تصور کنید پیش از تغییر قیمت یک محصول یا تغییر سیاست‌های شرکتی، بتوانید واکنش دقیق هزاران مشتری را در یک محیط مجازی آزمایش کنید و شکست‌های هزینه‌بر را حذف کنید. اگر مدیر محصول یا استراتژیست کسب‌وکاری هستید، این یعنی پایان عصر حدس و گمان در تحقیقات بازار.
شرکت Simile با جذب ۲۰۰ میلیون دلار سرمایه‌گذاری در مرحله سری B، اکنون به ارزش‌گذاری ۲ میلیارد دلاری رسیده است. نکته‌ی عجیب این است که این شرکت برخلاف اکثر استارتاپ‌های فعلی، حتی یک خط کد یا یک متن تبلیغاتی هم تولید نمی‌کند. طبق گزارش unite.ai، این استارتاپ مستقر در پالو-آلتو، از زمان خروج از حالت مخفیانه، درآمد خود را ۵ برابر کرده و تعداد کارکنانش به ۵۰ نفر رسیده است.
دنیای امروز با انفجار هوش مصنوعی زاینده (Generative AI) — که شبیه نویسنده‌ای است که هر چه بخواهید می‌نویسد اما لزوماً حقیقت را نمی‌داند — شناخته می‌شود. اما Simile روی فرآیند شناختی پیش از تولید متن تمرکز کرده است. در حالی که اکثر شرکت‌ها میلیون‌ها دلار صرف گروه‌های متمرکز و نظرسنجی‌ها می‌کنند تا حدس بزنند مشتریان به یک تغییر چه واکنشی نشان می‌دهند، Simile این عکس‌های ایستا با جمعیت‌های شبیه‌سازی‌شده‌ی پویا جایگزین می‌کند که الگوهای تصمیم‌گیری دنیای واقعی را تقلید می‌کنند. این رویکرد به تحلیل رفتاری در محیط‌های شبیه‌سازی‌شده شباهت دارد؛ درست مانند آنچه Synthesia در زمینه سنجش عملکرد کارکنان از طریق تحلیل داده‌های رفتاری به کار گرفته است.
این جذب سرمایه که توسط Greenoaks رهبری شد و Index Ventures در آن حمایت کرد، تنها ۵ ماه پس از مرحله سری A (۱۰۰ میلیون دلاری) رخ داد. در این دور سرمایه‌گذاری، شرکت‌هایی چون Hanabi، Bain Capital Ventures، A*، Factory و CVS Health Ventures نیز مشارکت داشتند و شرکت Definition به عنوان سرمایه‌گذار جدید به جمع آن‌ها پیوست. بر اساس مستندات منتشرشده، مجموع سرمایه جذب‌شده توسط این شرکت اکنون از ۳۰۰ میلیون دلار فراتر رفته است.
از پژوهش‌های استنفورد تا مقیاس تجاری
این فناوری ریشه در تحقیقات دانشگاه استنفورد دارد که توسط Joon Sung Park (مدیرعامل فعلی)، Michael Bernstein و Percy Liang هدایت شد. در سال ۲۰۲۳، پارک مقاله‌ای با عنوان «عامل‌های زاینده: شبیه‌سازهای تعاملی رفتار انسانی» نوشت و در آن یک شهر مجازی با ۲۵ عامل (Agent) هوش مصنوعی را خلق کرد.
این عامل‌ها صرفاً چت‌بات نبودند؛ آن‌ها از جریان‌های حافظه (Memory Streams) به همراه مکانیسم‌های بازیابی (Retrieval)، بازتاب (Reflection) و برنامه‌ریزی (Planning) استفاده می‌کردند. این ساختار پیچیده به آن‌ها اجازه می‌داد تا بستر گفتگو را حفظ کنند، اقدامات بعدی خود را تعیین کنند، روتین‌های روزمره بسازند و بدون اینکه هر تعامل به طور صریح برنامه‌ریزی شده باشد، روابط شکل دهند.
