Simile lève plus de 200 millions de dollars à une valorisation de 2 milliards de dollars pour développer des simulations de comportement humain

Simile a levé plus de 200 millions de dollars en financement de série B à une valorisation post-argent de 2 milliards de dollars, fournissant au startup basé à Palo Alto des capitaux importants pour développer des modèles d’intelligence artificielle conçus pour simuler la façon dont les gens prennent des décisions.

Greenoaks a mené le tour, tandis que l’investisseur existant Index Ventures a augmenté son soutien. Hanabi, Bain Capital Ventures, A*, Factory et CVS Health Ventures (CVS ) sont également revenus, avec Definition rejoignant en tant que nouvel investisseur. Le financement arrive seulement cinq mois après que Simile soit sorti de la clandestinité avec un financement de série A de 100 millions de dollars mené par Index Ventures, portant le financement déclaré de l’entreprise à plus de 300 millions de dollars.

Depuis son lancement public, Simile affirme avoir augmenté ses revenus de cinq fois, étendu à plus de 50 employés et exécuté des dizaines de millions de simulations pour des entreprises du Fortune 100. L’entreprise prévoit d’utiliser le nouveau financement pour faire progresser son modèle de base pour le comportement humain, améliorer la fiabilité de ses simulations et étendre la plate-forme à travers des secteurs tels que les soins de santé, les services financiers, les produits de consommation et les médias.

Construire une IA pour prédire le comportement plutôt que de générer du contenu

La plupart du marché actuel de l’IA générative est axée sur la création de sorties. Les grands modèles de langage peuvent produire des logiciels, des copies de marketing, des images, des concepts de produits et des plans d’affaires en quelques secondes.

Simile vise le processus de prise de décision qui précède la production de ces sorties. Sa plate-forme est conçue pour aider les organisations à évaluer ce qu’elles devraient construire, comment les différents publics pourraient réagir et quels effets secondaires pourraient émerger après la mise en œuvre d’une décision.

L’entreprise se décrit comme construisant un modèle de base pour le comportement humain plutôt qu’un autre modèle de langage général. Au lieu d’optimiser principalement pour des réponses logiques ou du texte fluide, le modèle est formé pour représenter les différences dans les préférences, les expériences, les valeurs et les modèles de décision des gens.

Les organisations peuvent utiliser la plate-forme pour créer des scénarios comparables et examiner comment la même population simulée réagit lorsqu’on modifie des variables telles que le prix, le message, les fonctionnalités du produit ou les conditions de politique. L’objectif n’est pas simplement de demander aux répondants synthétiques leurs opinions, mais de modéliser comment le comportement peut changer dans plusieurs conditions et au fil du temps.

De la recherche de Stanford à une plate-forme de simulation d’entreprise

La technologie de Simile s’appuie sur la recherche menée par le co-fondateur et PDG Joon Sung Park et d’autres chercheurs de Stanford, Michael Bernstein et Percy Liang.

Park était l’auteur principal de l’article de 2023 intitulé « Agents génératifs : simulacres interactifs du comportement humain », qui a introduit une ville simulée peuplée de 25 agents IA. Chaque agent utilisait un flux de mémoire aux côtés de mécanismes de récupération, de réflexion et de planification pour maintenir le contexte et déterminer ses prochaines actions.

Les agents formaient des relations, développaient des routines et coordonnaient des activités sans que chaque interaction soit explicitement programmée. L’expérience a contribué à établir de nombreuses idées architecturales maintenant utilisées dans les simulations multi-agents, où les agents autonomes interagissent les uns avec les autres plutôt que de répondre de manière indépendante à des invites isolées.

Des recherches ultérieures ont testé si les agents génératifs pouvaient reproduire les attitudes et le comportement de personnes réelles. Dans une étude impliquant 1 052 participants, les chercheurs ont créé des agents à l’aide d’entretiens qualitatifs et ont évalué à quel point ils reproduisaient avec précision les réponses des participants.

Les agents ont atteint 85 % de l’exactitude que les participants ont démontrée lorsqu’ils répondaient aux mêmes questions deux semaines plus tard. Il s’agit d’une distinction importante : le résultat ne signifie pas que le comportement humain a été prédit avec une exactitude de 85 %. Cela signifie que les agents ont approché le niveau de cohérence des personnes qu’ils étaient censés représenter.

Le site Web de Simile fait également référence à des travaux ultérieurs impliquant 2,9 millions de réponses à partir de 210 expériences de sciences sociales. L’entreprise affirme que l’ajustement fin des modèles sur ces données de comportement a amélioré l’alignement sur des études précédemment non vues de 26 % par rapport au modèle de base sous-jacent.

Les scores de confiance sont centraux pour le produit

L’une des affirmations techniques les plus conséquentes de Simile est qu’il a formé un modèle de confiance distinct pour estimer la fiabilité de chaque simulation.

Prédire le comportement humain est inhérentement incertain. La même personne peut prendre des décisions différentes en fonction du moment, du contexte, des informations disponibles et des facteurs qui ne sont pas présents dans un ensemble de données. Un système qui produit une prédiction unique et confiante sans communiquer ces limites pourrait encourager les organisations à traiter le comportement simulé comme un fait.

Simile affirme que sa plate-forme compare les distributions de réponses simulées avec les réponses collectées auprès de personnes réelles à l’aide de la distance de variation totale, une mesure statistique de la différence entre deux distributions de probabilité. Chaque résultat reçoit un score de confiance en fonction de la quantité et de la pertinence des preuves humaines à l’appui.

