Agents IA i ABMs: la ciència que ja simula els teus clients

Els agents d'IA ja no només contesten preguntes: també simulen persones. Stanford construeix rèpliques computacionals de 1.052 individus reals que, en el 85% dels casos, responen enquestes igual que els humans originals. Google DeepMind manté una biblioteca oberta per simular societats senceres. El MIT recrea, agent per agent, els 8,4 milions d'habitants de Nova York. I amb algunes marques i institucions comencem a assajar llançaments, missatges i estratègies de preus amb poblacions sintètiques abans de gastar un euro al món real. Si treballes en màrqueting, producte o estratègia, això t'impacta de ple: els teus clients ja estan sent simulats, i el pròxim cop que algú et vengui "consumidors sintètics" et convindrà saber què hi ha al darrere, què funciona de debò i què és xerrameca. La base d'aquestes simulacions té nom, trenta anys de ciència i papers fundacionals que es poden llegir quan vulguis: són els models de simulació basats en agents, coneguts com els ABM.

Segons la meva pròpia experiència, aquesta és una història d'alguns èxits i molts fracassos. A principis dels anys 90, a la unitat d'Arquitectura de Computadors de la Universitat Autònoma de Barcelona, hi vam coincidir dos investigadors que crèiem que simular el món no només era possible: era necessari. A més, confiàvem que es podia fer individu a individu. Remo Suppi, molt més sènior que jo, es va unir a una línia de treball que en aquell moment semblava pura ciència-ficció. Al meu mateix departament, Antonio Espinosa treballava en l'anàlisi automàtica del rendiment de programes paral·lels, i entusiastes dels autòmats autònoms com la Maite López-Sánchez i jo plantejàvem escenaris de robots col·laboratius; ella, en concret, investigava com uns robots (agents) podien col·laborar per construir mapes d'un entorn desconegut: navegació autònoma i construcció cooperativa de mapes per robots mòbils. El 1994 aquests temes eren teoria, però els vèiem plenament factibles.

Jo venia de treballar a PROMETHEUS (Programme for a European Traffic of Highest Efficiency and Unprecedented Safety), un projecte finançat per la Comunitat Europea fins al 1995, per guiar un vehicle autònom sobre xarxes de transputers, els microprocessadors britànics d'INMOS de paral·lelisme massiu (amb ells es va crear SUPERNODE) en què cada xip era una unitat autònoma amb la seva pròpia memòria i els seus canals de missatges. En realitat, vam topar amb una metàfora doble sense saber-ho: el cotxe era un agent percebent i decidint al seu entorn, i el movia per dins un eixam de processadors-agent passant-se missatges. D'aquí va sortir la meva recerca de postgrau de 1993 sobre predir el rendiment de sistemes paral·lels per simulació.

La idea que defensàvem no tenia nom. En ecologia en deien "models orientats a l'individu", en ciències socials "microsimulació", en intel·ligència artificial ho confonien sovint amb simples sistemes distribuïts. El comentari típic dels meus col·legues era: "això no són més que programes amb objectes, això no escala, això no es pot validar, això no és ciència seriosa". La ciència seriosa eren les equacions diferencials, els models agregats, l'actor representatiu. Nosaltres crèiem en una altra cosa: en poblacions d'agents amb regles simples, interactuant, de les quals emergia un comportament que ningú no havia programat.

Trenta-tres anys després, aquella idea boja de passadís és la frontera de la IA: fins i tot els bancs centrals calibren models d'agents per a estrès financer. I a 498A, el nostre laboratori d'R+D, hem convertit el primer tram d'aquella convicció en un producte que ja fan servir marques de prestigi internacional.

Aquest article és una explicació senzilla i ben informada de què és un model basat en agents i dels progressos del període 1993-96 en què es van crear els fonaments, el manifest i l'eina originals d'aquesta disciplina. I el mapa de com aquella tradició desemboca, trenta anys després, en el que estem construint amb GEORadar com a primer component: simular la presa de decisions de persones sintètiques. També explicaré unes quantes coses que encara no sabem fer, perquè en aquest camp hi ha molta por que, si expliquem els límits i els murs contra els quals ens estavellem cada dia, es trenqui l'encanteri i tothom s'adoni que la IA no es va fer en un estiu i que encara queda molt, molt per caminar.

