Simile recauda más de 200 millones de dólares a una valoración de 2.000 millones de dólares para ampliar simulaciones de comportamiento humano

Simile ha recaudado más de $200 millones en financiación de Serie B a una valoración post-dinero de $2.000 millones, lo que proporciona a la startup con sede en Palo Alto una cantidad sustancial de capital para desarrollar modelos de inteligencia artificial diseñados para simular cómo las personas toman decisiones.

Greenoaks lideró la ronda, mientras que el inversor existente Index Ventures aumentó su participación. Hanabi, Bain Capital Ventures, A*, Factory y CVS Health Ventures (CVS ) también regresaron, con Definition uniéndose como nuevo inversor. La financiación llega solo cinco meses después de que Simile saliera de la clandestinidad con una ronda de Serie A de $100 millones liderada por Index Ventures, lo que eleva la financiación declarada de la empresa a más de $300 millones.

Desde su lanzamiento público, Simile afirma que ha aumentado sus ingresos cinco veces, ha expandido a más de 50 empleados y ha realizado decenas de millones de simulaciones para empresas del Fortune 100. La empresa planea utilizar la nueva financiación para avanzar en su modelo base para el comportamiento humano, mejorar la confiabilidad de sus simulaciones y expandir la plataforma en industrias como la atención médica, los servicios financieros, los productos de consumo y los medios de comunicación.

Construyendo IA para predecir el comportamiento en lugar de generar contenido

La mayoría del mercado actual de IA generativa se centra en la creación de resultados. Los grandes modelos de lenguaje pueden producir software, copias de marketing, imágenes, conceptos de productos y planes de negocios en cuestión de segundos.

Simile se centra en el proceso de toma de decisiones que ocurre antes de que se produzcan esos resultados. Su plataforma está diseñada para ayudar a las organizaciones a evaluar qué deben construir, cómo pueden responder diferentes audiencias y qué efectos de segundo orden pueden surgir después de que se tome una decisión.

La empresa se describe a sí misma como una constructora de un modelo base para el comportamiento humano en lugar de otro modelo de lenguaje general. En lugar de optimizar principalmente para respuestas lógicas o texto fluido, el modelo se está entrenando para representar las diferencias en las preferencias, experiencias, valores y patrones de decisión de las personas.

Las organizaciones pueden utilizar la plataforma para crear escenarios comparables y examinar cómo responde la misma población simulada cuando se cambian variables como los precios, los mensajes, las características del producto o las condiciones de la política. El objetivo no es simplemente pedir a los encuestados sintéticos sus opiniones, sino modelar cómo puede cambiar el comportamiento en múltiples condiciones y con el tiempo.

De la investigación de Stanford a una plataforma de simulación empresarial

La tecnología de Simile se basa en la investigación realizada por el cofundador y director ejecutivo Joon Sung Park y otros investigadores de Stanford, Michael Bernstein y Percy Liang.

Park fue el autor principal del artículo de 2023 “Agentes generativos: simulacros interactivos del comportamiento humano“, que presentó una ciudad simulada poblada por 25 agentes de IA. Cada agente utilizó un flujo de memoria junto con mecanismos de recuperación, reflexión y planificación para mantener el contexto y determinar sus próximas acciones.

Los agentes formaron relaciones, desarrollaron rutinas y coordinaron actividades sin que cada interacción fuera programada explícitamente. El experimento ayudó a establecer muchas de las ideas arquitectónicas que ahora se utilizan en simulaciones de múltiples agentes, donde los agentes autónomos interactúan entre sí en lugar de responder de forma independiente a estímulos aislados.

Una investigación posterior probó si los agentes generativos podían reproducir las actitudes y el comportamiento de individuos reales. En un estudio que involucró a 1.052 participantes, los investigadores crearon agentes utilizando entrevistas cualitativas y evaluaron cuán precisamente replicaron las respuestas de los participantes.

Los agentes lograron el 85% de la precisión que los participantes demostraron al responder las mismas preguntas ellos mismos dos semanas después. Esta es una distinción importante: el resultado no significa que el comportamiento humano se predijo con una precisión del 85%. Significa que los agentes se acercaron al nivel de coherencia de las personas que estaban diseñados para representar.

El sitio web de Simile también se refiere a un trabajo posterior que involucra 2,9 millones de respuestas de 210 experimentos de ciencias sociales. La empresa afirma que la fine-tuning de los modelos en estos datos de comportamiento mejoró la alineación en estudios no vistos anteriormente en un 26% en comparación con el modelo base subyacente.

Las puntuaciones de confianza son centrales para el producto

Una de las afirmaciones técnicas más importantes de Simile es que ha entrenado un modelo de confianza separado para estimar la confiabilidad de cada simulación.

Predecir el comportamiento humano es inherentemente incierto. La misma persona puede tomar decisiones diferentes dependiendo del momento, el contexto, la información disponible y factores que no están presentes en un conjunto de datos. Un sistema que produce una sola predicción confiada sin comunicar esas limitaciones podría alentar a las organizaciones a tratar el comportamiento simulado como un hecho.

Simile afirma que su plataforma compara las distribuciones de respuestas simuladas con las respuestas recopiladas de personas reales utilizando la distancia de variación total, una medida estadística de la diferencia entre dos distribuciones de probabilidad. Cada resultado recibe una puntuación de confianza basada en la cantidad y la relevancia de la evidencia humana de apoyo.

