Un estudiante universitario de 20 años construyó en 10 días el sistema de simulación multi-agente que llegó al número 1 de GitHub global, recibió una inversión de 4,1 millones de dólares en menos de 24 horas y ya se usa para predecir mercados, opinión pública y hasta el final perdido de clásicos literarios
Hay proyectos que aparecen de la nada y reordenan lo que uno creía posible. MiroFish es uno de ellos. En marzo de 2026, un repositorio de GitHub escrito principalmente en Python trepó al primer puesto del ranking global de tendencias de la plataforma, superando en visibilidad a proyectos de OpenAI, Google y Microsoft. Su autor: Guo Hangjiang, un estudiante de último año de la Universidad de Posts y Telecomunicaciones de Beijing, conocido en la comunidad de desarrolladores bajo el apodo «BaiFu». El tiempo que tardó en construirlo: diez días.
Lo que hace MiroFish no tiene precedente directo en el software de código abierto disponible hasta ese momento: toma un documento del mundo real —una nota periodística, un informe financiero, un borrador de política pública, incluso una novela— y construye a partir de él un mundo digital paralelo habitado por miles de agentes de inteligencia artificial, cada uno con su propia personalidad, su memoria individual, sus relaciones sociales y su lógica de comportamiento. Esos agentes interactúan libremente entre sí, discuten, se influyen, cambian de posición, forman coaliciones. Lo que emerge de esa interacción es una predicción: una distribución de futuros posibles basada no en estadísticas sino en la dinámica social simulada.
La idea central es tan simple como revolucionaria. En lugar de aplicar un modelo estadístico a datos históricos y obtener una probabilidad, MiroFish construye una versión en miniatura del sistema social relevante y lo hace correr hacia adelante a velocidad acelerada. No predice el futuro extrapolando números. Simula cómo se comportaría la gente.
El origen: de BettaFish a MiroFish
La historia de MiroFish no empieza con MiroFish. Empieza con BettaFish, un proyecto anterior de Guo Hangjiang que también llegó al primer puesto de GitHub trending en su momento. BettaFish era una herramienta de análisis de opinión pública basada en múltiples agentes: miraba hacia atrás, analizaba cómo había evolucionado el sentimiento sobre un tema. El sistema era capaz de romper la «burbuja de información» y reconstruir el panorama real de una discusión pública.
Fue BettaFish lo que llamó la atención de Chen Tianqiao, fundador del Shanda Group, uno de los primeros gigantes de internet chino que en su pico de 2004 era la empresa de internet más valiosa del país por capitalización de mercado. Chen había pasado años estudiando lo que él llama la era del «super-individuo»: la idea de que en el tiempo de la inteligencia artificial, una sola persona puede hacer lo que antes requería una empresa entera. Vio en Guo Hangjiang exactamente eso.
Lo que impresionó a Chen no fue tanto la sofisticación técnica de BettaFish como algo más difícil de cuantificar: la capacidad del estudiante para identificar un problema genuinamente valioso y abordarlo con métodos nuevos basados en IA. Chen invitó a Guo a hacer una pasantía en Shanda, con libertad total para trabajar en lo que quisiera.
Lo que Guo quería era llevar BettaFish un paso más allá. Si BettaFish miraba al pasado, lo que faltaba era un sistema que mirara al futuro. Así nació la idea de MiroFish. Mientras el pez betta analiza lo que ya ocurrió, el pez koi o miro simula lo que ocurrirá.
Diez días después, con el método de desarrollo que llama «vibe coding» —rápido, intuitivo, asistido por herramientas de IA, sin sobrediseño—, el sistema funcionaba. Esa misma noche, Guo grabó un video de demostración, más bien tosco, y se lo envió directamente a Chen Tianqiao. En menos de 24 horas, Chen había tomado la decisión: Shanda Group invertiría 30 millones de yuanes, aproximadamente 4,1 millones de dólares, para incubar el proyecto en profundidad. Guo pasó de ser un pasante a ser CEO de la noche a la mañana.
