Сан-францисский стартап Mirror Particle готовится представить на TechCrunch Disrupt 2026 модель поведения людей, которая должна прогнозировать не просто ответы аудитории на вопросы, а причины её реальных действий. Для российских продуктовых команд, маркетологов и разработчиков это ещё один сигнал: рынок переходит от генерации «портретов ЦА» к попыткам построить вычислительные модели выбора, привычек и смены предпочтений.
Компании два года, она уже привлекла ангельские инвестиции и, по её словам, близка к закрытию первого венчурного раунда, сообщает TechCrunch. Mirror Particle выступит в Startup Battlefield 200 на конференции TechCrunch Disrupt в Сан-Франциско 13–15 октября. Стартап продаёт брендам ИИ-движок для оценки потребительского поведения и объяснения факторов, которые на него влияют.
Основательница и CEO Abhivyakti Ahuja считает популярный подход с LLM недостаточным. Обычно языковую модель просят сыграть роль представителя конкретной демографической группы либо дообучают на небольшом массиве данных о ней. Проблема, по мнению Ahuja, в масштабе: поверх модели, обученной на сотнях миллиардов фрагментов текста, сложно надёжно наложить узкий срез рынка. Получается убедительный диалоговый собеседник, но не обязательно хороший прогнозировщик.
Критика здесь вполне прикладная. Большая языковая модель хорошо продолжает текст и воспроизводит распространённые паттерны в данных, но покупатель не существует в виде анкеты или набора реплик. На решение влияют визуальное восприятие, окружение, цена, социальные сигналы, опыт использования продукта и события последних недель. Если инструмент для исследования рынка уверенно формулирует объяснение, это ещё не делает объяснение причинным — особенно когда речь идёт о запуске продукта с бюджетом в миллионы рублей.
Mirror Particle называет свой подход «мировой моделью», созданной с нуля. Система должна описывать не статичный сегмент, например «зумеры, интересующиеся косметикой», а изменение его мотиваций во времени. Для этого компания объединяет данные клиентов, текущие события, поп-культуру, социальные медиа и другие собственные источники. Особый вес отводится revealed behavior — наблюдаемым действиям пользователей, а не только ответам респондентов в опросах.
Практический сценарий выглядит менее эффектно, чем обещание «понять человека», зато полезнее для бизнеса. Производитель косметики может спросить не только, какой текст в рекламе понравится аудитории Gen Z, но и нужен ли ей сам товар. Если сегмент не хочет покупать палетки теней, оптимизация креатива не спасёт запуск: возможно, спрос и бюджет стоит проверять в другой категории, например румян. Именно в этом месте модель поведения людей претендует занять нишу между классическими исследованиями, веб-аналитикой и генеративными ассистентами для маркетинга.
В одном из ранних пилотов известный бренд кормов для животных хотел выяснить, какое изображение на упаковке увеличит продажи: курицу, говядину или овощи. Модель Mirror Particle выдала неприятный для заказчика вывод: изображение не было главной проблемой. Бренд воспринимали как слишком массовый и дешёвый, поэтому смена картинки могла дать лишь косметический эффект. Для продакта это знакомая ситуация: команда спорит о кнопке или баннере, хотя ограничение находится в позиционировании, цене или доверии к продукту.
У стартапа есть и серьёзные конкуренты, что делает историю не просто демонстрацией на конференции. За последний год Simile привлекла $200 млн при оценке $2 млрд, Aaru — $88 млн при оценке $1 млрд. Стартап Humans&, объявивший в январе посевной раунд на $480 млн при оценке $4,48 млрд, запустил Persimmon для моделирования человеческого поведения. Деньги идут туда, где уже существуют бюджеты: в исследования рынка, бренд-стратегию и продуктовые решения.
Для IT-команд важнее всего вопрос проверки качества. Прогнозы о людях легко звучат правдоподобно, а ошибки часто обнаруживаются только после кампании или релиза. Поэтому покупателям подобных платформ придётся спрашивать не о красоте сегментаций, а о методике: на каких наблюдаемых данных построен вывод, как отделены корреляции от причин, как измеряется точность на новых периодах и кто отвечает за работу с персональными данными. Переход от групповых моделей к индивидуальным инсайтам, о котором говорит Mirror Particle, только повышает цену этих вопросов.
Ambition Mirror Particle — стать базовым слоем для предсказания человеческих действий в продуктах и бизнесе. Пока это обещание, а не доказанный отраслевой стандарт, но спрос на такие системы очевиден: брендам надоело узнавать о неверной гипотезе после дорогой рекламной кампании. Главный экзамен для модели поведения людей будет простым: сможет ли она стабильно находить решения, которые не предложили бы обычные опросы, аналитики и LLM с хорошим промптом. Подробнее о позиции основательницы можно прочитать в материале .