Lorsque les preuves pour une population ou un scénario particulier sont limitées, le score de confiance est censé rendre cette incertitude visible. L’entreprise affirme également que ses modèles sont réétalonnés chaque semaine pour intégrer des changements dans des domaines tels que les prix, les politiques, les conditions économiques et le comportement des consommateurs.

Cette couche de validation pourrait s’avérer aussi importante que les simulations elles-mêmes. Pour les entreprises qui prennent des décisions coûteuses ou sensibles, savoir quand un modèle est peu fiable peut être plus précieux que de recevoir une autre prédiction plausible.

CVS Health utilise des simulations pour tester des décisions avant leur lancement

CVS Health est l’un des premiers clients importants de Simile et a également participé au tour de financement par l’intermédiaire de CVS Health Ventures.

L’entreprise de soins de santé a utilisé des populations simulées pour valider les recherches existantes sur les clients, examiner les moteurs de la satisfaction des patients et tester des stratégies liées à l’observance des médicaments. Elle a également exploré des populations qui peuvent être difficiles ou coûteuses à atteindre par le biais d’enquêtes traditionnelles, notamment les patients atteints de maladies chroniques.

Selon Simile, l’initiative de CVS s’appuie sur 2,9 millions de réponses consenties provenant de plus de 400 000 participants à plus de 200 scénarios de comportement. Les simulations ont été utilisées pour pré-sélectionner des idées et identifier lesquelles méritent un examen plus approfondi par le biais de recherches ou de pilotes dans le monde réel.

Cette distinction est importante. La simulation peut réduire le nombre d’idées qui doivent être testées directement avec les clients, mais elle n’élimine pas la nécessité de collecter des preuves dans le monde réel. CVS a décrit la technologie comme un moyen de prioriser la recherche et d’affiner les interventions potentielles avant de les exposer aux patients ou aux clients.

Simile travaille également avec Gallup sur des recherches en matière de politique, d’études sur le lieu de travail et d’analyse des tendances sociales. D’autres organisations présentées par l’entreprise comprennent Wealthfront, Deloitte, Banco Itaú et Suntory. Les entreprises appliquent la plate-forme à des domaines tels que les tests de produits, l’entrée sur le marché, la recherche sur l’expérience client, la position concurrentielle et la préparation des appels de revenus.

Passer d’agents individuels à des marchés simulés

De nombreuses applications actuelles de Simile ressemblent à des recherches de marché accélérées. Une entreprise peut tester plusieurs concepts de produits ou de messages contre une population simulée avant de décider lesquels méritent une campagne ou un pilote réel.

L’opportunité à long terme est considérablement plus complexe. Simile souhaite modéliser les interactions entre les clients, les concurrents, les institutions, les politiques et les marchés. Plutôt que de prédire comment les individus isolés répondront à une question, ces simulations multi-agents examineraient comment les gens influencent les uns les autres et comment les décisions produisent des effets en cascade.

Des applications possibles pourraient inclure la modélisation des réactions aux chocs financiers, aux changements de politique, aux lancements de produits ou aux changements d’incitations. Une simulation pourrait examiner non seulement si les clients adoptent un nouveau service, mais comment cette adoption change le comportement des concurrents, la perception publique et la demande de produits connexes.

C’est là que les limites techniques deviendront plus significatives. De petites erreurs peuvent s’accumuler lorsque des milliers ou des millions d’agents interagissent, en particulier dans des simulations où les événements précoces changent la trajectoire de tout ce qui suit. Simile devra démontrer que ses méthodes de validation restent significatives à mesure que les simulations passent des prédictions individuelles à des systèmes dynamiques complexes.

Une nouvelle couche d’infrastructure de décision

La taille et la rapidité du dernier financement de Simile suggèrent que les investisseurs considèrent la simulation du comportement comme une couche potentielle dans la prise de décision d’entreprise.

Les organisations dépensent déjà beaucoup en enquêtes, études de marché, groupes de discussion, essais de produits et recherches de marché. Les simulations d’IA pourraient rendre moins coûteux l’exploration de davantage d’options, le test de segments d’audience plus étroits et l’identification d’idées faibles avant de s’engager dans des capitaux importants.

La technologie introduit également des questions difficiles autour du consentement, de la représentation et de la responsabilité. Une population simulée n’est utile que dans la mesure où les personnes, les comportements et les circonstances représentés dans ses données sous-jacentes. Les prédictions peuvent devenir moins fiables lorsqu’elles sont déployées dans des cultures inconnues, des marchés en rapide évolution ou des situations à haut risque avec peu de précédents historiques.

Pour cette raison, le rôle le plus fort de plateformes telles que Simile peut être de compléter la recherche humaine plutôt que de la remplacer. Les simulations peuvent aider les organisations à décider quelles questions étudier, mais les clients et les communautés réels restent nécessaires pour vérifier si les résultats tiennent dans le monde réel.

Simile dispose désormais de nouveaux financements pour tester si la simulation du comportement humain peut progresser d’un domaine de recherche émergent à une infrastructure d’entreprise fiable. Son défi immédiat n’est pas simplement de faire tourner davantage de simulations, mais de prouver que les organisations peuvent comprendre leurs limites et savoir quand les résultats sont suffisamment fiables pour influencer des décisions importantes.