Cómo la simulación de multitudes mediante IA predice las reacciones del público

La simulación de multitudes mediante IA predice las reacciones del público creando una población de agentes de IA a partir de un contexto real y permitiendo que interactúen a lo largo del tiempo, en lugar de pedir una única respuesta a un solo modelo. En InfoDome, tu documento se convierte en un grafo de conocimiento, que a su vez se transforma en cientos de agentes con su propio carácter, posición y memoria. Estos agentes debaten en dos plataformas simuladas durante un número determinado de rondas. Un agente analista lee lo sucedido y elabora un informe predictivo que puedes consultar.

¿Por qué simular una multitud en lugar de preguntar a un solo modelo?

Si le preguntas a un modelo de IA "¿cómo reaccionará la gente ante esto?", obtendrás un párrafo plausible. Suele ser razonable, pero es un promedio: una voz que imagina a todos a la vez. Las reacciones reales no funcionan así. La gente responde entre sí. La publicación de un crítico influye en cómo un lector neutral percibe la noticia; la respuesta de un defensor modifica lo que el crítico dice a continuación; un periodista elige la versión más llamativa, no la más precisa.

Una simulación de multitudes intenta capturar esa dinámica. En lugar de un consenso imaginario, modela muchos actores distintos y deja que el resultado surja de su interacción. Por eso el resultado puede sorprenderte, y por eso vale la pena comprobar las sorpresas. El método más amplio se conoce como simulación multiagente; explicamos sus fundamentos en qué es la simulación multiagente .

Paso 1: Del documento al grafo de conocimiento

Todo comienza con tu material: noticias, planes, informes, borradores de políticas o ficción, en PDF, Markdown o texto. InfoDome lo lee junto con tu descripción en lenguaje sencillo de lo que quieres predecir y extrae un grafo de conocimiento:

• Entidades : personas, organizaciones y grupos mencionados en el texto.
• Relaciones : quién apoya, se opone, depende de, informa o compite con quién.
• Contexto : los hechos y posturas que el texto atribuye a cada uno de ellos.

El gráfico es importante porque sitúa la simulación en tu situación específica, en lugar de basarse en suposiciones genéricas. Además, es visible para ti, así que puedes ver qué entendió el sistema antes de que se ejecute.

Paso 2: Del gráfico a los agentes

A partir del gráfico y la descripción de tu audiencia, InfoDome crea cientos de agentes de IA; el número exacto depende del documento. Cada agente recibe:

• Un personaje : temperamento, intereses, la forma en que tiende a hablar e interactuar.
• Una posición : donde comienza en el tema, informada por el gráfico.
• Memoria a largo plazo : lo que ha visto, dicho y escuchado, y que persiste a lo largo del tiempo.
• Un país : puedes elegir hasta 10 países de audiencia, y los agentes se dividen equitativamente entre ellos. Las entidades reales nombradas en el documento conservan su propio país.

La combinación es intencionada. Algunos agentes representan organizaciones o personas específicas del texto; otros representan a miembros del público en general, de modo que la simulación incluye tanto a los participantes visibles como a la multitud que reacciona ante ellos.

Paso 3: Rondas en dos plataformas

Los agentes interactúan entonces en una red social simulada que se ejecuta en dos plataformas en paralelo:

• Un feed similar a Twitter : publicaciones cortas, reacciones rápidas, republicaciones. Aquí es donde las ideas se difunden rápidamente y el tono se intensifica.
• Un foro similar a Reddit : hilos y respuestas más extensos. Aquí se ponen a prueba los argumentos, se debaten los detalles y se definen o suavizan las posturas.

Usted elige el número de rondas, por ejemplo, 10, 20 o 40. En cada ronda, los agentes leen las publicaciones de los demás, deciden si responder y cómo hacerlo, y actualizan su memoria. Dado que la memoria se conserva, la ronda 15 se ve influenciada por lo ocurrido en las rondas 1 a 14. Un argumento que quedó sin respuesta al principio puede convertirse en una verdad aceptada más adelante; una corrección que llegó tarde puede que nunca se popularice.

