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

Els agents d'IA ja no només contesten preguntes: han començat a simular persones. Stanford construeix rèpliques computacionals de 1.052 individus reals que responen enquestes igual que els seus originals el 85% de les vegades. Google DeepMind manté una llibreria oberta per simular societats senceres. El MIT recrea, agent a agent, els 8,4 milions d'habitants de Nova York. I les marques comencen a assajar llançaments, missatges i preus contra poblacions sintètiques abans de gastar-se un euro al món real. Si treballes en màrqueting, producte o estratègia, això et toca 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 fum. El que hi ha al darrere té nom, trenta anys de ciència i papers fundacionals que es poden llegir: els models basats en agents, els ABM.

Aquesta història, a més, la puc explicar des de dins. A principis dels anys 90, a la unitat d'Arquitectura de Computadors de la Universitat Autònoma de Barcelona, érem exactament dos els qui crèiem a simular el món així, de baix a dalt, individu a individu: Remo Suppi i jo. I el 1994 allò era pràctica, no pissarra: treballàvem a ARGOS, un projecte europeu amb el Hatfield Polytechnic per guiar un vehicle autònom sobre xarxes de transputers, els microprocessadors britànics del paral·lelisme massiu en què cada xip era una unitat autònoma amb la seva pròpia memòria i els seus canals de missatges. La metàfora era doble i no ho sabíem: el cotxe era un agent percebent i decidint al seu entorn, i el movia per dins un eixam de processadors-agent passant-se missatges. La meva meitat de la història continua publicada en aquesta mateixa web, la meva recerca de postgrau de 1993 sobre predir el rendiment de sistemes paral·lels per simulació. La prova del delicte, amb data.

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 amb els sistemes distribuïts. Quan intentaves explicar-ho, la resposta habitual era una barreja de cortesia i llàstima: 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 heretgia 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 vella convicció en un producte que ja fan servir més de setze marques.

Aquest article és tres coses alhora, i totes tres em toquen. Una explicació honesta de què és un model basat en agents i de la finestra de 1993-96 en què allò va guanyar nom, manifest i eina, explicada amb els white papers originals. Una crònica del que va passar amb l'altre creient d'aquell passadís, que mai no va baixar del vaixell. I el mapa de com aquella tradició desemboca, trenta anys després, en el que estem construint amb GEORadar: simular la presa de decisions de persones sintètiques. També explicaré el que encara no sabem fer, perquè en aquest camp qui no t'explica els límits t'està venent fum.

Dues maneres d'explicar un sistema

Tota la història cap en una disjuntiva. Quan vols entendre un sistema format per moltes parts, un mercat, una ciutat, una epidèmia, la percepció d'una marca, tens dos camins.

El camí clàssic va de dalt a baix. Escrius equacions sobre els agregats: la demanda total, la velocitat mitjana, la taxa de contagi. Funciona de meravella quan les parts són idèntiques i intercanviables, com molècules en un gas. I es trenca, en silenci, quan les parts són heterogènies, aprenen, s'imiten i reaccionen les unes a les altres. El que no cap a l'equació deixa d'existir: la bombolla, l'embús fantasma, el rumor que es dispara.

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 créixer d'aquestes regles?".

Dues epistemologies: descriure l'agregat o cultivar el fenomen. Font: recreació pròpia sobre Epstein & Axtell, 1996, i Schelling, 1971.

L'exemple fundacional ni tan sols va necessitar ordinador. El 1971, Thomas Schelling va estudiar la segregació urbana movent 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 lleugeríssima, gairebé tolerant. El resultat, després d'unes quantes rondes, era un tauler brutalment segregat. Ningú no volia la segregació; la segregació emergia igualment. Aquest és el calfred intel·lectual de l'ABM: el macro no és la suma del micro, és la seva conseqüència no evident. Després van venir el Game of Life de Conway (1970) i els Boids de Craig Reynolds (1987), esbarts d'ocells perfectes generats per tres regles locals, sense líder i sense coreògraf.

Quan jo vaig arribar a la UAB, tot això existia com a curiositat dispersa. El que no existia era el camp.

1993-1996: la finestra en què allò va guanyar nom, manifest i eina

La transformació de curiositat a disciplina va passar en una finestra de quatre anys, i es pot documentar white paper a white paper. La majoria va sortir del Santa Fe Institute, el monestir de la ciència de la complexitat, en forma de working papers que avui continuen penjats en obert. 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 passar de no existir a tenir terme, manifest, eina i primeres killer apps. Font: recreació pròpia.

1993. La teoria abans del nom. 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 es llegeix avui com un manifest prematur.

1994. L'any del bateig. Robert Axtell i Joshua Epstein publiquen al Bulletin de l'SFI un text breu amb un títol que ho diu tot: Agent-Based Modeling: Understanding Our Creations. És la partida de naixement del terme. 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. 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 esclataria: 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 li està funcionant i el descarta quan falla.

