Introducción: por qué las simulaciones urbanas necesitan comportamiento humano

Imagina que pudieras «reproducir» el futuro de una ciudad: cómo cambiaría el tráfico si se cerrara una calle central, o cómo se comportaría la gente durante la evacuación de un distrito. Para eso sirven las simulaciones urbanas: ayudan a tomar decisiones en política de transporte, evaluar riesgos y estudiar procesos sociales sin afectar la vida real. Pero durante mucho tiempo, estos modelos fueron demasiado simples para capturar toda la complejidad del comportamiento humano, o se basaban en escenarios rígidos que quedaban obsoletos rápidamente.

Con el desarrollo de los grandes modelos de lenguaje (LLM), surgió la posibilidad de crear agentes que planifican su día: van al trabajo, a las tiendas, a reuniones — y lo hacen a escala de toda una ciudad. Estas simulaciones parecen realistas, pero tienen un defecto oculto. El enfoque estándar se basa en few-shot prompting: se muestran al modelo varios ejemplos y se le pide que actúe de manera similar. Como resultado, los agentes reproducen no los hábitos reales de los residentes, sino una representación «promedio» del comportamiento que está incrustada en el propio modelo de lenguaje. Es como preguntarle a alguien que nunca ha estado en tu ciudad cómo viven los locales: responderá con frases genéricas, en el mejor de los casos sacadas de un manual de sociología.

Cómo funciona CityReal

Para superar esta brecha entre el comportamiento «estereotipado» y el «real», un grupo de investigadores — Nicolas Bougie, Xiaotong Ye y Narimasa Watanabe — propuso el marco CityReal. Su idea clave es que los agentes simulados no actúen según un patrón, sino que tomen decisiones como personas reales, guiándose por intenciones.

En lugar de acciones paso a paso que simplemente se «encadenan» unas con otras, el agente de CityReal construye un plan coherente de su actividad y desplazamiento. No realiza una acción aislada como «ir a una cafetería» en el vacío: esa visita está integrada en su agenda más amplia del día, de la semana e incluso de sus objetivos mensuales. Este enfoque se acerca mucho más al comportamiento real de una persona que planifica sus asuntos y busca compromisos entre tiempo, rutas y prioridades.

Arquitectura modular e intenciones

Cada agente en CityReal está compuesto por varios módulos que gestionan diferentes aspectos del comportamiento: logística de rutas, selección de actividades, gestión del tiempo e interacción con otros agentes. Todos estos módulos están subordinados a un bloque central de intenciones que coordina las decisiones. Gracias a esto, el agente no actúa como un conjunto de funciones inconexas, sino como una personalidad integral con sus propios hábitos y preferencias.

Con el tiempo, los agentes aprenden. Se adaptan a las restricciones — por ejemplo, a los horarios de apertura de las tiendas o al calendario del transporte público — y gradualmente forman rutas y rutinas estables. Esto hace que su comportamiento no solo sea plausible, sino verdaderamente emergente: a partir de reglas simples y del aprendizaje surgen patrones complejos que los desarrolladores no programaron directamente.

Adaptadores de texto y estadísticas poblacionales

Pero lo más interesante es el mecanismo que conecta el comportamiento de los agentes con las estadísticas reales de la población. Para ello, CityReal utiliza adaptadores de texto. Son componentes entrenables especiales que «ajustan» los módulos de comportamiento a los datos observados. Por ejemplo, si según las estadísticas los residentes de la ciudad suelen tardar unos 40 minutos en llegar al trabajo, los adaptadores ajustarán la elección de rutas y horarios de salida para que coincida con la distribución real.

De este modo, los agentes no solo imitan el comportamiento de una «persona promedio», sino que reproducen los patrones estadísticos de una población concreta: algunos van en bicicleta, otros prefieren el transporte público, algunos tienen horarios laborales atípicos. Gracias a los adaptadores, la simulación se vuelve coherente con los datos a nivel de toda la ciudad, no solo de individuos aislados.

Experimentos y resultados

Los investigadores realizaron experimentos con CityReal, escalando la simulación hasta decenas de miles de agentes. Esto es suficiente para analizar no solo trayectorias individuales, sino también fenómenos urbanos: densidad de multitudes, popularidad de lugares, flujos de movilidad e incluso el nivel de bienestar de los agentes en diferentes escenarios. Por ejemplo, se puede modelar la hora punta matutina o un evento masivo y observar cómo cambia la carga sobre la infraestructura.

Los resultados mostraron que CityReal mejora significativamente la coherencia con el comportamiento humano real en comparación con los agentes LLM clásicos. A nivel micro, se trata de la precisión de decisiones individuales: a dónde ir, por qué ruta, a qué hora. A nivel macro, la coincidencia de patrones generales: en qué horas se llena el centro de la ciudad, hacia dónde se dirigen los principales flujos, qué distritos se convierten en «cuellos de botella».

Además, la mejora es notable no solo visualmente, sino también en las métricas cuantitativas utilizadas por los autores. Esto significa que la simulación puede aplicarse para la predicción — por ejemplo, para evaluar las consecuencias de cambios en el esquema de transporte o para planificar eventos. Cuanto más preciso refleja el modelo el comportamiento real, más fiables son las conclusiones que se basan en él.

Qué aporta en la práctica

Los creadores del marco destacan que CityReal no es solo otra simulación, sino un banco de pruebas escalable para la planificación urbana y la predicción. Puede ser útil para urbanistas, planificadores de transporte, especialistas en seguridad vial e investigadores en ciencias sociales.

Imagina que quieres entender cómo afectará la construcción de un nuevo puente al tiempo de viaje de los residentes. En lugar de depender de estimaciones aproximadas, ejecutas una simulación con decenas de miles de agentes que se comportan como personas reales — con sus hábitos, preferencias y reacción a los cambios. O necesitas planificar una evacuación en caso de emergencia: CityReal permite modelar flujos de personas, cuellos de botella y el tiempo necesario para evacuar a la población de forma segura.

Es importante que para trabajar con CityReal no sea necesario escribir manualmente reglas para cada agente. Basta con definir la arquitectura y cargar las estadísticas de la población real — luego los agentes aprenden por sí mismos a comportarse de manera adecuada. Esto simplifica enormemente la adaptación del modelo a una nueva ciudad o escenario.

Cabe añadir que el trabajo fue presentado en arXiv el 8 de julio de 2026 y pertenece a varias categorías a la vez: physics.soc-ph, cs.AI y cs.MA. Esta combinación subraya el carácter interdisciplinario de la investigación — en la intersección de la física de los sistemas sociales, la inteligencia artificial y el modelado multiagente.

CityReal es un paso hacia simulaciones que realmente reflejan la vida de la ciudad, no las ideas estereotipadas sobre ella. Quizás pronto estos modelos se conviertan en una herramienta estándar para quienes toman decisiones sobre el futuro de nuestras ciudades.