Agentes IA y ABMs: la ciencia que ya simula a tus clientes

Los agentes de IA ya no solo contestan preguntas: han empezado a simular personas. Stanford construye réplicas computacionales de 1.052 individuos reales que responden encuestas igual que sus originales el 85% de las veces. Google DeepMind mantiene una librería abierta para simular sociedades enteras. El MIT recrea, agente a agente, los 8,4 millones de habitantes de Nueva York. Y las marcas empiezan a ensayar lanzamientos, mensajes y precios contra poblaciones sintéticas antes de gastarse un euro en el mundo real. Si trabajas en marketing, producto o estrategia, esto te toca de lleno: tus clientes ya están siendo simulados, y la próxima vez que alguien te venda "consumidores sintéticos" te convendrá saber qué hay detrás, qué funciona de verdad y qué es humo. Lo que hay detrás tiene nombre, treinta años de ciencia y papers fundacionales que se pueden leer: los modelos basados en agentes, los ABM.

Esta historia, además, la puedo contar desde dentro. A principios de los años 90, en la unidad de Arquitectura de Computadores de la Universitat Autònoma de Barcelona, éramos exactamente dos los que creíamos en simular el mundo así, de abajo arriba, individuo a individuo: Remo Suppi y yo. Y en 1994 aquello era práctica, no pizarra: trabajábamos en ARGOS, un proyecto europeo con el Hatfield Polytechnic para guiar un vehículo autónomo sobre redes de transputers, los microprocesadores británicos del paralelismo masivo en los que cada chip era una unidad autónoma con su propia memoria y sus canales de mensajes. La metáfora era doble y no lo sabíamos: el coche era un agente percibiendo y decidiendo en su entorno, y lo movía por dentro un enjambre de procesadores-agente pasándose mensajes. Mi mitad de la historia sigue publicada en esta misma web, mi investigación de posgrado de 1993 sobre predecir el rendimiento de sistemas paralelos por simulación. La prueba del delito, con fecha.

La idea que defendíamos no tenía nombre. En ecología lo llamaban "modelos orientados al individuo", en ciencias sociales "microsimulación", en inteligencia artificial lo confundían con los sistemas distribuidos. Cuando intentabas explicarlo, la respuesta habitual era una mezcla de cortesía y lástima: eso no son más que programas con objetos, eso no escala, eso no se puede validar, eso no es ciencia seria. La ciencia seria eran las ecuaciones diferenciales, los modelos agregados, el actor representativo. Nosotros creíamos en otra cosa: en poblaciones de agentes con reglas simples, interactuando, de las que emergía un comportamiento que nadie había programado.

Treinta y tres años después, aquella herejía de pasillo es la frontera de la IA: hasta los bancos centrales calibran modelos de agentes para estrés financiero. Y en 498A, nuestro laboratorio de I+D, hemos convertido el primer tramo de aquella vieja convicción en un producto que ya usan más de dieciséis marcas.

Este artículo es tres cosas a la vez, y las tres me tocan. Una explicación honesta de qué es un modelo basado en agentes y de la ventana de 1993-96 en que aquello ganó nombre, manifiesto y herramienta, contada con los white papers originales. Una crónica de lo que pasó con el otro creyente de aquel pasillo, que nunca se bajó del barco. Y el mapa de cómo esa tradición desemboca, treinta años después, en lo que estamos construyendo con GEORadar: simular la toma de decisiones de personas sintéticas. También contaré lo que todavía no sabemos hacer, porque en este campo quien no te cuenta los límites te está vendiendo humo.

Dos formas de explicar un sistema

Toda la historia cabe en una disyuntiva. Cuando quieres entender un sistema formado por muchas partes, un mercado, una ciudad, una epidemia, la percepción de una marca, tienes dos caminos.

El camino clásico va de arriba abajo. Escribes ecuaciones sobre los agregados: la demanda total, la velocidad media, la tasa de contagio. Funciona de maravilla cuando las partes son idénticas e intercambiables, como moléculas en un gas. Y se rompe, en silencio, cuando las partes son heterogéneas, aprenden, se imitan y reaccionan unas a otras. Lo que no cabe en la ecuación deja de existir: la burbuja, el atasco fantasma, el rumor que se dispara.

