Simile raccoglie oltre 200 milioni di dollari a una valutazione di 2 miliardi di dollari per scalare le simulazioni del comportamento umano

Simile ha raccolto oltre 200 milioni di dollari in finanziamenti di serie B a una valutazione post-denaro di 2 miliardi di dollari, fornendo alla startup con sede a Palo Alto un capitale sostanziale per sviluppare modelli di intelligenza artificiale progettati per simulare come le persone prendono decisioni.

Greenoaks ha guidato il round, mentre l’investitore esistente Index Ventures ha aumentato il suo sostegno. Hanabi, Bain Capital Ventures, A*, Factory e CVS Health Ventures (CVS ) sono tornati anche loro, con Definition che si unisce come nuovo investitore. Il finanziamento arriva solo cinque mesi dopo che Simile è emerso dalla stealth con un finanziamento di serie A di 100 milioni di dollari guidato da Index Ventures, portando il finanziamento dichiarato della società a oltre 300 milioni di dollari.

Da quando è stato lanciato pubblicamente, Simile afferma di aver aumentato le entrate di cinque volte, di essere cresciuto a oltre 50 dipendenti e di aver eseguito decine di milioni di simulazioni per aziende del Fortune 100. La società intende utilizzare il nuovo finanziamento per avanzare il suo modello di base per il comportamento umano, migliorare l’affidabilità delle sue simulazioni e ampliare la piattaforma in settori come sanità, servizi finanziari, prodotti di consumo e media.

Costruire l’AI per prevedere il comportamento piuttosto che generare contenuti

La maggior parte del mercato attuale dell’AI generativa si concentra sulla creazione di output. I grandi modelli linguistici possono produrre software, copie di marketing, immagini, concetti di prodotto e piani aziendali in pochi secondi.

Simile si concentra sul processo decisionale che precede la produzione di quegli output. La sua piattaforma è progettata per aiutare le organizzazioni a valutare cosa costruire, come diverse audience potrebbero rispondere e quali effetti di secondo ordine potrebbero emergere dopo l’implementazione di una decisione.

La società si descrive come costruttrice di un modello di base per il comportamento umano piuttosto che un altro modello linguistico generale. Invece di ottimizzare principalmente per risposte logiche o testo fluente, il modello è stato addestrato per rappresentare le differenze nelle preferenze, esperienze, valori e schemi decisionali delle persone.

Le organizzazioni possono utilizzare la piattaforma per creare scenari confrontabili ed esaminare come la stessa popolazione simulata risponde quando vengono modificate variabili come prezzi, messaggi, caratteristiche del prodotto o condizioni di politica. L’obiettivo non è semplicemente chiedere ai rispondenti sintetici le loro opinioni, ma modellare come il comportamento potrebbe cambiare in diverse condizioni e nel tempo.

Dal ricerca di Stanford a una piattaforma di simulazione aziendale

La tecnologia di Simile si basa sulla ricerca condotta dal co-fondatore e CEO Joon Sung Park e da altri ricercatori di Stanford, Michael Bernstein e Percy Liang.

Park è stato l’autore principale del paper del 2023 “Agenti generativi: simulacri interattivi del comportamento umano“, che ha introdotto una città simulata popolata da 25 agenti AI. Ogni agente ha utilizzato un flusso di memoria insieme a meccanismi di recupero, riflessione e pianificazione per mantenere il contesto e determinare le sue azioni successive.

Gli agenti hanno formato relazioni, sviluppato routine e coordinato attività senza che ogni interazione fosse esplicitamente programmata. L’esperimento ha aiutato a stabilire molte delle idee architettoniche utilizzate ora nelle simulazioni multi-agente, in cui gli agenti autonomi interagiscono tra loro piuttosto che rispondere in modo indipendente a prompt isolati.

Una ricerca successiva ha testato se gli agenti generativi potessero riprodurre gli atteggiamenti e il comportamento di individui reali. In uno studio che coinvolgeva 1.052 partecipanti, i ricercatori hanno creato agenti utilizzando interviste qualitative e hanno valutato quanto accuratamente riproducevano le risposte dei partecipanti.

Gli agenti hanno raggiunto il 85% dell’accuratezza che i partecipanti hanno dimostrato quando hanno risposto alle stesse domande due settimane dopo. Questo è un distinzione importante: il risultato non significa che il comportamento umano sia stato previsto con un’accuratezza dell’85%. Significa che gli agenti si sono avvicinati al livello di coerenza delle persone che dovevano rappresentare.

Il sito web di Simile fa anche riferimento a un lavoro successivo che coinvolge 2,9 milioni di risposte da 210 esperimenti di scienze sociali. La società afferma che l’addestramento dei modelli su questi dati comportamentali ha migliorato l’allineamento su studi precedentemente non visti del 26% rispetto al modello di base sottostante.

I punteggi di confidenza sono centrali per il prodotto

Una delle affermazioni tecniche più conseguenziali di Simile è che ha addestrato un modello di confidenza separato per stimare l’affidabilità di ogni simulazione.

Prevedere il comportamento umano è intrinsecamente incerto. La stessa persona potrebbe prendere decisioni diverse a seconda del timing, del contesto, delle informazioni disponibili e di fattori che non sono presenti in un set di dati. Un sistema che produce una previsione univoca senza comunicare quelle limitazioni potrebbe incoraggiare le organizzazioni a trattare il comportamento simulato come un fatto.

Simile afferma che la sua piattaforma confronta le distribuzioni di risposte simulate con le risposte raccolte da persone reali utilizzando la distanza di variazione totale, una misura statistica della differenza tra due distribuzioni di probabilità. Ogni risultato riceve un punteggio di confidenza in base alla quantità e alla rilevanza delle prove umane a sostegno.

