontrar fallos antes de que lleguen al trabajo cotidiano.
Qué ha anunciado Microsoft Research
El proyecto se denomina Industry Evaluation Data Generation Platform. Según la explicación oficial de Microsoft Research, la plataforma combina tres elementos: entornos empresariales sintéticos, canalizaciones automáticas que generan consultas de evaluación y marcos de calidad estructurados.
Un entorno sintético funciona como una organización ficticia aislada. Contiene empleados inventados, puestos, jerarquías, reuniones, mensajes, documentos y configuraciones coherentes entre sí. La compañía afirma que no introduce datos de clientes en ninguna fase. Para dar realismo a la estructura utiliza fuentes públicas: la base ocupacional O*NET del Departamento de Trabajo de Estados Unidos, ofertas de empleo publicadas y documentos depositados ante la SEC.
Microsoft describe tres entornos sectoriales iniciales: uno farmacéutico, con revisiones de seguridad y procesos regulatorios; otro de mercados de capitales, con carteras, operaciones y comunicaciones de cumplimiento; y una empresa de software, con planificación de iteraciones, revisiones de código y lanzamientos. Cada entorno reúne cientos de usuarios y un historial de comunicaciones completo.
Por qué una empresa ficticia puede revelar fallos reales
Un asistente empresarial no responde únicamente con lo aprendido durante su entrenamiento general. También debe localizar información autorizada, respetar permisos, relacionar mensajes dispersos y reconocer qué versión de un documento es la vigente. Una prueba genérica del tipo «resume este texto» apenas mide una fracción del problema.
Imaginemos que una persona pregunta: «¿Qué decidió el equipo el jueves pasado y qué tareas siguen abiertas?». Para responder bien, el sistema debe identificar el proyecto correcto, consultar reuniones y mensajes accesibles, distinguir una propuesta de una decisión y conservar la referencia temporal. Una organización sintética permite construir ese pasado deliberadamente y conocer de antemano la respuesta esperada.
El componente temporal es importante. Los entornos descritos no son fotografías inmóviles: incluyen conversaciones que evolucionan durante semanas, plazos de proyectos y cambios organizativos. Así se pueden ensayar preguntas como «¿qué ha cambiado desde la revisión trimestral?» sin recurrir al historial de una empresa auténtica.
Para un negocio que empieza a implantar estas herramientas, la lección es sencilla: una demostración aislada no equivale a una evaluación. Conviene definir tareas, preparar casos representativos y medir resultados. Nuestro análisis sobre cómo evaluar un asistente de inteligencia artificial en una empresa detalla métricas de precisión, coste y resolución que ayudan a convertir una prueba vistosa en una decisión justificable.
Cómo se construye el realismo sin copiar a un cliente
La plataforma parte de señales públicas para diseñar organizaciones plausibles. O*NET ayuda a ajustar responsabilidades y actividades de los puestos; las ofertas de empleo aportan nombres de cargos y composiciones departamentales; y los documentos regulatorios públicos orientan sobre tamaño, unidades de negocio y contexto financiero. A partir de esas estructuras se genera contenido completamente ficticio.
Microsoft indica que las fuentes públicas pasan revisión legal y de políticas. Además, aplica filtros automáticos para detectar material dañino o información identificable, conserva el linaje de los datos y emplea técnicas de agregación cuando consulta distribuciones estadísticas. Estas medidas reducen el riesgo de que el conjunto sintético reproduzca una persona o comunicación concreta.
Hay una distinción esencial: sintético no significa automáticamente anónimo, seguro ni representativo. Un generador puede memorizar fragmentos de sus entradas, fabricar patrones demasiado uniformes o reforzar sesgos presentes en las señales públicas. La afirmación relevante en este proyecto es más específica: Microsoft sostiene que no utiliza datos de clientes, que los elementos del entorno son generados y que aplica controles de seguridad y procedencia.
Esta arquitectura de evaluación tampoco sustituye las protecciones del producto cuando se usa con información real. La documentación de protección de datos empresariales explica por separado el cifrado, el aislamiento entre organizaciones, el respeto de permisos, las políticas de retención y el compromiso de no usar indicaciones, respuestas ni datos de Microsoft Graph para entrenar modelos fundacionales. Son capas distintas: una protege el uso; la otra permite probar el comportamiento.
Qué resultados comunica Microsoft y cómo interpretarlos
La compañía afirma que su métrica compuesta de calidad mejoró un 39 % frente al método inicial de generación. Algunos entornos sectoriales superaron 0,9 sobre 1 en esa métrica, que combina fidelidad estructural, coherencia contextual y diversidad estadística. También señala que la creación de conjuntos, antes manual y de varios días, se convirtió en ejecuciones automatizadas.
Son resultados internos comunicados por el propio equipo, no una auditoría externa del rendimiento de Copilot. El 39 % mide la mejora del dato sintético respecto a una versión anterior, no un aumento equivalente de productividad, exactitud o seguridad para un cliente. Tampoco permite comparar directamente esta plataforma con otros proveedores.
La utilidad operativa está en la repetibilidad. Si una actualización empeora las respuestas sobre, por ejemplo, revisiones farmacéuticas, el equipo puede ejecutar el mismo conjunto de pruebas y detectar la regresión. Al disponer de una respuesta esperada, también puede separar errores de recuperación, razonamiento, permisos y redacción.
La calidad de los datos sintéticos también debe evaluarse
Una prueba solo es útil si el escenario artificial conserva las propiedades relevantes del trabajo real. Un conjunto demasiado limpio puede ocultar abreviaturas, contradicciones, documentos duplicados o instrucciones incompletas. Uno demasiado pequeño puede no contener situaciones raras pero graves. Y uno generado por el mismo tipo de modelo que se evalúa puede favorecer patrones familiares.
