Investigación social, gemelos digitales, neurociencias, neuromarketing político, prospectiva y GEO

Edición integral ampliada · noviembre de 2026 · Documento de investigación y propuesta metodológica

Índice

1. Investigación social y métodos sintéticos

1.1. El focus group que no necesita agua

1.2. Tres objetos distintos: arquetipo, gemelo y población sintética

1.3. El antecedente de Stanford: 1.052 personas en entrevistas de profundidad

1.4. La advertencia de Pew: un gemelo no es una encuesta

1.5. Representatividad: por qué mil respuestas artificiales no son mil entrevistas

1.6. La duda y la no respuesta como información

1.7. De la simulación al diseño de investigaciones mejores

2. Neurociencias, comportamiento y validación de gemelos digitales

2.1. El elector no es una colección de variables

2.2. Emociones que se describen y emociones que se miden

2.3. Modelos cognitivos y emocionales

2.4. Memoria, contexto y el acontecimiento que nadie previó

2.5. El doble circuito algorítmico

2.6. El peligro del laboratorio que siempre nos da la razón

2.7. Propuesta: laboratorio de gemelos digitales electorales

2.8. ¿Qué sería exactamente un gemelo digital electoral?

2.9. Diseño piloto: pequeño, comparable y falsable

2.10. Cómo saber si funciona: criterios de validación

2.11. Predicción de efectos experimentales

2.12. Qué aporta al neuromarketing y qué no

2.13. Familiaridad, identidad social, sesgos y relato

2.14. Lo que miden —y lo que no— EEG, eye tracking, EDA y pruebas implícitas

2.15. Estabilidad temporal y deriva del gemelo

2.16. Gemelos colectivos y redes sociales

3. Neuromarketing político, campaña y prospectiva electoral

3.1. La política de bloques y la abstención: lo que un promedio oculta

3.2. Del mensaje al contexto: televisión, TikTok y WhatsApp

3.3. Riesgos jurídicos y éticos

3.4. El elector no es un consumidor: identidad, legitimidad y participación

3.5. El acontecimiento inesperado y la atribución de responsabilidad

3.6. De la pantalla a la calle: canales, relaciones y movilización

3.7. Un laboratorio electoral falsable, no una máquina de pronósticos

4. GEO POLÍTICO, asistentes generativos y democracia algorítmica

4.1. Del ciudadano que busca al ciudadano que pregunta

4.2. Qué es GEO y cuáles son sus límites

4.3. Presencia, fuente, cita, omisión y encuadre

4.4. Diseño de una auditoría reproducible de GEO político

4.5. IA conversacional, persuasión y conducta

4.6. Identidad política y alfabetización algorítmica

4.7. La doble intermediación algorítmica

4.8. Complacencia algorítmica y exposición selectiva

4.9. GEO, AEO, AEG y cautela conceptual

4.10. Auditoría GEO y arquitectura de la información

5. De la experimentación a las urnas: antecedentes internacionales y límites de la evidencia (2023–2026)

5.1. Cuatro niveles que no deben confundirse

5.2. Reino Unido, 2024: Ipsos y los cinco votantes sintéticos

5.3. Estados Unidos: simulación de 1.052 individuos y validación delimitada

5.4. Estados Unidos, Canadá y Polonia: persuasión conversacional medida experimentalmente

5.5. India y otras campañas: separar experimentos de despliegues

5.6. GEO político: de la visibilidad informativa a la hipótesis de influencia

5.7. Conclusión: de la posibilidad técnica a la demostración electoral

6. Programa de investigación, ética y prospectiva

6.1. Tres escenarios de prospectiva:

7. Conclusiones

7.1. Conclusión: los gemelos no votan

Bibliografía y fuentes documentales

Introducción.

La política investiga con máquinas y el ciudadano empieza a preguntarle información y datos.

La inteligencia artificial impacta al elector en los dos extremos del ciclo político: por un lado, actúa como un instrumento clave para estudiar su comportamiento y, por otro, opera como el intermediario de la información que recibe ,de manera activa o pasiva, a través de los medios de comunicación.

La inteligencia artificial aparece en los dos extremos del proceso político que afectan claramente al elector empezando por ser un instrumento para estudiar su comportamiento y como intermediario de la información que este recibe de los medios y canales de información, sea de forma activa o pasiva.

El uso de la I A generativa, y agentes para la investigación política es perfectamente posible porque pueden construir perfiles, simular conversaciones y responder preguntas que antes solo dirigíamos a personas, esto visto desde el punto de vista de la investigación.

Seguramente nos dará respuestas y conclusiones, pero la política incorpora además identidad, memoria, pertenencia, legitimidad institucional y participación, entre otras.

El elector puede mantener sus convicciones y abstenerse, rechazar a un candidato y continuar dentro de su «ideología» o reconsiderar una decisión ante un acontecimiento inesperado.

Investigar estas posibilidades exige distinguir el comportamiento humano de su simulación o mejor dicho la elección, no racional, por cierto, que mejor se adecue a su «cerebro ideológico».

En paralelo, el ciudadano consulta asistentes de IA para interpretar acontecimientos, partidos y candidatos, pero puede ser de forma consciente y activa, hasta «lúdica», pero lo importante no es cuando pregunta directamente, sino cuando la información le llega creada de forma no transparente y la IA, si algo sabe hacer bien, es la «pelota» y decir lo que queremos oír, y que estamos en la certeza, y eso desde luego se puede hacer con GEO, o de forma menos sofisticada al estilo «cuñao»…

La tesis central es que ambas funciones deben examinarse conjuntamente sin confundirlas ni atribuirles efectos electorales no demostrados.

Aquí vamos a tratar varios aspectos:

instrumentos sintéticos

validación conductual y neurocientífica

aplicación a campañas

GEO, respuestas generativas

y democracia algorítmica.

1. Investigación social y métodos sintéticos

1.1. El focus group que no necesita agua

¿Y si el próximo focus group político no necesitara agua para evitar cortocircuitos entre sus participantes electrónicos? La ocurrencia sirve para presentar una transformación seria: una parte de la investigación electoral podría realizar ensayos previos con perfiles artificiales antes de convocar a ciudadanos reales. Lula Bueno, en Top Comunicación ^[3], ha planteado los cualitativos sintéticos como una herramienta para testar mensajes con rapidez y menor coste. El interés no reside en fabricar una versión barata del grupo de discusión, sino en ampliar la capacidad de formular hipótesis.

Un grupo de discusión convencional no es una suma de respuestas. En él importan las interrupciones, los silencios, las contradicciones, las alianzas espontáneas y el modo en que una opinión cambia ante otra persona. El sistema generativo puede producir diálogos plausibles, pero eso no acredita que reproduzca esos mecanismos sociales. Precisamente por ello, la utilidad del laboratorio sintético debe definirse como exploratoria y desde luego permite centrar muchas variables.

