¿Qué es la simulación multiagente? Una guía en lenguaje sencillo.

La simulación multiagente es una forma de estudiar un sistema mediante la modelización de numerosos actores independientes, denominados agentes, cada uno con sus propias reglas, objetivos o personalidad, y dejando que el resultado final surja de su interacción. En lugar de escribir una única ecuación para "el mercado" o "la opinión pública", se describen los individuos y se observa el comportamiento del grupo. Gracias a los modelos de lenguaje modernos, estos agentes pueden leer, escribir y recordar en lenguaje natural, lo que hace que el método sea útil para comprender cómo reaccionan las personas.

La idea central: el comportamiento surge de la interacción.

Muchos resultados importantes no dependen de un solo actor. Los atascos de tráfico, las fluctuaciones de precios, los rumores virales y los cambios en la opinión pública surgen de numerosas decisiones locales que se influyen mutuamente. La simulación multiagente toma esto muy en serio.

Una simulación típica tiene tres ingredientes:

• Agentes : los actores, cada uno con su propio estado (lo que sabe, quiere o cree) y comportamiento (cómo decide qué hacer a continuación).
• Un entorno : el espacio donde los agentes actúan y se observan entre sí, como un mapa, un mercado o una red social.
• Pasos o rondas de tiempo : en cada paso, los agentes observan, deciden y actúan, y el entorno cambia como resultado.

Lo que distingue a este enfoque es la emergencia : patrones a nivel grupal que nadie programó directamente. Una pequeña preferencia en cada individuo puede, mediante la interacción repetida, producir un resultado colectivo amplio y sorprendente.

Origen: modelado basado en agentes

La idea no es nueva. Investigadores en economía, ecología, sociología e informática llevan décadas utilizando modelos basados en agentes. Los primeros trabajos de la década de 1970 ya demostraron, con reglas muy simples en una cuadrícula, cómo las leves preferencias individuales sobre los vecinos podían conducir a una fuerte segregación a nivel de todo un vecindario. En las décadas siguientes, los investigadores construyeron sociedades artificiales, simularon mercados y modelos de epidemias, comportamiento gregario de animales y tráfico.

Estos modelos clásicos comparten una característica: los agentes son deliberadamente simples. Cada uno sigue un conjunto de reglas numéricas, lo que hace que el modelo sea transparente y fácil de analizar, pero también limita lo que puede decir sobre comportamientos humanos complejos como la persuasión, el encuadre o la ironía.

La nueva ola: agentes construidos sobre modelos de lenguaje.

Los grandes modelos de lenguaje cambiaron la concepción de lo que puede ser un agente. Desde alrededor de 2023, la investigación sobre los llamados agentes generativos ha demostrado que los agentes basados en modelos de lenguaje, dotados de una personalidad, un recuerdo de eventos pasados y la capacidad de reflexionar sobre ese recuerdo, pueden comportarse de maneras sorprendentemente creíbles en una comunidad simulada: planifican sus días, forman opiniones, transmiten noticias y se coordinan entre sí.

En comparación con los modelos clásicos basados en agentes, los agentes basados en modelos de lenguaje:

• Comunícate en lenguaje natural , para que puedan reaccionar a la redacción real de una afirmación, no solo a un número.
• Transmite personalidades ricas y complejas , combinando antecedentes, valores y tono de voz.
• Recuerda y actualiza esta información , para que las conversaciones anteriores influyan en el comportamiento posterior.

La desventaja es que son menos transparentes y más costosos de operar que los agentes basados en reglas, y su comportamiento refleja las fortalezas y los sesgos del modelo subyacente.