Dues maneres d'explicar un sistema

Quan vols entendre un sistema format per moltes parts, per exemple un mercat, una ciutat, una epidèmia o la percepció d'una marca, tens dos camins.

El camí clàssic va de dalt a baix. Escrius equacions per als agregats: la demanda total, la velocitat mitjana i la taxa de contagi. Funciona de meravella quan les parts són idèntiques i intercanviables, com les molècules d'un gas. I no funciona quan les parts són heterogènies, aprenen, s'imiten i reaccionen entre si. El que no has pogut recollir a l'equació deixa d'existir: una bombolla, un embús fantasma, un rumor que es dispara i ningú sap per què.

El camí contrari va de baix a dalt. Defineixes una població d'agents autònoms, cadascun amb regles locals simples: percep el seu entorn, decideix, actua, interactua. Executes la simulació milers de vegades i observes quin patró macroscòpic emergeix sense que ningú no l'hagi programat explícitament. Això és un model basat en agents, un ABM. No és una tècnica de predicció puntual; és una altra epistemologia. No preguntes "quin número sortirà?", preguntes "quins futurs poden arribar partint d'aquestes regles?".

Dues filosofies: descriure el conjunt o cultivar el fenomen. Font: recreació pròpia sobre Epstein & Axtell, 1996, i Schelling, 1971.

El cas fundacional ni tan sols va necessitar fer servir un ordinador. El 1971, Thomas Schelling va estudiar la segregació urbana mitjançant monedes sobre un tauler. Cada moneda seguia una única regla: si menys d'un terç dels meus veïns són com jo, em mudo. Una preferència individual molt simple i subtil. El resultat, després d'unes quantes rondes: el tauler quedava totalment segregat. Ningú no volia la segregació de manera determinant, però la segregació sorgia igualment. Aquesta és la revelació intel·lectual de l'ABM: el macro no és la suma del micro, és la seva conseqüència. Després van venir altres experiments igualment interessants: el Game of Life de Conway (1970) i els Boids de Craig Reynolds (1987), simulació d'esbarts d'ocells perfectes generats per tres regles locals, sense líder ni coreògraf. El fascinant d'aquestes teories és adonar-te que no cal cap orquestrador. Fins i tot alguns van traslladar aquests descobriments a sistemes polítics i socials: potser no cal cap líder ni cap sistema de control; potser, si tots respectéssim unes regles molt simples, emergiria un comportament harmoniós i seria possible el progrés des de la llibertat. Aquests sistemes s'expliquen molt bé al llibre de Steven Johnson Emergence: The Connected Lives of Ants, Brains, Cities, and Software (2001). Molt recomanable.

Quan jo vaig arribar a la UAB, tot això encara no s'havia definit com a camp de treball. El meu entusiasme per aquestes simulacions era una cosa simpàtica, com el metge a qui li agraden els gats: gairebé una distracció de la ciència de debò.

1993-1996: el moment en què tot va prendre forma, li vam posar nom, es va publicar un manifest i es van implementar els primers sistemes

Gairebé tot va sortir del Santa Fe Institute en forma de working papers que avui continuen disponibles en línia. Els he recuperat tots, i rellegir-los és un exercici d'humilitat: gairebé tot el que avui sembla nou ja hi era, esperant potència de càlcul i una ment artificial decent.

Quatre anys per fundar la disciplina i crear les primeres killer apps. Font: recreació pròpia.

1993. La teoria. David Lane publica Artificial Worlds and Economics com a working paper de l'SFI: el primer marc conceptual seriós dels "mons artificials", simulacions bottom-up per estudiar com emergeix l'organització jeràrquica en una economia. El text complet representa avui un manifest visionari.

1994. El bateig. Robert Axtell i Joshua Epstein publiquen al Bulletin de l'SFI un text breu titulat Agent-Based Modeling: Understanding Our Creations. És el punt de partida, el naixement del terme ABM. Aquell mateix any, Brian Arthur presenta l'experiment mental que es convertiria en el "hola món" de l'economia de la complexitat: el problema d'El Farol, working paper de l'SFI que l'American Economic Review va publicar com a Inductive Reasoning and Bounded Rationality.