اکنون Simile این دستاورد آکادمیک را به یک پلتفرم تجاری تبدیل کرده است که از یک مدل بنیادی (Foundation Model) — مثل یک نقشه جامع از قواعد جهان که می‌توان از آن برای ساخت کارهای خاص استفاده کرد — برای مدل‌سازی رفتار (به جای زبان) استفاده می‌کند. به‌جای بهینه‌سازی برای روانی کلام یا پاسخ‌های منطقی، این مدل آموزش دیده تا تفاوت‌های ترجیحات، ارزش‌ها، تجربیات و الگوهای تصمیم‌گیری انسان‌ها را بازنمایی کند. این قابلیت به سازمان‌ها اجازه می‌دهد سناریوهای قابل مقایسه ایجاد کنند و بررسی کنند که وقتی متغیرهایی مانند قیمت‌گذاری، پیام‌های تبلیغاتی، ویژگی‌های محصول یا شرایط سیاستی در طول زمان تغییر می‌کنند، یک جمعیت شبیه‌سازی‌شده چگونه واکنش نشان می‌دهد. این تمرکز بر بازنمایی دقیق ویژگی‌های انسانی، یادآور تلاش‌های شرکت‌هایی مانند Fish Audio برای کنترل دقیق احساسات در مدل‌های صوتی مصنوعی است تا تجربه کاربر به واقعیت نزدیک‌تر شود.
دقت داده‌محور و اعتبارسنجی
به نقل از Simile، این مدل‌ها برای جلوگیری از توهم (Hallucination) — وقتی مدل با اطمینان چیزی می‌گوید که اصلاً وجود ندارد، شبیه دوستی که خاطره‌ای را اشتباه تعریف می‌کند — بر داده‌های رفتاری عظیم متکی هستند. تمرکز شرکت بر مدل‌سازی چگونگی تغییر رفتار در شرایط متعدد است، نه اینکه صرفاً از پاسخ‌دهندگان مصنوعی بخواهد نظرشان را بگویند.
- تنظیم دقیق رفتاری: سیستم با استفاده از ۲.۹ میلیون پاسخ از ۲۱۰ آزمایش علوم اجتماعی، تنظیم دقیق (Fine-tuning) — مثل وقتی به یک پزشک عمومی، تخصص پوست می‌دهیم تا روی یک حوزه دقیق شود — شده است. این آموزش باعث شد تراز و هم‌سویی مدل در مطالعاتی که پیش‌تر ندیده بود، ۲۶٪ نسبت به مدل پایه افزایش یابد.
- محک‌های ثبات: در مطالعه‌ای با ۱۰۵۲ شرکت‌کننده، پژوهشگران از طریق مصاحبه‌های کیفی، عامل‌هایی را خلق کردند. این عامل‌ها توانستند ۸۵٪ از دقتی را که شرکت‌کنندگان واقعی در پاسخ به سوالات مشابه با فاصله دو هفته بازتاب دادند، به دست آورند؛ این یعنی عامل‌ها سطح ثبات افراد واقعی را که نمایندگی می‌کردند، شبیه‌سازی کردند.
- به‌روزرسانی پویا: برای همگامی با واقعیت، شرکت اعلام کرده است که مدل‌هایش به‌صورت هفتگی برای تطبیق با تغییرات شرایط اقتصادی، رفتار مصرف‌کننده، قیمت‌ها و سیاست‌ها کالیبره می‌شوند.
یکی از حیاتی‌ترین ویژگی‌های فنی، مدل «اطمینان» (Confidence Model) است که برای تخمین قابلیت اطمینان هر شبیه‌سازی طراحی شده است. از آنجا که رفتار انسان ذاتا ناپایدار است و اغلب به زمان‌بندی یا بستری بستگی دارد که در داده‌ها موجود نیست، یک پیش‌بینی تک و مطمئن می‌تواند گمراه‌کننده باشد.
