Mirror Particle construye modelos del mundo del comportamiento humano porque los LLM no son suficientes para predecir lo que hace la gente

Los modelos de lenguaje son excelentes generando texto coherente, pero terribles prediciendo qué hará una persona concreta en una situación específica que no ha aparecido en los datos de entrenamiento. Esa es la tesis de partida de Mirror Particle, una startup que presentó su tecnología en el TC Disrupt Battlefield de TechCrunch y que construye lo que llaman world models del comportamiento humano. Lo cubre Rebecca Bellan en TechCrunch. La empresa, cuyo CEO es Ahuja, argumenta que los LLMs aprenden distribuciones estadísticas del lenguaje humano pero no aprenden los mecanismos causales que explican por qué la gente toma las decisiones que toma. Esa diferencia hace que los LLMs sean inadecuados para la mayoría de aplicaciones donde la predicción de comportamiento real tiene valor económico: publicidad de precisión, política pública basada en comportamiento, y sistemas de recomendación que van más allá del historial de clics.

Un world model es un sistema que no solo aprende a predecir la siguiente token o acción, sino que construye una representación interna del entorno y de los agentes que interactúan en él. En el contexto de Mirror Particle, eso significa entrenar modelos con datos de comportamiento observado —patrones de compra, interacciones sociales, secuencias de decisiones en contextos digitales y físicos— y construir representaciones que permitan hacer inferencias sobre individuos concretos en situaciones nuevas.

La diferencia técnica con un LLM es conceptual antes que computacional. Un LLM que recibe el prompt «¿qué comprará esta persona el próximo martes?» generará una respuesta plausible basada en patrones estadísticos del entrenamiento. Un world model diseñado por Mirror Particle intentará construir un modelo causal de esa persona: sus restricciones de tiempo, sus preferencias históricas, su sensibilidad al precio en diferentes categorías, las interacciones entre esos factores, y los cambios de estado en función del contexto actual. El resultado no es un texto plausible; es una distribución de probabilidad sobre comportamientos futuros con intervalos de confianza.

El argumento técnico de Mirror Particle tiene fundamento sólido en la literatura de aprendizaje automático. Los transformers que alimentan a GPT-4o, Claude Opus 5.5 o Gemini Ultra están optimizados para la predicción de la siguiente token en secuencias de lenguaje: son excelentes modelando correlaciones en texto a escala masiva, pero no tienen mecanismos explícitos para representar causalidad, contrafactuales o estados internos de agentes que no se expresan en texto.