El Farol mereix dos paràgrafs, perquè és la llavor directa del que fem avui i em sembla un cas súper intuïtiu que il·lustra perfectament el concepte. És un bar de Santa Fe amb música irlandesa els dijous. Cent persones hi volen anar, però només s'hi està bé si hi van menys de seixanta. No hi ha comunicació ni coordinació possible: cadascú decideix a casa, amb les seves pròpies teories sobre quanta gent hi anirà. Si tothom raonés igual, deductivament, el sistema aniria a l'extrem i no funcionaria: hi anirien tots o no hi aniria ningú. Arthur va dotar els seus cent agents de raonament inductiu: cadascun manté un petit repertori de models predictius, fa servir el que millor li funciona i el descarta quan falla. Estem parlant d'un experiment de 1994! No hi havia LLMs perquè aquells agents tinguessin capacitats cognitives avançades, però, a escala d'arquitectura, és exactament el que crearíem avui.

Cent teories privades competint produeixen un ordre que no estava establert en cap d'elles: l'assistència mitjana s'ajusta perfectament a l'aforament. Font: recreació pròpia sobre Arthur, AER 84(2), 1994.

El resultat és hipnòtic: l'assistència mitjana s'autoorganitza al voltant de seixanta, exactament l'aforament, sense convergir mai a un equilibri estàtic preestablert i sense que cap agent conegui el sistema complet. Un mercat en miniatura, amb racionalitat acotada de debò. El febrer de 2026, un equip va tornar a ficar agents al bar d'Arthur, aquest cop amb LLMs a dins, i de les converses va emergir un tribalisme digne d'El senyor de les mosques: els agents s'organitzaven en grups que coordinaven la seva assistència o decidien no anar al bar. Trenta-dos anys després, el mateix experiment continua produint sorpreses. Per a mi, això vol dir que realment és un bon model.

Aquell mateix any, Palmer, Arthur, John Holland, Blake LeBaron i Paul Tayler van publicar a Physica D el mercat borsari artificial de Santa Fe: agents adaptatius comprant i venent valors, amb bombolles, crashes i volum persistent com a propietats emergents, sense supòsits ni comportaments previs (text en obert; la versió madura, Asset Pricing Under Endogenous Expectations, va arribar el 96). Si avui hagués d'assenyalar l'avantpassat directe de GEORadar, seria aquest paper: substitueix "preu de l'actiu" per "narrativa de marca" i "expectatives dels agents" per "percepció dels motors d'IA" i l'esquelet conceptual és el mateix. En paral·lel, a Europa, Nigel Gilbert i Jim Doran fundaven l'escola social amb Simulating Societies, i Kathleen Carley i Michael Prietula obrien la branca organitzacional amb Computational Organization Theory: les organitzacions com a col·leccions d'agents adaptatius orientats a tasca.

1995. La definició. Michael Wooldridge i Nick Jennings publiquen el survey més citat de l'era, Intelligent Agents: Theory and Practice, i fixen la definició canònica d'agent: autonomia, reactivitat, proactivitat, habilitat social. Aquí el camp es bifurca en dues branques que convé no confondre, perquè encara avui hi ha confusió. Els sistemes multiagent (MAS) són una solució d'enginyeria: agents que resolen problemes, negocien, orquestren. L'ABM és ciència: agents que expliquen fenòmens per emergència. Una construeix sistemes; l'altra construeix comprensió. Aquell mateix any, Gilbert i Rosaria Conte publiquen Artificial Societies, avui en accés obert, amb el capítol de Gilbert sobre emergència en simulació social que continua sent la millor introducció conceptual que conec. Un apunt més: la branca MAS va anotar molt aviat una fita al nostre propi campus, perquè entre 1996 i 1998, a l'IIIA-CSIC de Bellaterra, un equip amb Juan Antonio Rodríguez-Aguilar (JAR) entre els seus autors va convertir la subhasta a la baixa de la llotja de peix en FishMarket, una llotja electrònica mediada per agents: agents de programari comprant i venent peix dins d'una institució electrònica. Encara avui, el que va fer en JAR en aquell moment em sembla al·lucinant.