Paso 4: De la conversación al informe

Tras la última ronda, un agente analista estudia la actividad simulada y elabora un informe predictivo con conclusiones: narrativas predominantes, qué grupos se movieron y por qué, qué actores actuaron como amplificadores, qué riesgos y preguntas quedan sin respuesta. El informe no es el único resultado. Se pueden consultar las publicaciones subyacentes, entrevistar a cualquier agente sobre su razonamiento y formular preguntas de seguimiento al analista. Esta trazabilidad es lo que convierte una simulación en una hipótesis revisable, en lugar de un veredicto de caja negra.

Por qué importan las reacciones de segundo orden

La primera reacción ante una noticia suele ser fácil de adivinar. Un aumento de precios molesta a los clientes; una nueva regulación preocupa al sector regulado. Lo que resulta difícil de predecir es la reacción de segundo orden : la reacción a la reacción.

Ejemplos de efectos de segundo orden que puede revelar una simulación de multitudes:

• La respuesta defensiva de una empresa convierte una pequeña queja en una historia sobre arrogancia.
• Un rumor se desvanece en las redes sociales, pero sobrevive en un hilo de un foro que posteriormente vuelve a salir a la luz.
• Los agentes neutrales interpretan el apoyo tibio de un aliado como una señal de problemas ocultos.
• Dos grupos que comenzaron en bandos opuestos descubren una queja común y se unen.

Estos efectos solo se manifiestan cuando los actores interactúan entre sí a lo largo del tiempo, que es precisamente para lo que sirven las rondas de entrevistas y la memoria. Además, son los efectos que con mayor frecuencia sorprenden a las organizaciones, ya que ninguna entrevista individual con las partes interesadas los revelaría.

Un ejemplo práctico

Un ayuntamiento elabora un plan para convertir una concurrida calle comercial en zona peatonal. El equipo de planificación sube el borrador, un resumen de un estudio de tráfico y un reportaje de noticias locales con declaraciones de comerciantes. Preguntan cómo reaccionarán los residentes, los comerciantes, las empresas de reparto y los medios de comunicación locales durante el primer mes, y realizan 40 rondas de encuestas en un mismo país.

Las primeras rondas no deparan sorpresas: los comerciantes se preocupan por las entregas, los residentes ven con buenos ojos la idea de menos ruido. Luego surge un patrón secundario. Un agente de una empresa de reparto publica que establecer franjas horarias de entrega a primera hora de la mañana solucionaría la mayoría de los problemas. Los comerciantes del foro retoman esta idea y sus críticas pasan de estar "en contra del plan" a estar "en contra del plan sin franjas horarias de entrega". Mientras tanto, en el muro, un agente de un medio local amplifica la queja de un residente sobre el estacionamiento, lo que desvía la atención del tema de las entregas.

El informe del analista concluye que los plazos de entrega podrían dividir a la oposición y que el estacionamiento representa el riesgo más persistente. El equipo entrevista al agente de prensa para comprender qué hechos modificarían su enfoque y, posteriormente, añade una sección sobre estacionamiento al plan. La simulación no demostró nada sobre la calle real, pero proporcionó al equipo dos hipótesis concretas y comprobables. Para situaciones con muchos rumores, el escenario de propagación de rumores se basa en la misma mecánica.

Límites a tener en cuenta

La simulación de multitudes es una herramienta poderosa para explorar dinámicas, pero tiene limitaciones claras:

• Los agentes son modelos de IA condicionados a sus documentos. La falta de partes interesadas o el material parcial generan puntos ciegos.
• Los resultados no son estadísticamente representativos como una muestra de encuesta, y los porcentajes no deben interpretarse como porcentajes del mundo real.
• Las distintas rachas pueden desarrollarse de forma diferente. Considera los patrones consistentes como señales más fiables que los momentos dramáticos aislados.

Teniendo en cuenta estas limitaciones, la simulación es una forma rápida de ver qué podría suceder a continuación y por qué. Para probarla en tu propio caso, prepara una tarea en la consola .