Lo que propongo es más exigente, pero no sabemos si es práctica, porque la IA puede ayudarnos a ensayar preguntas que todavía no habíamos formulado, pero no debe llevarnos a confundir una respuesta verosímil con un elector comprendido.

La prospectiva en este caso queda como un marco demasiado amplio, pero debe tenerse en cuenta, no consiste en acertar la próxima papeleta, sino en investigar qué circunstancias podrían alterar una decisión que hoy parece estable.

1.2. Tres objetos distintos: arquetipo, gemelo y población sintética

Un “arquetipo sintético” es un personaje construido a partir de rasgos generales: edad aproximada, situación laboral, preocupaciones, hábitos informativos o preferencias declaradas. No representa a una persona identificable y sirve para examinar si un argumento resulta coherente bajo ciertas condiciones.

Un gemelo digital, individual, en cambio, intenta reproducir patrones de respuesta de una persona concreta, utilizando información obtenida de ella con consentimiento y un procedimiento documentado. En ciencias sociales el término es todavía una analogía: no implica una réplica de su conciencia, su cerebro o sus emociones. El gemelo es un modelo falible, acotado y sometido a actualización.

Una “población sintética” combina numerosos agentes y reglas de interacción para estudiar resultados agregados. Su calidad depende tanto de la validez de cada agente como de las relaciones entre ellos, de la calibración y de los mecanismos de interacción. Multiplicar miles de respuestas de un modelo no convierte por sí mismo una simulación en una encuesta representativa.

Es crucial no presentar estas tres técnicas como equivalentes, pero podemos hacerlas útiles y complementarias.

1.3. El antecedente de Stanford: 1.052 personas en entrevistas de profundidad

El trabajo de Park y colaboradores sobre simulaciones de agentes generativos utilizó entrevistas cualitativas extensas a 1.052 personas y modelos de lenguaje para crear agentes anclados en información individual ^[5]. Según Stanford HAI, sus respuestas en una prueba de encuesta alcanzaron el 85 % de la consistencia que las propias personas mostraban al repetir sus respuestas dos semanas después. La cifra expresa una comparación relativa en tareas específicas, pero no significa que el sistema prediga el 85 % de todas las conductas humanas.

La novedad metodológica es importante, porque frente al perfil limitado a cinco variables demográficas, la entrevista aporta historia vital, motivaciones, contradicciones y contexto. Eso permite explorar una representación menos estereotipada del individuo. Sin embargo, incluso un agente alimentado por dos horas de conversación no reproduce su experiencia emocional, sus relaciones sociales ni los acontecimientos futuros.

El resultado aconseja una estrategia: enriquecer la investigación cualitativa pero no reemplazarla. Un gemelo puede ser un instrumento para contrastar teorías con su referente humano y su valor aumenta cuando sabemos en qué preguntas «falla». Es decir, en qué condiciones se desvía y cómo cambia su precisión al transcurrir el tiempo.

1.4. La advertencia de Pew: un gemelo no es una encuesta

Pew Research Center utilizó en 2026 un procedimiento que denominó expresamente «digital twins»: entregó a modelos información sociodemográfica y respuestas previas de miembros de su panel, y pidió a las réplicas que contestaran nuevas encuestas ^[4]. La distancia media absoluta entre estimaciones sintéticas y humanas alcanzó 12,4 puntos porcentuales en las tres oleadas examinadas, y las discrepancias variaron entre grupos y cuestiones.

El resultado no contradice automáticamente a Stanford: las arquitecturas, tareas, métricas y poblaciones eran distintas.

Precisamente demuestra por qué no debe creerse en una precisión universal. Un modelo puede replicar razonablemente una tarea y fallar en otra. Puede aproximarse a una media y deformar la distribución de opiniones, las minorías o la relación entre variables.

La consecuencia para el marketing político es inmediata: un equipo no debería publicar estimaciones de intención de voto basadas únicamente en gemelos, ni usar sus respuestas como si fueran testimonios humanos. Una simulación es una predicción condicionada por el modelo, no una medición directa de la opinión pública.

1.5. Representatividad: por qué mil respuestas artificiales no son mil entrevistas

Una muestra humana tiene un diseño de selección, una población objetivo, una tasa de respuesta y fuentes de error de cobertura y medición. Una población de agentes generativos, por extensa que sea, no adquiere automáticamente estas propiedades y su variación puede depender de un mismo modelo subyacente y de instrucciones compartidas.

La investigación de Argyle y su equipo abrió una vía de exploración sobre muestras simuladas. Bisbee y colaboradores advirtieron que las respuestas generadas pueden mostrar menor dispersión o relaciones diferentes entre variables, incluso cuando algunos promedios parecen razonables. La inferencia poblacional requiere validación independiente no solo volumen de salidas.

En el contexto político español deben comprobarse de manera específica las diferencias territoriales, generacionales, institucionales y de participación. No basta con imponer cuotas demográficas para recuperar la diversidad de opiniones, silencios y contradicciones.

1.6. La duda y la no respuesta como información

La investigación humana registra vacilaciones, respuestas abiertas, rectificaciones y rechazos a contestar. Los asistentes generativos tienden a producir textos completos y plausibles, por lo que pueden ocultar incertidumbre real tras una seguridad verbal artificiosa.

Un instrumento válido debe preservar opciones como «no sabe», «no contesta», «depende» o «no tiene opinión formada», y evaluar si el modelo reproduce su frecuencia. Un perfil que siempre responde puede ser menos representativo que otro que reconoce sus límites. Dicho de otra forma, hay que evitar las «alucinaciones» y convertir la ambivalencia del ciudadano en un defecto de los datos.

1.7. De la simulación al diseño de investigaciones mejores

El uso más defendible de los agentes sintéticos es exploratorio: comprobar ambigüedades de preguntas, ensayar guías de entrevista, formular hipótesis alternativas, detectar variables omitidas y organizar escenarios de investigación. Un pretest sintético no sustituye el pretest con participantes reales, pero ayuda, y sobre todo permite ajustar lo más posible antes de llevarlo a «los humanos»

El investigador debería registrar la versión del modelo, instrucciones, temperatura u otros parámetros relevantes, fechas, fuentes, criterios de inclusión y errores. También debe comparar sus resultados con métodos simples y con observaciones humanas no utilizadas durante la construcción de agentes.

2. Neurociencias, comportamiento y validación de gemelos digitales

2.1. El elector no es una colección de variables

La identidad política no es una ficha de atributos independientes.

Un ciudadano puede ser propietario, trabajador, padre, residente en una comunidad autónoma, simpatizante histórico de un partido y crítico con su dirección. Las pertenencias se activan de forma desigual según el problema y así, Tajfel y Turner ^[10] ayudan a comprender cómo la identidad social interviene en la percepción del grupo propio y del adversario.

