Introdução: por que as simulações urbanas precisam do comportamento humano

Imagine poder "simular" o futuro de uma cidade: como o tráfego mudaria se uma rua central fosse fechada, ou como as pessoas se comportariam durante uma evacuação de um bairro. É exatamente para isso que servem as simulações urbanas — elas ajudam a tomar decisões em políticas de transporte, avaliar riscos e estudar processos sociais sem afetar a vida real. Mas, por muito tempo, esses modelos eram ou simples demais para capturar toda a complexidade do comportamento humano, ou dependiam de cenários rígidos que rapidamente se tornavam obsoletos.

Com o desenvolvimento dos grandes modelos de linguagem (LLMs), surgiu a possibilidade de criar agentes que planejam seu dia: vão ao trabalho, às compras, a reuniões — e fazem isso em escala de uma cidade inteira. Essas simulações parecem plausíveis, mas têm uma falha oculta. A abordagem padrão usa few-shot prompting: o modelo recebe alguns exemplos e é instruído a agir de forma semelhante. Como resultado, os agentes reproduzem não os hábitos reais dos moradores, mas uma representação "média" do comportamento que está embutida no próprio modelo de linguagem. É como perguntar a alguém que nunca esteve na sua cidade como vivem os locais — a pessoa responderá com frases genéricas, no melhor dos casos tiradas de um livro de sociologia.

Como o CityReal funciona

Para superar essa lacuna entre o comportamento "padronizado" e o "real", um grupo de pesquisadores — Nicolas Bougie, Xiaotong Ye e Narimasa Watanabe — propôs o framework CityReal. Sua ideia central é que os agentes simulados não ajam por padrão, mas tomem decisões como pessoas reais, guiados por intenções.

Em vez de ações passo a passo que simplesmente se "empilham" umas sobre as outras, o agente do CityReal constrói um plano coeso de suas atividades e deslocamentos. Ele não realiza uma ação isolada de "ir ao café" no vácuo: essa ida está integrada ao seu cronograma mais amplo do dia, da semana e até de metas mensais. Essa abordagem é muito mais próxima do comportamento humano real, em que a pessoa planeja seus afazeres e busca compromissos entre tempo, rotas e prioridades.

Arquitetura modular e intenções

Cada agente no CityReal é composto por vários módulos responsáveis por diferentes aspectos do comportamento: logística de rotas, escolha de atividades, gestão de tempo e interação com outros agentes. Todos esses módulos estão subordinados a um bloco central de intenções, que coordena as decisões. Graças a isso, o agente não age como um conjunto de funções desconexas, mas como uma personalidade íntegra, com seus próprios hábitos e preferências.

Com o tempo, os agentes aprendem. Eles se adaptam a restrições — como horários de funcionamento de lojas ou horários de transporte público — e gradualmente formam rotas e rotinas estáveis. Isso torna seu comportamento não apenas plausível, mas verdadeiramente emergente: a partir de regras simples e aprendizado, surgem padrões complexos que não foram programados diretamente pelos desenvolvedores.

Adaptadores de texto e estatísticas populacionais

Mas o mais interessante é o mecanismo que conecta o comportamento dos agentes às estatísticas reais da população. Para isso, o CityReal utiliza adaptadores de texto. São componentes treináveis especiais que "ajustam" os módulos comportamentais aos dados observados. Por exemplo, se as estatísticas mostram que os moradores da cidade geralmente levam cerca de 40 minutos no trajeto para o trabalho, os adaptadores ajustarão a escolha de rotas e horários de saída para que isso corresponda à distribuição real.

Assim, os agentes não apenas imitam o comportamento de uma "pessoa média", mas reproduzem os padrões estatísticos de uma população específica: alguns vão de bicicleta, outros preferem transporte público, alguns têm horários de trabalho não convencionais. É graças aos adaptadores que a simulação se torna consistente com os dados em nível de cidade inteira, e não apenas de indivíduos isolados.

Experimentos e resultados

Os pesquisadores realizaram experimentos com o CityReal, escalando a simulação para dezenas de milhares de agentes. Isso é suficiente para analisar não apenas trajetórias individuais, mas também fenômenos urbanos: densidade de multidões, popularidade de locais, fluxos de mobilidade e até o nível de bem-estar dos agentes em diferentes cenários. Por exemplo, é possível modelar o horário de pico matinal ou um evento de massa e observar como a carga sobre a infraestrutura muda.

Os resultados mostraram que o CityReal melhora significativamente a consistência com o comportamento humano real em comparação com agentes LLM clássicos. No nível micro, é a precisão das decisões individuais: para onde ir, por qual rota, em que horário. No nível macro, é a correspondência dos padrões gerais: em quais horários o centro da cidade se enche, para onde vão os principais fluxos, quais áreas se tornam "gargalos".

Além disso, a melhoria é perceptível não apenas visualmente, mas também nas métricas quantitativas utilizadas pelos autores. Isso significa que a simulação pode ser aplicada para previsões — por exemplo, para avaliar as consequências de mudanças no sistema de transporte ou planejar eventos. Quanto mais preciso o modelo reflete o comportamento real, mais confiáveis são as conclusões baseadas nele.

O que isso proporciona na prática

Os criadores do framework destacam que o CityReal não é apenas mais uma simulação, mas uma bancada de testes escalável para planejamento urbano e previsão. Ele pode ser útil para urbanistas, planejadores de transporte, especialistas em segurança viária e pesquisadores em ciências sociais.

Imagine: você quer entender como a construção de uma nova ponte afetará o tempo de deslocamento dos moradores. Em vez de depender de estimativas aproximadas, você executa uma simulação com dezenas de milhares de agentes que se comportam como pessoas reais — com seus hábitos, preferências e reações a mudanças. Ou você precisa planejar uma evacuação em emergência: o CityReal permite modelar fluxos de pessoas, pontos de estrangulamento e o tempo necessário para a retirada segura da população.

É importante destacar que, para trabalhar com o CityReal, não é necessário definir manualmente regras para cada agente. Basta configurar a arquitetura e carregar as estatísticas da população real — a partir daí, os agentes aprendem sozinhos a se comportar de maneira adequada. Isso simplifica consideravelmente a adaptação do modelo a uma nova cidade ou cenário.

Vale acrescentar que o trabalho foi apresentado no arXiv em 8 de julho de 2026 e pertence a várias categorias: physics.soc-ph, cs.AI e cs.MA. Essa combinação destaca o caráter interdisciplinar da pesquisa — na interseção da física dos sistemas sociais, inteligência artificial e modelagem multiagente.

O CityReal é um passo em direção a simulações que realmente refletem a vida da cidade, e não representações estereotipadas dela. Talvez, em breve, esses modelos se tornem uma ferramenta padrão para aqueles que tomam decisões sobre o futuro de nossas cidades.