1996. Les eines. Nelson Minar, Roger Burkhart, Chris Langton i Manor Askenazi publiquen el white paper de Swarm, el primer toolkit de propòsit general per construir simulacions multiagent. Entre els autors hi ha el pare de la vida artificial (Langton, SFI) i un enginyer de John Deere (Burkhart); ja s'intuïa que tot allò serviria per a alguna cosa. Fins a Swarm, cada ABM s'escrivia des de zero, en C o en Lisp, a pèl. Així funcionàvem tots, rascant teclat i intentant que la implementació no es compliqués tant que matés l'experiment.

Joshua Epstein i Robert Axtell publiquen Growing Artificial Societies (Brookings/MIT Press), el manifest de referència per al futur. El seu model, Sugarscape, és d'una elegància brutal: un paisatge de sucre, agents amb visió i metabolisme, regles de moure's, menjar, comerciar, reproduir-se. D'aquestes regles emergeixen migracions, distribucions de riquesa esbiaixades com les reals, comerç, guerra, transmissió cultural, epidèmies. La tesi del llibre s'expressa en una sola frase que es va convertir en el lema de tota la "generative social science": si no pots fer-ho créixer, no ho has explicat. Hi ha fins i tot una especificació formal moderna per a qui vulgui reimplementar-lo, que és el millor exercici d'aprenentatge d'ABM que existeix.

I Marco Dorigo, Vittorio Maniezzo i Alberto Colorni publiquen Ant System a IEEE Transactions: colònies de formigues artificials que resolen problemes d'optimització combinatòria mitjançant la deposició de feromona digital. Estigmèrgia pura, l'ABM aplicat fundant el camp sencer de l'optimització per colònies. I una lliçó de sociologia i política de regal!

Per què ningú no creia que arribaríem a bon port: els tres murs

Si la finestra 93-96 va ser tan fèrtil, per què l'ABM va passar els vint-i-cinc anys següents denostat per la ciència? Perquè s'estavellava contra tres murs que vam trigar dècades a enderrocar.

El mur de la cognició. Els agents dels 90 eren de joguina. Quatre regles if-then, una taula d'estats, i un algorisme genètic si t'hi posaves en pla exquisit. Cada crítica era justa: "els teus humans de mentida no pensen com humans". El modelador havia d'escriure les regles d'una ment, i les ments no caben en regles escrites a mà.

El mur de l'escala. Simular pocs agents era trivial, i simular-ne molts, impossible. La potència de còmput dels 90 donava per a centenars, potser milers, d'agents simples. Qualsevol fenomen interessant, una ciutat, un mercat real, una pandèmia, necessita milions. I paral·lelitzar una simulació on tots interactuen amb tots no és repartir feina, és repartir converses: el problema de sincronització més difícil de la computació distribuïda.

El mur de la calibració. Un ABM té desenes de paràmetres i cap derivada. Ajustar-lo a dades reals implicava assaig i error artesanals, caríssim i poc reproduïble. Els econometristes, amb els seus models estimables, tenien raó a prendre's tot això poc seriosament.

Aquell fil invisible que ens uneix i ens fa progressar.

Davant d'aquestes barreres, jo vaig decidir hibernar la pregunta i anar a la indústria. Remo Suppi i els altres van continuar; en Remo va llegir la tesi a la UAB el 1996, el mateix any de Swarm i Sugarscape, i va dedicar les tres dècades següents a lluitar per enderrocar un dels tres murs: el de l'escala. La seva pregunta: "i si els agents poguessin ser milions?".

El 2002, amb Pere Munt i Emilio Luque, publica Using PDES to Simulate Individual-Oriented Models in Ecology: bancs de peixos, el model orientat a l'individu, sobre simulació paral·lela d'esdeveniments discrets. El 2003 hi afegeixen animació 3D en temps real; després lògica difusa al cap de cada peix i versions distribuïdes en clúster cada cop més afinades. Els bancs de peixos són emergència pura, autoorganització sense líder, el problema de Boids elevat a ciència seriosa.