Un perfil que deduce automáticamente el voto de la renta, la edad o el lugar de residencia corre el riesgo de convertir correlaciones históricas en estereotipos. También puede olvidar que una persona mantiene su identidad partidista mientras cambia de conducta: abstención, voto en blanco, transferencia intrabloque o movilización de último momento.

El objetivo no es inventar un votante coherente, sino en investigar sus contradicciones y en política, la aparente inconsistencia es a menudo la información más valiosa.

2.2. Emociones que se describen y emociones que se miden

El neuromarketing político estudia mecanismos de atención, valoración, memoria, activación y decisión. La IA puede escribir que un mensaje provoca miedo, ira, esperanza o alivio. Pero esa descripción no es una medición fisiológica ni una vivencia emocional. Damasio ^[18], Kahneman ^[12] y la investigación sobre inteligencia afectiva ^[14] ofrecen marcos para comprender por qué las emociones participan en el juicio político.

El laboratorio sintético debería formular hipótesis precisas:

qué elementos de un mensaje podrían generar incertidumbre

qué formulaciones podrían resultar ambiguas

qué conflictos entre identidad e interés convendría explorar.

Después habría que contrastarlas con participantes reales mediante entrevistas, escalas validadas, medidas conductuales y, cuando tenga sentido, herramientas fisiológicas complementarias.

Si ni el seguimiento ocular, ni la conductividad de la piel, identifican por sí solos una intención de voto, seguramente mucho menos lo hace la frase de un agente que afirma sentirse indignado o emocionado. La precisión conceptual protege la credibilidad de la investigación, pero es útil, no nos equivoquemos, hasta puede ser más real por la estadística y la probabilidad, pero de momento sumemos sin excluir.

2.3. Modelos cognitivos y emocionales

La representación sintética del elector debe diferenciar tres planos:

respuestas expresadas

mecanismos psicológicos hipotéticos

medidas observables.

Un agente puede declarar indignación sin experimentar activación fisiológica y por ello no se debe inferir emoción real de una salida textual.

El modelo conceptual integra identidad social, heurísticos, memoria reconstructiva, familiaridad, valoración de amenazas y expectativas institucionales. Estas dimensiones se operacionalizan mediante cuestionarios, tareas conductuales y, cuando exista justificación, mediciones psicofisiológicas complementarias.

Propuesta de contraste: comparar la predicción del gemelo sobre atención, recuerdo y valoración con la respuesta de su referente humano ante materiales equivalentes. La discrepancia debe documentarse por condición, tema y periodo temporal, evitando atribuciones causales no demostradas.

2.4. Memoria, contexto y el acontecimiento que nadie previó

Las campañas no transcurren en un laboratorio y como sabemos puede suceder:

Una crisis institucional,

un accidente como el del AVE

una decisión judicial

una ruptura de coalición puede alterar la jerarquía de problemas.

El mismo candidato que antes se evaluaba por su cercanía puede pasar a ser juzgado por transparencia, capacidad de gestión o responsabilidad política.

Un gemelo construido con información previa puede repetir el patrón antiguo precisamente cuando el contexto cambia. Ese riesgo se intensifica si el modelo tiende a generar respuestas compatibles con la biografía que le hemos proporcionado por lo que tenemos que reconstruir todo o al menos la parte afectada. Recordemos que la «memoria política humana» es reconstructiva y reinterpretamos el pasado a la luz de acontecimientos nuevos.

La «prospectiva sintética» debe trabajar con escenarios alternativos, supuestos explícitos y preguntas abiertas. Su misión no es anunciar cómo reaccionará una persona ante una crisis futura, sino identificar qué preguntas deberíamos contrastar cuando esa crisis modifica el marco de interpretación y poder en su caso proponer al «cliente».

2.5. El doble circuito algorítmico

Estamos ante una paradoja: los equipos políticos pueden utilizar agentes artificiales para ensayar sus mensajes mientras los ciudadanos reales consultan asistentes de IA para interpretar a los partidos.

La campaña simula al elector y el elector utiliza una máquina para comprender la campaña:

El primer circuito plantea problemas de validez de investigación.

El segundo, de acceso a la información, selección de fuentes y autonomía del ciudadano.

En medio aparecen buscadores generativos, medios de comunicación, plataformas y redes interpersonales.

El GEO puede favorecer la accesibilidad de programas y documentos, pero también crear incentivos para saturar el entorno informativo con afirmaciones interesadas, incluso sin el control de los que crean o manejan la campaña

No debemos confundir ambos circuitos, porque un gemelo sintético apruebe un mensaje no significa que un asistente general lo reproduzca, ni que un ciudadano real vaya a confiar en él. La investigación profesional exige observar por separado cada intermediación.

2.6. El peligro del laboratorio que siempre nos da la razón

El investigador decide qué datos alimentan el perfil, qué preguntas formula y qué respuestas considera relevantes. Por eso puede construir, involuntariamente, una «máquina» que reproduce sus supuestos, o entrar en el mundo de los sesgos o de la influencia de otros.

Un caso típico, es que el equipo cree que su problema es la falta de visibilidad de su líder / candidato y puede que quizá diseñe perfiles que terminen reclamando más visibilidad. Si considera que el candidato debe endurecer el tono, puede encontrar una simulación que justifique ese giro y viceversa.

La solución consiste en predefinir hipótesis, incorporar preguntas de control, utilizar varios modelos, conservar respuestas divergentes y contrastar con datos que no hayan servido para construir los perfiles, es decir debería destacar los fallos del sistema, y no esconderlos en un promedio.

El verdadero riesgo no es que la «máquina» responda mal, sino que responda de una forma tan convincente que dejemos de comprobarla.

2.7. Propuesta: laboratorio de gemelos digitales electorales

Se trata de crear un laboratorio de investigación y no una maquinaria de predicción individual. Su objetivo sería comparar tres niveles con funciones y límites distintos:

arquetipos sintéticos construidos con datos públicos

gemelos de participantes voluntarios

y un panel humano de referencia.

Serian varias fases:

La primera fase sería cualitativa: entrevistas semiestructuradas sobre experiencias políticas, criterios de confianza, identidad social, prioridades y hábitos informativos.

De construcción: agentes documentados, con trazabilidad de instrucciones y separación estricta de datos identificativos.

evaluación: respuestas a cuestiones reservadas que el modelo no haya visto, repetidas en momentos diferentes y comparadas con las de sus referentes humanos.

La cuarta fase introduciría escenarios controlados: cambios de contexto informativo, incertidumbre económica o problemas institucionales hipotéticos, sin afirmar que esos escenarios se producirán.

