Mirror Particle apuesta por modelos del mundo para predecir el comportamiento humano
Los modelos de lenguaje de gran tamaño, conocidos como LLM, han demostrado una gran capacidad para generar textos coherentes y responder a preguntas complejas. Sin embargo, su utilidad es más limitada cuando se trata de anticipar qué hará una persona concreta en una situación nueva. Ese es el problema que quiere abordar Mirror Particle con una tecnología basada en los llamados modelos del mundo.
La startup presentó su propuesta en el escenario de innovación de TechCrunch Disrupt, donde defendió que los sistemas actuales aprenden principalmente patrones estadísticos del lenguaje, pero no necesariamente los mecanismos que explican las decisiones humanas. En lugar de centrarse en producir la siguiente palabra probable, Mirror Particle pretende construir modelos capaces de representar cómo actúan las personas en distintos contextos.
De predecir palabras a entender situaciones
Un LLM funciona identificando relaciones entre grandes cantidades de datos. Durante su entrenamiento analiza millones de textos y aprende qué palabras, conceptos o respuestas suelen aparecer juntas. Esta técnica permite generar contenido convincente, pero no implica que el sistema comprenda de forma causal por qué una persona toma una decisión.
La causalidad es precisamente la relación entre un factor y su efecto. Por ejemplo, un modelo puede detectar que determinados usuarios compran más durante una promoción, pero no saber si lo hacen por el descuento, por una necesidad concreta, por la facilidad de entrega o por una combinación de factores.
Los modelos del mundo intentan representar el entorno, los agentes que participan en él y los cambios que se producen con el tiempo. En el caso de Mirror Particle, la compañía busca aplicar este enfoque al comportamiento humano mediante el análisis de patrones de compra, interacciones sociales y secuencias de decisiones en entornos digitales y físicos.
Predicciones individualizadas y nuevos escenarios
La diferencia se aprecia en el tipo de respuesta que ofrecería cada sistema. Ante la pregunta de qué comprará una persona el próximo martes, un LLM generaría una respuesta plausible a partir de patrones generales presentes en sus datos de entrenamiento. Un modelo especializado en comportamiento trataría de tener en cuenta sus preferencias, sus limitaciones de tiempo, su sensibilidad al precio y el contexto concreto de la decisión.
El resultado no sería necesariamente una afirmación cerrada, sino una distribución de probabilidades. Es decir, una estimación de las distintas acciones posibles, acompañada de un nivel de confianza. Este enfoque permitiría reflejar mejor la incertidumbre y evitar la apariencia de precisión absoluta que a menudo transmiten las respuestas generadas por inteligencia artificial.
La tecnología podría tener aplicaciones en publicidad personalizada, sistemas de recomendación y análisis de políticas públicas. También podría utilizarse para anticipar cambios en los hábitos de consumo o evaluar cómo responderían determinados grupos ante una modificación de precios, una campaña informativa o una nueva prestación digital.
Una limitación conocida de los modelos actuales
Los sistemas basados en arquitecturas transformer, la tecnología que sustenta buena parte de los LLM modernos, están optimizados para predecir el siguiente elemento de una secuencia, normalmente una palabra o un fragmento de texto. Son muy eficaces identificando correlaciones, pero no cuentan necesariamente con una representación explícita de los estados internos de las personas ni de los escenarios alternativos que podrían producirse.
Por eso, un modelo puede razonar de forma convincente sobre la conducta humana a partir de novelas, noticias o investigaciones descritas en lenguaje natural sin modelar los procesos cognitivos que intervienen en las decisiones reales. La diferencia es especialmente importante cuando lo que una persona dice que hará no coincide con lo que finalmente hace.
El reto también afecta a la capacidad de generalización. Un LLM puede responder bien cuando encuentra en su entrenamiento situaciones parecidas a la consulta, pero su rendimiento puede caer cuando debe anticipar una decisión individual en un contexto que no aparece en los datos disponibles.
Privacidad, regulación y capacidad de influencia
La predicción detallada del comportamiento humano plantea preguntas relevantes sobre privacidad y poder de influencia. Un sistema capaz de identificar cuándo una persona es más sensible a un precio, qué mensajes pueden cambiar su opinión o qué circunstancias aumentan la probabilidad de una compra podría utilizarse tanto para mejorar servicios como para manipular decisiones.
Estas cuestiones son especialmente delicadas en Europa. El Reglamento General de Protección de Datos y el Reglamento de Inteligencia Artificial de la Unión Europea establecen obligaciones y restricciones sobre el uso de información personal, la elaboración de perfiles y determinadas formas de inferencia automatizada.
La empresa deberá demostrar, por tanto, que sus predicciones son fiables, explicables y proporcionales al objetivo perseguido. También tendrá que aclarar qué datos utiliza, cómo obtiene el consentimiento cuando sea necesario y qué mecanismos aplica para evitar discriminaciones o usos abusivos.
Una carrera frente a los grandes laboratorios
La participación de Mirror Particle en el escenario de startups de TechCrunch Disrupt no garantiza financiación ni clientes, pero sí muestra que la compañía ha conseguido presentar una diferencia clara frente a la actual ola de herramientas basadas en chatbots. Su tesis es que el siguiente salto de la inteligencia artificial no consiste únicamente en generar mejores textos, sino en representar de forma más precisa los entornos y las decisiones que se producen en ellos.
Los grandes laboratorios de inteligencia artificial llevan años investigando los modelos del mundo, tanto para comprender entornos físicos como para mejorar la planificación de agentes autónomos. La estrategia de Mirror Particle pasa por concentrarse en un ámbito más limitado: las decisiones humanas relacionadas con el consumo y otros contextos concretos.
El principal riesgo para la startup es que compañías como Google, OpenAI o Meta desarrollen soluciones similares antes de que consiga consolidar su producto. También existe la posibilidad de que el mercado tarde en comprender por qué necesita una tecnología distinta de un LLM convencional. La apuesta de Mirror Particle parte de una limitación real de los modelos actuales, pero su éxito dependerá de convertir esa diferencia técnica en resultados medibles, confianza y usos compatibles con la regulación.
