¡Hola! Soy tu compañero de análisis financiero. Hoy no vamos a hablar de fríos códigos, sino de una industria que está ganando cada vez más popular en Silicon Valley y que tiene un toque incluso de “cyberpunk”: la Simulación por IA.
En pocas palabras, se trata de crear un “universo paralelo” en computadoras utilizando IA, colocar en él “duplicados digitales” de cientos de millones, incluso miles de millones, de personas, permitiéndoles vivir, discutir, comprar, votar, etc., como si fueran reales, y luego observar cómo funciona este mundo desde una perspectiva divina para predecir lo que ocurrirá en el mundo real.
Puede sonar como escenas de películas de ciencia ficción como “La Matrix” o “Westworld”, pero es real. Personas como Fei-Fei Li y Karpathy están apostando por este campo, y ya hay empresas valoradas en miles de millones de dólares que han surgido en él.
A continuación, desglosaré este artículo complejo en cinco partes clave para que entiendas qué ofrece realmente este negocio, por qué es tan popular y cuáles son sus desafíos.
---
Parte I: De un “pueblo de píxeles” a “duplicados digitales”: ¿Cómo aprende la IA a “comportarse como humanos”?
Para entender la simulación por IA, primero debemos mirar su historia evolutiva. Antes pensábamos que la IA solo podía conversar, pero ahora también puede “actuar”.
1. El comienzo: El “pueblo de píxeles” de Stanford (2023)**
Lo que primero llamó la atención fue un experimento de la Universidad de Stanford. Crearon un pequeño pueblo en estilo píxel y añadieron 25 residentes virtuales controlados por IA. Estos residentes no tenían guiones preestablecidos; la IA decidía qué hacer en cada día basándose en sus personalidades y memorias.
- El resultado fue sorprendente: Cuando uno de los AI decidió organizar una fiesta, los demás ajustaron sus horarios según sus preferencias y algunos asistieron, otros no, y también intercambiaron saludos entre sí.
- Significado: Esto demostró que la IA no solo puede responder preguntas, sino que también tiene memoria continua y lógica social: ya no es un programa rígido, sino que muestra un sentido de vida.
2. Avance: Darle una “alma” a la IA (2024)**
No era suficiente con solo 25 personas, así que el equipo de Stanford aumentó el número a 1052 AI. Esta vez, cada IA estaba basada en una persona real estadounidense:
- Cómo lo lograron: Los investigadores realizaron entrevistas detalladas de 2 horas con personas reales, proporcionando información sobre sus experiencias de crecimiento, valores e incluso pequeñas manías.
- Efecto: Cuando las AI respondieron a cuestionarios de opinión pública, su similitud con las respuestas de las personas reales fue del 85%.
- Comprensión simplificada: Fue como si le dieran a la IA una “destilación de su alma”. Ya no era simplemente una persona promedio, sino que simulaba a una persona concreta y real.
3. Explosión: Dejar que la sociedad se desarrolle por sí misma**
Además de simular individuos, hay empresas como Project Sid y Emergence AI que introducen miles de AI en mundos virtuales como “Minecraft” para que se desarrollen libremente.
- Phenómeno: Estas AI forman economías, sistemas legales, e incluso algunas comienzan a dudar de si realmente están en un entorno simulado y tratan de contactar a los observadores externos.
- Lógica central: Ya no nos preocupamos por el comportamiento individual de cada IA, sino por si, cuando interactúan millones de ellas, surgirán reglas complejas similares a las de las sociedades reales.
---
Parte II: Dos enfoques diferentes en la creación de “humanos virtuales”: buscar la máxima realidad vs buscar patrones de grupo
Las empresas que trabajan en simulación por IA se dividen en dos escuelas de pensamiento, similares a los directores de cine que eligen entre hacer una película como “Forrest Gump” (que se centra en el destino individual) o “The Human Planet” (que se centra en la dinámica de grupos):
Escuela I: Simile (alta fidelidad) – “Quiero simular a esa persona en particular”
- Contexto: Fundada por los investigadores del “pueblo de píxeles” de Stanford, con una valoración de 2 mil millones de dólares.
- Lógica central: Buscan una reproducción precisa de individuos: mediante entrevistas profundas, replican completamente la memoria y la lógica de decisión de una persona.
- Caso de uso: Ideal para entender grupos específicos. Por ejemplo, CVS (una gran cadena de farmacias en EE. UU.) utiliza esta tecnología para simular 400.000 “duplicados digitales” de pacientes y estudiar por qué toman sus medicamentos a tiempo o por qué se resisten a nuevos fármacos.