La quinta estudiaría estabilidad y deriva: qué deja de representar el gemelo después de varias semanas o ante nueva información.

La sexta publicaría resultados agregados, límites y errores, evitando decisiones automatizadas sobre personas concretas.

2.8. ¿Qué sería exactamente un gemelo digital electoral?

No sería una réplica del cerebro ni una conciencia simulada. Sería un agente probabilístico y revisable que intenta reproducir ciertas respuestas observables de un participante voluntario, en un dominio definido y durante un periodo limitado. Debe incluir una ficha metodológica: origen de los datos, fecha, versión del modelo, variables utilizadas, tareas validadas y condiciones de retirada del consentimiento.

El gemelo no debería incorporar información obtenida de redes privadas ni inferencias políticas sensibles sin base jurídica adecuada. Tampoco tendría sentido utilizarlo para dirigir mensajes personalizados de explotación emocional. Su finalidad sería comprender los límites de la simulación y mejorar la investigación, no convertir a personas identificables en objetivos de persuasión.

La expresión «gemelo digital» tiene fuerza comunicativa, vende para el “cliente”, pero exige prudencia académica. Una réplica que acierta algunas respuestas sigue siendo un modelo y no la persona.

2.9. Diseño piloto: pequeño, comparable y falsable

Un piloto razonable podría comenzar con 60 a 100 voluntarios, seleccionados para incorporar diversidad de edad, educación, territorio, hábitos digitales e identificación política, sin presentarlos como muestra representativa nacional. La cifra es una propuesta de diseño, no un tamaño muestral calculado para inferencia electoral.

Cada participante completaría una entrevista y dos rondas de preguntas separadas temporalmente y una parte de las preguntas quedaría reservada para validación fuera de muestra. Se construirían agentes a partir de la primera fase y se compararían con las respuestas humanas posteriores.

Un grupo de arquetipos basados únicamente en variables generales permitiría comprobar si las entrevistas realmente mejoran, porque es lo que vamos a poder construir no olvidemos que sesgaremos, casi seguro, pero también digo, el cálculo de la probabilidad y la estadística pueden obrar maravillas.

Los indicadores serían:

concordancia individual

error por pregunta

diversidad de respuestas

calibración de incertidumbre

estabilidad temporal

errores por subgrupo.

Se documentarían también los casos de desacuerdo y ningún resultado se publicaría como estimación electoral sin una investigación representativa independiente.

2.10. Cómo saber si funciona: criterios de validación

La prueba esencial no es si el agente redacta como su referente, sino si anticipa correctamente respuestas nuevas bajo condiciones que no se utilizaron para construirlo. La validación debe distinguir fidelidad individual, validez distributiva y utilidad para explorar hipótesis.

Se necesitan comparaciones con líneas de base simples: el promedio de la muestra, una regresión convencional o un perfil sociodemográfico. Si el gemelo complejo no supera consistentemente esas referencias carece de justificación. También debe compararse con la consistencia test-retest de las propias personas, porque la opinión humana puede cambiar sin que exista un error de medición.

Pew ^[4] y Verasight ^[6] muestran por qué es indispensable medir errores en temas nuevos y subgrupos.

2.11. Predicción de efectos experimentales

Una línea distinta de la simulación de encuestados consiste en predecir el tamaño y la dirección de efectos de experimentos sociales. La unidad de análisis deja de ser la respuesta individual y pasa a ser la diferencia observada entre condiciones experimentales.

El trabajo sobre predicción de resultados experimentales con modelos de lenguaje abre una posibilidad metodológica: seleccionar hipótesis con mayor potencial informativo antes de ejecutar estudios costosos. La evaluación requiere predicciones preregistradas, efectos observados fuera de muestra, intervalos de incertidumbre y comparación con líneas de base estadísticas.

En política pueden contrastarse efectos de formato, fuente, encuadre y repetición sobre comprensión, recuerdo y valoración. El éxito al estimar efectos promedio no acredita predicción del voto individual ni validez fuera del contexto estudiado.

2.12. Qué aporta al neuromarketing y qué no

El laboratorio sintético puede acelerar la generación de hipótesis, mejorar guías de entrevista, detectar contradicciones y priorizar experimentos. Puede ayudar a decidir qué no sabemos.

No sustituye una medición de emoción, un panel representativo ni un experimento causal con personas y tampoco permite concluir que el elector votará de una manera concreta. El digamos, «neuromarketing sintético», puede utilizarse como propuesta conceptual: simulación computacional de hipótesis cognitivas y afectivas pero validada después mediante investigación humana.

La innovación, por decirlo de alguna forma, no es prescindir de los ciudadanos sino en aprovechar mejor cada encuentro con ellos siendo mas efectivos.

2.13. Familiaridad, identidad social, sesgos y relato

El manual de investigación, que prepare en su día, nos puede ofrecer un marco de trabajo sobre reducción de incertidumbre y familiaridad, identidad social, sesgos, emoción y storytelling. Estos conceptos permiten formular preguntas más exigentes a los gemelos digitales: ¿reproducen asociaciones o solo las verbalizan?, ¿cómo reaccionan ante un relato que activa pertenencias grupales?, ¿qué ocurre cuando la familiaridad y la confianza divergen?

La teoría de Tajfel y Turner explica procesos de categorización e identificación intergrupal mientras que Kahneman y Tversky aportan marcos sobre heurísticos y encuadre, la inteligencia afectiva de Marcus, y Neuman y MacKuen estudia el papel de emociones en el juicio político. Ninguna de estas teorías demuestra por sí misma que un agente generativo reproduzca la mente humana. Pero son fundamentos para formular hipótesis contrastables.

2.14. Lo que miden —y lo que no— EEG, eye tracking, EDA y pruebas implícitas

El eye tracking permite observar fijaciones y trayectorias visuales, no inferir automáticamente aceptación. El EEG registra actividad eléctrica cerebral bajo condiciones técnicas exigentes; no lee intenciones electorales. La EDA/GSR registra cambios electrotérmicos asociados con activación fisiológica, sin identificar por sí sola una emoción específica. Las medidas BVP y cardiovasculares pueden aportar indicadores complementarios, pero requieren controlar condiciones experimentales.

El Test de Asociación Implícita y las tareas de priming estudian asociaciones o efectos de procesamiento en tareas definidas; su interpretación individual y predictiva debe ser prudente. La elección de técnica debe responder a una hipótesis y a un modelo de medición, no al prestigio de un dispositivo.

La comparación con gemelos digitales sería multimétodo:

Declaraciones

tareas conductuales

medidas psicofisiológicas del participante humano.

El gemelo no genera una señal cerebral real, solo produce predicciones textuales o numéricas cuya correspondencia debe examinarse.

