Simile AI levanta US$2.000M para simular humanos

El nuevo scaling law de la simulación: Simile AI cierra una Serie B de US$2.000M

Simile AI, la startup fundada por Joon Sung Park —el investigador detrás del paper de Generative Agents de 2023— levantó una Serie B de US$2.000M según reportó Latent Space en una entrevista extensa con su CEO. La ronda fue liderada por GreenOaks e Index Ventures, con la participación de nombres como Fei-Fei Li y Andrej Karpathy. En apenas dos años desde su fundación, Simile se posiciona como el actor de referencia en un giro reciente del mercado: la simulación de comportamiento humano a escala industrial, lo que el medio especializado denominó el "segundo verano de la IA simulativa".

La tesis de la compañía es directa: los modelos fundacionales actuales son entrenados sobre datos de la web, que en esencia capturan lo que la gente dice, no lo que realmente hace. Simile construye lo que Park llama behavior foundation models (modelos fundacionales de comportamiento): agentes digitales entrenados con tres tipos de datos — entrevistas largas, datos observacionales y de transacciones, y ensayos controlados aleatorizados (RCTs)— para reproducir cómo se comporta la gente de verdad, incluyendo sus sesgos e irracionalidades.

De Smallville a Simile: la ruta de Joon Sung Park

El origen está en Smallville, el paper de 2023 que se convirtió en uno de los más citados del año en IA. Park, junto a sus co-fundadores Percy Liang (quien acuñó el término "foundation models") y Michael Bernstein, simularon a 25 agentes generativos en un pueblo virtual inspirado en Swarthmore College. La sorpresa no fue que los agentes interactuaran, sino que lo hicieran con comportamientos emergentes: una agente dueña de cafetería organizó espontáneamente una fiesta de San Valentín.

Según reportó Scientific American, el siguiente experimento del equipo fue más ambicioso: entrevistaron durante dos horas a más de 1.000 personas reales y luego compararon las respuestas de los agentes digitales contra las de los humanos en el General Social Survey, una encuesta que mide opinión pública en EEUU desde 1972. El resultado: 85% de coincidencia entre lo que respondía el agente y lo que respondió la persona real.

Esa cifra es central para entender a Simile. No estamos ante una promesa de futuro: la tecnología ya iguala el comportamiento humano con una precisión que, según Park, se acerca a la consistencia con la que una persona se autocontesta a sí misma.

Qué hace exactamente un "behavior foundation model"

La diferencia con un LLM tradicional es conceptual. Park lo explica con un ejemplo simple: si le pides a un asistente que te pida una cena y termina ordenando una pizza con piña cuando odias la piña, el modelo falla. No porque no sepa qué es la pizza, sino porque no tiene un modelo profundo de ti como persona. Para evitar ese tipo de errores hace falta entender la "física social" del usuario: sus preferencias, su contexto, sus patrones reales de decisión.

Para entrenar esos modelos, Simile usa tres fuentes de datos:

• Entrevistas largas: preguntas cualitativas extensas sobre la historia de vida de la persona, incluyendo recuerdos de infancia, primeras relaciones, traumas. Texturas que son difíciles de predecir pero muy informativas.
• Datos observacionales y transaccionales: lo que la gente hace realmente en plataformas, con consentimiento, no lo que dice que hace.
• Ensayos controlados aleatorizados (RCTs): experimentos donde se varía una variable para capturar mecanismos causales. Es el tipo de dato que permite saber por qué alguien toma una decisión, no solo qué decisión tomó.

Este último bucket es, según Park, el más importante y el más escaso. "El mundo es nuestro ground truth, pero sucede una sola vez", explica en el podcast. Sin RCTs, no se puede modelar causalidad, solo correlación.

Quiénes son los clientes y qué están resolviendo

Simile ya trabaja con clientes Fortune 100 como CVS, ejecutando decenas de millones de simulaciones. Su producto funciona como una API: el cliente describe una población objetivo (por ejemplo, "adultos de 20-35 años en California") y un entorno (una encuesta, un test A/B, un focus group, incluso un earnings call), y el sistema devuelve cómo reaccionaría esa población simulada.