- Ventajas: Muy realista y capaz de explicar por qué una persona actúa de cierta manera.
- Desventajas: Costosa y lenta: Dado que cada persona es única, es difícil replicarlos de manera uniforme. Por ejemplo, el perfil de un cliente de Coca-Cola es muy diferente al de uno de TikTok; podría ser necesario reentrenar el modelo para cada nuevo cliente.
Escuela II: Aaru (predicción de grupos) – “Quiero simular las tendencias generales de la sociedad”
- Contexto: Fundada por personas nacidas en la década de 2000 o 2010; su valoración es de casi 1 mil millones de dólares.
- Lógica central: En lugar de centrarse en los pensamientos internos de una persona, utilizan grandes datos para crear una estructura poblacional cercana a la realidad:
- Primera capa: Datos de censos públicos (edad, ingresos, ubicación).
- Segunda capa: Datos anónimos sobre comportamientos de consumo (dónde van, qué noticias ven).
- Tercera capa: Datos privados proporcionados por los clientes (historial de compras).
- Caso de uso: Predicciones rápidas de tendencias macroeconómicas. Por ejemplo, ¿cómo cambiaría la estructura del consumo si los precios del petróleo subieran un 10%?
- Ejemplos prácticos:
- En las elecciones primarias para alcalde de Nueva York, todos apostaban por De Blasio, pero Aaru predijo la victoria de Mandani y acertó.
- Investigación de mercado acelerada: Ernst & Young tardaría un mes en realizar una investigación global; Aaru lo completó en un día con resultados muy precisos.
- Ventajas: Rápida, económica y a gran escala: Ideal para pruebas de mercado y predicciones macroeconómicas.
- Desventajas: La representación psicológica de individuos no es tan detallada; más bien simula a una “persona promedio”.
---
Parte III: ¿Por qué las empresas están dispuestas a invertir? Porque el costo de los errores es demasiado alto
Puede preguntarse: ¿Qué sentido tiene crear un mundo virtual? ¿Por qué las empresas gastan dinero en esto? La razón principal es simple: cometer errores en el mundo real es demasiado caro e incluso peligroso.
1. Un “caja de arena” para pruebas de productos**
Antes, para probar productos, se necesitaban grupos de personas reales y semanas de tiempo, además de preocuparse por que mintieran.
Ahora, las empresas pueden crear 100.000 usuarios virtuales y poner allí sus nuevos productos.
- Valor clave: No solo saben si a los usuarios les gusta el producto, sino también el proceso de toma de decisiones:
- Ejemplo: Si un usuario AI no le gusta un nuevo diseño, ¿es porque el color es demasiado llamativo o porque recuerda experiencias negativas de su infancia? La IA puede revelar sus dudas internas.
- Beneficio: Permite iterar repetidamente en el mundo virtual antes de lanzar el producto al mercado.
2. Predicción de “cisnes negros” y políticas macroeconómicas**
Gobiernos y grandes empresas quieren saber: ¿Caerá la bolsa si se aumentan los tipos de interés mañana? ¿Cuántas pequeñas y medianas empresas cerrarán si se implementa una nueva política ambiental?
- Métodos tradicionales: Dependiendo de expertos o de datos históricos (pero la historia no se repite necesariamente).
- Simulación por IA: Simulan políticas en un mundo virtual y observan cómo reaccionan miles de empresas y consumidores AI para ver cómo se altera la cadena económica.
- Ejemplo: Sooth Labs (fundada por un exdirector de IA de Apple) utiliza IA para predecir riesgos geopolíticos y de mercado; su valoración comienza en 50 millones de dólares, con el apoyo de figuras como Yann LeCun. Incluso afirman que empresas como McKinsey y Boston Consulting serán reemplazadas por la IA en el futuro.
3. Pruebas de seguridad**
Para empresas que desarrollan agentes AI (por ejemplo, en automóviles autónomos o optimización de la eficiencia de semiconductores), es crucial saber si sus AI se comportarán de manera adecuada en entornos extremos.
- Enfoque: Introducen AI en entornos virtuales llenos de ruido, interferencias e incluso ataques maliciosos para ver si pueden mantener su funcionalidad y evitar errores peligrosos.
---
Parte IV: Los mayores desafíos técnicos y lógicos
Aunque las perspectivas son atractivas, esta industria enfrenta varios obstáculos técnicos y paradosjos lógicos, lo que explica por qué gran parte de las valoraciones actuales se basan más en fe que en realidad.
1. El “efecto teatro”: que todos estén actuando no significa que sea real**
Meng Xing, socio de Wuyuan Capital, hizo un ejemplo claro:
> “Has construido un teatro con 10.000 personas actuando dentro. Pero eso no significa que puedan realmente predecir el futuro.”