El proyecto se publicó en GitHub el 7 de marzo de 2026. En días acumuló 18.000 estrellas y más de 1.900 forks. Para mediados de abril ya superaba las 53.000 estrellas y seguía creciendo.
MiroFish se define a sí mismo en su documentación oficial como «un motor de inteligencia de enjambre simple y universal capaz de predecir cualquier cosa». La descripción suena grandilocuente hasta que se entiende el mecanismo.
El sistema es un motor de predicción de nueva generación basado en tecnología multi-agente. A partir de información semilla extraída del mundo real —noticias de último momento, borradores de políticas, señales financieras— construye automáticamente un mundo digital paralelo de alta fidelidad. En ese espacio, miles de agentes inteligentes con personalidades independientes, memoria a largo plazo y lógica de comportamiento interactúan libremente y experimentan una evolución social. El usuario puede inyectar variables dinámicamente desde una «vista de dios» para deducir con precisión trayectorias futuras: ensayar el futuro en una caja de arena digital, y tomar decisiones después de incontables simulaciones.
La operación básica es sorprendentemente accesible: el usuario sube un documento de origen y describe en lenguaje natural qué quiere predecir. MiroFish devuelve un informe de predicción detallado y un mundo digital interactivo de alta fidelidad con el que puede seguir experimentando.
A nivel macro, MiroFish funciona como un laboratorio de ensayo para tomadores de decisiones: permite probar políticas y estrategias de comunicación sin riesgo. A nivel micro, es una caja de arena creativa para usuarios individuales, ya sea para deducir finales de novelas o explorar escenarios imaginativos.
Entender MiroFish requiere entender sus cinco componentes arquitectónicos fundamentales. El sistema no es un invento de una sola pieza: es una integración inteligente de tecnologías que ya existían por separado, ensambladas de una manera que produce algo cualitativamente nuevo.
1. La capa de ingestión: GraphRAG y el grafo de conocimiento
Todo comienza con lo que MiroFish llama «material semilla». Puede ser cualquier cosa: un artículo periodístico, un informe de análisis financiero, un borrador de ley, un comunicado de prensa, incluso los primeros capítulos de una novela. El sistema acepta cualquier texto estructurado que describa un escenario.
Ese material semilla es procesado por GraphRAG, una tecnología de generación aumentada por recuperación optimizada para datos estructurados. A diferencia del RAG convencional, que trabaja con texto plano, GraphRAG extrae entidades —personas, organizaciones, eventos, conceptos— y las relaciones entre ellas para construir un grafo de conocimiento. Este grafo no es una lista plana de hechos: es una representación estructurada de la realidad relevante para la predicción, con múltiples niveles de resumen (global, local, por motivos) que reducen los requisitos de ventana de contexto y permiten escalar a grafos de más de 100.000 nodos.
El grafo de conocimiento cumple una función crítica: ancla el comportamiento de los agentes a la realidad. Una de las principales críticas a los sistemas de simulación basados en lenguajes de gran escala (LLM) es que los agentes tienden a «derivar» narrativamente: inventan relaciones, fabrican eventos, se alejan del escenario original. MiroFish previene esto haciendo que los agentes operen dentro del grafo de conocimiento, no fuera de él. Los agentes no inventan relaciones ficticias; operan dentro de un mapa que refleja las entidades, relaciones y presiones reales de los datos de entrada.
Este es el insight arquitectónico central de MiroFish: la emergencia debe estar anclada a la realidad.