Després els agents es van tornar persones. El seu grup, l'HPC4EAS, va aplicar tot allò a evacuacions d'emergència: multituds en pànic simulades agent a agent, primer com a servei al núvol (Crowd Evacuations SaaS, ICCS 2015), aquí vaig tornar a connectar amb la disciplina perquè clarament hi havia solucions amb impacte a la vida real, després amb turbulència de multituds sobre GPUs (ICCS 2016), i finalment destil·lat a Care HPS, el seu framework de simulació d'agents d'alt rendiment (Future Generation Computer Systems, 2017), aplicat entre d'altres a l'evacuació de la Fira de Barcelona. El mateix motor conceptual va acabar simulant el creixement tumoral i la mobilitat urbana amb dades reals i mapes GIS.

Tot aquest progrés em genera orgull i respecte total pels meus companys de departament i també em resulta inquietant: el problema de quants agents caben al maquinari és literalment el titular general de la IA de 2026. Com s'ha pogut tancar aquest cercle de manera tan neta?

2023: cau el mur de la cognició

El desbloqueig va venir gràcies als models de llenguatge.

L'abril de 2023, Joon Sung Park i col·legues de Stanford i Google publiquen Generative Agents: Interactive Simulacra of Human Behavior, el paper de "Smallville": vint-i-cinc agents vivint en un poblet estil Els Sims, cadascun amb un LLM com a cervell i una arquitectura de memòria, reflexió i planificació al voltant. Els agents esmorzen, van a treballar, es coneixen, fins i tot xafardegen. De sobte, una agent decideix organitzar una festa de Sant Valentí i, sense que ningú no ho programi, les invitacions es propaguen, sorgeixen coordinacions entre individus simulats, un convida el seu crush. Comportament social emergint.

La lectura de Smallville és que el mur de la cognició, l'objecció fundacional contra l'ABM, cau. Ja no cal escriure a mà les regles de la ment de l'agent: s'obtenen d'un model entrenat sobre el coneixement de gairebé tota la web. Una persona sintètica ja no són quatre if-then; és un perfil complet condicionant les respostes d'una ment estadística (LLM).

La validació va arribar el novembre de 2024: l'equip de Park va entrevistar durant dues hores 1.052 persones reals, mostra representativa dels EUA, i va construir un agent generatiu per cadascuna, alimentat amb la transcripció de la seva entrevista. Després va passar als agents la General Social Survey, tests de personalitat i jocs econòmics. El resultat: els agents repliquen les respostes dels seus humans amb una precisió normalitzada del 85%. El percentatge és molt important perquè és el llindar d'acord de les mateixes persones amb elles mateixes en repetir el qüestionari dues setmanes després. I amb menys biaix per grup racial i ideològic que els agents descrits només amb demografia.

Al voltant d'aquest resultat ràpidament ha cristal·litzat un ecosistema sencer:

• Concordia, de Google DeepMind, és una llibreria oberta per a ABM generatiu amb un patró de "Game Master" de rol de taula: el director de joc simula l'entorn, els agents juguen (paper, guia de disseny experimental). Va per la versió 2.0 i es fa servir des de ciència social fins a avaluació de serveis.
• Project Sid, d'Altera, va deixar anar més de mil agents autònoms a Minecraft amb la seva arquitectura PIANO: van emergir un hub mercantil, rols econòmics, una religió que es difonia, i una constitució que els agents votaven i esmenaven. Civilització en miniatura com a demo tècnica.
• AgentSociety (2025) simula més de deu mil agents amb ments dotades d'emocions, necessitats i motivacions, i registra cinc milions d'interaccions per estudiar dinàmiques socials: polarització, difusió de falòrnies, polítiques públiques.
• GATSim porta els agents generatius a la mobilitat urbana, i EconSimulacra (juny de 2026) construeix bessons digitals de sistemes socioeconòmics complets amb agents LLM.