El camino contrario va de abajo arriba. Defines una población de agentes autónomos, cada uno con reglas locales simples: percibe su entorno, decide, actúa, interactúa. Ejecutas la simulación miles de veces y observas qué patrón macroscópico emerge sin que nadie lo haya programado explícitamente. Eso es un modelo basado en agentes, un ABM. No es una técnica de predicción puntual; es otra epistemología. No preguntas "¿qué número saldrá?", preguntas "¿qué futuros pueden crecer de estas reglas?".

Dos epistemologías: describir el agregado o cultivar el fenómeno. Fuente: recreación propia sobre Epstein & Axtell, 1996, y Schelling, 1971.

El ejemplo fundacional ni siquiera necesitó ordenador. En 1971, Thomas Schelling estudió la segregación urbana moviendo monedas sobre un tablero. Cada moneda seguía una única regla: si menos de un tercio de mis vecinos son como yo, me mudo. Una preferencia individual levísima, casi tolerante. El resultado, tras unas cuantas rondas, era un tablero brutalmente segregado. Nadie quería la segregación; la segregación emergía igualmente. Ese es el escalofrío intelectual del ABM: el macro no es la suma del micro, es su consecuencia no evidente. Después vinieron el Game of Life de Conway (1970) y los Boids de Craig Reynolds (1987), bandadas de pájaros perfectas generadas por tres reglas locales, sin líder y sin coreógrafo.

Cuando yo llegué a la UAB, todo esto existía como curiosidad dispersa. Lo que no existía era el campo.

1993-1996: la ventana en que aquello ganó nombre, manifiesto y herramienta

La transformación de curiosidad a disciplina ocurrió en una ventana de cuatro años, y se puede documentar white paper a white paper. La mayoría salió del Santa Fe Institute, el monasterio de la ciencia de la complejidad, en forma de working papers que hoy siguen colgados en abierto. Los he recuperado todos, y releerlos es un ejercicio de humildad: casi todo lo que hoy parece nuevo ya estaba ahí, esperando potencia de cálculo y una mente artificial decente.

Cuatro años para pasar de no existir a tener término, manifiesto, herramienta y primeras killer apps. Fuente: recreación propia.

1993. La teoría antes del nombre. David Lane publica Artificial Worlds and Economics como working paper del SFI: el primer marco conceptual serio de los "mundos artificiales", simulaciones bottom-up para estudiar cómo emerge la organización jerárquica en una economía. El texto completo se lee hoy como un manifiesto prematuro.

1994. El año del bautizo. Robert Axtell y Joshua Epstein publican en el Bulletin del SFI un texto breve con un título que lo dice todo: Agent-Based Modeling: Understanding Our Creations. Es la partida de nacimiento del término. Ese mismo año, Brian Arthur presenta el experimento mental que se convertiría en el "hola mundo" de la economía de la complejidad: el problema de El Farol, working paper del SFI que la American Economic Review publicó como Inductive Reasoning and Bounded Rationality.

El Farol merece dos párrafos, porque es la semilla directa de lo que hacemos hoy. Es un bar de Santa Fe con música irlandesa los jueves. Cien personas quieren ir, pero solo se está bien si van menos de sesenta. No hay comunicación ni coordinación posible: cada uno decide en casa, con sus propias teorías sobre cuánta gente irá. Si todos razonaran igual, deductivamente, el sistema estallaría: todos irían o ninguno. Arthur dotó a sus cien agentes de razonamiento inductivo: cada uno mantiene un pequeño repertorio de modelos predictivos, usa el que mejor le está funcionando y lo descarta cuando falla.

Cien teorías privadas compitiendo producen un orden que ninguna contiene: la asistencia media se clava en el aforo. Fuente: recreación propia sobre Arthur, AER 84(2), 1994.

El resultado es hipnótico: la asistencia media se autoorganiza alrededor de sesenta, exactamente el aforo, sin converger jamás a un equilibrio estático y sin que ningún agente conozca el sistema completo. Un mercado en miniatura, con racionalidad acotada de verdad. Y aquí viene el guiño que me obliga a quererlo aún más: en febrero de 2026, un equipo volvió a meter agentes en el bar de Arthur, esta vez con LLMs dentro, y de las conversaciones emergió tribalismo digno de El señor de las moscas. Treinta y dos años después, el mismo experimento sigue produciendo sorpresas. Esa es la marca de un buen modelo.