2. La generación de agentes: personalidades, historias y lógica de comportamiento
A partir del grafo de conocimiento, MiroFish genera automáticamente miles de personas —perfiles de agentes. Cada agente recibe un perfil único que incluye:
Una personalidad distinta (con rasgos como apertura, escrupulosidad, extraversión, amabilidad, neuroticismo en espectros variables)
Una historia de fondo coherente con el contexto del grafo
Una posición inicial sobre el tema a simular
Un conjunto de relaciones sociales con otros agentes
Una lógica de comportamiento y toma de decisiones propia
Algunos agentes son aversos al riesgo. Otros son contrarios al consenso. Algunos siguen el sentimiento de la mayoría; otros actúan sobre información incompleta. Hay agentes influyentes y agentes pasivos, líderes de opinión y seguidores. La diversidad es deliberada: espeja la heterogeneidad real de cualquier sistema social.
Un agente de configuración del entorno lee el grafo completo y establece los parámetros de la simulación: qué personas existen, cómo es el entorno social, cuáles son las condiciones iniciales.
3. La memoria persistente: Zep Cloud
Uno de los problemas clásicos de las simulaciones multi-agente con LLM es la falta de memoria persistente. Si cada ronda de interacción comienza desde cero, los agentes no pueden recordar lo que ocurrió antes, no pueden evolucionar, no pueden cambiar de posición en función de experiencias pasadas.
MiroFish resuelve esto con Zep Cloud como sistema de memoria a largo plazo para cada agente. Zep actúa como la fuente de verdad para el estado de cada agente y permite que estos recuerden rondas anteriores, actualicen sus posiciones en función de lo vivido, y ajusten su comportamiento de manera coherente. Esta es la capa que hace posible que una simulación de múltiples rondas produzca trayectorias temporales auténticas en lugar de repeticiones del mismo estado inicial.
La arquitectura de memoria también soporta ejecución distribuida: los agentes pueden moverse entre máquinas y reanudar desde Zep sin perder historia. Esto es lo que permite escalar a decenas de miles de agentes en hardware estándar.
4. El motor de simulación: OASIS y la arquitectura dual de plataformas
El núcleo de la simulación está alimentado por OASIS (Open Agent Social Interaction Simulations), un framework de simulación de agentes sociales de código abierto desarrollado por la comunidad de investigación de CAMEL-AI y publicado en investigación revisada por pares. OASIS puede escalar hasta un millón de agentes con 23 tipos distintos de acciones sociales: seguir, comentar, repostear, dar like, silenciar, buscar, y más.
OASIS maneja la lógica del entorno, los sistemas de recomendación, el motor temporal que activa agentes según horarios, y la capa de inferencia escalable que distribuye las llamadas a LLM entre GPUs. Los agentes ejecutan bucles de comportamiento asíncronos con comunicación dirigida por eventos y gestión de estado distribuido.
MiroFish corre las simulaciones en dos plataformas paralelas simultáneamente:
Plataforma A (tipo Twitter): publicaciones cortas de hasta 280 caracteres, mecánicas virales (retweets, citas, tendencias), alta velocidad, baja profundidad. Óptima para cascadas rápidas de sentimiento.
Plataforma B (tipo Reddit): discusiones en hilos, votación (upvote/downvote), moderación comunitaria, menor velocidad, mayor profundidad. Óptima para debates razonados y formación de facciones.
La polinización cruzada entre plataformas es una característica deliberada del diseño: los agentes pueden repostear contenido de la Plataforma B a la A y viceversa, creando puentes entre comunidades y modelando dinámicas transversales que no existirían en una sola plataforma.
5. El agente de reportes: síntesis e interacción profunda
Una vez concluida la simulación, un agente dedicado —el ReportAgent— analiza los resultados emergentes y produce un informe de predicción estructurado y legible. Este informe no es simplemente un resumen estadístico: combina lo que la población de agentes alcanzó colectivamente con análisis cualitativos de las trayectorias de opinión, las facciones formadas, los puntos de inflexión identificados y los escenarios alternativos posibles.
Pero el sistema no termina ahí. MiroFish permite al usuario interactuar directamente con cualquier agente de la simulación, hacerle preguntas, explorar su razonamiento, entender por qué tomó las decisiones que tomó. También permite interactuar con el ReportAgent para profundizar en aspectos específicos del análisis o explorar escenarios alternativos.