Cent teories privades competint produeixen un ordre que cap d'elles no conté: l'assistència mitjana es clava 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 i sense que cap agent conegui el sistema complet. Un mercat en miniatura, amb racionalitat acotada de debò. I aquí ve la picada d'ullet que m'obliga a estimar-lo encara més: 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 tribalisme digne d'El senyor de les mosques. Trenta-dos anys després, el mateix experiment continua produint sorpreses. Aquesta és la marca d'un bon model.

El 94 no es va acabar aquí. 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 una acció, amb bombolles, crashes i volum persistent com a propietats emergents, no com a supòsits (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, i el cisma fèrtil. 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 germanes que convé no confondre, perquè la confusió continua viva avui. Els sistemes multiagent (MAS) són 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. I un apunt de casa: 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 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.

1996. Les eines i l'obra mestra. Tres cops en un any. 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. El detall que m'encanta: entre els autors hi ha el pare de la vida artificial (Langton, SFI) i un enginyer de John Deere (Burkhart), perquè la tractora ja intuïa que allò servia per a alguna cosa. Fins a Swarm, cada ABM s'escrivia des de zero, en C o en Lisp, a pèl. Ho sé de primera mà.

Joshua Epstein i Robert Axtell publiquen Growing Artificial Societies (Brookings/MIT Press), el manifest definitiu. El seu model, Sugarscape, és d'una elegància que fa mal: 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 cap en una 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 optimització combinatòria dipositant feromona digital. Estigmèrgia pura, l'ABM aplicat fundant el camp sencer de l'optimització per colònies.

En quatre anys, de no existir a tenir terme, definició, manifest, eina i killer apps. I tanmateix.

Per què ningú no hi creia: els tres murs

Si la finestra 93-96 va ser tan fèrtil, per què l'ABM va passar els vint-i-cinc anys següents com a ciutadà de segona de la ciència? Perquè s'estavellava contra tres murs, i tots tres eren reals. Convé anomenar-los amb respecte, perquè la història recent del camp és exactament la història del seu enderroc.

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

El mur de l'escala. Simular pocs agents era trivial i simular-ne molts era impossible. La potència 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 lleig de la computació distribuïda.

El mur de la calibració. Un ABM té desenes de paràmetres i cap derivada. Ajustar-lo a dades reals era assaig i error artesanal, caríssim i poc reproduïble. Els econometristes, amb els seus models estimables, tenien raó de burlar-se'n una mica.

Tres murs, tres dècades. El que ningú no ens va dir en aquell passadís de la UAB és que tots tres caurien gairebé alhora.

L'altre creient mai no va baixar del vaixell

Aquí la història es torna personal, i és la part que més em venia de gust escriure.

Dels dos creients d'aquella unitat, jo vaig marxar per l'altre costat del mirall: producte, marques, negoci, onze anys a Nike, startups, una agència. La pregunta va venir amb mi, hibernada. Remo Suppi es va quedar, va llegir la tesi a la UAB el 1996, el mateix any de Swarm i Sugarscape, i va dedicar les tres dècades següents a enderrocar metòdicament un dels tres murs: el de l'escala. Tota la seva carrera, vista des de 2026, és una resposta de trenta anys a la pregunta "i si els agents poguessin ser milions?".

El rastre publicat és preciós de seguir. 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 per excel·lència, corrent sobre simulació paral·lela d'esdeveniments discrets. El 2003 hi afegeix animació 3D en temps real; després lògica difusa al cap de cada peix i versions distribuïdes en clúster cada cop més afinades. Els peixos eren l'excusa perfecta: emergència pura, autoorganització sense líder, el problema de Boids elevat a ciència computacional 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), 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 creixement tumoral i mobilitat urbana amb dades reals i mapes GIS. Peixos, multituds, tumors, trànsit: quatre pells del mateix animal, el model orientat a l'individu, escalat amb HPC.

Escric això amb una barreja d'orgull aliè i de vertigen. Orgull perquè l'altre creient tenia raó i la va defensar amb constància de fondista, paper a paper, mentre el camp continuava sent minoritari. Vertigen perquè el seu problema de recerca de tota la vida, quants agents caben al maquinari, és literalment el titular de la IA de 2025. Ara hi anem.

2023: cau el mur de la cognició

El desbloqueig no va venir d'on el camp l'esperava. Va venir dels 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, xafardegen. Una agent decideix organitzar una festa de Sant Valentí i, sense que ningú no ho programi, les invitacions es propaguen, sorgeixen coordinacions, algú convida el seu crush. Comportament social creïble, emergint.

La lectura profunda de Smallville no és "que bufó". És que el mur de la cognició, l'objecció fundacional contra l'ABM, acabava de caure. Ja no cal escriure a mà les regles de la ment de l'agent: s'eliciten d'un model entrenat sobre el registre escrit de la humanitat sencera. Una persona sintètica ja no són quatre if-then; és un perfil complet condicionant una ment estadística. El que Sugarscape feia amb quatre regles, ara es fa amb una biografia.

La validació seriosa va arribar el novembre de 2024, i és el resultat que faig servir quan algú em mira amb la mateixa cara que ens posaven el 93. 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 llistó no és capriciós: és el percentatge d'acord de les mateixes persones amb elles mateixes en repetir el qüestionari dues setmanes després. Un 85% d'aquesta autoconsistència. I amb menys biaix per grup racial i ideològic que els agents descrits només amb demografia.

