Datos sintéticos: la confianza frena a las pymes

Los datos sintéticos llevan tiempo en la conversación tecnológica como una promesa casi redonda: permiten a los equipos trabajar con información que se parece a la de producción sin exponer datos personales ni comprometer el cumplimiento. Sin embargo, la adopción real va muy por detrás del entusiasmo. Según una investigación reciente de Perforce Delphix, el principal obstáculo no es la falta de conocimiento, ni las políticas de gobernanza, ni la normativa: es la calidad del dato.

Los números son elocuentes. Solo el 38% de los responsables empresariales cree que los datos sintéticos ofrecen un realismo suficiente, y apenas el 34% confía en que preserven la integridad referencial. Es decir, dos tercios de las organizaciones no tienen la seguridad de que las relaciones entre entidades —clientes, pedidos, pagos— se mantengan coherentes cuando se generan datos artificiales. Y sin esa confianza, el equipo de desarrollo prefiere no usarlos.

El problema no es generar datos, es que sirvan

Generar datos sintéticos es relativamente sencillo. Lo difícil es que esos datos sean útiles para probar aplicaciones reales. El artículo original lo resume con una idea que compartimos: los desarrolladores y testers no preguntan primero si el dato está protegido, sino si les sirve. ¿Representa el comportamiento del cliente? ¿Soporta escenarios complejos? ¿Mantiene las relaciones entre sistemas interconectados? ¿Me da confianza de que lo que pruebo hoy funcionará en producción mañana?

Cuando la respuesta es no, el equipo acaba validando la aplicación contra escenarios que no existen en producción. El resultado son defectos, releases fallidos y pruebas que no reflejan la realidad. Y en una pyme, donde el margen para rehacer trabajo es escaso, eso se traduce directamente en coste y en retrasos.

El dato del 66% de líderes de software que reconocen no usar datos sintéticos en desarrollo y pruebas debería hacernos reflexionar. No es que no los conozcan; es que han experimentado y no han visto mejoras. Muchas herramientas generan valores aleatorios que, siendo técnicamente válidos, no respetan rangos, distribuciones ni reglas de negocio. Un identificador de cliente inventado puede ser sintácticamente correcto y, a la vez, imposible en el sistema real.

Integridad referencial: el detalle que lo cambia todo

La integridad referencial es la capacidad de mantener las relaciones entre datos a lo largo de distintos sistemas. En una aplicación empresarial típica, la información del cliente vive en un sistema, los pedidos en otro y los pagos en un tercero. Si los datos sintéticos rompen esas dependencias, el equipo no está probando procesos de negocio: está probando componentes aislados.

El artículo original pone un ejemplo muy claro: dos entidades como inversor y cuenta de inversión deben estar siempre vinculadas. Si se generan por separado, la prueba pierde sentido. Lo mismo ocurre con un pedido y su línea de detalle, o con una factura y su cliente. La generación debe respetar el orden de dependencias para que las relaciones padre-hijo se mantengan intactas en todo el entorno.

Para una pyme con un ERP, un CRM y una tienda online, esto no es un detalle académico. Es la diferencia entre un entorno de pruebas fiable y un conjunto de datos que solo sirve para hacer demos.

Qué debería exigir un equipo de IT antes de adoptar datos sintéticos

La investigación de Perforce Delphix identifica varias capacidades que deberían considerarse no negociables al evaluar herramientas de datos sintéticos. Las adaptamos al contexto de una pyme o un equipo de IT con recursos limitados:

• Preservar relaciones entre bases de datos y sistemas, no solo dentro de un esquema. Si la herramienta no entiende las dependencias entre sistemas, el dato sintético será decorativo.
• Generar en orden de dependencia, de modo que las relaciones padre-hijo se mantengan durante todo el proceso.
• Validar el realismo y la lógica de negocio: formatos esperados, rangos, distribuciones y reglas. Un dataset de prueba nunca debería producir escenarios imposibles.
• Evaluar la calidad de forma continua a medida que evolucionan los esquemas. Si cada cambio en el sistema origen obliga a reconfigurar manualmente la generación, la confianza se erosiona.

A esto añadimos una recomendación propia: empezar por un dominio acotado. No hace falta sintetizar toda la base de datos corporativa. Elegir un flujo crítico —por ejemplo, el alta de un cliente y su primer pedido— permite validar la herramienta con un caso realista y, si funciona, ampliar el alcance. Es la misma filosofía que aplicamos cuando hablamos de integrar IA en el ciclo de desarrollo: pasos pequeños, resultados medibles.

El contexto: la IA agéntica sube la apuesta

El artículo original señala que más de la mitad de las empresas (51%) ya usan datos sintéticos para proteger información sensible, junto con técnicas de enmascaramiento estático y dinámico. La presión aumenta porque los agentes de IA necesitan datos disponibles y de calidad de forma continua. En ese escenario, la integridad referencial deja de ser un lujo y se convierte en un requisito operativo.

Para una pyme, la lectura es doble. Por un lado, los datos sintéticos pueden resolver el eterno conflicto entre dar acceso a los equipos y proteger la información. Por otro, adoptarlos sin criterio de calidad puede generar una falsa sensación de seguridad: pruebas que pasan en un entorno que no se parece a producción. Como comentamos al analizar lecciones de ingeniería ante picos de tráfico, la fiabilidad se construye sobre supuestos que se validan, no sobre datos que solo parecen reales.

La conclusión es sencilla: la adopción de datos sintéticos no se desbloquea con más marketing ni con más cumplimiento, sino con confianza demostrable. Y la confianza se gana cuando el dato sintético se comporta como el sistema que representa. Antes de firmar con un proveedor, pídele que te enseñe cómo mantiene las relaciones entre tablas, cómo valida las reglas de negocio y qué ocurre cuando cambia el esquema de origen. Si no puede responder con claridad, el 34% seguirá siendo la norma.

Fuente: The New Stack. Análisis y adaptación: ForgeNEX.