El marco SynAE de Microsoft Research, publicado en mayo de 2026, propone medir validez, fidelidad y diversidad en varias dimensiones: instrucciones, respuestas intermedias, llamadas a herramientas, resultados finales y evaluación posterior. Su conclusión relevante es que una sola métrica no basta para caracterizar la calidad.
Aplicado a una empresa, esto sugiere combinar al menos cuatro controles:
- Coherencia: personas, fechas, permisos y proyectos no deben contradecirse.
- Cobertura: el conjunto debe incluir tareas habituales y casos límite.
- Dificultad: debe haber ruido, ambigüedad y cambios de contexto razonables.
- Transferencia: una mejora en el laboratorio debe confirmarse con una implantación controlada y datos autorizados.
Qué puede hacer una pyme sin construir una empresa virtual
La mayoría de pequeñas empresas no necesita generar cientos de usuarios ficticios. Puede adaptar el principio con un banco de pruebas compacto y sin información personal:
- Elegir entre cinco y diez tareas concretas. Por ejemplo, clasificar consultas, resumir una reunión, extraer fechas de un contrato modelo o preparar un borrador de respuesta.
- Crear datos inventados pero plausibles. Sustituir nombres, importes, direcciones, identificadores y documentos por casos ficticios diseñados desde cero.
- Definir la respuesta correcta. Anotar qué datos debe incluir, qué debe omitir y qué fuentes debe citar.
- Probar permisos y negativas. Incluir preguntas que el asistente no debe contestar o documentos a los que un perfil no tendría acceso.
- Registrar fallos y coste. Medir exactitud, omisiones, tiempo ahorrado, revisión humana y consumo.
- Repetir tras cada cambio. Usar el mismo conjunto al modificar instrucciones, modelo, conectores o permisos.
Antes de introducir información auténtica, también conviene aplicar controles de acceso, minimización y retención. La guía de FórmateConIA sobre privacidad y datos en asistentes de inteligencia artificial reúne siete comprobaciones para reducir exposición innecesaria.
Formación y capacidades internas: dónde encaja esta metodología
Los entornos sintéticos no son una función que una persona active con un botón. Exigen entender procesos, datos, criterios de aceptación y riesgos. Para responsables que necesiten una introducción a usos empresariales y productividad, puede servir como punto de partida comparar el Workshop de Inteligencia Artificial para Negocios, cuya ficha, límites y condiciones ya analizamos. Una formación general no sustituye el diseño técnico de evaluaciones, pero puede ayudar a identificar el primer proceso que merece una prueba.
En sectores técnicos, la misma lógica se aplica a flujos especializados: definir un caso, crear entradas controladas y verificar resultados antes de incorporarlos al trabajo. El análisis del curso de Revit BIM, renderizado en la nube e inteligencia artificial permite valorar un ejemplo orientado a arquitectura y construcción. En cualquier formación, hay que comprobar temario, soporte, herramientas adicionales y condiciones actuales antes de comprar.
Hechos confirmados, límites y próximos pasos
Hechos confirmados por Microsoft: existe una plataforma interna de generación y evaluación; no usa datos reales de clientes; ha producido tres entornos sectoriales con cientos de usuarios; utiliza señales públicas revisadas; y la organización la emplea como base compartida para pruebas, comparaciones y regresiones de Copilot.
Límites: no se han publicado todos los conjuntos para reproducción independiente; las puntuaciones comunicadas son internas; la fidelidad estructural no garantiza que aparezcan todos los errores del mundo real; y un entorno sintético no reemplaza las pruebas de aceptación de cada cliente, con sus permisos y procesos.
Próximos pasos anunciados, no resultados actuales: el equipo estudia cómo evaluar conversaciones de varios turnos, organizaciones que evolucionan durante meses o años y sistemas capaces de ejecutar acciones. Son líneas de trabajo futuras. No debe asumirse que la plataforma ya cubre por completo esos escenarios.
Preguntas frecuentes
¿Microsoft usa correos reales de empresas para estas evaluaciones?
Según Microsoft Research, no. La plataforma genera estructuras, correos, reuniones y documentos sintéticos y no introduce datos de clientes en la canalización.
¿Los datos sintéticos garantizan privacidad?
No por definición. La seguridad depende de las fuentes, el método de generación, los filtros, la procedencia y la revisión. En este proyecto, Microsoft afirma haber diseñado controles específicos y haber excluido datos de clientes.
¿Una buena puntuación sintética demuestra que el asistente funcionará en mi empresa?
No. Aporta evidencia controlada y permite comparar versiones, pero hace falta una validación local con tareas, permisos y criterios propios, usando únicamente información autorizada.
¿Qué debería probar primero una pyme?
Una tarea de bajo riesgo, frecuente y fácil de verificar. Prepare casos ficticios, defina la respuesta correcta, mida errores y tiempo de revisión, y amplíe el alcance solo si el resultado es consistente.
Conclusión
La aportación más interesante no es que una empresa ficticia pueda parecer real, sino que permite tratar la evaluación como una infraestructura continua. Los asistentes cambian, los conectores cambian y las organizaciones también. Un banco de pruebas reproducible ayuda a detectar regresiones, comparar decisiones y exigir pruebas antes de confiar tareas sensibles.
Microsoft ha presentado una respuesta ambiciosa al conflicto entre realismo y confidencialidad. Sus cifras son prometedoras, pero todavía proceden del propio equipo y no eliminan la necesidad de validación independiente. Para cualquier organización, grande o pequeña, el principio es aplicable: probar con datos controlados, medir en varias dimensiones y separar una demostración convincente de un sistema fiable.