Mirror Particle buduje model świata ludzkich zachowań

Mirror Particle, dwuletni startup z San Francisco, chce zmienić sposób, w jaki branża przewiduje zachowania konsumentów. Zamiast polegać na dużych modelach językowych podrasowanych do odgrywania konkretnej grupy demograficznej, firma buduje od podstaw tzw. model świata — fundament AI, który ma symulować nie tylko to, co ludzie robią, ale i dlaczego to robią oraz jak ich zachowania zmieniają się w czasie.

Branża przewidywania ludzkich zachowań przeżywa właśnie boom inwestycyjny. Simile zebrało w ciągu ostatniego roku 200 mln dolarów przy wycenie 2 mld dolarów, Aaru pozyskało 88 mln dolarów przy wycenie 1 mld dolarów, a Humans& ogłosiło w styczniu gigantyczną rundę seed w wysokości 480 mln dolarów przy wycenie 4,48 mld dolarów, uruchamiając produkt Persimmon do modelowania ludzkich zachowań. Mirror Particle wkracza na ten rynek z zupełnie inną filozofią techniczną.

Kluczowe wnioski

• Mirror Particie krytykuje obecny standard rynkowy, czyli fine-tuning LLM-ów do roli konkretnej grupy demograficznej – CEO Abhivyakti Ahuja porównuje to do „przyniesienia zabawkowego pistoletu na wodę do wodospadu Niagara”.
• Startup buduje własny model świata od zera, skupiony na „revealed behavior” (tym, co ludzie faktycznie robią), a nie na deklaracjach z ankiet.
• Firma zebrała dotychczas rundę aniołów biznesu i jest bliska zamknięcia pierwszej rundy venture capital.
• Mirror Particle startuje w konkursie Startup Battlefield 200 na TechCrunch Disrupt 2026 w San Francisco, 13–15 października.
• Konkurenci – Simile, Aaru i Humans& – zebrali łącznie setki milionów dolarów przy wycenach liczonych w miliardach, co pokazuje skalę inwestycyjnego zainteresowania tą kategorią AI.

Dlaczego LLM-y „nie widzą” świata jak człowiek

Abhivyakti Ahuja, współzałożycielka i CEO Mirror Particle, nie ma wątpliwości, że dominujące podejście do przewidywania zachowań konsumenckich jest fundamentalnie wadliwe. „LLM-y zostały wytrenowane na setkach miliardów punktów danych. Ile można zmienić w ich zachowaniu, dostrajając je tak niewielką ilością danych? Wciąż tkwią w przeszłości” – mówi Ahuja.

Jej zdaniem problem sięga głębiej niż sam fine-tuning. „LLM-y modelują język pisany, ale człowiek to percepcja wizualna, rozumowanie przestrzenne, inteligencja społeczna” – podkreśla. Poleganie na modelach językowych przy prognozowaniu zachowań oznacza w praktyce wyciąganie wniosków z tego, czego ludzie nie zauważają w tekście – a to mija się z celem, jeśli chce się przewidzieć realne działanie.

Mirror Particle idzie więc inną drogą: tworzy model fundamentalny, który symuluje nie statyczną osobę, ale osobę zmieniającą się w czasie. „Nie chcemy uchwycić statycznego człowieka. Chcemy uchwycić człowieka zmieniającego się. To oznacza zbieranie danych longitudinalnych o tym, jak ludzie się zmieniają, co ich do tego skłania i w jakim stopniu” – wyjaśnia Ahuja. Jeśli ktoś się nie zmienia, dodaje, „to też jest sygnał”.

Dane, które liczą się naprawdę – i przykłady z pilotażu

Mirror Particle opiera swój model na zastrzeżonej kombinacji danych: informacjach o klientach swoich partnerów biznesowych, aktualnych wydarzeniach, kulturze popularnej, mediach społecznościowych i innych źródłach. Segment demograficzny jest traktowany jak system ewoluujący w czasie – firma śledzi, jak zmieniają się motywacje w miarę przechodzenia przez różne doświadczenia. Kluczowy nacisk kładzie się na „revealed behavior”, czyli to, co ludzie faktycznie robią, a nie to, co deklarują w ankietach.

Podobnie jak konkurenci, Mirror Particle w pierwszej fazie rozwoju celuje w segmenty, gdzie budżety na takie analizy już istnieją – badania rynku oraz strategię marki i produktu. Przykład podany przez Ahuję: marka kosmetyczna chce dotrzeć do pokolenia Z z reklamą cieni do powiek. Mirror Particle może pomóc nie tylko napisać lepszy tekst reklamowy, ale w ogóle zweryfikować, czy ta grupa chce danego produktu. „A co jeśli [grupa docelowa] nie chce palet cieni do powiek?” – pyta Ahuja. „Może róż jest lepszą opcją, jeśli chcesz sprzedać produkt temu rynkowi”.

System Mirror Particle dostarcza klientom nie tylko prognozy, ale i „dlaczego” – motywacje, ograniczenia i dodatkowy kontekst uzasadniający rekomendację. W jednym z pilotaży znana marka karmy dla zwierząt chciała wiedzieć, jaką grafikę umieścić na opakowaniu, by zwiększyć sprzedaż: kurczak, wołowina czy warzywa? Technologia Mirror Particle wykazała, że marka zadaje niewłaściwe pytanie. Grafika nie miała znaczenia – problemem było to, że marka była tak rozpoznawalna, że była postrzegana jako masowa i tania, a sprzedaż osiągnie plateau, dopóki firma nie zaadresuje tego problemu z wizerunkiem.

Od neuronauki po robotykę – kim są twórcy Mirror Particle

Zainteresowanie Ahuji modelowaniem ludzkiego mózgu wywodzi się z jej doświadczenia w neuronauce i informatyce. Pochodząca z Indii, studiowała na University of Toronto, gdzie zainspirowała się wkładem pioniera AI Geoffreya Hintona w sieci neuronowe. Po studiach trafiła do Amazon Robotics, gdzie budowała roboty, które budują inne roboty – właśnie tam poznała swoich współzałożycieli, Willa Songa i Thomsona Yena. Song spędził część kariery przy budowaniu silników personalizacji sprzedaży, a Yen skupiał się na głębokim uczeniu w kontekście rozumienia ludzkich zachowań przez agentów AI.

Ahuja opisuje rozwój swojego modelu jako naukę dziecka o świecie: „Sposób, w jaki widzimy ewolucję naszego modelu, jest podobny do tego, jak dziecko uczy się o świecie” – zauważając, że dzieci przechodzą od wzroku do języka, świadomości ciała i wreszcie inteligencji społecznej. Długofalowa wizja startupu to stanie się „ogólną warstwą do przewidywania ludzkich zachowań” i przejście od analiz na poziomie populacji do wglądu na poziomie pojedynczej osoby. „Potrzebujemy po prostu lepszego modelu ludzi, jeśli mamy pracować razem z AI i z sobą nawzajem” – podsumowuje Ahuja.

Mirror Particle zaprezentuje swoją technologię w przyszłym tygodniu podczas konkursu Startup Battlefield 200 na TechCrunch Disrupt 2026 w San Francisco, gdzie o zwycięzcy zdecyduje jury inwestorów venture capital po południu 15 października.

Startup wpisuje się w szerszy trend wysoko kapitalizowanych projektów próbujących zbudować przewidywalne modele ludzkiego zachowania – od Simile i Aaru po Humans& – pokazując, że rynek „symulacji konsumenta” stał się jednym z gorętszych obszarów inwestycji w sztuczną inteligencję.