El 94 no acabó ahí. Palmer, Arthur, John Holland, Blake LeBaron y Paul Tayler publicaron en Physica D el mercado bursátil artificial de Santa Fe: agentes adaptativos comprando y vendiendo una acción, con burbujas, crashes y volumen persistente como propiedades emergentes, no como supuestos (texto en abierto; la versión madura, Asset Pricing Under Endogenous Expectations, llegó en el 96). Si hoy tuviera que señalar el ancestro directo de GEORadar, sería este paper: sustituye "precio del activo" por "narrativa de marca" y "expectativas de los agentes" por "percepción de los motores de IA" y el esqueleto conceptual es el mismo. En paralelo, en Europa, Nigel Gilbert y Jim Doran fundaban la escuela social con Simulating Societies, y Kathleen Carley y Michael Prietula abrían la rama organizacional con Computational Organization Theory: las organizaciones como colecciones de agentes adaptativos orientados a tarea.

1995. La definición, y el cisma fértil. Michael Wooldridge y Nick Jennings publican el survey más citado de la era, Intelligent Agents: Theory and Practice, y fijan la definición canónica de agente: autonomía, reactividad, proactividad, habilidad social. Ahí el campo se bifurca en dos ramas hermanas que conviene no confundir, porque la confusión sigue viva hoy. Los sistemas multiagente (MAS) son ingeniería: agentes que resuelven problemas, negocian, orquestan. El ABM es ciencia: agentes que explican fenómenos por emergencia. Una construye sistemas; la otra construye comprensión. Ese mismo año, Gilbert y Rosaria Conte publican Artificial Societies, hoy en acceso abierto, con el capítulo de Gilbert sobre emergencia en simulación social que sigue siendo la mejor introducción conceptual que conozco. Y un apunte de casa: la rama MAS anotó muy pronto un hito en nuestro propio campus, porque entre 1996 y 1998, en el IIIA-CSIC de Bellaterra, un equipo con Juan Antonio Rodríguez-Aguilar entre sus autores convirtió la subasta a la baja de la lonja de pescado en FishMarket, una lonja electrónica mediada por agentes: agentes de software comprando y vendiendo pescado dentro de una institución electrónica.

1996. Las herramientas y la obra maestra. Tres golpes en un año. Nelson Minar, Roger Burkhart, Chris Langton y Manor Askenazi publican el white paper de Swarm, el primer toolkit de propósito general para construir simulaciones multiagente. El detalle que me encanta: entre los autores están el padre de la vida artificial (Langton, SFI) y un ingeniero de John Deere (Burkhart), porque la tractora ya intuía que esto servía para algo. Hasta Swarm, cada ABM se escribía desde cero, en C o en Lisp, a pelo. Lo sé de primera mano.

Joshua Epstein y Robert Axtell publican Growing Artificial Societies (Brookings/MIT Press), el manifiesto definitivo. Su modelo, Sugarscape, es de una elegancia que duele: un paisaje de azúcar, agentes con visión y metabolismo, reglas de moverse, comer, comerciar, reproducirse. De esas reglas emergen migraciones, distribuciones de riqueza sesgadas como las reales, comercio, guerra, transmisión cultural, epidemias. La tesis del libro cabe en una frase que se convirtió en el lema de toda la "generative social science": si no puedes hacerlo crecer, no lo has explicado. Hay incluso una especificación formal moderna para quien quiera reimplementarlo, que es el mejor ejercicio de aprendizaje de ABM que existe.

Y Marco Dorigo, Vittorio Maniezzo y Alberto Colorni publican Ant System en IEEE Transactions: colonias de hormigas artificiales que resuelven optimización combinatoria depositando feromona digital. Estigmergia pura, el ABM aplicado fundando el campo entero de la optimización por colonias.

En cuatro años, de no existir a tener término, definición, manifiesto, herramienta y killer apps. Y sin embargo.

Por qué nadie creía: los tres muros

Si la ventana 93-96 fue tan fértil, ¿por qué el ABM pasó los siguientes veinticinco años como ciudadano de segunda de la ciencia? Porque se estrellaba contra tres muros, y los tres eran reales. Conviene nombrarlos con respeto, porque la historia reciente del campo es exactamente la historia de su demolición.

