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

Los agentes de IA ya no solo contestan preguntas: también simulan a personas. Stanford construye réplicas computacionales de 1.052 individuos reales que, en el 85% de los casos, responden encuestas igual que los humanos originales. Google DeepMind mantiene una biblioteca abierta para simular sociedades enteras. El MIT recrea, agente por agente, los 8,4 millones de habitantes de Nueva York. Y con algunas marcas e instituciones empezamos a ensayar lanzamientos, mensajes y estrategias de precios con poblaciones sintéticas antes de gastar un euro en el mundo real. Si trabajas en marketing, producto o estrategia, esto te impacta 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 charlatanería. La base de estas simulaciones tiene nombre, treinta años de ciencia y papers fundacionales que se pueden leer cuando quieras: son los modelos de simulación basados en agentes, conocidos como los ABM.

Según mi propia experiencia, esta es una historia de algunos éxitos y muchos fracasos. A principios de los años 90, en la unidad de Arquitectura de Computadores de la Universitat Autònoma de Barcelona, coincidimos dos investigadores que creíamos que simular el mundo no solo era posible: era necesario. Además, confiábamos en que se podía hacer individuo a individuo. Remo Suppi, mucho más senior que yo, se unió a una línea de trabajo que en ese momento parecía pura ciencia ficción. En mi mismo departamento, Antonio Espinosa trabajaba en el análisis automático del rendimiento de programas paralelos, y entusiastas de los autómatas autónomos como Maite López-Sánchez y yo planteábamos escenarios de robots colaborativos; ella, en concreto, investigaba cómo unos robots (agentes) podían colaborar para construir mapas de un entorno desconocido: navegación autónoma y construcción cooperativa de mapas por robots móviles. En 1994 estos temas eran teoría, pero los veíamos plenamente factibles.

Yo venía de trabajar en PROMETHEUS (Programme for a European Traffic of Highest Efficiency and Unprecedented Safety), un proyecto financiado por la Comunidad Europea hasta 1995, para guiar un vehículo autónomo sobre redes de transputers, los microprocesadores británicos de INMOS de paralelismo masivo (con ellos se creó SUPERNODE) en los que cada chip era una unidad autónoma con su propia memoria y sus canales de mensajes. En realidad, dimos con una metáfora doble sin saberlo: el coche era un agente percibiendo y decidiendo en su entorno, y lo movía por dentro un enjambre de procesadores-agente pasándose mensajes. De ahí salió mi investigación de posgrado de 1993 sobre predecir el rendimiento de sistemas paralelos por simulación.

La idea que defendíamos no tenía nombre. En ecología lo llamaban "modelos orientados al individuo", en ciencias sociales "microsimulación", en inteligencia artificial lo confundían a menudo con simples sistemas distribuidos. El comentario típico de mis colegas era: "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 idea loca 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 convicción en un producto que ya usan marcas de prestigio internacional.

Este artículo es una explicación sencilla y bien informada de qué es un modelo basado en agentes y de los progresos del periodo 1993-96 en el que se crearon los cimientos, el manifiesto y la herramienta originales de esta disciplina. Y el mapa de cómo esa tradición desemboca, treinta años después, en lo que estamos construyendo con GEORadar como primer componente: simular la toma de decisiones de personas sintéticas. También contaré varias cosas que todavía no sabemos hacer, porque en este campo hay mucho miedo a que, si contamos los límites y los muros con los que nos estrellamos a diario, se rompa el hechizo y todo el mundo se dé cuenta de que la IA no se hizo en un verano y de que todavía queda mucho, mucho por andar.

Dos formas de explicar un sistema

Cuando quieres entender un sistema formado por muchas partes, por ejemplo un mercado, una ciudad, una epidemia o la percepción de una marca, tienes dos caminos.

El camino clásico va de arriba abajo. Escribes ecuaciones para los agregados: la demanda total, la velocidad media y la tasa de contagio. Funciona de maravilla cuando las partes son idénticas e intercambiables, como las moléculas de un gas. Y no funciona cuando las partes son heterogéneas, aprenden, se imitan y reaccionan entre sí. Lo que no has podido recoger en la ecuación deja de existir: una burbuja, un atasco fantasma, un rumor que se dispara y nadie sabe por qué.

