ManyPerson - simulador de opinión pública de personas IA de Corea basado en MDIS de Statistics Korea

• Servicio de simulación de opinión pública con personas de IA que refleja la demografía, los tipos de hogar, los ingresos, los activos, las deudas y la distribución ocupacional de la sociedad coreana, basado en los microdatos MDIS de Statistics Korea

• Cuando el usuario ingresa una pregunta, selecciona ciudadanos de IA que cumplen las condiciones, genera respuestas y analiza los resultados por apoyo/oposición, opciones, grupo de edad, género, quintil de ingresos, grupo ocupacional, etc.

• Se parsearon y unieron los CSV crudos del MDIS de la Encuesta de Finanzas y Bienestar de los Hogares 2025 en unidades de 34,880 registros de maestros de hogar y 69,929 registros de miembros del hogar, para construir unas 41 mil personas coreanas para el servicio

• Usando Gemini, se generan nombres de ocupación, personalidad, hobbies, lugar de origen y una autointroducción en primera persona, aspectos que no son suficientes solo con los códigos de Statistics Korea, pero se corrigen con restricciones para que no haya contradicciones entre ingreso anual, activos, deuda y ocupación o narrativa

• No es simplemente una forma de preguntarle una sola vez a un LLM: "¿Qué pasaría si se lo preguntáramos a 100 personas coreanas?", sino que personas basadas en distribuciones reales responden cada una con contextos y formas de hablar distintos, y luego los resultados se agregan aplicando pesos estadísticos

Problemas de las simulaciones de opinión con LLM existentes

Si se le pregunta directamente a un LLM "simula la opinión de 100 ciudadanos coreanos", existe el problema de que el resultado sea demasiado promedio, o de que el modelo se incline hacia unos pocos oficios, regiones o perfiles con los que está más familiarizado

• No se reflejan suficientemente la estructura real de los hogares coreanos, los quintiles de ingreso, los grupos ocupacionales, las diferencias entre el área metropolitana y el resto del país, ni situaciones como desempleados, jubilados, estudiantes o amas de casa de tiempo completo

• Especialmente en preguntas donde importan las diferencias entre grupos, como opinión pública, políticas o reacción a productos, es más importante "quién piensa distinto y por qué" que una "respuesta única plausible"

• Por ejemplo, ante una misma pregunta sobre política inmobiliaria, un joven veinteañero sin vivienda fuera del área metropolitana, una persona de 50 años con vivienda propia en el área metropolitana y una persona de 70 años jubilada con ingresos por renta pueden juzgarla con fundamentos completamente distintos

• ManyPerson aborda esto creando primero esas diferencias como datos de contexto de las personas, y generando después las respuestas sobre esa base

Fuente de datos y método de construcción

• Se construyó un pipeline de generación de personas a partir de los datos de la Encuesta de Finanzas y Bienestar de los Hogares 2025 del MDIS de Statistics Korea

• Se generan personas a nivel individual uniendo el CSV maestro de hogares y el CSV de miembros del hogar con base en el número único del hogar

• Género, edad, relación dentro del hogar, estado civil, nivel educativo más alto, situación laboral, clasificación ocupacional principal, clasificación industrial principal, condición de área metropolitana, tipo de vivienda, número de miembros del hogar y quintil de ingreso, entre otros, se convierten desde el codebook a valores legibles por humanos

• También se conservan como atributos de la persona el ingreso total del hogar, ingreso disponible, gasto en consumo, gasto en alimentos, gasto en vivienda, gasto en educación, gasto médico, activos totales, deuda y patrimonio neto

• En lugar de usar el ingreso del hogar tal cual como ingreso individual, se distribuye heurísticamente un ingreso anual estimado personal según si la persona es jefe de hogar, cónyuge, hijo, desempleado o jubilado

• Los pesos de Statistics Korea se almacenan como weight, lo que permite calcular no solo el número simple de respuestas sino también estadísticas ponderadas proporcionales a la población

Generación de detalles de las personas

• Como solo con los datos originales del MDIS no basta para construir "la razón por la que esta persona habla como habla", se usan Gemini para generar detalles adicionales para el servicio

• Los campos generados incluyen nombre específico del trabajo, MBTI, personalidad, hobbies, lugar de origen y una breve autointroducción

• El nombre del trabajo y la autointroducción se generan junto con el ingreso anual, ingreso total del hogar, patrimonio neto, deuda, clasificación ocupacional principal y situación laboral para corregir la verosimilitud

• Si el ingreso anual supera los 100 millones de wones, se hace que aparezcan perfiles como ejecutivos, profesionales de altos ingresos o dueños de negocios exitosos, y si el ingreso anual es 0 o la persona está desempleada, jubilada o es hija/o, se evita forzar un perfil de trabajador asalariado

• Cuando el ingreso y los activos del hogar son altos pero el ingreso individual es bajo, se reflejan naturalmente contextos como ama de casa de tiempo completo con cónyuge de altos ingresos, universitario con padres adinerados o jubilado que vive de ingresos por renta

