Il contesto delle startup di previsione comportamentale
Negli ultimi dodici mesi, diverse startup hanno attirato capitali enormi promettendo di anticipare le scelte dei consumatori. Simile ha raccolto 200 milioni di dollari con una valutazione di 2 miliardi; Aaru ha ottenuto 88 milioni di dollari a una valutazione di 1 miliardo; e Humans&, che ha annunciato un seed round da 480 milioni di dollari a gennaio, è valutata 4,48 miliardi. Quest’ultima ha lanciato Persimmon, un modello di comportamento umano.
Il modello dominante per la previsione del comportamento si basa su grandi modelli linguistici (LLM) che vengono “promptati” o finemente ottimizzati per impersonare un target demografico. Secondo Mirror Particle, questo approccio è fondamentalmente difettoso.
Perché gli LLM non bastano
“È come portare una pistola ad acqua alle cascate del Niagara”, afferma Abhivyakti Ahuja, co‑fondatrice e CEO di Mirror Particle. Gli LLM sono addestrati su centinaia di miliardi di punti dati testuali, ma influenzarne il comportamento con una quantità di dati molto più limitata risulta poco efficace. Inoltre, gli LLM “modellano il linguaggio scritto, ma gli esseri umani sono fatti di percezione visiva, ragionamento spaziale e intelligenza sociale”.
Affidarsi a questi modelli porta a insight basati su ciò che gli esseri umani non notano, un fattore poco utile per prevedere le loro azioni reali.
Il modello di Mirror Particle
Mirror Particle adotta un approccio diverso: costruisce un “modello del mondo” da zero, una fondazione che simula perché le persone fanno ciò che fanno e come le loro motivazioni evolvono nel tempo. “Non vogliamo catturare la persona statica, ma la persona in evoluzione”, spiega Ahuja. “Questo significa raccogliere dati longitudinali su come le persone cambiano, quali trigger le modificano e in che misura. Se non cambiano, è comunque un segnale.”
Finanziamenti e valutazioni del settore
- Simile: 200 milioni di dollari, valutazione 2 miliardi
- Aaru: 88 milioni di dollari, valutazione 1 miliardo
- Humans&: 480 milioni di dollari (seed), valutazione 4,48 miliardi
Mirror Particle ha già chiuso un round angel e si avvicina alla chiusura del primo round di venture capital. La startup parteciperà la prossima settimana a Startup Battlefield 200, la competizione di TechCrunch Disrupt 2026, che si svolgerà a San Francisco dal 13 al 15 ottobre.
Il modello di dati proprietario
La tecnologia si basa su una combinazione proprietaria di dati che include:
- dati dei clienti forniti dagli stessi brand
- eventi attuali e tendenze pop‑culture
- contenuti dei social media
- altri segnali esterni rilevanti
Questi dati sono trattati come un sistema dinamico che evolve nel tempo, monitorando come le motivazioni di un segmento demografico cambiano in risposta a nuove esperienze. L’accento è posto sul “comportamento rivelato”, ovvero quello realmente osservato, piuttosto che sulle risposte auto‑riportate nei sondaggi.
Strategia di go‑to‑market
Come i concorrenti, Mirror Particle si concentra inizialmente su aree dove i budget per insight sono già consolidati: ricerca di mercato, strategia di brand e sviluppo di prodotto. Un esempio pratico è l’aiuto a un marchio di cosmetici non solo nella scrittura di copy pubblicitari per il Gen Z, ma anche nella valutazione della reale domanda di quel prodotto.
“E se il target non vuole le palette di ombretto?” chiede Ahuja. “Forse il blush è un’opzione migliore per vendere a quel mercato.”
Il motore di previsione fornisce anche il “perché” dietro a comportamenti attuali o futuri, includendo motivazioni, vincoli e contesto aggiuntivo, permettendo ai brand di prendere decisioni più intelligenti.
Esempio di pilot con un marchio di cibo per animali
In un primo pilota, un noto marchio di alimenti per animali ha chiesto quale immagine utilizzare sul packaging per aumentare le vendite: pollo, manzo o verdure? La tecnologia di Mirror Particle ha scoperto che la domanda era sbagliata. L’immagine non era il fattore decisivo; il vero problema era la percezione di marca come “mass market” e “economica”, che limitava la crescita.
Il modello ha suggerito di rivedere il posizionamento di mercato prima di modificare il design del packaging.
Visione a lungo termine
Ahuja paragona l’evoluzione del modello a quella di un bambino: “Il bambino passa dalla visione al linguaggio, poi alla consapevolezza corporea e infine all’intelligenza sociale.” L’obiettivo a lungo termine è diventare lo “strato generale per anticipare il comportamento umano”, passando da analisi a livello di popolazione a insight a livello individuale.
“Abbiamo solo bisogno di un modello migliore dell’uomo se vogliamo lavorare accanto all’IA e tra di noi”, conclude Ahuja.
Fondatori e background
Abhivyakti Ahuja proviene dall’India, ha studiato neuroscienze e informatica all’Università di Toronto, dove è stata ispirata dai contributi di Geoffrey Hinton alle reti neurali. Dopo gli studi, ha lavorato in Amazon Robotics, dove ha costruito robot che assemblano altri robot. Lì ha incontrato i co‑fondatori Will Song e Thomson Yen.
Will Song ha trascorso gran parte della sua carriera a sviluppare motori di personalizzazione delle vendite, mentre Thomson Yen si è specializzato nell’utilizzo del deep learning per comprendere come gli agenti IA percepiscono il comportamento umano.
Prospettive future
Con la partecipazione a Startup Battlefield 200, Mirror Particle mira a consolidare la sua presenza nel mercato delle previsioni comportamentali e a attirare ulteriori investimenti. La combinazione di dati longitudinali, focus sul comportamento rivelato e capacità di spiegare il “perché” delle scelte la differenzia nettamente dagli approcci basati esclusivamente su LLM.
Se