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 llegar partiendo de estas reglas?".

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

El caso fundacional ni siquiera necesitó usar un ordenador. En 1971, Thomas Schelling estudió la segregación urbana mediante 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 muy simple y sutil. El resultado, tras unas cuantas rondas: el tablero quedaba totalmente segregado. Nadie quería la segregación de manera determinante, pero la segregación surgía igualmente. Esta es la revelación intelectual del ABM: el macro no es la suma del micro, es su consecuencia. Después vinieron otros experimentos igualmente interesantes: el Game of Life de Conway (1970) y los Boids de Craig Reynolds (1987), simulación de bandadas de pájaros perfectas generadas por tres reglas locales, sin líder ni coreógrafo. Lo fascinante de estas teorías es darte cuenta de que no es necesario un orquestador. Incluso algunos trasladaron estos hallazgos a sistemas políticos y sociales: quizás no haga falta un líder ni un sistema de control; quizás, si todos respetásemos unas reglas muy simples, emergería un comportamiento armonioso y sería posible el progreso desde la libertad. Estos sistemas se explican muy bien en el libro de Steven Johnson Emergence: The Connected Lives of Ants, Brains, Cities, and Software (2001). Muy recomendable.

Cuando yo llegué a la UAB, todo esto aún no se había definido como campo de trabajo. Mi entusiasmo por estas simulaciones era algo simpático, como el médico al que le gustan los gatos: casi una distracción de la ciencia real.

1993-1996: el momento en que todo tomó forma, le pusimos nombre, se publicó un manifiesto y se implementaron los primeros sistemas

Casi todo salió del Santa Fe Institute en forma de working papers que hoy siguen disponibles online. 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 fundar la disciplina y crear las primeras killer apps. Fuente: recreación propia.

1993. La teoría. 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 representa hoy un manifiesto visionario.

1994. El bautizo. Robert Axtell y Joshua Epstein publican en el Bulletin del SFI un texto breve titulado Agent-Based Modeling: Understanding Our Creations. Es el punto de partida, el nacimiento del término ABM. 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 y me parece un caso súper intuitivo que ilustra perfectamente el concepto. 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 iría al extremo y no funcionaría: irían todos 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 funciona y lo descarta cuando falla. ¡Estamos hablando de un experimento de 1994! No había LLMs para que esos agentes tuvieran capacidades cognitivas avanzadas, pero, a nivel de arquitectura, es exactamente lo que crearíamos hoy.

Cien teorías privadas compitiendo producen un orden que no estaba establecido en ninguna de ellas: la asistencia media se ajusta perfectamente al 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 preestablecido y sin que ningún agente conozca el sistema completo. Un mercado en miniatura, con racionalidad acotada de verdad. 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 un tribalismo digno de El señor de las moscas: los agentes se organizaban en grupos que coordinaban su asistencia o decidían no acudir al bar. Treinta y dos años después, el mismo experimento sigue produciendo sorpresas. Para mí, eso significa que realmente es un buen modelo.

Ese mismo año, 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 valores, con burbujas, crashes y volumen persistente como propiedades emergentes, sin suposiciones ni comportamientos previos (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. 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 que conviene no confundir, porque aún hoy hay confusión. Los sistemas multiagente (MAS) son una solución de 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. Un apunte más: 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 (JAR) 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. Aún hoy, lo que hizo JAR en ese momento me parece alucinante.

1996. Las herramientas. 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. Entre los autores están el padre de la vida artificial (Langton, SFI) y un ingeniero de John Deere (Burkhart); ya se intuía que todo esto serviría para algo. Hasta Swarm, cada ABM se escribía desde cero, en C o en Lisp, a pelo. Así funcionábamos todos, rascando teclado e intentando que la implementación no se complicase tanto que matase el experimento.

Joshua Epstein y Robert Axtell publican Growing Artificial Societies (Brookings/MIT Press), el manifiesto de referencia para el futuro. Su modelo, Sugarscape, es de una elegancia brutal: 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 se expresa en una sola 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 problemas de optimización combinatoria mediante la deposición de feromona digital. Estigmergia pura, el ABM aplicado fundando el campo entero de la optimización por colonias. ¡Y una lección de sociología y política de regalo!