El muro de la cognición. Los agentes de los 90 eran de juguete. Cuatro reglas if-then, una tabla de estados, un algoritmo genético si te ponías exquisito. Cada crítica de seminario era la misma y era justa: "tus humanos de mentira no piensan como humanos". El modelador tenía que escribir a mano las reglas de la mente, y las mentes no caben en reglas escritas a mano. Esta era la objeción de fondo, la epistemológica.

El muro de la escala. Simular pocos agentes era trivial y simular muchos era imposible. La potencia de los 90 daba para cientos, quizá miles de agentes simples. Cualquier fenómeno interesante, una ciudad, un mercado real, una pandemia, necesita millones. Y paralelizar una simulación donde todos interactúan con todos no es repartir trabajo, es repartir conversaciones: el problema de sincronización más feo de la computación distribuida.

El muro de la calibración. Un ABM tiene decenas de parámetros y ninguna derivada. Ajustarlo a datos reales era ensayo y error artesanal, carísimo y poco reproducible. Los econometristas, con sus modelos estimables, tenían razón en burlarse un poco.

Tres muros, tres décadas. Lo que nadie nos dijo en aquel pasillo de la UAB es que los tres caerían casi a la vez.

El otro creyente nunca se bajó del barco

Aquí la historia se vuelve personal, y es la parte que más me apetecía escribir.

De los dos creyentes de aquella unidad, yo me fui por el otro lado del espejo: producto, marcas, negocio, once años en Nike, startups, una agencia. La pregunta se vino conmigo, hibernada. Remo Suppi se quedó, leyó su tesis en la UAB en 1996, el mismo año de Swarm y Sugarscape, y dedicó las tres décadas siguientes a demoler metódicamente uno de los tres muros: el de la escala. Su carrera entera, vista desde 2026, es una respuesta de treinta años a la pregunta "¿y si los agentes pudieran ser millones?".

El rastro publicado es precioso de seguir. En 2002, con Pere Munt y Emilio Luque, publica Using PDES to Simulate Individual-Oriented Models in Ecology: bancos de peces, el modelo orientado al individuo por excelencia, corriendo sobre simulación paralela de eventos discretos. En 2003 le añade animación 3D en tiempo real; después lógica difusa en la cabeza de cada pez y versiones distribuidas en clúster cada vez más afinadas. Los peces eran la excusa perfecta: emergencia pura, autoorganización sin líder, el problema de Boids elevado a ciencia computacional seria.

Luego los agentes se volvieron personas. Su grupo, el HPC4EAS, aplicó todo aquello a evacuaciones de emergencia: multitudes en pánico simuladas agente a agente, primero como servicio en la nube (Crowd Evacuations SaaS, ICCS 2015), después con turbulencia de multitudes sobre GPUs (ICCS 2016), y finalmente destilado en Care HPS, su framework de simulación de agentes de alto rendimiento (Future Generation Computer Systems, 2017), aplicado entre otros a la evacuación de la Fira de Barcelona. El mismo motor conceptual acabó simulando crecimiento tumoral y movilidad urbana con datos reales y mapas GIS. Peces, multitudes, tumores, tráfico: cuatro pieles del mismo animal, el modelo orientado al individuo, escalado con HPC.

Escribo esto con una mezcla de orgullo ajeno y de vértigo. Orgullo porque el otro creyente tenía razón y la defendió con constancia de fondo de armario, paper a paper, mientras el campo seguía siendo minoritario. Vértigo porque su problema de investigación de toda la vida, cuántos agentes caben en el hardware, es literalmente el titular de la IA de 2025. Ahora vamos a eso.

2023: cae el muro de la cognición

El desbloqueo no vino de donde el campo lo esperaba. Vino de los modelos de lenguaje.

En abril de 2023, Joon Sung Park y colegas de Stanford y Google publican Generative Agents: Interactive Simulacra of Human Behavior, el paper de "Smallville": veinticinco agentes viviendo en un pueblecito estilo Los Sims, cada uno con un LLM como cerebro y una arquitectura de memoria, reflexión y planificación alrededor. Los agentes desayunan, van a trabajar, se conocen, cotillean. Una agente decide organizar una fiesta de San Valentín y, sin que nadie lo programe, las invitaciones se propagan, surgen coordinaciones, alguien invita a su crush. Comportamiento social creíble, emergiendo.

