Los modelos de lenguaje son excelentes generando texto coherente, pero terribles prediciendo qué hará una persona concreta en una situación específica que no ha aparecido en los datos de entrenamiento. Esa es la tesis de partida de Mirror Particle, una startup que presentó su tecnología en el TC Disrupt Battlefield de TechCrunch y que construye lo que llaman world models del comportamiento humano. Lo cubre Rebecca Bellan en TechCrunch. La empresa, cuyo CEO es Ahuja, argumenta que los LLMs aprenden distribuciones estadísticas del lenguaje humano pero no aprenden los mecanismos causales que explican por qué la gente toma las decisiones que toma. Esa diferencia hace que los LLMs sean inadecuados para la mayoría de aplicaciones donde la predicción de comportamiento real tiene valor económico: publicidad de precisión, política pública basada en comportamiento, y sistemas de recomendación que van más allá del historial de clics.¿Qué es un world model del comportamiento humano y cómo funciona?Un world model es un sistema que no solo aprende a predecir la siguiente token o acción, sino que construye una representación interna del entorno y de los agentes que interactúan en él. En el contexto de Mirror Particle, eso significa entrenar modelos con datos de comportamiento observado —patrones de compra, interacciones sociales, secuencias de decisiones en contextos digitales y físicos— y construir representaciones que permitan hacer inferencias sobre individuos concretos en situaciones nuevas.La diferencia técnica con un LLM es conceptual antes que computacional. Un LLM que recibe el prompt «¿qué comprará esta persona el próximo martes?» generará una respuesta plausible basada en patrones estadísticos del entrenamiento. Un world model diseñado por Mirror Particle intentará construir un modelo causal de esa persona: sus restricciones de tiempo, sus preferencias históricas, su sensibilidad al precio en diferentes categorías, las interacciones entre esos factores, y los cambios de estado en función del contexto actual. El resultado no es un texto plausible; es una distribución de probabilidad sobre comportamientos futuros con intervalos de confianza.Por qué los LLM no son suficientes: el argumento técnicoEl argumento técnico de Mirror Particle tiene fundamento sólido en la literatura de aprendizaje automático. Los transformers que alimentan a GPT-4o, Claude Opus 5.5 o Gemini Ultra están optimizados para la predicción de la siguiente token en secuencias de lenguaje: son excelentes modelando correlaciones en texto a escala masiva, pero no tienen mecanismos explícitos para representar causalidad, contrafactuales o estados internos de agentes que no se expresan en texto.Cuando un LLM parece razonar sobre comportamiento humano, está haciendo inferencias basadas en texto que describe comportamiento —novelas, noticias, estudios científicos resumidos en lenguaje natural— no modelando los procesos cognitivos subyacentes ni las estructuras de recompensa que determinan las decisiones reales. Esto produce modelos que son útiles para razonamiento general pero pobres para predicción individual en contextos específicos, especialmente cuando el comportamiento real diverge de lo que la gente expresa verbalmente.Las advertencias existenciales que Hollywood ha empezado a poner sobre la mesa respecto a la IA son, en parte, sobre exactamente este tipo de capacidad: modelos que pueden predecir con precisión suficiente el comportamiento humano para influir en resultados electorales, de consumo o de salud pública. Mirror Particle trabaja deliberadamente en ese espacio y la pregunta regulatoria sobre para qué se pueden usar estos modelos no es académica.TC Disrupt Battlefield y lo que significa llegar al escenario principalLlegar al Battlefield de TechCrunch Disrupt no garantiza nada en términos de financiación o adopción posterior, pero sirve como señal de que el equipo fundador puede comunicar un problema técnico complejo a una audiencia generalista. Mirror Particle compitió contra otras startups en fases similares de desarrollo y su capacidad de articular por qué los LLMs no resuelven el problema de predicción de comportamiento fue, según los jueces, su punto diferenciador más sólido. La articulación clara de la limitación técnica de los modelos existentes es, en sí misma, un activo de fundraising: los inversores que entienden el problema ven la startup como solución, no como otra variante del chatbot.La demanda contra GitHub Copilot que el Noveno Circuito tiene que resolver y los centros de datos de IA como tema electoral con un 75% de oposición local en las midterms de EEUU apuntan al contexto más amplio: el sector de la IA está bajo escrutinio regulatorio y social creciente justo cuando Mirror Particle intenta construir modelos de predicción de comportamiento humano. La regulación de ese tipo de tecnología será una de las variables críticas para la empresa, especialmente en mercados europeos donde la RGPD y el AI Act establecen restricciones específicas sobre el procesamiento de datos personales para inferir comportamiento.Los world models son el siguiente paso técnico real después de los LLMs. Los transformers actuales son excelentes mapeando correlaciones en datos de texto; los world models apuntan al salto más difícil hacia la representación causal del mundo. Es un problema de investigación fundamental en el que los mejores equipos de DeepMind, OpenAI y Meta llevan años trabajando. Mirror Particle apuesta a que puede resolver una versión restringida de ese problema —comportamiento humano en contextos específicos de consumo y decisión— antes de que los labs grandes lleguen a una solución suficientemente generalizada. El riesgo existencial de la empresa no es que la tecnología no funcione: es que OpenAI o Google lleguen a una solución similar cuando Mirror Particle todavía está construyendo su base de clientes. Ese es el riesgo de apostar en el espacio frontier: no que el producto falle, sino que los gigantes lleguen primero o que el mercado tarde demasiado en entender por qué necesita algo diferente a un chatbot. Ahuja lo sabe. Haber llegado al Battlefield de Disrupt indica que puede contarlo de forma convincente, que en fundraising es la mitad del trabajo.La noticia Mirror Particle construye modelos del mundo del comportamiento humano porque los LLM no son suficientes para predecir lo que hace la gente fue publicada originalmente en Wwwhatsnew.com por Natalia Polo.