برای حل این مشکل، Simile از فاصله تغییر کلی (Total Variation Distance) استفاده می‌کند تا توزیع پاسخ‌های شبیه‌سازی‌شده را با پاسخ‌های جمع‌آوری‌شده از افراد واقعی مقایسه کند. این معیار آماری به هر نتیجه یک امتیاز اطمینان بر اساس میزان و مرتبط بودن شواهد انسانی پشتیبان اختصاص می‌دهد. در مواردی که شواهد برای یک جمعیت یا سناریوی خاص محدود باشد، این امتیاز باعث می‌شود عدم قطعیت برای کاربر قابل مشاهده باشد.
استقرار در دنیای واقعی: مورد CVS
شرکت CVS Health نه‌تنها سرمایه‌گذار، بلکه کاربر اصلی این پلتفرم است. این غول بهداشتی از جمعیت‌های شبیه‌سازی‌شده برای اعتبارسنجی تحقیقات فعلی مشتریان، بررسی عوامل اثرگذار بر رضایت بیماران و آزمایش استراتژی‌های مربوط به پایبندی به مصرف دارو استفاده می‌کند.
ابتکار CVS از ۲.۹ میلیون پاسخ رضایت‌مند از بیش از ۴۰۰ هزار شرکت‌کننده در بیش از ۲۰۰ سناریوی رفتاری بهره می‌برد. این ابزار به آن‌ها اجازه می‌دهد جمعیت‌هایی را مدل کنند که دسترسی به آن‌ها در نظرسنجی‌های سنتی بسیار دشوار یا گران است، مانند بیماران مبتلا به بیماری‌های مزمن.
با استفاده از شبیه‌سازی‌ها برای پیش‌غربالگری ایده‌ها، CVS می‌تواند شناسایی کند که کدام فرضیات ارزش تست بیشتر از طریق پایلوت‌های دنیای واقعی را دارند. این کار باعث اولویت‌بندی تحقیقات و اصلاح مداخلات پیش از مواجهه با بیماران واقعی می‌شود. این فناوری تعداد ایده‌هایی را که نیاز به تست مستقیم دارند کاهش می‌دهد، اما نیاز به شواهد دنیای واقعی را کاملاً حذف نمی‌کند.
علاوه بر بهداشت، Simile با Gallup در زمینه پژوهش‌های سیاستی، مطالعات محیط کار و تحلیل روندهای اجتماعی همکاری می‌کند. شرکت‌های Deloitte، Wealthfront، Banco Itaú و Suntory نیز از پذیرندگان اولیه این ابزار هستند. این سازمان‌ها ابزار را برای طیف گسترده‌ای از نیازهای شرکتی به کار می‌گیرند:
- استراتژی بازار: تحلیل جایگاه رقابتی و تحلیل ورود به بازار.
- تجربه مشتری: تست محصول و تحقیقات CX.
- مالی شرکتی: آماده‌سازی برای کنفرانس‌های گزارش سود (Earnings-calls).
چرخش به سمت شبیه‌سازی پیچیده بازار
هدف فعلی Simile شبیه به تحقیقات بازار با سرعت بالا است. با این حال، شرکت به سمت «شبیه‌سازی‌های چندعاملی» (Multi-agent simulations) حرکت می‌کند که به‌جای افراد ایزوله، کل اکوسیستم‌ها را مدل‌سازی می‌کنند.
تصور کنید شبیه‌سازی‌ای که در آن عرضه یک محصول فقط علاقه مصرف‌کننده را تحریک نمی‌کند، بلکه باعث افت قیمت توسط رقیب، تغییر در ادراک عمومی و تغییر تقاضا برای محصولات مرتبط می‌شود. این شبیه‌سازی‌ها بررسی می‌کنند که چگونه افراد بر یکدیگر تأثیر می‌گذارند و تصمیمات چگونه اثرات آبشاری ایجاد می‌کنند، مانند واکنش‌ها به شوک‌های مالی یا تغییرات سیاستی.