La lectura profunda de Smallville no es "qué mono". Es que el muro de la cognición, la objeción fundacional contra el ABM, acababa de caer. Ya no hace falta escribir a mano las reglas de la mente del agente: se elicitan de un modelo entrenado sobre el registro escrito de la humanidad entera. Una persona sintética ya no son cuatro if-then; es un perfil completo condicionando una mente estadística. Lo que Sugarscape hacía con cuatro reglas, ahora se hace con una biografía.

La validación seria llegó en noviembre de 2024, y es el resultado que uso cuando alguien me mira con la misma cara que nos ponían en el 93. El equipo de Park entrevistó durante dos horas a 1.052 personas reales, muestra representativa de EEUU, y construyó un agente generativo por cada una, alimentado con la transcripción de su entrevista. Después les pasó a los agentes la General Social Survey, tests de personalidad y juegos económicos. El resultado: los agentes replican las respuestas de sus humanos con una precisión normalizada del 85%. El listón no es caprichoso: es el porcentaje de acuerdo de las propias personas consigo mismas al repetir el cuestionario dos semanas después. Un 85% de esa autoconsistencia. Y con menos sesgo por grupo racial e ideológico que los agentes descritos solo con demografía.

Alrededor de ese resultado ha cristalizado un ecosistema entero, y muy deprisa:

• Concordia, de Google DeepMind, es una librería abierta para ABM generativo con un patrón de "Game Master" de rol de mesa: el director de juego simula el entorno, los agentes juegan (paper, guía de diseño experimental). Va por la versión 2.0 y se usa desde ciencia social hasta evaluación de servicios.
• Project Sid, de Altera, soltó más de mil agentes autónomos en Minecraft con su arquitectura PIANO: emergieron un hub mercantil, roles económicos, una religión que se difundía, y una constitución que los agentes votaban y enmendaban. Civilización en miniatura como demo técnica.
• AgentSociety (2025) simula más de diez mil agentes con mentes dotadas de emociones, necesidades y motivaciones, y registra cinco millones de interacciones para estudiar dinámicas sociales: polarización, difusión de bulos, políticas públicas.
• GATSim lleva los agentes generativos a la movilidad urbana, y EconSimulacra (junio de 2026) construye gemelos digitales de sistemas socioeconómicos completos con agentes LLM.

A este movimiento se le llama ya GABM, generative agent-based modeling, y es la fusión explícita de las dos tradiciones de 1995: la mente viene de la rama MAS-LLM, el método viene de la rama ABM. Las dos ramas del cisma de Wooldridge y Epstein, reunificadas por fin. Cuando lo pienso, siempre acabo en el mismo sitio: en el pasillo de la UAB defendíamos las dos a la vez sin saber que eran dos.

La otra revolución: caen los muros de la escala y la calibración

Mientras el foco mediático se lo llevaban los agentes parlanchines, la otra mitad del problema, la de Remo, se resolvía con menos ruido y la misma contundencia.

El grupo de Ayush Chopra en el MIT Media Lab construyó AgentTorch, el framework de los Large Population Models: simulaciones de agentes escritas como tensores diferenciables, corriendo en GPU. Su resultado bandera responde exactamente a la pregunta del pasillo: simularon los 8,4 millones de habitantes de Nueva York durante la pandemia, agente a agente (AAMAS 2025). El truco para que los agentes tengan cabeza LLM sin arruinarte en llamadas es elegante: arquetipos. No se invoca un LLM por agente; se promptea a un conjunto de arquetipos representativos, personas sintéticas que capturan segmentos de comportamiento, y sus decisiones gobiernan a las poblaciones que representan (explicación divulgativa, Large Population Models). Guarda este concepto, que reaparece en dos párrafos: es exactamente cómo funciona una persona en GEORadar.

