La startup estadounidense desarrolla una IA que busca anticipar qué harán los consumidores y, sobre todo, por qué. Su propuesta intenta superar el uso de LLM para simular personas mediante un modelo que incorpora percepción visual, contexto social y cambios de comportamiento a lo largo del tiempo.
Predecir qué hará una persona puede convertirse en uno de los grandes mercados de la inteligencia artificial. Mientras startups como Simile, Aaru y Humans& avanzan con modelos de comportamiento sintético, Mirror Particle propone cambiar la forma en que se construyen estas predicciones: en lugar de pedirle a un modelo de lenguaje que interprete el papel de un consumidor, quiere desarrollar desde cero un modelo capaz de representar cómo las personas perciben el mundo y modifican sus decisiones con el tiempo.
La startup, fundada hace dos años en San Francisco, desarrolla un motor de IA para marcas que busca predecir el comportamiento de los consumidores y, además, explicar las razones detrás de esas decisiones.
“Es como llevar una superpistola de agua a las cataratas del Niágara”, afirma Abhivyakti Ahuja, cofundadora y CEO de Mirror Particle, al cuestionar el uso de LLM para este tipo de análisis. Según explica, los grandes modelos de lenguaje fueron entrenados con cientos de miles de millones de datos y resulta difícil modificar significativamente su comportamiento utilizando cantidades relativamente pequeñas de información específica de un determinado público.
Para Ahuja, además, existe un problema más profundo: los LLM representan principalmente el lenguaje escrito, mientras que las personas construyen su comprensión del mundo a partir de múltiples dimensiones.
“Los LLM están modelando el lenguaje escrito, pero los seres humanos estamos hechos de percepción visual, razonamiento espacial e inteligencia social”, sostiene.
De personas estáticas a consumidores que cambian
La propuesta de Mirror Particle consiste en construir lo que Ahuja denomina un “modelo del mundo”: un foundation model desarrollado desde cero para simular por qué las personas toman determinadas decisiones y cómo su comportamiento se transforma a medida que atraviesan nuevas experiencias.
“No queremos capturar a la persona estática. Queremos capturar a la persona cambiante”, explica Ahuja. Para conseguirlo, la startup busca incorporar datos longitudinales que permitan observar cómo cambian las personas, qué factores producen esas modificaciones y en qué medida lo hacen.
La compañía combina datos de sus clientes con información sobre acontecimientos actuales, cultura popular, redes sociales y otras fuentes para representar la evolución de un determinado segmento demográfico.
Uno de sus principales focos está puesto en el denominado “comportamiento revelado”: aquello que las personas efectivamente hacen, en lugar de lo que dicen que hacen en encuestas o investigaciones tradicionales.
La aplicación comercial inicial apunta a presupuestos que ya existen en las empresas: investigación de mercado, estrategia de marca y desarrollo de productos. Una compañía de cosméticos, por ejemplo, podría utilizar Mirror Particle no solamente para determinar qué mensaje publicitario podría funcionar entre la Generación Z, sino para responder una pregunta previa: si ese público realmente quiere comprar el producto.
“¿Qué pasa si el grupo demográfico objetivo no quiere paletas de sombras de ojos? Quizás el rubor sea un producto mejor para venderle a este mercado”, plantea Ahuja.
El sistema también busca entregar el “por qué” detrás de una predicción: las motivaciones, restricciones y contexto adicional que explican una determinada recomendación.
En una de sus primeras pruebas, una reconocida marca de alimentos para mascotas quería determinar qué imagen debía colocar en sus envases para incrementar las ventas: pollo, carne o vegetales. La tecnología de Mirror Particle llegó a una conclusión diferente: la pregunta estaba mal planteada.
Según la startup, las imágenes no eran el problema. La marca era tan reconocida que los consumidores la percibían como masiva y económica, por lo que las ventas terminarían estancándose hasta resolver esa percepción.
Una carrera por anticipar a los consumidores
Mirror Particle ingresa a un segmento que está recibiendo importantes inversiones. Simile consiguió U$S 200 millones con una valoración de U$S 2.000 millones; Aaru levantó U$S 88 millones con una valoración de U$S 1.000 millones; y Humans& anunció en enero una ronda semilla de U$S 480 millones, con una valoración de U$S 4.480 millones.
Humans& también presentó Persimmon, una plataforma orientada a modelar el comportamiento humano.
Mirror Particle, en cambio, pretende construir una tecnología de base que eventualmente pueda pasar de analizar grandes grupos de población a ofrecer información sobre individuos.
La visión de largo plazo es convertirse en una “capa general para anticipar el comportamiento humano”.
La historia personal de Ahuja ayuda a explicar esa ambición. Nacida en India, estudió neurociencia y ciencias de la computación en la Universidad de Toronto, donde se interesó por el trabajo del pionero de la inteligencia artificial Geoffrey Hinton sobre redes neuronales. Posteriormente trabajó en Amazon Robotics, donde conoció a sus actuales cofundadores, Will Song y Thomson Yen.
Song trabajó en motores de personalización para ventas, mientras que Yen se especializó en aprendizaje profundo aplicado a la forma en que los agentes de IA comprenden el comportamiento humano.
Mirror Particle ya consiguió una ronda ángel y asegura que está cerca de cerrar su primera ronda de venture capital. La startup también competirá en Startup Battlefield 200, dentro de TechCrunch Disrupt 2026, que se realizará en San Francisco entre el 13 y el 15 de octubre.
El desafío para la compañía será demostrar que su enfoque puede convertir una idea ambiciosa —modelar la evolución del comportamiento humano— en una herramienta predictiva confiable para empresas.
“Necesitamos simplemente un mejor modelo de los seres humanos si vamos a trabajar junto a la IA y unos con otros”, resume Ahuja.