Por qué nadie creía que llegaríamos a buen puerto: los tres muros

Si la ventana 93-96 fue tan fértil, ¿por qué el ABM pasó los siguientes veinticinco años denostado por la ciencia? Porque se estrellaba contra tres muros que tardamos décadas en derrumbar.

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

El muro de la escala. Simular pocos agentes era trivial, y simular muchos, imposible. La potencia de cómputo 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 difícil de la computación distribuida.

El muro de la calibración. Un ABM tiene decenas de parámetros y ninguna derivada. Ajustarlo a datos reales implicaba ensayo y error artesanales, carísimo y poco reproducible. Los econometristas, con sus modelos estimables, tenían razón al tomarse todo esto poco en serio.

Ese hilo invisible que nos une y nos hace progresar.

Frente a estas barreras, yo decidí hibernar la pregunta e ir a la industria. Remo Suppi y los demás siguieron; Remo leyó su tesis en la UAB en 1996, el mismo año de Swarm y Sugarscape, y dedicó las tres décadas siguientes a luchar para demoler uno de los tres muros: el de la escala. Su pregunta: "¿y si los agentes pudieran ser millones?".

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, sobre simulación paralela de eventos discretos. En 2003 le añaden animación 3D en tiempo real; después lógica difusa en la cabeza de cada pez y versiones distribuidas en clúster cada vez más afinadas. Los bancos de peces son emergencia pura, autoorganización sin líder, el problema de Boids elevado a ciencia 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), ahí volví a conectar con la disciplina porque claramente había soluciones con impacto en la vida real, 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 el crecimiento tumoral y la movilidad urbana con datos reales y mapas GIS.

Todo este progreso me genera orgullo y respeto total por mis compañeros de departamento y también me resulta inquietante: el problema de cuántos agentes caben en el hardware es literalmente el titular general de la IA de 2026. ¿Cómo se ha podido cerrar ese círculo de forma tan limpia?

2023: cae el muro de la cognición

El desbloqueo vino gracias a 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, incluso cotillean. De pronto, una agente decide organizar una fiesta de San Valentín y, sin que nadie lo programe, las invitaciones se propagan, surgen coordinaciones entre individuos simulados, uno invita a su crush. Comportamiento social emergiendo.

La lectura de Smallville es que el muro de la cognición, la objeción fundacional contra el ABM, cae. Ya no hace falta escribir a mano las reglas de la mente del agente: se obtienen de un modelo entrenado sobre el conocimiento de casi toda la web. Una persona sintética ya no son cuatro if-then; es un perfil completo condicionando las respuestas de una mente estadística (LLM).

La validación llegó en noviembre de 2024, 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 porcentaje es muy importante porque es el umbral de acuerdo de las propias personas consigo mismas al repetir el cuestionario dos semanas después. Y con menos sesgo por grupo racial e ideológico que los agentes descritos solo con demografía.

Alrededor de ese resultado rápidamente ha cristalizado un ecosistema entero:

• 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 de las dos tradiciones de 1995 que hemos comentado: la mente viene de la rama MAS-LLM, el método viene de la rama ABM. Las dos ramas de Wooldridge y Epstein, reunificadas por fin. Cuando lo pienso, vuelvo al pasillo de la UAB donde defendíamos ambas sin saberlo.

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

Mientras el foco mediático se lo llevaban los agentes que hablan, la otra mitad del problema, la de Remo, se resolvía con 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, personas sintéticas que capturan segmentos de comportamiento, y sus decisiones gobiernan a las poblaciones que representan (explicación divulgativa, Large Population Models). Así 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 centrada en resolver el reto de la escala y la rama concentrada en la cognición convergen treinta años después. Fuente: recreación propia.

En 2026 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. Si conseguimos unir las tres, construiremos ese simulador de sociedades que en el 93 era una fantasía.

Es importante aclarar que la validación sigue abierta. Hay literatura crítica 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 exactamente el problema de validación que los econometristas nos echaban en cara en los 90. Todo cambia, todo sigue igual. La diferencia es que ahora el campo tiene herramientas, dinero y a Stanford, DeepMind y el MIT trabajando en ello. Entonces éramos dos gatos en un laboratorio que, literalmente, aún tenía osciloscopios encima de las mesas.

