На рынке предсказания поведения человека произошло оживление: Simile привлекла $200 млн при оценке $2 млрд, Aaru — $88 млн при $1 млрд, а humans& заявила о $480 млн на seed-раунде при $4.48 млрд. Все эти компании обещают помочь брендам понять, как будут вести себя потребители. Однако двухлетний стартап Mirror Particle считает, что текущий подход — фундаментально неправильный.
Большинство конкурентов используют большие языковые модели, которые они доучивают или подсказывают для того, чтобы смоделировать поведение целевой демографии. Mirror Particle отвергает эту логику: LLM обучены на сотнях миллиардов данных, и её выше называют это попыткой «принести водный пистолет к Ниагарскому водопаду». По мнению CEO Abhivyakti Ahuja, языковые модели моделируют именно текст, а не то, как люди на самом деле воспринимают мир — зрение, пространственное мышление, социальный интеллект. В итоге такой подход дает инсайты о том, что люди не замечают, что совершенно бесполезно для прогнозирования их реального поведения.
Вместо этого Mirror Particle разрабатывает собственную foundation model — что Ahuja называет «world model» поведения человека. Ключевое отличие в том, что компания хочет моделировать не статичного человека, а того, кто меняется во времени. Модель отслеживает продольные данные — как меняются мотивы, какие триггеры их переключают и с какой интенсивностью. Компания ставит ставку на «revealed behavior» — на то, что люди действительно делают, а не на то, что они сообщают в опросах.
Технология Mirror Particle использует собственный микс данных: информация клиентов, текущие события, поп-культура, соцсети и прочее — всё это интегрируется в модель для конкретного демографического сегмента как система, которая эволюционирует. На начальных этапах стартап фокусируется на привычных для индустрии рынках — market research, брендинг и стратегия продукта. Например, Mirror помогла бренду косметики осознать, что правильный вопрос был не о копирайте объявлений для Gen Z, а о том, нужны ли этому поколению вообще палетки теней. Оказалось, что нет — а вот румяна было продавать выгоднее.
Ещё один важный момент: модель не просто дает предсказание, но и объясняет, почему оно такое — мотивы, ограничения, контекст. В одном из проведённых пилотов с известным брендом кормов для животных выяснилось, что компания вообще задавала неправильный вопрос (какое изображение выбрать для упаковки). Реальная проблема была в том, что бренд казался потребителям масс-маркетным и дешевым — и никакое изображение на упаковке это не исправило бы.
Ahuja учитывала нейронауку и computer science, учиться в University of Toronto под влиянием Джеффри Хинтона, а потом работала в Amazon Robotics. Там же познакомилась с со-основателями Will Song (у него опыт в personalization engines) и Thomson Yen (deep learning для понимания того, как AI-агенты видят человека). Долгосрочный план — создать универсальный слой для предсказания человеческого поведения, который работал бы не только на уровне популяций, но и на уровне отдельных индивидов.
В контексте российского рынка такой подход актуален для компаний в beauty, FMCG и e-commerce, которые хотят действительно понять динамику потребительского поведения, а не просто полагаться на общие демографические данные. Российские бренды часто работают с быстро меняющейся аудиторией — молодежь, городское население — и способность отслеживать, как меняются мотивы и предпочтения, может быть критичной. Пока такие решения в России не локализованы, но принцип моделирования поведения (в отличие от простого анализа) начинает быть стандартом для серьёзных игроков.