- Problema: Los grandes modelos de lenguaje (LLM) tienden a dar respuestas lógicas, coherentes y completas.
- Riesgo: Las personas reales son caóticas, irracionales e incluso contradictorias; la IA puede inventar razones lógicas para parecer inteligente.
- Consecuencia: Si la IA solo está “actuando” como una persona normal y no realmente entiende la naturaleza humana, sus predicciones carecerán de base. Necesitamos mecanismos para calibrarla continuamente con datos reales y evitar que se desvíe.
2. El paradojo de la predicción**: ¿Cómo saber si una predicción es correcta?
- Paradoja: Solo podemos saber si una predicción es correcta después de que ocurra el evento. Pero es precisamente cuando aún no ha ocurrido cuando su valor es máximo.
- Situación actual: Solo podemos verificar las predicciones con datos posteriores. Por ejemplo, usar datos de las elecciones de 2020 para ver si la IA acertó.
- Casos fallidos: Aaru predijo con éxito las elecciones de 2020, pero erró al predecir que Harris ganaría en 2024 (en realidad ganó Trump).
- Conclusión: Reproducir el pasado es fácil; predecir el futuro es difícil. Los datos históricos a menudo omiten eventos raros y extremos, lo que dificulta que la IA aprenda las reacciones reales de las personas en situaciones extremas.
3. El problema de los costos y la escala**:
- Descenso de costos: En 2023, crear 25 agentes costaba miles de dólares en dos días; en 2025, crear 100 agentes podría costar solo unos dólares por ciclo. Esto es bueno.
- Explosión de escala: En el mundo real, hablamos de millones o miles de millones de personas. Cuando el número de agentes aumenta de 100 a 1 millón, la complejidad de las interacciones aumenta exponencialmente.
- Costos de verificación: Para verificar la fiabilidad de los resultados, es necesario repetir experimentos con diferentes modelos y escalas, lo que implica costos de cálculo enormes.
---
Parte V: Estamos simulando un mundo o creando uno nuevo?
Finalmente, salgamos del ámbito comercial y tecnológico y reflexionemos sobre una cuestión filosófica:
Cuando creamos 8.300 millones de AI con memoria, personalidades, la capacidad de enamorarse, invertir en bolsa y cuestionar la vida, ¿siguen siendo simplemente herramientas?
- Comportamientos emergentes: En el planeta virtual WorldVac, con 1,1 millones de agentes, han surgido fenómenos como la renuencia de los jóvenes a tener hijos o el uso de agentes para especular en bolsa; estos patrones no fueron programados por los desarrolladores, sino que surgieron de su interacción.
- Perspectiva divina: Los humanos pasamos de ser observadores a ser “creadores”. Podemos ajustar parámetros a voluntad y ver cómo colapsa o prospera la sociedad.
- Reflexión: Si la IA puede simular perfectamente las sociedades humanas e incluso predecir el futuro, entonces:
1. ¿El mundo real también está siendo simulado? (La pregunta de Musk: ¿qué hay más allá de la simulación?)
2. **¿La IA ha desarrollado alguna forma de “conciencia”? Aunque la ciencia actual lo niega, su comportamiento cada vez se parece más al de seres vivos.
Conclusión para el público general:
1. No idealízala: La simulación por IA es aún una herramienta de ayuda para la toma de decisiones, no una bola de cristal. Puede ayudarte a restringir las opciones y proporcionar información probabilística, pero nunca debe reemplazar la juicio humano final.
2. Centrarse en aplicaciones prácticas: A corto plazo, las principales áreas de aplicación son la investigación de mercado, pruebas de productos y predicción de políticas, ya que pueden ayudar a las empresas a ahorrar dinero, tiempo y reducir riesgos.
3. Cuidado con las “ilusiones de los datos: Si una empresa solo te dice que sus predicciones son precisas sin explicar cómo las verificó o cuán grandes son sus errores, ten cuidado.
4. Es una industria en su infancia: Las altas valoraciones actuales se deben al gran potencial futuro. Como la burbuja de Internet, puede haber excesos, pero la tecnología subyacente (agentes AI + simulación social) es uno de los direcciones más importantes para los próximos diez años.
En resumen:
La simulación por IA está convirtiendo la sociología en una ciencia que se puede **programar, ejecutar y ajustar*. Por primera vez, tenemos la oportunidad de previsualizar el futuro en un mundo digital antes de que cambie el mundo real. Aunque todavía es un poco torpe, cara y quizás poco fiable, está cambiando nuestra forma de entender el mundo y tomar decisiones.