Modelagem baseada em agentes: como simular uma sociedade para decidir melhor
O que é modelagem baseada em agentes, de Schelling aos agentes com IA generativa, como funciona a simulação de populações e o que ela permite testar.
Por que bairros se segregam mesmo quando ninguém deseja segregação extrema? Como uma epidemia se espalha numa cidade? Por que uma novidade pega em um grupo e não em outro? Perguntas assim têm algo em comum: o resultado coletivo não é a soma simples das preferências individuais. Ele emerge da interação.
A modelagem baseada em agentes foi criada para estudar exatamente isso. Este guia explica a ideia e como ela chegou às decisões de negócio.
O que é modelagem baseada em agentes
É uma técnica de simulação em que cada indivíduo (o "agente") é representado separadamente, com suas características, preferências e regras de comportamento. Os agentes interagem entre si e com o ambiente, e o pesquisador observa os padrões que surgem.
| Abordagem | Como representa a população | Exemplo |
|---|---|---|
| Média ou modelo agregado | Um "consumidor médio" ou equações para o total | "A demanda cai 2% a cada 1% de aumento de preço" |
| Baseada em agentes | Milhares de indivíduos diferentes, que decidem e se influenciam | Cada pessoa decide com base no seu perfil e no que os vizinhos fazem |
Uma breve história
Marcos do método
- Anos 1970: Thomas Schelling, mais tarde Nobel de Economia, mostrou com um modelo simples que preferências leves por vizinhos parecidos podem gerar segregação forte no conjunto.
- Anos 1990: Joshua Epstein e Robert Axtell publicaram Growing Artificial Societies, com o modelo Sugarscape, simulando economias e sociedades inteiras a partir de agentes simples.
- Anos 2000 e 2010: o método se espalhou por epidemiologia, transporte, finanças e políticas públicas.
- Anos 2020: pesquisadores de Stanford, liderados por Joon Sung Park, apresentaram os "agentes generativos", que usam modelos de linguagem para planejar, lembrar e conversar. Trabalhos seguintes do mesmo grupo testaram agentes construídos a partir de entrevistas com pessoas reais para reproduzir respostas a pesquisas de opinião.
Por que simular a interação importa
Muitas decisões de compra não são isoladas:
- Boca a boca: uma pessoa compra porque um amigo recomendou.
- Prova social: o produto parece melhor quando outros já usam.
- Difusão: inovações passam de um grupo de pioneiros para a maioria. Veja difusão de inovações.
- Reação em cadeia: uma polêmica se espalha e muda a opinião do grupo. Veja boicote de consumidores.
Uma pesquisa que pergunta a cada pessoa isoladamente não captura esses efeitos. Uma simulação em que os agentes conversam entre si pode capturá-los, pelo menos em parte.
O que dá para testar
| Pergunta | Exemplo |
|---|---|
| Qual oferta atrai mais? | Desconto, brinde ou frete grátis |
| Quem adere a uma novidade e como ela se espalha? | Lançamento de produto, novo serviço |
| Como a população reage a uma mudança? | Reajuste, nova regra, nova política pública |
| Qual mensagem convence cada grupo? | Campanhas de marketing ou de conscientização |
| O que acontece em cenários diferentes? | Renda mais baixa, novo concorrente. Veja planejamento de cenários |
Da academia para as decisões de negócio
O que antes exigia programadores e semanas de trabalho hoje pode ser feito em ferramentas acessíveis. A lógica é a mesma: representar a população, colocar as alternativas e observar o que emerge. O artigo sobre gêmeo digital de clientes mostra a aplicação prática.
O que é modelagem baseada em agentes?
É uma técnica de simulação que representa individualmente muitos agentes, como pessoas ou empresas, com características e regras próprias, e observa os padrões coletivos que surgem da interação entre eles.
Para que serve a modelagem baseada em agentes?
Para estudar fenômenos em que o resultado coletivo depende da interação entre indivíduos, como difusão de inovações, epidemias, mercados, trânsito e opinião pública, e para testar políticas e decisões.
O que são agentes generativos?
São agentes de simulação que usam modelos de linguagem para raciocinar, lembrar, conversar e decidir em linguagem natural, em vez de seguir apenas regras fixas escritas pelo pesquisador.
Simulações com agentes são confiáveis?
São úteis para comparar alternativas e entender mecanismos, desde que as premissas sejam bem construídas. Para decisões importantes, os resultados devem ser confirmados com dados reais.