A aquest moviment ja se l'anomena GABM, generative agent-based modeling, i és la fusió de les dues tradicions de 1995 que hem comentat: la ment ve de la branca MAS-LLM, el mètode ve de la branca ABM. Les dues branques de Wooldridge i Epstein, reunificades per fi. Quan hi penso, torno al passadís de la UAB on defensàvem totes dues sense saber-ho.

L'altra revolució: cauen els murs de l'escala i la calibració

Mentre el focus mediàtic se l'enduien els agents que parlen, l'altra meitat del problema, la d'en Remo, es resolia amb la mateixa contundència.

El grup d'Ayush Chopra al MIT Media Lab va construir AgentTorch, el framework dels Large Population Models: simulacions d'agents escrites com a tensors diferenciables, corrent en GPU. El seu resultat bandera respon exactament la pregunta del passadís: van simular els 8,4 milions d'habitants de Nova York durant la pandèmia, agent a agent (AAMAS 2025). El truc perquè els agents tinguin cap LLM sense arruïnar-te en crides és elegant: arquetips. No s'invoca un LLM per agent; es prompteja un conjunt d'arquetips, persones sintètiques que capturen segments de comportament, i les seves decisions governen les poblacions que representen (explicació divulgativa, Large Population Models). Així és, exactament, com funciona una persona a GEORadar.

I el mur de la calibració va caure amb l'ABM diferenciable. Si reescrius la simulació perquè admeti derivades, calibrar-la contra dades reals deixa de ser artesania i passa a ser descens per gradient, com entrenar una xarxa. GradABM simula poblacions de milions en segons sobre maquinari corrent i es calibra amb xarxes neuronals; hi ha calibració bayesiana d'ABMs diferenciables, inferència variacional amb surrogates gaussians i un tractat recent de diferenciació automàtica d'ABMs (setembre 2025). Això ja no és acadèmia especulativa: els bancs centrals revisen el 2025 els seus ABMs en producció per a risc sistèmic, i la política de vacunació regional es calibra amb ABMs accelerats per xarxes neuronals.

La branca centrada a resoldre el repte de l'escala i la branca concentrada en la cognició convergeixen trenta anys després. Font: recreació pròpia.

El 2026 la branca de la cognició ha aconseguit agents plausibles i la branca de l'escala ha aconseguit poblacions massives calibrables, i la frontera és casar-les. Ments riques × milions d'agents × calibració contra dades reals. Si aconseguim unir les tres, construirem aquell simulador de societats que el 93 era una fantasia.

És important aclarir que la validació continua oberta. Hi ha literatura crítica demostrant que les simulacions humanes amb LLM encara no són fiables per a molts usos: biaix cap a poblacions WEIRD, aplanament de la variància (els agents són més homogenis que els humans que imiten), sicofàncies, deriva d'identitat en horitzons llargs. S'ataca des de diversos flancs, de la coherència d'identitat amb recuperació al descobriment causal automàtic de per què emergeix el que emergeix (abril 2026). És exactament el problema de validació que els econometristes ens tiraven a la cara als 90. Tot canvia, tot segueix igual. La diferència és que ara el camp té eines, diners, i Stanford, DeepMind i el MIT treballant-hi. Llavors érem dos gats en un laboratori que, literalment, encara tenia oscil·loscopis sobre les taules.

De mesurar la percepció a simular la decisió: el milestone GEORadar

El nostre objectiu de fons a 498A és la simulació agèntica de la presa de decisions humanes: poder fer córrer una població sintètica contra un escenari, una marca, un missatge, un futur possible, i observar quina percepció es forma i quines decisions emergeixen, un sistema per explorar futurs possibles, per preparar-se per al pitjor i ajudar que passi el millor, un sistema que permeti mesurar quant pot manipular les decisions una certa dieta informativa, un sistema que eviti aprendre amb el patiment d'un col·lectiu, que permeti aprendre sense gastar-se el pressupost al món real. El que sempre hem tingut al cap: simular futurs. Una partida d'escacs que es juga milions de vegades, on les peces prenen les seves decisions i podem valorar si guanyar la partida justifica el dolor i el cost en peces per arribar a aquella victòria.