2.15. Estabilidad temporal y deriva del gemelo

Hay que distinguir entre la consistencia de respuesta, su correspondencia con el referente humano y robustez contextual. Un agente puede repetir siempre la misma respuesta y, sin embargo, dejar de parecerse a la persona cuando cambian sus circunstancias.

La validación longitudinal debería repetir tareas, reservar preguntas nuevas y comparar resultados antes y después de información adicional. Las métricas de exactitud, calibración, distribución y variación temporal deben publicarse con intervalos de incertidumbre y errores por subgrupo. Un piloto de 60–100 voluntarios pueden explorar factibilidad, pero no representa por sí solo al electorado.

2.16. Gemelos colectivos y redes sociales

La agregación de agentes individuales no reproduce por sí sola una comunidad política. La dinámica colectiva depende de vínculos, exposición diferencial, normas grupales, reputación, conversación y coordinación. Un modelo multiagente requiere explicitar topología de red, reglas de interacción, fuentes de heterogeneidad y supuestos de aprendizaje.

Se proponen simulaciones de contraste: red homogénea frente a heterogénea, conversación entre afines frente a exposición cruzada y ausencia frente a presencia de intermediarios de confianza. Los resultados serían propiedades del modelo, no estimaciones del comportamiento electoral español.

La validación exigiría datos agregados y autorizados sobre redes o deliberación, sin acceder a comunicaciones privadas ni identificar opiniones políticas individuales.

3. Neuromarketing político, campaña y prospectiva electoral

3.1. La política de bloques y la abstención: lo que un promedio oculta

En un sistema multipartidista como el español, la competencia no se reduce a trasvases directos entre Gobierno y oposición. Importan los desplazamientos entre partidos próximos, la distribución territorial de escaños, las expectativas de coalición y la participación. Un ciudadano puede rechazar al adversario y, al mismo tiempo, no querer votar a su propio partido.

El estudio sintético debería diferenciar al elector fiel pero descontento, al indeciso intrabloque, al nuevo votante, al abstencionista potencial y al votante que prioriza impedir una coalición. No para asignarles una respuesta automática, sino para descubrir qué hipótesis no cubre el cuestionario tradicional.

En particular, la decisión de votar en blanco, abstenerse o respaldar a una candidatura minoritaria no puede reducirse a un indicador único de desafección. Cada opción tiene un significado político y consecuencias institucionales diferentes.

3.2. Del mensaje al contexto: televisión, TikTok y WhatsApp

Un mensaje no conserva necesariamente su significado cuando cambia de canal, y así:

La televisión aporta una escenografía de autoridad

un vídeo breve comprime el contexto

un grupo de WhatsApp añade la relación personal con quien comparte el contenido.

En política, la fuente percibida puede ser tan importante como las palabras.

Un laboratorio sintético podría explorar distintas interpretaciones del mismo mensaje, pero la validación requeriría experimentos con ciudadanos reales que controlasen canal, fuente, repetición y contexto. La teoría del encuadre de Tversky y Kahneman ^[13] recuerda que la presentación de las alternativas puede modificar la evaluación sin alterar los hechos.

3.3. Riesgos jurídicos y éticos

Las opiniones políticas constituyen datos de especial protección en el Reglamento General de Protección de Datos ^[33]. La creación de gemelos basados en personas reales exige analizar finalidad, base jurídica, minimización, conservación, derechos de los participantes, seguridad y, cuando corresponda, evaluación de impacto. El consentimiento no convierte automáticamente cualquier tratamiento posterior en legítimo.

Deberían prohibirse en el protocolo la reidentificación de resultados agregados, la venta de perfiles individuales, el uso de los gemelos para dirigir presión política personalizada y la utilización de datos privados no autorizados. También conviene separar al equipo que valida los resultados de quien diseña las hipótesis de campaña.

La protección democrática no puede lograrse sacrificando la privacidad del elector. Un gemelo electoral solo tendría legitimidad científica si su construcción y evaluación respetan a la persona que lo hace posible.

3.4. El elector no es un consumidor: identidad, legitimidad y participación

Una elección política no equivale a una decisión de compra. El ciudadano evalúa legitimidad institucional, expectativas de futuro, pertenencias, prioridades públicas y posibles consecuencias colectivas. La identificación con un espacio político puede mantenerse mientras cae la confianza en sus representantes.

El análisis debe distinguir voto declarado, voto efectivo, transferencia intrabloque, transferencia interbloque, abstención, voto blanco y voto nulo. Ninguna de estas categorías debe inferirse automáticamente de la indignación o del rechazo verbal.

3.5. El acontecimiento inesperado y la atribución de responsabilidad

Una crisis puede modificar la agenda de campaña y la percepción de competencia, pero su efecto depende de la gravedad percibida, la información disponible, la atribución de responsabilidad y las identidades previas. No existe una regla universal por la que un accidente, una controversia o una dimisión beneficien siempre a un mismo bloque.

La simulación permite diseñar escenarios alternativos: reacción institucional rápida o tardía, información contradictoria o verificable, presencia o ausencia de responsabilidad política reconocida. Esos escenarios sirven para identificar mecanismos de percepción, nunca para adjudicar porcentajes de voto sin observación humana que no es perfecta, pero contempla muchos aspectos subconscientes del votante y del grupo.

3.6. De la pantalla a la calle: canales, relaciones y movilización

El documento «De la pantalla a la calle» distingue visibilidad, confianza, organización, movilización y voto. Esta distinción debe preservarse:

visualizaciones no son persuasión

seguidores no son militancia

interacción digital no es participación electoral.

La televisión, las redes abiertas, los vídeos breves, WhatsApp, las comunidades de base y los creadores de contenido cumplen funciones diferentes. En entornos interpersonales importa quién comparte el mensaje, en qué relación social y con qué interpretación. El fenómeno grassroots conecta comunicación con organización territorial, pero no debe reducirse a actividad digital.

Un laboratorio sintético puede ayudar a preparar preguntas sobre estos mecanismos, pero su validación exige estudiar audiencias y redes reales, respetando la privacidad de las comunicaciones.

3.7. Un laboratorio electoral falsable, no una máquina de pronósticos

La propuesta es comparar arquetipos, gemelos individuales consentidos y participantes humanos mediante tareas de percepción y comprensión de información política. Se definirían hipótesis previas, variables dependientes, controles, preguntas reservadas, umbrales de error y mecanismos de retirada de datos.

La utilidad se evaluaría frente a referencias sencillas: respuestas mayoritarias, modelos sociodemográficos o predicciones estadísticas básicas. El laboratorio debe registrar casos de fallo, desviaciones por subgrupo y respuestas contradictorias. No publicará resultados sintéticos como intención de voto representativa.

Un módulo adicional podría estudiar cómo distintos niveles de alfabetización algorítmica se relacionan con la interpretación de mensajes, sin equiparar edad y competencia digital.