Y el muro de la calibración cayó con el ABM diferenciable. Si reescribes la simulación para que admita derivadas, calibrarla contra datos reales deja de ser artesanía y pasa a ser descenso por gradiente, como entrenar una red. GradABM simula poblaciones de millones en segundos sobre hardware corriente y se calibra con redes neuronales; hay calibración bayesiana de ABMs diferenciables, inferencia variacional con surrogates gaussianos y un tratado reciente de diferenciación automática de ABMs (septiembre 2025). Esto ya no es academia especulativa: los bancos centrales revisan en 2025 sus ABMs en producción para riesgo sistémico, y la política de vacunación regional se calibra con ABMs acelerados por redes neuronales.

La rama de la escala y la rama de la cognición, convergiendo treinta años después. Fuente: recreación propia.

El estado del arte de 2026, dicho en una línea: la rama de la cognición ha conseguido agentes plausibles y la rama de la escala ha conseguido poblaciones masivas calibrables, y la frontera es casarlas. Mentes ricas × millones de agentes × calibración contra datos reales. Quien junte las tres tiene el simulador de sociedades que en el 93 era herejía.

Falta el asterisco, y en esta casa los asteriscos van en el cuerpo del texto, no en la letra pequeña. La validación sigue abierta. Hay literatura crítica seria demostrando que las simulaciones humanas con LLM aún no son fiables para muchos usos: sesgo hacia poblaciones WEIRD, aplanamiento de la varianza (los agentes son más homogéneos que los humanos que imitan), sicofancia, deriva de identidad en horizontes largos. Se ataca desde varios flancos, de la coherencia de identidad con recuperación al descubrimiento causal automático de por qué emerge lo que emerge (abril 2026). Es, y esto me hace sonreír, exactamente el problema de validación que los econometristas nos echaban en cara en los 90, con ropa nueva. La diferencia es que ahora el campo tiene herramientas, dinero y a Stanford, DeepMind y el MIT trabajando en ello. Entonces éramos dos.

De medir la percepción a simular la decisión: el milestone GEORadar

Y aquí es donde la historia deja de ser crónica y pasa a ser hoja de ruta, porque este arco de treinta años no lo cuento como espectador.

Nuestro objetivo de fondo en 498A es la simulación agéntica de la toma de decisiones humanas: poder correr una población sintética contra un escenario, una marca, un mensaje, un futuro posible, y observar qué percepción se forma y qué decisiones emergen, antes de gastarse el presupuesto en el mundo real. Lo que en mi cabeza siempre se ha llamado, desde aquel pasillo, simular futuros.

GEORadar es el primer milestone de ese objetivo convertido en producto, y entenderlo como ABM aplicado explica mejor que nada por qué funciona. Cuando auditamos cómo ven a una marca las superficies de IA generativa, no lanzamos cuatro preguntas genéricas a un chatbot. Construimos una población sintética de demanda: personas por segmento, con intenciones clasificadas (informacionales, transaccionales, escépticas, comparativas), recorriendo las fases del funnel. Esa población genera entre 3.000 y 30.000 prompts personalizados por estudio, que ejecutamos contra seis superficies: ChatGPT, Gemini, Claude, Perplexity, Copilot y las AI Overviews de Google. Un algoritmo de completitud semántica detecta el punto de saturación, el momento en que preguntar más ya no descubre nada nuevo, que es la versión GEO del criterio de convergencia de cualquier simulación seria. Y lo que medimos al final es exactamente una propiedad emergente: la percepción agregada, cuota de voz, sentimiento, atributos, narrativa, que ningún prompt individual contiene pero que el conjunto revela. Llevamos más de un millón de prompts simulados y nueve millones de menciones de marca analizadas con este método.

La genealogía intelectual no es decorativa; es operativa. El mapeo concepto a concepto:

Y ahora la honestidad técnica, que aquí es parte del producto igual que lo era en el artículo del watermarking. Lo que hacemos hoy es, en rigor, microsimulación a escala: muestras masivas e independientes. Todavía no es ABM pleno. Lo que definía a un ABM del 96 era la interacción con feedback: agentes que se afectan entre sí y al entorno, y de ahí la emergencia fuerte. Ese es exactamente el siguiente tramo de la hoja de ruta, y cada pieza es una feature con nombre y apellidos: journeys multi-paso con memoria, el agente lee la respuesta del motor, actualiza su consideración y repregunta, del escepticismo a la comparación, como hace una persona real; feedback poblacional, qué pasa con la percepción agregada cuando el 20% de los agentes descarta la marca en la segunda interacción; dinámica social, el boca-oreja sintético, la influencia entre agentes que Axelrod modeló para la cultura; y contrafactuales, la misma población corriendo contra dos narrativas de marca distintas, dos futuros medibles antes de elegir uno. Ahí, simular futuros deja de ser una metáfora de posicionamiento y pasa a ser la descripción literal del producto.

