Simulações digitais de consumidores frequentemente falham em prever decisões de compra no comércio real, frustrando marcas que tentam antecipar o sucesso de seus produtos. Essa desconexão decorre da dependência de grandes modelos de linguagem (conhecidos pela sigla em inglês LLMs), que foram projetados para organizar palavras, e não para reproduzir as motivações psicológicas que guiam escolhas cotidianas. Diante desse gargalo prático, a startup norte-americana Mirror Particle (abre em nova aba) desenvolveu um modelo fundacional próprio, criado inteiramente do zero, voltado a prever o comportamento humano e mapear os motivos reais por trás de cada atitude.
Em pesquisas corporativas convencionais, tornou-se comum o uso de representações artificiais nas quais sistemas de conversação recebem a ordem de agir como determinado perfil de cliente (técnica conhecida como encenação ou role-play). Para a cofundadora e diretora-executiva da empresa, Abhivyakti Ahuja, essa adaptação apresenta limites severos. Ajustar sistemas treinados em centenas de bilhões de dados de texto usando apenas pequenas amostras recentes equivale, nas palavras da executiva, a levar uma pistola de água para as cataratas do Niágara. O conhecimento acumulado na base dessas ferramentas permanece preso ao passado textual, sem refletir como a mente reage a novidades no dia a dia.
Para substituir essas aproximações conversacionais, a empresa propõe o que define como um modelo de mundo do comportamento humano. A meta não consiste em registrar um perfil estático de consumidor, mas em compreender a pessoa em constante mudança. Na visão da fundadora, a arquitetura precisa assimilar dados longitudinais (informações acompanhadas ao longo de períodos contínuos) capazes de revelar quais gatilhos transformam as escolhas, em que intensidade isso ocorre ou se a preferência simplesmente permanece imóvel, o que também funciona como um indicador relevante.
Nessa estrutura de análise, a plataforma combina informações operacionais fornecidas pelos clientes com acontecimentos em tempo real, cultura popular e interações em mídias sociais. A partir desse conjunto, cada segmento demográfico passa a ser tratado como um sistema dinâmico, que altera motivações à medida que vivencia novos fatos. O foco central recai sobre o comportamento revelado, ou seja, as ações que o público executa de fato na rotina, contornando a distorção comum de questionários declaratórios, nos quais os entrevistados costumam responder o que gostariam de fazer e não o que realmente decidem na hora da compra.
Em um teste preliminar com uma conhecida marca de ração para animais de estimação, a empresa identificou uma falha comum de diagnóstico. A fabricante pretendia descobrir qual ilustração no pacote aumentaria as vendas, comparando fotos de frango, carne bovina ou vegetais. Ao processar o contexto de mercado, a tecnologia indicou que a pergunta estava errada e que a imagem na embalagem era indiferente. O estagnação comercial decorria do fato de a marca ser amplamente reconhecida como uma opção comum e barata, o que exigia tratar a percepção de valor do público em vez de alterar o rótulo.
Persiste, contudo, o debate sobre se esse tipo de resposta decorre da superioridade da nova modelagem comportamental ou apenas da integração inteligente de dados contextuais variados que as empresas costumam negligenciar em testes isolados. Ambas as explicações continuam plausíveis, já que a combinação de dados sociais e históricos comerciais por si só costuma revelar inconsistências estratégicas evidentes.
Sediada na Califórnia, a companhia foi fundada por Abhivyakti Ahuja, Will Song e Thomson Yen, reunindo uma equipe multidisciplinar com pesquisadores de aprendizado de máquina, engenheiros, neurocientistas e cientistas comportamentais. A empresa opera nos setores de software corporativo, análise de dados e marketing.
Em termos de financiamento, o negócio já captou uma rodada de investimento anjo e negocia o fechamento de sua primeira rodada de capital de risco institucional. A apresentação pública da tecnologia está marcada para ocorrer durante a competição Startup Battlefield 200, no evento TechCrunch Disrupt 2026, entre 13 e 15 de outubro em San Francisco.
Ao buscar as razões que movimentam as pessoas em vez de apenas simular diálogos de texto, a proposta quer evitar os palpites vazios que com frequência desviam estratégias de mercado, tentando fazer com que o cálculo computacional finalmente reflita o momento em que as intenções se transformam em decisões reais de compra.