GEORadar és el primer milestone d'aquest objectiu convertit en producte, i entendre'l com a ABM aplicat explica millor que res per què funciona. Quan auditem com veuen una marca les superfícies d'IA generativa, no llancem quatre preguntes genèriques a un chatbot. Construïm una població sintètica de demanda: persones per segment, amb intencions classificades (informacionals, transaccionals, escèptiques, comparatives), recorrent les fases del funnel; avaluem la intenció de cada prompt i simulem converses mitjançant un agent autònom amb un perfil determinat per a un mercat concret. Aquesta població genera entre 3.000 i 30.000 prompts personalitzats per estudi, que executem contra diferents models: ChatGPT, Gemini, Claude… Un algorisme de completesa semàntica detecta el punt de saturació, el moment en què preguntar més ja no descobreix res de nou, que és la versió GEO del criteri de convergència de qualsevol simulació seriosa. El mateix tipus de sistema que determina quan una conversa simulada a GEORadar ha de concloure. I el que mesurem al final és exactament una propietat emergent: la percepció agregada, quota de veu, sentiment, atributs, narrativa, que cap prompt individual no conté però que el conjunt revela. Portem més de mig milió de prompts simulats i nou milions de mencions de marca analitzades amb aquest mètode.

La genealogia intel·lectual és operativa. El mapeig concepte a concepte:

El que fem avui és, realment, microsimulació a escala: mostres massives i independents. És un harnessed lab, no és ABM complet. El que definia un ABM del 96 era la interacció amb feedback: agents que s'afecten entre si i a l'entorn, i d'aquí sorgia l'emergència. Aquest és exactament el tram següent del full de ruta, i cada peça és una feature amb nom i cognoms: journeys multi-pas amb memòria, l'agent llegeix la resposta del motor, actualitza la seva consideració i repregunta, de l'escepticisme a la comparació, com fa una persona real; feedback poblacional, què passa amb la percepció agregada quan el 20% dels agents descarta la marca a la segona interacció; dinàmica social, el boca-orella sintètic, la influència entre agents que Axelrod va modelar per a la cultura; i contrafactuals, la mateixa població corrent contra dues narratives de marca diferents, dos futurs mesurables abans de triar-ne un.

El primer tram és producte; el segon és un pla cap a la simulació. Font: recreació pròpia, 498A.

Un dels objectius d'aquest text és aportar el marc on resulti evident que GEORadar no descendeix del SEO; descendeix de Santa Fe, dels autòmats autònoms col·laboratius, dels simuladors de paral·lelisme. La diferència pràctica entre un SaaS GEO que llança quaranta prompts genèrics i un estudi amb població sintètica dissenyada no és de volum, és d'epistemologia: un fa enquestes a un oracle, l'altre cultiva un fenomen fins que emergeix i satura. Apuntem cap als mateixos estàndards que l'ABM seriós va desenvolupar durant trenta anys, criteris de convergència, calibració contra dades reals, anàlisi de sensibilitat: són les mètriques que li demanem a qualsevol simulació de persones sintètiques, inclosa la nostra. El dia que et venguin "consumidors sintètics" sense parlar-te de validació, ja saps...

Coda: ha calgut trenta anys per ser oportú

El 93 ens deien que allò no era ciència seriosa. La resposta ha trigat trenta-tres anys i no l'hem donada nosaltres: l'han donada Stanford, DeepMind, el MIT, els bancs centrals i professors de la UAB, l'IIIA, la UPC i tants altres centres on gent tan capaç com en Toni, en Remo, en Daniel, en Tomás, la Maite o en JAR mai no va deixar de publicar. Arribar trenta anys d'hora és una feinada, però en innovació és l'única manera d'arribar a temps. Les bones heretgies, les grans idees que transformaran el futur, sempre vénen disfressades de disbarat.