El primer tramo ya es producto; el segundo es la hoja de ruta. Fuente: recreación propia, 498A.

¿Por qué contarlo con este marco y no con el de moda? Porque el apellido intelectual importa. GEORadar no desciende del SEO; desciende de Santa Fe. La diferencia práctica entre un SaaS GEO que lanza cuarenta prompts genéricos y un estudio con población sintética diseñada no es de volumen, es de epistemología: uno hace encuestas a un oráculo, el otro cultiva un fenómeno hasta que emerge y satura. Y porque los mismos estándares que el ABM serio desarrolló durante treinta años, ensembles, criterios de convergencia, calibración contra datos reales, análisis de sensibilidad, son la vara de medir que le pedimos a cualquier simulación de personas sintéticas, incluida la nuestra. El día que te vendan "consumidores sintéticos" sin hablarte de validación, ya sabes qué preguntar.

Coda: treinta años para ser oportuno

Vuelvo al pasillo de 1993, porque los finales se escriben donde empezaron los principios.

Éramos dos los que creíamos, y los dos teníamos razón, pero cada uno por una rama que entonces no sabíamos distinguir. Remo se quedó con la pregunta dura de la ingeniería, cuántos agentes caben en una máquina, y su respuesta, de los bancos de peces sobre PDES a las multitudes de la Fira sobre GPUs, es hoy la rama que el MIT ha llevado a 8,4 millones de neoyorquinos sintéticos. Yo me llevé la pregunta blanda, qué decide un agente que se parece a una persona y para qué sirve eso, y la respuesta me ha costado treinta años, una carrera entera en marcas y un laboratorio de I+D, pero existe, factura y se llama GEORadar. Hoy dirijo trabajos de máster en IA con la UAB y el IIIA-CSIC, a un pasillo de distancia de donde empezó todo, lo cual demuestra que la topología de una carrera también es un fenómeno emergente.

Lo que más me fascina del arco es lo poco que cambió la idea. Schelling con sus monedas en 1971, Arthur con su bar en 1994, Epstein con su azúcar en 1996, Stanford con sus 1.052 entrevistas en 2024 y nosotros con nuestras poblaciones de demanda en 2026 estamos haciendo exactamente lo mismo: renunciar a la ecuación del dios que todo lo ve y preguntarle al hormiguero. Lo único que ha cambiado es la cabeza de la hormiga. Cuatro reglas entonces, una mente estadística entrenada en toda la cultura humana ahora.

En el 93 nos decían que aquello no era ciencia seria. La respuesta ha tardado treinta y tres años y no la hemos dado nosotros: la han dado Stanford, DeepMind, el MIT, los bancos centrales y un profesor de la UAB que nunca dejó de publicar. Llegar treinta años pronto es incómodo, pero en innovación es la única manera elegante de llegar a tiempo. Y si este artículo tiene una moraleja práctica, es esta: cuando encuentres una idea que solo defendéis dos personas en un pasillo, apúntate el nombre del otro. Las buenas herejías se reconocen porque los herejes acaban dirigiendo los laboratorios.

