La escasez de datos empresariales realistas y accesibles se ha convertido en el cuello de botella silencioso que frena el despliegue de agentes de IA en produccion. Entrenar y evaluar sistemas que invocan herramientas (tool-calling agents) requiere interactuar con ERPs, CRMs y bases de datos internas, pero las restricciones legales, de privacidad y de negocio impiden usar entornos reales a escala. Hasta ahora, las alternativas eran imperfectas: la sintesis tabular exige esquemas y datos semilla que a menudo no existen, mientras que los enfoques basados en procedimientos requieren autoria manual por dominio y pierden fidelidad distribucional.

Investigadores de SAP presentan en arXiv Synthesis Through Simulation (STS), un cambio de paradigma: generar datos mediante la simulacion de la propia interaccion agente-sistema. En lugar de modelar la estructura de las tablas, STS despliega un agente LLM --el Generalist Populator (GP)-- que ejecuta operaciones contra APIs que aplican las politicas de negocio dentro de entornos simulados. Como los datos nacen de la misma logica que define que es valido, la validez estructural esta garantizada por construccion, desacoplando el cumplimiento de restricciones del modelado estadistico de la distribucion.

Los resultados son contundentes. En diez entornos empresariales diversos --desde aerolineas hasta gestion de incidencias--, el GP alcanza 0.88 de fidelidad marginal media y 100% de satisfaccion de restricciones sin tener acceso a los esquemas de base de datos. Los sintetizadores estadisticos resultaron inaplicables en siete de los diez entornos por falta de datos semilla, y los agentes privilegiados con esquema fallaron en el 82% de las trayectorias del entorno aerolineo, cuyas flujos de trabajo fuertemente acoplados rompen la composicion de tareas fragil.

La implicacion arquitectonica es profunda: STS separa "que es valido" (definido por la API y la simulacion) de "que es tipico" (aprendido por el agente). Esto permite escalar la generacion a dominios nuevos sin ingenieria de esquemas ni anotacion experta, bastando con exponer la API del sistema. Ademas, al producir trayectorias completas de interaccion --no solo filas estaticas--, STS entrega el sustrato ideal para entrenar y benchmarkear la proxima generacion de agentes autonomos.

SAP ha liberado el framework completo, los diez entornos y los datasets generados en GitHub (github.com/SAP/synthesis-through-simulation), apostando por un estandar abierto que podria hacer por los datos empresariales lo que ImageNet hizo por la vision por computadora: democratizar el acceso a benchmarks realistas y acelerar la investigacion en IA agente para la empresa.