Al voltant d'aquest resultat ha cristal·litzat un ecosistema sencer, i molt de pressa:

• 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 explícita de les dues tradicions de 1995: la ment ve de la branca MAS-LLM, el mètode ve de la branca ABM. Les dues branques del cisma de Wooldridge i Epstein, reunificades per fi. Quan hi penso, sempre acabo al mateix lloc: al passadís de la UAB defensàvem totes dues alhora sense saber que eren dues.

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

Mentre el focus mediàtic se l'enduien els agents xerraires, l'altra meitat del problema, la d'en Remo, es resolia amb menys soroll i 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 representatius, persones sintètiques que capturen segments de comportament, i les seves decisions governen les poblacions que representen (explicació divulgativa, Large Population Models). Guarda aquest concepte, que reapareix en dos paràgrafs: 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 de l'escala i la branca de la cognició, convergint trenta anys després. Font: recreació pròpia.

L'estat de l'art de 2026, dit en una línia: 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. Qui ajunti les tres té el simulador de societats que el 93 era heretgia.

Falta l'asterisc, i en aquesta casa els asteriscs van al cos del text, no a la lletra petita. La validació continua oberta. Hi ha literatura crítica seriosa 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, i això em fa somriure, exactament el problema de validació que els econometristes ens tiraven a la cara als 90, amb roba nova. La diferència és que ara el camp té eines, diners, i Stanford, DeepMind i el MIT treballant-hi. Llavors érem dos.

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

I aquí és on la història deixa de ser crònica i passa a ser full de ruta, perquè aquest arc de trenta anys no l'explico com a espectador.

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, abans de gastar-se el pressupost al món real. El que al meu cap sempre s'ha dit, des d'aquell passadís, simular futurs.

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. Aquesta població genera entre 3.000 i 30.000 prompts personalitzats per estudi, que executem contra sis superfícies: ChatGPT, Gemini, Claude, Perplexity, Copilot i les AI Overviews de Google. 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. 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 d'un milió de prompts simulats i nou milions de mencions de marca analitzades amb aquest mètode.

La genealogia intel·lectual no és decorativa; és operativa. El mapeig concepte a concepte:

I ara l'honestedat tècnica, que aquí és part del producte igual que ho era a l'article del watermarking. El que fem avui és, en rigor, microsimulació a escala: mostres massives i independents. Encara no és ABM ple. 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 l'emergència forta. 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. Aquí, simular futurs deixa de ser una metàfora de posicionament i passa a ser la descripció literal del producte.

El primer tram ja és producte; el segon és el full de ruta. Font: recreació pròpia, 498A.

Per què explicar-ho amb aquest marc i no amb el de moda? Perquè el cognom intel·lectual importa. GEORadar no descendeix del SEO; descendeix de Santa Fe. 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. I perquè els mateixos estàndards que l'ABM seriós va desenvolupar durant trenta anys, ensembles, criteris de convergència, calibració contra dades reals, anàlisi de sensibilitat, són la vara de mesurar 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 què preguntar.

Coda: trenta anys per ser oportú

Torno al passadís de 1993, perquè els finals s'escriuen on van començar els principis.

Érem dos els qui crèiem, i tots dos teníem raó, però cadascun per una branca que llavors no sabíem distingir. En Remo es va quedar la pregunta dura de l'enginyeria, quants agents caben en una màquina, i la seva resposta, dels bancs de peixos sobre PDES a les multituds de la Fira sobre GPUs, és avui la branca que el MIT ha portat a 8,4 milions de novaiorquesos sintètics. Jo em vaig endur la pregunta tova, què decideix un agent que s'assembla a una persona i per a què serveix això, i la resposta m'ha costat trenta anys, una carrera sencera en marques i un laboratori d'R+D, però existeix, factura i es diu GEORadar. Avui dirigeixo treballs de màster en IA amb la UAB i l'IIIA-CSIC, a un passadís de distància d'on va començar tot, cosa que demostra que la topologia d'una carrera també és un fenomen emergent.

El que més em fascina de l'arc és com poc va canviar la idea. 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 l'equació del déu que tot ho veu i preguntar-li al formiguer. L'única cosa que ha canviat és el cap de la formiga. Quatre regles llavors, una ment estadística entrenada en tota la cultura humana ara.

El 93 ens deien que allò no era ciència seriosa. La resposta ha trigat trenta-tres anys i no l'hem donat nosaltres: l'han donat Stanford, DeepMind, el MIT, els bancs centrals i un professor de la UAB que mai no va deixar de publicar. Arribar trenta anys d'hora és incòmode, però en innovació és l'única manera elegant d'arribar a temps. I si aquest article té una moralitat pràctica, és aquesta: quan trobis una idea que només defenseu dues persones en un passadís, apunta't el nom de l'altre. Les bones heretgies es reconeixen perquè els heretges acaben dirigint els laboratoris.

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.)