Fuentes técnicas para saber más

El canon fundacional, 1993-1996

• Lane: Artificial Worlds and Economics, SFI Working Paper, 1993 (texto completo). La teoría antes del nombre.
• Axtell, Epstein: Agent-Based Modeling: Understanding Our Creations, Bulletin of the Santa Fe Institute, 1994. La partida de nacimiento del término.
• Arthur: Inductive Reasoning and Bounded Rationality (El Farol), American Economic Review 84(2), 1994 (working paper original del SFI).
• Palmer, Arthur, Holland, LeBaron, Tayler: Artificial Economic Life: A Simple Model of a Stockmarket, Physica D 75, 1994 (acceso abierto); Asset Pricing Under Endogenous Expectations, SFI, 1996.
• Gilbert, Doran (eds.): Simulating Societies, UCL Press, 1994.
• Carley, Prietula (eds.): Computational Organization Theory, Erlbaum, 1994.
• Wooldridge, Jennings: Intelligent Agents: Theory and Practice, Knowledge Engineering Review 10(2), 1995 (Cambridge).
• Gilbert, Conte (eds.): Artificial Societies, UCL Press, 1995, en acceso abierto; Gilbert: Emergence in Social Simulation.
• Rodríguez-Aguilar, Martín, Noriega, García, Sierra: Towards a Test-bed for Trading Agents in Electronic Auction Markets, AI Communications, 1998. FishMarket, la lonja electrónica del IIIA-CSIC.
• Minar, Burkhart, Langton, Askenazi: The Swarm Simulation System, SFI Working Paper, 1996.
• Epstein, Axtell: Growing Artificial Societies, Brookings/MIT Press, 1996 (MIT Press; especificación formal de Sugarscape).
• Dorigo, Maniezzo, Colorni: Ant System: Optimization by a Colony of Cooperating Agents, IEEE Transactions on SMC-B 26(1), 1996.

La rama de la escala: Remo Suppi y el HPC4EAS de la UAB

• Suppi, Munt, Luque: Using PDES to Simulate Individual-Oriented Models in Ecology, ICCS 2002.
• Suppi, Luque: Fish Schools: PDES Simulation and Real Time 3D Animation, PPAM 2003; A Fuzzy Logic Fish School Model, ICCS 2009; High Performance Individual-Oriented Simulation.
• Crowd Evacuations SaaS (ICCS 2015), Crowd Turbulence en GPU (ICCS 2016), Care HPS (Future Generation Computer Systems, 2017): ver su ficha DBLP y la página de evacuaciones del grupo HPC4EAS, con el caso de la Fira de Barcelona.
• Tashakor, Suppi: Agent-based model for tumour analysis using Python+Mesa, 2019.
• González Cuevas, Suppi: ABM simulation focused on urban mobility.
• Perfil institucional: Portal de Recerca UAB y publicaciones del grupo.

El giro generativo, 2023-2026

• Park, O'Brien, Cai, Morris, Liang, Bernstein: Generative Agents: Interactive Simulacra of Human Behavior, 2023. Smallville.
• Park et al.: Generative Agent Simulations of 1,000 People, 2024 (resumen de Stanford HAI). El 85% de fidelidad.
• Google DeepMind: Concordia, librería de simulación social generativa (paper; guía de experimentos fiables).
• Altera: Project Sid: Many-agent simulations toward AI civilization, 2024 (código).
• Piao et al.: AgentSociety: Large-Scale Simulation of LLM-Driven Generative Agents, 2025.
• GATSim: Urban Mobility Simulation with Generative Agents, 2025; EconSimulacra: A Digital Twin Platform of Socio-Economic Systems, 2026. (Preprints recientes.)
• Three AI-agents walk into a bar..., 2026. El Farol revisitado con agentes LLM. (Preprint reciente.)

Escala industrial, diferenciabilidad y calibración

• Chopra et al.: On the Limits of Agency in Agent-Based Models, AAMAS 2025 (MIT Media Lab; AgentTorch); Large Population Models, 2025.
• Chopra et al.: Differentiable Agent-based Epidemiology (GradABM), 2022.
• Quera-Bofarull et al.: Bayesian Calibration of Differentiable Agent-Based Models, 2023; Automatic Differentiation of Agent-Based Models, 2025; calibración con inferencia variacional de Stein y surrogates gaussianos, 2025.
• Anirudh et al.: Accurate Calibration of Agent-based Epidemiological Models with Neural Network Surrogates, PMLR.
• Agent-Based Modelling at Central Banks: Recent Developments and New Challenges, 2025; calibración de ABMs con redes neuronales para política vacunal, Vaccine, 2023.

Validación y crítica

• LLM-based Human Simulations Have Not Yet Been Reliable, 2025. La lectura obligatoria antes de creerse nada.
• ID-RAG: Identity Retrieval-Augmented Generation for Long-Horizon Persona Coherence, 2025. (Preprint reciente.)
• CAMO: Automated Causal Discovery from Micro Behaviors to Macro Emergence in LLM Agent Simulations, 2026. (Preprint reciente.)