Cuando la evidencia para una población o escenario en particular es limitada, la puntuación de confianza está diseñada para hacer que esa incertidumbre sea visible. La empresa también afirma que sus modelos se recalibran semanalmente para incorporar cambios en áreas como los precios, las políticas, las condiciones económicas y el comportamiento del consumidor.

Esa capa de validación podría ser tan importante como las simulaciones en sí. Para las empresas que toman decisiones costosas o sensibles, saber cuándo un modelo es poco confiable puede ser más valioso que recibir otra predicción plausible.

CVS Health utiliza simulaciones para probar decisiones antes del lanzamiento

CVS Health es uno de los clientes más prominentes de Simile y también participó en la ronda de financiación a través de CVS Health Ventures.

La empresa de atención médica ha utilizado poblaciones simuladas para validar la investigación existente de clientes, examinar los impulsores de la satisfacción del paciente y probar estrategias relacionadas con la adherencia a la medicación. También ha explorado poblaciones que pueden ser difíciles o costosas de alcanzar a través de encuestas tradicionales, incluidos pacientes con afecciones crónicas.

Según Simile, la iniciativa de CVS se basa en 2,9 millones de respuestas consentidas de más de 400.000 participantes en más de 200 escenarios de comportamiento. Las simulaciones se han utilizado para pre-seleccionar ideas e identificar qué hipótesis merecen una prueba adicional a través de la investigación del mundo real o pilotos.

Esta distinción es importante. La simulación puede reducir la cantidad de ideas que necesitan ser probadas directamente con los clientes, pero no elimina la necesidad de recopilar evidencia del mundo real. CVS ha descrito la tecnología como una forma de priorizar la investigación y refinar las intervenciones potenciales antes de exponer a los pacientes o clientes a ellas.

Simile también está trabajando con Gallup en investigación de políticas, estudios de lugar de trabajo y análisis de tendencias sociales. Otras organizaciones presentadas por la empresa incluyen Wealthfront, Deloitte, Banco Itaú y Suntory. Las empresas están aplicando la plataforma en áreas como pruebas de productos, entrada en el mercado, investigación de la experiencia del cliente, posicionamiento competitivo y preparación de llamadas de ganancias.

Pasando de agentes individuales a mercados simulados

Muchas de las aplicaciones actuales de Simile se asemejan a la investigación de mercado acelerada. Una empresa puede probar varios conceptos de productos o mensajes contra una población simulada antes de decidir cuáles merecen una campaña o piloto real.

La oportunidad a largo plazo es considerablemente más compleja. Simile quiere modelar las interacciones entre clientes, competidores, instituciones, políticas y mercados. En lugar de predecir cómo responderán los individuos aislados a una pregunta, estas simulaciones de múltiples agentes examinarían cómo las personas influyen entre sí y cómo las decisiones producen efectos en cascada.

Las aplicaciones posibles podrían incluir la modelización de reacciones a shocks financieros, cambios en las políticas, lanzamientos de productos o cambios en los incentivos. Una simulación podría examinar no solo si los clientes adoptan un nuevo servicio, sino cómo esa adopción cambia el comportamiento de los competidores, la percepción pública y la demanda de productos relacionados.

Esta es donde las limitaciones técnicas se vuelven más significativas. Los pequeños errores pueden acumularse cuando miles o millones de agentes interactúan, particularmente en simulaciones donde los eventos iniciales cambian la trayectoria de todo lo que sigue. Simile necesitará demostrar que sus métodos de validación siguen siendo significativos a medida que las simulaciones pasan de predicciones individuales a sistemas dinámicos complejos.

Una nueva capa de infraestructura de decisión

El tamaño y la velocidad de la financiación más reciente de Simile sugieren que los inversores ven la simulación del comportamiento como una posible nueva capa en la toma de decisiones empresariales.

Las organizaciones ya gastan mucho en encuestas, consultoría, grupos de enfoque, pruebas de productos y investigación de mercado. Las simulaciones de IA podrían hacer que sea más barato explorar más opciones, probar segmentos de audiencia más estrechos e identificar ideas débiles antes de comprometer capital significativo.

La tecnología también introduce preguntas difíciles sobre el consentimiento, la representación y la rendición de cuentas. Una población simulada es solo tan útil como las personas, comportamientos y circunstancias representadas en sus datos subyacentes. Las predicciones pueden volverse menos confiables cuando se despliegan en culturas desconocidas, mercados en rápida evolución o situaciones de alto riesgo con pocos precedentes históricos.

Por esa razón, el papel más fuerte para plataformas como Simile puede ser complementar la investigación humana en lugar de reemplazarla. Las simulaciones pueden ayudar a las organizaciones a decidir qué preguntas investigar, pero los clientes y comunidades reales siguen siendo necesarios para verificar si los resultados se mantienen fuera del modelo.

Simile ha obtenido la financiación para probar si la simulación del comportamiento humano puede progresar desde un campo de investigación emergente hasta una infraestructura empresarial confiable. Su desafío inmediato no es simplemente ejecutar más simulaciones, sino demostrar que las organizaciones pueden comprender sus límites y saber cuándo los resultados son lo suficientemente confiables como para influir en decisiones importantes.