4. GEO POLÍTICO, asistentes generativos y democracia algorítmica

4.1. Del ciudadano que busca al ciudadano que pregunta

Durante años, buscadores, medios y redes sociales organizaron buena parte del acceso digital a la información política. Los asistentes generativos añaden una experiencia diferente: ante una pregunta, pueden ofrecer una síntesis y no solo una lista de documentos. Esto modifica potencialmente la forma de consultar, comparar y recordar información.

La transformación no elimina el papel de las fuentes originales ni convierte a todos los ciudadanos en usuarios de asistentes. Debe investigarse quién utiliza estos sistemas, para qué preguntas, con qué confianza y con qué mecanismos de verificación.

4.2. Qué es GEO y cuáles son sus límites

Generative Engine Optimization (GEO) designa estrategias para mejorar la visibilidad o representación de contenidos en respuestas generativas. Se relaciona con SEO y con enfoques de optimización de respuestas, pero no es equivalente al control del algoritmo ni garantiza inclusión, recomendación o valoración favorable.

El trabajo de Aggarwal y colaboradores formalizó el estudio de visibilidad en motores generativos. Su aportación es técnica; no demuestra efectos electorales. En política, conviene separar optimización de fuentes públicas, recuperación de documentos, generación de respuestas y efectos sobre ciudadanos.

4.3. Presencia, fuente, cita, omisión y encuadre

La visibilidad de un candidato o institución puede evaluarse por su presencia en una respuesta, por las fuentes utilizadas, por la exactitud de las citas y por el contexto en que se presentan sus posiciones. Una fuente citada puede interpretarse de forma incompleta; una respuesta fluida puede omitir información relevante.

La teoría del framing de Entman y la agenda-setting de McCombs y Shaw ofrecen marcos para estudiar selección y relevancia informativa. No deben trasladarse mecánicamente a la IA: se necesita observar empíricamente cómo se construyen las respuestas de cada sistema.

4.4. Diseño de una auditoría reproducible de GEO político

Una propuesta seria un banco de preguntas sobre programas, candidatos, instituciones y controversias, formuladas con variantes controladas. Cada consulta se repetiría en diferentes fechas y sistemas, registrando versión, fecha, configuración, fuentes citadas y texto íntegro de la respuesta.

La codificación distinguiría exactitud factual, diversidad de fuentes, relevancia de las omisiones, equilibrio de perspectivas, tratamiento de incertidumbre y consistencia entre reformulaciones. La evaluación humana de estas dimensiones requiere codificadores entrenados y medidas de acuerdo entre ellos.

En una segunda fase, participantes humanos evaluarían comprensión, confianza, recuerdo y percepción de imparcialidad. Un diseño aleatorizado permitiría estudiar efectos de exposición bajo condiciones definidas. Sin ese contraste no se puede afirmar que una diferencia de encuadre haya cambiado la opinión electoral.

4.5. IA conversacional, persuasión y conducta

La conversación con un asistente incorpora interacción, reformulación, personalización contextual y aparente capacidad de respuesta, esto la diferencia de la publicidad unidireccional. Experimentos pre-registrados publicados en Nature encontraron cambios en preferencias declaradas tras diálogos con sistemas que defendían candidatos en varios países.

La medición debe separar exposición, cambio de actitud, retención temporal y conducta verificable. La preferencia declarada tras una conversación no equivale automáticamente a voto efectivo. También es necesario estudiar exactitud factual, confianza atribuida al sistema y condiciones de uso.

Para España se propone un estudio experimental neutral que compare lectura de fuentes, búsqueda convencional y asistencia conversacional, con preguntas sobre comprensión y verificación, sin optimizar mensajes para influir en individuos identificables.

4.6. Identidad política y alfabetización algorítmica

La familiaridad con la tecnología no equivale necesariamente a comprender cómo recupera información, cuáles son sus límites o por qué puede equivocarse. Deben medirse competencias concretas, no asignarlas automáticamente a «nativos» o «inmigrantes» digitales.

Una hipótesis contrastable es que la alfabetización algorítmica modere la confianza en respuestas políticas generativas. Otra es que la identificación política previa influya en la interpretación de la misma respuesta. La investigación debe contemplar ambas variables y sus interacciones sin dar sus efectos por demostrados.

4.7. La doble intermediación algorítmica

La hipótesis integradora es la coexistencia de dos circuitos: las organizaciones y los investigadores pueden utilizar agentes generativos para explorar respuestas políticas, mientras los ciudadanos emplean asistentes generativos para informarse sobre esas mismas cuestiones.

Esta coexistencia no demuestra un ciclo de influencia cerrado ni una intención de manipulación. Abre, sin embargo, un nuevo objeto de investigación: cómo interactúan las prácticas de producción de mensajes, las fuentes digitales y los sistemas que sintetizan información para los ciudadanos.

El ciudadano debe permanecer como sujeto de derechos y participante real, no como una variable que el sistema pretende administrar.

4.8. Complacencia algorítmica y exposición selectiva

La complacencia algorítmica designa la tendencia de un asistente a confirmar o acomodarse a la posición del interlocutor, incluso cuando sería preferible cuestionarla o expresar incertidumbre. Debe distinguirse de la selección voluntaria de contenidos afines por parte del ciudadano.

Investigaciones sobre conversaciones políticas con ChatGPT han encontrado que algunas personas valoran peor las respuestas incongruentes con sus creencias y seleccionan más argumentos congruentes. Este mecanismo no demuestra por sí solo un aumento de polarización, pero identifica un riesgo contrastable.

Protocolo propuesto: variar experimentalmente el posicionamiento inicial expresado por el usuario, mantener constantes los hechos consultados y evaluar si cambian precisión, equilibrio, nivel de acuerdo, fuentes y disposición a verificar. Incorporar controles para distinguir sesgo del modelo, sesgo del usuario e interacción entre ambos.

4.9. GEO, AEO, AEG y cautela conceptual

SEO, GEO y AEO se utilizan para describir ámbitos relacionados pero diferentes de optimización de visibilidad o respuesta. El término AEG aparece en documentos de prospectiva del autor como construcción conceptual; no debe presentarse como un mercado o mecanismo empírico demostrado sin definición operativa y evidencia adicional.

La investigación debe evitar mezclar posicionamiento técnico, persuasión política y predicción electoral. Cada proceso tiene variables y estándares de validación distintos.

4.10. Auditoría GEO y arquitectura de la información

El GEO político debe estudiarse como un problema de observabilidad de respuestas, no como una garantía de control del asistente. La auditoría distinguirá: recuperación de documentos, selección de fuentes, síntesis, atribución, omisión y encuadre.