En Remo va continuar lluitant per respondre la pregunta de quants agents caben en una màquina, i la seva resposta és avui la branca que el MIT ha portat a 8,4 milions de novaiorquesos sintètics. Jo em vaig endur la pregunta fora de la Universitat, al món real on s'intenta desesperadament manipular persones reals sense que importin gaire les conseqüències. És hora que fem servir tots aquests avenços per ser més savis, considerats i prudents. Hem de resoldre certs temes que no són trivials. Saber què decideix un agent que s'assembla a una persona, i per a què serveix això, ja no és un repte de la ciència: la resposta viu en una cruïlla de camins. Adonar-me'n m'ha costat molts anys, una carrera sencera en marques i crear 498 Advance, un laboratori d'R+D.

Diuen que 'els necis decideixen i els savis deliberen'; esperem que la nostra futura màquina de simulació sigui una gran ajuda per deliberar, per mesurar conseqüències, per no oblidar danys col·laterals i perquè ningú no tingui l'excusa d'actuar sense valorar diferents escenaris. Des del punt de vista de 498 Advance, la simulació de grups, masses i societats és inevitable, però no ha de ser monopolitzada per ningú, ha de ser dissenyada per al bé de tothom i ha d'estar fonamentada en tots els esforços que he recollit en aquest text. Sense rigor, sense validació i sense dades de qualitat, la simulació és un passatemps.

El que més em fascina de l'arc és que la idea no ha canviat. Schelling amb les seves monedes el 1971, Arthur amb el seu bar el 1994, Epstein amb el seu sucre el 1996, Stanford amb les seves 1.052 entrevistes el 2024 i nosaltres amb les nostres poblacions de demanda el 2026 estem fent exactament el mateix: renunciar a la cerca de l'equació universal del déu que tot ho veu, aquella amb què els científics han somiat durant anys. En canvi, des de la humilitat, engeguem el sistema i esperem que del formiguer emergeixi la solució. El gran canvi ha estat passar de les quatre regles que introduíem llavors a l'ús d'una ment estadística entrenada en tota la cultura humana. Barat no ha estat, ràpid tampoc, però el futur és molt prometedor i el tenim, gairebé, a l'abast de la mà.

Fonts tècniques per saber-ne més

El cànon fundacional, 1993-1996

• Lane: Artificial Worlds and Economics, SFI Working Paper, 1993 (text complet). La teoria abans del nom.
• Axtell, Epstein: Agent-Based Modeling: Understanding Our Creations, Bulletin of the Santa Fe Institute, 1994. La partida de naixement del terme.
• Arthur: Inductive Reasoning and Bounded Rationality (El Farol), American Economic Review 84(2), 1994 (working paper original de l'SFI).
• Palmer, Arthur, Holland, LeBaron, Tayler: Artificial Economic Life: A Simple Model of a Stockmarket, Physica D 75, 1994 (accés obert); 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 accés obert; 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 llotja electrònica de l'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; especificació formal de Sugarscape).
• Dorigo, Maniezzo, Colorni: Ant System: Optimization by a Colony of Cooperating Agents, IEEE Transactions on SMC-B 26(1), 1996.

La branca de l'escala: Remo Suppi i l'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): vegeu la seva fitxa DBLP i la pàgina d'evacuacions del grup HPC4EAS, amb el cas 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 i publicacions del grup.

El gir generatiu, 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 (resum de Stanford HAI). El 85% de fidelitat.
• Google DeepMind: Concordia, llibreria de simulació social generativa (paper; guia d'experiments fiables).
• Altera: Project Sid: Many-agent simulations toward AI civilization, 2024 (codi).
• 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 recents.)
• Three AI-agents walk into a bar..., 2026. El Farol revisitat amb agents LLM. (Preprint recent.)

Escala industrial, diferenciabilitat i calibració

• 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; calibració amb inferència variacional de Stein i surrogates gaussians, 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; calibració d'ABMs amb xarxes neuronals per a política vacunal, Vaccine, 2023.

Validació i crítica

• LLM-based Human Simulations Have Not Yet Been Reliable, 2025. La lectura obligatòria abans de creure's res.
• ID-RAG: Identity Retrieval-Augmented Generation for Long-Horizon Persona Coherence, 2025. (Preprint recent.)
• CAMO: Automated Causal Discovery from Micro Behaviors to Macro Emergence in LLM Agent Simulations, 2026. (Preprint recent.)