Cómo InfoDome lo aplica

InfoDome utiliza agentes basados en modelos de lenguaje para simular las reacciones del público y las partes interesadas. Usted sube documentos y describe lo que desea predecir; InfoDome extrae un grafo de conocimiento de las personas, organizaciones y grupos presentes en su material, y luego crea cientos de agentes con su propio carácter, posición y memoria a largo plazo, distribuidos en hasta 10 países de audiencia que usted elija. Los agentes interactúan en paralelo en un feed similar Twitter y un foro similar Reddit durante un número determinado de rondas, y un agente analista redacta un informe de predicción que usted puede cuestionar, junto con cualquier agente individual. La mecánica paso a paso se explica en cómo la simulación de multitudes con IA predice las reacciones .

Cuando la simulación multiagente ayuda

Este método resulta más valioso cuando el resultado depende de la interacción y no de una sola decisión:

• Reacciones que se construyen sobre otras reacciones : crisis, rumores, debates públicos, donde la respuesta a la primera respuesta es lo que más importa.
• Numerosas partes interesadas con intereses diferentes : cambios en las políticas, reestructuración organizativa, negociaciones.
• Interacción estratégica : respuestas de los competidores o juegos de guerra, donde cada bando se adapta al otro.
• Exploración temprana : cuando se necesitan hipótesis rápidamente, antes de una encuesta o un estudio de campo, o cuando una prueba real es demasiado costosa o arriesgada.
• Comparación de mensajes : consiste en enfrentar al mismo público con dos versiones de una declaración para ver qué enfoque tiene mayor alcance.

Cuando no ayuda

Es igualmente importante saber cuándo no usarlo:

• Cuando se necesitan cifras representativas. Una simulación no es una encuesta; sus proporciones no deben interpretarse como porcentajes del mundo real.
• Cuando los datos históricos fiables ya responden a la pregunta. Si se dispone de años de datos de ventas de un producto estable, una previsión estadística puede resultar más fiable.
• Cuando la información es escasa, los agentes son tan sólidos como el material con el que están construidos. La ausencia de partes interesadas implica la ausencia de voces.
• Cuando se busca certeza. Diferentes ejecuciones pueden desarrollarse de manera distinta. El resultado es una hipótesis revisable que respalda el juicio; no lo reemplaza.

Un ejemplo práctico

Una empresa de logística de tamaño mediano está considerando implementar una semana laboral de cuatro días para el personal administrativo. La dirección quiere saber cómo reaccionarían los empleados, los jefes de equipo y los clientes. Un modelo de hoja de cálculo podría estimar los costos, pero no cómo se propagaría entre el personal un rumor sobre "horas extras ocultas" ni cómo interpretaría la noticia un cliente clave.

El equipo de RR. HH. sube la propuesta interna y un resumen de una encuesta reciente al personal a InfoDome, describe la pregunta y realiza 20 rondas en un país. En el foro, los agentes jefes de equipo expresan su preocupación por la cobertura los viernes; en el muro, los empleados más jóvenes acogen con satisfacción el cambio, pero comparten la inquietud de que la carga de trabajo simplemente se reduzca. Un agente de un cliente pregunta si cambiarán los tiempos de respuesta. El informe del analista sugiere que la claridad sobre la cobertura de los viernes es el factor decisivo tanto para los jefes de equipo como para los clientes.

Al entrevistar a un agente líder de equipo, Recursos Humanos descubre que un horario rotativo los viernes aliviaría sus preocupaciones. La dirección lo considera una hipótesis para probar en un programa piloto real con dos departamentos, no una respuesta definitiva. Este es un buen uso de la simulación multiagente: redujo una pregunta vaga a una específica y comprobable. Si trabajas con preguntas prospectivas similares, el caso de uso de planificación de escenarios es un buen punto de partida.

Empezando

No necesitas conocimientos de programación para ejecutar una simulación multiagente con InfoDome. El plan básico cuesta 29 € al mes, incluye un presupuesto mensual de 9 € para el uso de IA y proyectos ilimitados, y puedes cancelarlo cuando quieras. Prepara tu primer escenario en la consola ; puedes configurar una tarea antes de suscribirte.