El stack tecnológico completo: Python y FastAPI en el backend, Vue.js en el frontend, OASIS de CAMEL-AI como motor de simulación, GraphRAG para la construcción del grafo de conocimiento, Zep Cloud para la memoria persistente de agentes, y compatibilidad con cualquier LLM que soporte el SDK de OpenAI (Claude, Llama, modelos fine-tuned propios). Licencia: AGPL-3.0. Soporta despliegue con Docker.
El pipeline completo: de un documento a una predicción
El flujo de trabajo de MiroFish sigue cinco etapas claramente definidas:
Etapa 1 — Construcción del grafo: el documento semilla es procesado por GraphRAG. El sistema extrae entidades y relaciones, inyecta memoria individual y colectiva, y construye el grafo de conocimiento que servirá de base para toda la simulación.
Etapa 2 — Configuración del entorno: a partir del grafo, el sistema genera las personas de los agentes y configura los parámetros de simulación. Un agente de configuración del entorno establece las reglas de interacción, la estructura social y las condiciones iniciales.
Etapa 3 — Simulación: la simulación corre en paralelo en las dos plataformas. Los agentes interactúan, publican, comentan, cambian de posición. El sistema actualiza automáticamente las memorias temporales de cada agente a medida que avanzan las rondas. El usuario puede inyectar variables desde la «vista de dios» en cualquier momento.
Etapa 4 — Generación del informe: el ReportAgent analiza los resultados emergentes y produce el informe de predicción. Tiene acceso a un conjunto rico de herramientas para interactuar con el entorno post-simulación.
Etapa 5 — Interacción profunda: el usuario puede conversar con cualquier agente del mundo simulado o con el ReportAgent para explorar el análisis en mayor profundidad.
MiroFish está disponible de manera gratuita y abierta en GitHub. Los requisitos del sistema son accesibles para cualquier desarrollador con experiencia básica:
Python 3.11 o 3.12
Node.js 18 o superior
uv (gestor de paquetes de Python)
Una API key de cualquier LLM compatible con el SDK de OpenAI
Una cuenta de Zep Cloud (para la memoria persistente de agentes)
La instalación básica sigue este flujo:
git clone https://github.com/666ghj/MiroFish
cd MiroFish
cp .env.example .env
# Editar .env con las API keys necesarias
docker compose up -d
Una vez corriendo, la interfaz web está disponible en http://localhost:3000. El usuario sube el documento semilla, describe su pregunta de predicción en lenguaje natural, y el sistema hace el resto.
Para simulaciones pequeñas (20 a 50 agentes), el sistema puede correr en instancias de nube estándar sin requisitos de hardware especiales. A mayor escala (miles de agentes), se necesita gestión eficiente de memoria y contexto. El proyecto recomienda limitar las simulaciones a menos de 40 rondas para mantener los costos de API bajo control.
Para quienes prefieren una versión completamente local sin dependencias de nube, existe MiroFish-Offline, un fork de la comunidad que reemplaza Zep Cloud por Neo4j y usa Ollama para correr LLMs locales (se recomienda qwen2.5:32b). Este fork está disponible en:
https://github.com/nikmcfly/MiroFish-Offline
Para usuarios que quieren trabajar directamente desde la línea de comandos y con soporte para Claude y Codex CLI, existe también el fork mirofish-cli:
https://github.com/amadad/mirofish-cli
Casos de uso y ejemplos exitosos
El experimento de Polymarket: $4.266 de ganancia en 338 operaciones
El caso más citado y documentado de aplicación real de MiroFish es el de un desarrollador que integró el sistema con un bot de trading en Polymarket, el mercado de predicción descentralizado. La lógica del experimento era elegante: en lugar de predecir precios directamente, el bot usaba MiroFish para predecir cómo reaccionaría la gente ante determinados eventos. En un mercado de predicción, eso es exactamente lo que mueve los precios.