• Si la deuda es alta, se diseña para que la presión financiera se refleje en la autointroducción o la personalidad

• En el proceso inicial de generación surgieron problemas como "persona de bajos ingresos pero gerente en un bufete" o "persona de altos ingresos pero trabajador eventual", donde los datos financieros y la narrativa no coincidían, por lo que se corrigieron de nuevo las occupation/bio de unas 41 mil personas con un pipeline separado de regeneración Phase 2

• Los resultados generados no se mantienen todos en memoria ni se guardan al final, sino que se procesan con una estructura de streaming que actualiza individualmente PostgreSQL JSONB justo después de generar cada persona

• Aunque el Pod muera en medio del proceso, los datos ya aplicados permanecen y se puede continuar usando el marcador migrationPhase2

Flujo de uso del servicio

• El usuario ingresa una pregunta en lenguaje natural

• Gemini + búsqueda con Grounding organizan la pregunta y, si hace falta, recomiendan un resumen del contexto y condiciones de filtro

• Se filtran las personas objetivo por género, grupo de edad, región, quintil de ingresos, nivel educativo, grupo ocupacional, número de miembros del hogar, estado civil, etc.

• Los ciudadanos de IA finalmente seleccionados responden con base en el snapshot de su propia persona

• Las respuestas se guardan de inmediato en la DB, por lo que en la pantalla de progreso se pueden ver algunas respuestas en tiempo real

• Al finalizar, se calcula la distribución de positivo/neutral/negativo o de opciones de selección múltiple, y también se muestran resultados ponderados aplicando los pesos de Statistics Korea

• Ofrece análisis cruzado por ejes demográficos como grupo de edad, género, quintil de ingresos, nivel educativo y grupo ocupacional

• El resultado final se genera como una página compartible, donde se pueden revisar tanto las tarjetas de respuesta de cada persona como los gráficos estadísticos generales

Ejemplos de uso

• Medir rápidamente cómo reaccionarían "trabajadores del área metropolitana de entre 20 y 30 años" ante un nuevo servicio o idea de producto

• Explorar en qué fundamentos divergen por grupo de edad, quintil de ingresos o grupo ocupacional ante temas de política o asuntos sociales

• Probar evaluaciones de ciudadanos de IA con distintos contextos para copys publicitarios, políticas de precios, prioridades de funciones de apps, anuncios de contratación o cartas de presentación

• Antes de lanzar una encuesta real, explorar de antemano qué preguntas son ambiguas o en qué grupos podría dividirse la reacción

Diferencias frente a Nemotron-Personas-Korea

• Si Nemotron-Personas-Korea es un gran dataset sintético de personas en coreano, ManyPerson está más cerca de convertir esa idea en "un servicio web donde se pregunta directamente y se ven los resultados"

• Actualmente, más que en distribuir un dataset público, ManyPerson se enfoca en la experiencia de producto que construye internamente un pool de personas basado en estadísticas y lo conecta con muestreo, generación de respuestas y análisis estadístico según la pregunta del usuario

• La composición de datos también va más allá de un perfil demográfico simple y aprovecha activamente la información de ingresos, activos, deudas y gasto de consumo de la Encuesta de Finanzas y Bienestar de los Hogares para la generación de personas y la interpretación de resultados

Stack tecnológico

• Servidor web basado en Node.js, Express y EJS ( para desarrollo rápido, algunos módulos están escritos de forma simple en go )

• Almacenamiento de datos de personas, simulaciones, respuestas y pagos/créditos en PostgreSQL/Cloud SQL

• Los atributos extendidos de las personas se guardan en PostgreSQL JSONB para gestionar con flexibilidad ocupación, nivel educativo, quintil de ingresos, lugar de origen, personalidad, autointroducción, etc.

• Uso de Valkey para colas y caché

• Operación separada de servidor/worker sobre GKE Autopilot

• Uso de modelos de la serie Gemini 3 y Vertex AI Flex API para generar detalles de las personas y respuestas de simulación

• Streaming en tiempo real del progreso de la simulación y de las respuestas recientes mediante SSE

Limitaciones y precauciones

• Los resultados de ManyPerson no son una encuesta real, sino una simulación virtual basada en personas de IA

• Como depende del alcance público y del nivel de codificación del MDIS de Statistics Korea, variables como región detallada, inclinación política o nivel de conocimiento de temas en tiempo real requieren estimación o entrada adicional por separado

• Los detalles generados por LLM son información sintética para aumentar el realismo, y no se pretende similitud con personas reales

• Cuanto menor sea el tamaño de muestra o más estrecho sea el filtro, más apropiado es considerar los resultados como referencia exploratoria

• Aun así, se considera un punto de partida más útil que "hacer que un solo LLM imagine la opinión promedio de los coreanos", porque primero crea diversos ciudadanos de IA basados en demografía y datos reales de los hogares, y luego recopila sus respuestas