Así preguntas equivalentes sobre programas, instituciones y hechos comprobables; variaciones semánticas controladas; repetición por fecha y modelo; registro de versión, configuración, texto íntegro y citas. Las variables serán exactitud, cobertura, diversidad de fuentes, incertidumbre y consistencia.

Una segunda etapa humana medirá comprensión, confianza, recuerdo y percepción de imparcialidad. Se compararán respuestas generativas con fuentes originales y resultados de búsqueda tradicional. La presencia de un candidato en una respuesta no acredita un efecto sobre la decisión electoral.

5. De la experimentación a las urnas: antecedentes internacionales y límites de la evidencia (2023–2026)

5.1. Cuatro niveles que no deben confundirse

Para interpretar los antecedentes, se distinguen cuatro niveles:

simulación de ciudadanos en estudios académicos

utilización de perfiles o gemelos sintéticos en investigación electoral

uso operativo de IA generativa en campañas

y (4) intervención de asistentes conversacionales y estrategias de visibilidad en respuestas generativas.

La presencia de una técnica no acredita automáticamente las restantes. Tampoco una variación experimental en preferencias declaradas demuestra por sí sola una alteración del voto efectivo.

5.2. Reino Unido, 2024: Ipsos y los cinco votantes sintéticos

El proyecto experimental «Marginal Moments» de Ipsos siguió cinco perfiles sintéticos de electores indecisos en circunscripciones británicas competitivas durante la campaña general de 2024. Los expuso a materiales, promesas y discursos electorales para observar la evolución de sus interpretaciones. Tres de los cinco perfiles terminaron eligiendo al candidato ganador de su circunscripción. Es una demostración práctica de investigación exploratoria con perfiles sintéticos durante una campaña, no una prueba estadística de precisión predictiva: cinco casos no constituyen una muestra representativa.^¹

5.3. Estados Unidos: simulación de 1.052 individuos y validación delimitada

El proyecto de Stanford, dirigido por Joon Sung Park y colaboradores, construyó agentes basados en entrevistas extensas de 1.052 personas. La evaluación mostró concordancia en determinadas tareas de encuesta y experimentación. La cifra comunicada de un 85 % debe leerse respecto de la consistencia de las propias respuestas humanas en una prueba concreta, no como un 85 % de acierto electoral. Este antecedente fundamenta la construcción de gemelos individuales y obliga a especificar qué variable se predice, con qué horizonte temporal y frente a qué línea base.^²

5.4. Estados Unidos, Canadá y Polonia: persuasión conversacional medida experimentalmente

Lin y colaboradores estudiaron conversaciones con asistentes de IA que defendían a candidatos en las presidenciales estadounidenses de 2024 y en las elecciones nacionales de Canadá y Polonia de 2025. Los ensayos aleatorizados detectaron cambios significativos en preferencias declaradas, mayores que los efectos típicos de anuncios políticos en vídeo recogidos como comparación en la publicación. Los autores también identificaron afirmaciones inexactas en algunas respuestas. Son pruebas de persuasión conversacional en condiciones experimentales, no demostraciones de que un partido implantara el sistema ni de que alterara el escrutinio.^³

5.5. India y otras campañas: separar experimentos de despliegues

Se han descrito iniciativas experimentales de participación y representación mediante agentes o gemelos de votantes vinculadas al contexto electoral indio de 2024. Su valor como antecedente metodológico exige documentar por separado el diseño, los datos de entrenamiento y la validación publicada; no se atribuye aquí un efecto probado sobre los resultados electorales. En campañas de otros países se han utilizado voces sintéticas, avatares y contenidos generados por IA para representar a candidatos o distribuir mensajes. Estos usos constituyen aplicaciones electorales reales, pero no equivalen a disponer de gemelos individuales validados.

5.6. GEO político: de la visibilidad informativa a la hipótesis de influencia

El posicionamiento en respuestas generativas (GEO) introduce una capa adicional: qué fuentes recupera un asistente, qué actores menciona, qué omite y cómo encuadra las opciones. La aparición de estrategias de consultoría y campañas orientadas a asistentes es un indicio de aplicación operativa, pero todavía no basta para afirmar efectos causales sobre el voto. La evaluación debe registrar consultas repetidas, variación entre modelos, citas aportadas, errores, omisiones y diferencias por idioma, fecha y perfil del usuario.

5.7. Conclusión: de la posibilidad técnica a la demostración electoral

La evidencia disponible justifica investigar el sistema integrado, pero no afirmar que ya exista una campaña públicamente documentada que haya demostrado el ciclo completo: gemelos individuales validados, medición neurocientífica, adaptación de campaña, intervención GEO y efecto causal sobre el voto depositado. Precisamente esa ausencia de demostración integral delimita una pregunta científica original y falsable.

6. Programa de investigación, ética y prospectiva

6.1. Tres escenarios de prospectiva:

Escenario de complemento responsable: los agentes permiten detectar errores de cuestionario y mejorar la investigación humana; sus limitaciones se publican y la validación es independiente.

Escenario de sustitución prematura: la presión de tiempo y presupuesto lleva a presentar muestras sintéticas como encuestas; las campañas adoptan decisiones sobre promedios ficticios y pierden sensibilidad ante cambios reales.

Escenario de doble intermediación: las campañas ensayan contenidos con agentes mientras los ciudadanos consultan asistentes generativos para comprenderlos. La disputa se desplaza parcialmente a la calidad de las fuentes, los encuadres y la confianza. Los tres escenarios pueden coexistir; la tarea del prospectivista es reconocer señales tempranas y diseñar salvaguardas.

7. Conclusiones

7.1. Conclusión: los gemelos no votan

Lula Bueno ha puesto sobre la mesa una técnica que merece atención profesional. Los perfiles sintéticos pueden ayudar a escuchar antes de hablar, pero también pueden convertirse en un eco sofisticado de nuestras propias suposiciones. La llegada de los gemelos digitales obliga a plantear preguntas todavía más incómodas: ¿a quién representan?, ¿durante cuánto tiempo?, ¿en qué condiciones dejan de parecerse a su referente?, ¿quién comprueba sus errores?

La investigación de Stanford muestra posibilidades reales en tareas delimitadas. Pew recuerda que la semejanza aparente puede ocultar desviaciones importantes. Entre ambos hallazgos se encuentra el espacio para una investigación rigurosa, útil y prudente.

El próximo focus group seguirá necesitando ciudadanos reales para verificar sus conclusiones. Porque una cosa es simular al votante, otra construir su gemelo digital y otra muy distinta comprender qué le hará cambiar de opinión, abstenerse o acudir a las urnas.

Los gemelos no votan. Y el día que confundamos sus respuestas con las de quienes sí lo hacen, habremos dejado de investigar a la sociedad para empezar a investigar nuestra propia simulación.