این گذار ریسک فنی بزرگی دارد؛ در سامانه‌های پیچیده، خطاهای کوچک در رفتار هر عامل می‌تواند در مقیاس هزاران یا میلیون‌ها تعامل، اثرات مرکب ایجاد کند. این مسئله به‌خصوص در شبیه‌سازی‌هایی که رویدادهای اولیه مسیر کل نتیجه را تغییر می‌دهند، خطرناک است. موفقیت Simile در حفظ یک لایه اعتبارسنجی معتبر در حالی که این شبیه‌سازی‌ها به سمت سیستم‌های پویا می‌روند، تعیین می‌کند که آیا این ابزار یک دارایی استراتژیک باقی می‌ماند یا خیر.
تحلیل: هوش مصنوعی به عنوان زیرساخت تصمیم‌گیری
این حرکت، هوش مصنوعی را از یک «دستیار خلاق» به یک لایه از زیرساخت تصمیم‌گیری تبدیل می‌کند. برای یک رهبر کسب‌وکار، این بدان معناست که هزینه بررسی یک ایده بد به شدت کاهش می‌یابد. شما دیگر مجبور نیستید برای یافتن نقص در قیمت‌گذاری خود، ریسک یک عرضه عمومی شکست‌خورده را بپذیرید؛ بلکه ابتدا آن را در شبیه‌سازی می‌یابید.
با این حال، این وضعیت وابستگی خطرناکی به کیفیت داده‌های رفتاری زیربنایی ایجاد می‌کند. یک جمعیت شبیه‌سازی‌شده تنها به اندازه رفتارها و شرایط بازنمایی‌شده در داده‌هایش مفید است. پیش‌بینی‌ها ممکن است هنگام استقرار در فرهنگ‌های ناشناخته، موقعیت‌های حساس با پیشینه محدود، یا بازارهای به سرعت در حال تغییر، کمتر قابل اعتماد شوند.
به همین دلیل، قوی‌ترین نقش کوتاه‌مدت برای پلتفرم‌هایی مانند Simile، مکمل بودن تحقیقات انسانی است، نه جایگزینی آن. شبیه‌سازی‌ها می‌توانند به سازمان‌ها کمک کنند تا تصمیم بگیرند کدام سوالات را بررسی کنند، اما مشتریان و جوامع واقعی برای تأیید اینکه نتایج خارج از مدل نیز برقرار هستند، ضروری باقی می‌مانند.
باید زیر نظر گرفت که Simile چگونه انتقال از پاسخ‌های ایزوله مصرف‌کننده به تعاملات پویای بازار را مدیریت می‌کند. اگر آن‌ها بتوانند ثابت کنند که آبشارهای چندعاملی قابل پیش‌بینی هستند و سازمان‌ها می‌توانند محدودیت‌های نتایج را درک کنند، عملاً یک «شبیه‌ساز پرواز» برای استراتژی شرکتی ساخته‌اند.
گام بعدی شما
- اگر در حوزه تحلیل داده یا مدیریت محصول هستید، مدل‌های شبیه‌ساز رفتاری را به‌عنوان جایگزینی برای نظرسنجی‌های گران‌قیمت در نقشه راه خود قرار دهید.
- بررسی کنید که آیا داده‌های رفتاری سازمان شما برای آموزش یک مدل داخلی یا استفاده از سرویس‌هایی مثل Simile کافی است یا خیر.
- دنبال کنید که چگونه تعاملات چندعاملی در این پلتفرم‌ها تکامل می‌یابد تا بتوانید «شبیه‌ساز پرواز» استراتژی‌های خود را بسازید.
اما داستان سخت‌افزاری این تحول حتی شگفت‌انگیزتر است — به تحلیل ما درباره‌ی تراشه‌های Blackwell مراجعه کنید.
گفتگو