Los casos de uso iniciales son:

• Concept testing: probar mensajes de marketing, productos o ideas antes de invertir en lanzamiento.
• Focus groups sintéticos: reemplazar paneles humanos caros y lentos.
• Modelado de earnings calls: simular cómo reaccionará el mercado a distintos guiones.
• Investigación de políticas públicas: Simile tiene una alianza estratégica con Gallup para explorar este espacio.

La precisión reportada frente a focus groups humanos es del 85–99%, según el caso de uso. Park insiste en que la simulación no compite con la predicción: predecir que las ventas caerán no le sirve a un ejecutivo si no sabe qué hacer para evitarlo. La simulación muestra el camino completo hacia un objetivo, incluidos pasos contraintuitivos. La analogía que usa es la psicohistoria de la saga Foundation de Asimov: a veces el primer paso para salvar un imperio es exiliar a los científicos que advertían del colapso.

El mercado más amplio: simulación como infraestructura de IA

Simile no está sola en esta dirección. En diciembre de 2025, Patronus AI lanzó Generative Simulators, entornos de reinforcement learning que generan tareas y escenarios adaptativos para entrenar agentes de IA en bucles continuos. Aunque el foco de Patronus es entrenar agentes de software (no humanos), la tesis es la misma: los benchmarks estáticos no capturan la complejidad del mundo real.

Para founders, esto dibuja un mapa concreto:

• Si construyes productos B2C: la simulación de poblaciones se está volviendo una alternativa real a las encuestas tradicionales. El costo por insight está bajando dramáticamente y la velocidad es órdenes de magnitud mayor.
• Si construyes infraestructura para IA: el espacio de "RL environments" y simuladores sintéticos es un mercado naciente con demanda clara de los labs de frontier models.
• Si operas en políticas públicas, salud o investigación social: la barrera de entrada para correr experimentos a gran escala cae cuando podés simular 10.000 sujetos en lugar de reclutar 200.

La visión a largo plazo: simular 8.000 millones de personas

Park no esconde la ambición. En el cierre del episodio conecta la simulación con la pintura —arte que aprendió antes de volverse investigador— y con la pregunta de si ya estamos viviendo dentro de una. Su objetivo declarado es eventualmente simular a los 8.000 millones de personas del planeta, no para predecir el futuro, sino para entender cómo darle forma.

Las aplicaciones que menciona van desde detectar el colapso de democracias antes de que ocurra hasta evaluar el impacto de políticas como la renta básica universal. Son escenarios que hoy suenan a ciencia ficción, pero que comparten la misma base técnica que ya está moviendo millones de simulaciones para CVS.

Qué significa esto para tu startup

La Serie B de Simile valida algo que hasta hace un año era una curiosidad académica: los digital twins de personas son un producto comercializable, no un experimento de laboratorio. Eso abre acciones concretas para founders en el ecosistema hispanohablante:

• Construye sobre la infraestructura existente, no la reemplaces. Si tu producto necesita entender usuarios reales, evalúa si un partnership con un proveedor de simulación reduce tu costo de investigación de mercado más rápido que paneles propios.
• Piensa en "social physics" como feature, no como moat. Los modelos fundacionales de comportamiento están a meses, no años, de ser commodity. Tu ventaja estará en los datos propietarios que alimenten esos modelos, no en el modelo en sí.
• Aplica la lógica de simulación a tu propio producto. Antes de gastar USD 50.000 en un lanzamiento, ¿podés simular 1.000 versiones de tu mensaje entre tu público objetivo? Las herramientas ya están llegando a ese punto.
• Prepárate para监管. La misma tecnología que modela comportamientos sirve para manipulación política. Founders en LATAM y España deberían seguir de cerca los marcos regulatorios de la UE (AI Act) y cómo definen los límites de la simulación conductual.

La "simulación de comportamiento humano" pasó de paper de 2023 a mercado con rondas de US$2.000M en menos de tres años. Para cualquier founder que trabaje con usuarios reales, entender este stack ya no es opcional.

Fuentes

• Simulation: the new Scaling Law — Joon Sung Park, Simile AI (fuente original)
• Can a Generative AI Agent Accurately Mimic My Personality? — Scientific American
• Patronus AI debuts Generative Simulators — SiliconANGLE