Quando le prove per una particolare popolazione o scenario sono limitate, il punteggio di confidenza è progettato per rendere visibile quell’incertezza. La società afferma anche che i suoi modelli vengono ricontrollati settimanalmente per incorporare cambiamenti in aree come prezzi, politica, condizioni economiche e comportamento dei consumatori.

Quel livello di convalida potrebbe rivelarsi altrettanto importante quanto le simulazioni stesse. Per le aziende che prendono decisioni costose o sensibili, sapere quando un modello è improbabile che sia affidabile potrebbe essere più prezioso che ricevere un’altra previsione plausibile.

CVS Health utilizza le simulazioni per testare le decisioni prima del lancio

CVS Health è uno dei clienti più importanti di Simile e ha anche partecipato al finanziamento attraverso CVS Health Ventures.

La società di assistenza sanitaria ha utilizzato popolazioni simulate per convalidare la ricerca esistente sui clienti, esaminare i driver della soddisfazione dei pazienti e testare strategie relative all’aderenza ai farmaci. Ha anche esplorato popolazioni che possono essere difficili o costose da raggiungere attraverso sondaggi tradizionali, tra cui pazienti con condizioni croniche.

Secondo Simile, l’iniziativa CVS si basa su 2,9 milioni di risposte consensuali da oltre 400.000 partecipanti in oltre 200 scenari comportamentali. Le simulazioni sono state utilizzate per pre-selezionare idee e identificare quali ipotesi meritano ulteriori test attraverso ricerche o piloti nel mondo reale.

Questa distinzione è importante. La simulazione può ridurre il numero di idee che devono essere testate direttamente con i clienti, ma non elimina la necessità di raccogliere prove nel mondo reale. CVS ha descritto la tecnologia come un modo per priorizzare la ricerca e raffinare potenziali interventi prima di esporre pazienti o clienti a essi.

Simile sta anche lavorando con Gallup su ricerche di politica, studi sul posto di lavoro e analisi di tendenze sociali. Altre organizzazioni presentate dalla società includono Wealthfront, Deloitte, Banco Itaú e Suntory. Le aziende stanno applicando la piattaforma a aree come test di prodotto, ingresso nel mercato, ricerca sull’esperienza del cliente, posizionamento competitivo e preparazione per le chiamate di guadagno.

Passare da agenti individuali a mercati simulati

Molte delle applicazioni attuali di Simile assomigliano a ricerche di mercato accelerate. Un’azienda può testare diversi concetti di prodotto o messaggi contro una popolazione simulata prima di decidere quali meritano una campagna o un pilota reale.

L’opportunità a lungo termine è considerevolmente più complessa. Simile vuole modellare le interazioni tra clienti, concorrenti, istituzioni, politiche e mercati. Piuttosto che prevedere come individui isolati risponderanno a una domanda, queste simulazioni multi-agente esaminerebbero come le persone influenzano l’un l’altro e come le decisioni producono effetti a catena.

Applicazioni possibili potrebbero includere la modellazione delle reazioni a shock finanziari, cambiamenti di politica, lanci di prodotti o cambiamenti negli incentivi. Una simulazione potrebbe esaminare non solo se i clienti adottano un nuovo servizio, ma come quell’adozione cambia il comportamento dei concorrenti, la percezione pubblica e la domanda di prodotti correlati.

Questo è il punto in cui le limitazioni tecniche diventeranno più significative. Piccoli errori possono accumularsi quando migliaia o milioni di agenti interagiscono, in particolare in simulazioni in cui eventi precoci cambiano la traiettoria di tutto ciò che segue. Simile dovrà dimostrare che i suoi metodi di convalida rimangono significativi mentre le simulazioni si spostano da previsioni individuali verso sistemi dinamici e complessi.

Un nuovo livello di infrastruttura decisionale

La dimensione e la velocità del finanziamento più recente di Simile suggeriscono che gli investitori vedono la simulazione del comportamento come un potenziale nuovo livello nella presa di decisioni aziendali.

Le organizzazioni spendono già molto in sondaggi, consulenza, gruppi di discussione, test di prodotto e ricerche di mercato. Le simulazioni AI potrebbero rendere più economico esplorare più opzioni, testare segmenti di audience più stretti e identificare idee deboli prima di impegnare capitali significativi.

La tecnologia introduce anche domande difficili su consenso, rappresentanza e responsabilità. Una popolazione simulata è utile solo quanto le persone, i comportamenti e le circostanze rappresentati nei suoi dati sottostanti. Le previsioni potrebbero diventare meno affidabili quando vengono utilizzate in culture sconosciute, mercati in rapida evoluzione o situazioni ad alto rischio con limitata precedenza storica.

Per questo motivo, il ruolo più forte a breve termine per piattaforme come Simile potrebbe essere quello di integrare la ricerca umana piuttosto che sostituirla. Le simulazioni possono aiutare le organizzazioni a decidere quali domande indagare, ma i clienti e le comunità reali rimangono necessari per verificare se i risultati si mantengono al di fuori del modello.

Simile ha ottenuto il nuovo finanziamento per testare se la simulazione del comportamento umano può progredire da un campo di ricerca emergente a un’infrastruttura aziendale affidabile. La sua sfida immediata non è semplicemente eseguire più simulazioni, ma dimostrare che le organizzazioni possono comprendere i limiti e sapere quando i risultati sono abbastanza affidabili da influenzare decisioni importanti.