La contribución original de este programa no consiste en declarar que la IA ya puede anticipar el voto. Consiste en proponer un marco falsable para estudiar cuándo las simulaciones resultan útiles, cuándo fallan y cómo se relacionan con el entorno informativo generativo.

En política, la pregunta final no es cuántos agentes responden ni cuántas veces aparece un candidato en un asistente. Es si estamos desarrollando instrumentos mejores para comprender a los ciudadanos o sistemas que devuelven, con gran apariencia de rigor, aquello que queríamos escuchar. La democracia exige mantener esa diferencia.

Bibliografía y fuentes documentales

1. Argyle, L. P., Busby, E. C., Fulda, N., Gubler, J. R., Rytting, C., y Wingate, D. (2023). Out of one, many: Using language models to simulate human samples. Political Analysis, 31(3), 337–351. https://doi.org/10.1017/pan.2023.2

2. Bisbee, J., Clinton, J. D., Dorff, C., Kenkel, B., y Larson, J. M. (2024). Synthetic replacements for human survey data? The perils of large language models. Political Analysis. https://doi.org/10.1017/pan.2024.5

3. Bueno, L. (2026). Marketing político: crear perfiles sintéticos con IA. Top Comunicación. https://www.topcomunicacion.com/marketing-politico-crear-perfiles-sinteticos-con-ia/

4. Chapekis, A., Lau, A., Bestvater, S., Shah, S., Mercer, A., y Smith, A. (2026, 30 septiembre). Can AI stand in for human survey-takers? Not really. Pew Research Center. https://www.pewresearch.org/data-labs/2026/09/30/can-ai-stand-in-for-human-survey-takers-not-really/

5. Park, J. S., et al. (2024/2025). Generative agent simulations of 1,000 people. Stanford HAI; referencia editorial pendiente de normalización final. https://hai.stanford.edu/policy/simulating-human-behavior-with-ai-agents

6. Morris, G. E., Leff, B., y Enns, P. K. (2026). Can AI «digital twins» replace human survey respondents? Verasight. https://www.verasight.io/reports/can-ai-digital-twins-replace-human-respondents

7. Groves, R. M., Fowler, F. J., Couper, M. P., Lepkowski, J. M., Singer, E., y Tourangeau, R. (2009). Survey Methodology (2.ª ed.). Wiley.

8. Tourangeau, R., Rips, L. J., y Rasinski, K. (2000). The Psychology of Survey Response. Cambridge University Press.

9. Creswell, J. W., y Creswell, J. D. (2018). Research Design: Qualitative, Quantitative, and Mixed Methods Approaches (5.ª ed.). SAGE.

10. Tajfel, H., y Turner, J. C. (1979). An integrative theory of intergroup conflict. En W. G. Austin y S. Worchel (eds.), The Social Psychology of Intergroup Relations (pp. 33–47). Brooks/Cole.

11. Turner, J. C., Hogg, M. A., Oakes, P. J., Reicher, S. D., y Wetherell, M. S. (1987). Rediscovering the Social Group: A Self-Categorization Theory. Blackwell.

12. Kahneman, D. (2011). Thinking, Fast and Slow. Farrar, Straus and Giroux.

13. Tversky, A., y Kahneman, D. (1981). The framing of decisions and the psychology of choice. Science, 211(4481), 453–458. https://doi.org/10.1126/science.7455683

14. Marcus, G. E., Neuman, W. R., y MacKuen, M. (2000). Affective Intelligence and Political Judgment. University of Chicago Press.

18. Damasio, A. R. (1994). Descartes’ Error: Emotion, Reason, and the Human Brain. Putnam.

20. Greenwald, A. G., McGhee, D. E., y Schwartz, J. L. K. (1998). Measuring individual differences in implicit cognition: The Implicit Association Test. Journal of Personality and Social Psychology, 74(6), 1464–1480. https://doi.org/10.1037/0022-3514.74.6.1464

21. Cacioppo, J. T., Tassinary, L. G., y Berntson, G. G. (eds.). (2007). Handbook of Psychophysiology (3.ª ed.). Cambridge University Press.

22. Holmqvist, K., Nyström, M., Andersson, R., Dewhurst, R., Jarodzka, H., y van de Weijer, J. (2011). Eye Tracking: A Comprehensive Guide to Methods and Measures. Oxford University Press.

23. Luck, S. J. (2014). An Introduction to the Event-Related Potential Technique (2.ª ed.). MIT Press.

24. Entman, R. M. (1993). Framing: Toward clarification of a fractured paradigm. Journal of Communication, 43(4), 51–58. https://doi.org/10.1111/j.1460-2466.1993.tb01304.x

25. McCombs, M. E., y Shaw, D. L. (1972). The agenda-setting function of mass media. Public Opinion Quarterly, 36(2), 176–187. https://doi.org/10.1086/267990

26. Chadwick, A. (2017). The Hybrid Media System: Politics and Power (2.ª ed.). Oxford University Press.

27. Bennett, W. L., y Segerberg, A. (2013). The Logic of Connective Action. Cambridge University Press.

28. Sunstein, C. R. (2017). #Republic: Divided Democracy in the Age of Social Media. Princeton University Press.

29. Aggarwal, P., Murahari, V., Rajpurohit, T., Kalyan, A., Narasimhan, K., y Deshpande, A. (2024). GEO: Generative Engine Optimization. Proceedings of KDD. https://doi.org/10.1145/3637528.3671900

33. Parlamento Europeo y Consejo. (2016). Reglamento (UE) 2016/679, General de Protección de Datos. https://eur-lex.europa.eu/eli/reg/2016/679/oj?locale=es

34. Parlamento Europeo y Consejo. (2024). Reglamento (UE) 2024/1689, por el que se establecen normas armonizadas en materia de inteligencia artificial. https://eur-lex.europa.eu/eli/reg/2024/1689/oj?locale=es

35. Misiego, F. (2012). Neuromarketing político. Rasche.

36. Misiego, F. (2026). Manual para la Investigación Aplicada en Psicología, Neurociencia, Comunicación y Ciencias Sociales mediante herramientas de Neurociencia. Manuscrito de trabajo no publicado.

37. Misiego, F. (2026). De la pantalla a la calle: quién controla realmente la comunicación política en España. Documento de investigación no publicado.

38. Misiego, F. (2026). El elector sintético y su gemelo digital. Manuscrito de trabajo no publicado.

39. Ipsos (2024). Marginal Moments: Can generative AI help us better understand the general election? https://www.ipsos.com/en-uk/uk-opinion-polls/marginal-moments-can-generative-ai-help-us-better-understand-general-election

40. Lin, H., Czarnek, G., Lewis, B., et al. (2025). Persuading voters using human–artificial intelligence dialogues. Nature, 648, 394–401. https://doi.org/10.1038/s41586-025-09771-9