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

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, un sistema para explorar futuros posibles, para prepararse para lo peor y ayudar a que pase lo mejor, un sistema que permita medir cuánto puede manipular las decisiones una cierta dieta informativa, un sistema que evite aprender con el sufrimiento de un colectivo, que permita aprender sin gastarse el presupuesto en el mundo real. Lo que siempre hemos tenido en mente: simular futuros. Una partida de ajedrez que se produce millones de veces, donde las piezas toman sus decisiones y podemos valorar si ganar la partida justifica el dolor y el coste en piezas para llegar a esa victoria.

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, evaluamos la intención de cada prompt, simulamos conversaciones mediante un agente autónomo con un perfil determinado para un mercado concreto. Esa población genera entre 3.000 y 30.000 prompts personalizados por estudio, que ejecutamos contra diferentes modelos: ChatGPT, Gemini, Claude… 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. El mismo tipo de sistema que determina cuándo una conversación simulada en GEORadar debe concluir. 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 medio millón de prompts simulados y nueve millones de menciones de marca analizadas con este método.

La genealogía intelectual es operativa. El mapeo concepto a concepto:

Lo que hacemos hoy es, realmente, microsimulación a escala: muestras masivas e independientes. Es un harnessed lab, no es ABM completo. 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 surgía la emergencia. 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.

El primer tramo es producto; el segundo es un plan hacia la simulación. Fuente: recreación propia, 498A.

Uno de los objetivos de este texto es aportar el marco donde resulte evidente que GEORadar no desciende del SEO; desciende de Santa Fe, de los autómatas autónomos colaborativos, de los simuladores de paralelismo. 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. Apuntamos hacia los mismos estándares que el ABM serio desarrolló durante treinta años, criterios de convergencia, calibración contra datos reales, análisis de sensibilidad, son las métricas 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...

Coda: ha llevado treinta años ser oportuno

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 profesores de la UAB, el IIIA, la UPC y tantos otros centros donde gente tan capaz como Toni, Remo, Daniel, Tomás, Maite o JAR, que nunca dejaron de publicar. Llegar treinta años pronto es una faena, pero en innovación es la única manera de llegar a tiempo. Las buenas herejías, las grandes ideas que transformarán el futuro, siempre vienen disfrazadas de disparate.

Remo siguió luchando para responder la pregunta de cuántos agentes caben en una máquina, y su respuesta es hoy la rama que el MIT ha llevado a 8,4 millones de neoyorquinos sintéticos. Yo me llevé la pregunta fuera de la Universidad, al mundo real donde se intenta desesperadamente manipular personas reales sin importar demasiado las consecuencias. Es hora de que usemos todos estos avances para ser más sabios, considerados y prudentes. Hemos de resolver ciertos temas que no son triviales. Saber qué decide un agente que se parece a una persona, y para qué sirve eso, ya no es un reto de la ciencia: la respuesta vive en un cruce de caminos. Darme cuenta me ha costado muchos años, una carrera entera en marcas y crear 498 Advance, un laboratorio de I+D.

Dicen que 'los necios deciden y los sabios deliberan'; esperamos que nuestra futura máquina de simulación sea una gran ayuda para deliberar, para medir consecuencias, para no olvidar daños colaterales y que nadie tenga la excusa para actuar sin valorar diferentes escenarios. Desde el punto de vista de 498 Advance, la simulación de grupos, masas y sociedades es inevitable, pero no debe ser monopolizada por nadie, debe ser diseñada para el bien de todos y debe estar fundamentada en todos los esfuerzos que he recogido en este texto. Sin rigor, sin validación y sin datos de calidad la simulación es un pasatiempo.

Lo que más me fascina del arco es que la idea no ha cambiado. 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 búsqueda de la ecuación universal del dios que todo lo ve, esa con la que los científicos han soñado durante años. En cambio, desde la humildad, le damos al 'on' a un sistema y esperamos que del hormiguero emerja la solución. El gran cambio ha sido pasar de cuatro reglas que introducíamos entonces, al uso de una mente estadística entrenada en toda la cultura humana. Barato no ha sido, rápido tampoco, pero el futuro es muy prometedor y lo tenemos, casi, al alcance de nuestra mano.

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.)