El flujo de trabajo era el siguiente: el sistema recibía contexto del mercado, MiroFish construía un mundo paralelo y simulaba 2.847 humanos digitales antes de cada operación, los agentes argumentaban, formaban grupos y cambiaban de posición, y cuando el consenso de los agentes divergía significativamente de lo que Polymarket estaba cotizando, el bot entraba a la operación.
El resultado: 338 operaciones, $4.266 de ganancia acumulada, con una posición que devolvió un 1.655% de retorno en cinco minutos.
El análisis posterior de los datos reveló algo importante sobre los límites del sistema: MiroFish mostró una ventaja estadística real en preguntas políticas de horizonte largo (qué hará una política pública en 90 días, si un tratado será aprobado, cómo evolucionará la opinión pública sobre un tema), donde la respuesta depende de dinámicas de opinión pública agregada e impulso institucional. En cambio, no mostró ventaja en mercados de menos de 15 minutos ni en situaciones donde la respuesta depende de información privada que los agentes simulados no tienen: ganancias corporativas no publicadas, decisiones de bancos centrales antes de su anuncio, movimientos coordinados de ballenas en mercados de criptomonedas.
Esta distinción es fundamental para entender qué puede y qué no puede hacer MiroFish: es extraordinariamente bueno modelando dinámicas sociales públicamente conocibles; es ciego ante información privada.
Brian Roemmele, fundador de The Zero-Human Company, fue uno de los primeros adoptantes públicos de MiroFish fuera del equipo original. Roemmele logró crear una simulación de 500.000 agentes de IA en una sola corrida de MiroFish y describió el resultado como «un superpoder masivo»: usar un motor de IA multi-agente para simular mundos digitales paralelos con cientos de miles de agentes diversos para predecir resultados como tendencias de mercado o reacciones del público ante comportamientos sociales emergentes.
Uno de los casos de uso más fascinantes —y más alejados del mundo financiero— involucra la literatura clásica china. El sueño del pabellón rojo (红楼梦), una de las cuatro grandes novelas clásicas de la literatura china, tiene un problema histórico conocido: su autor original, Cao Xueqin, murió antes de completarla. Los últimos 40 capítulos que circulan hoy fueron escritos por otro autor, Gao E, y no hay consenso sobre cómo habría terminado realmente la historia según la visión original.
El equipo de MiroFish alimentó el sistema con los primeros 80 capítulos de la novela, decenas de miles de palabras, y le pidió que simulara el destino probable de los personajes. En lugar de pedir a un LLM que «completara» la historia, MiroFish creó miles de agentes con las personalidades y relaciones de los personajes establecidas en el texto original, y los dejó interactuar libremente durante múltiples rondas de simulación.
El resultado fue una extrapolación narrativa emergente: no escrita por un autor, no generada por un modelo que predice token a token, sino evolucionada a través de miles de interacciones de agentes moldeadas por los personajes establecidos y sus relaciones. La emergencia colectiva, no la predicción individual, produjo el desenlace.
Este caso ilustra una posibilidad que va mucho más allá de los mercados financieros: MiroFish como herramienta de análisis narrativo, de diseño de juegos, de escritura creativa asistida, de exploración de escenarios ficticios.
La simulación de opinión pública en la Universidad de Wuhan
Otro caso de demostración documentado involucra el análisis de dinámica de opinión pública en el campus de la Universidad de Wuhan. MiroFish recibió un informe estructurado de opinión pública generado por BettaFish sobre una controversia estudiantil y fue instruido para simular cómo evolucionaría el sentimiento durante las semanas siguientes.
La simulación produjo una trayectoria temporal secuenciada de cambio de opinión: no solo predijo adónde llegaría el sentimiento, sino cómo diferentes facciones se formarían, cambiarían y se influirían mutuamente a lo largo del tiempo. La salida incluía el análisis del proceso de polarización, los puntos de inflexión donde la narrativa podría haber tomado rumbos diferentes, y la distribución final de posiciones entre los agentes.
Simulación de la suba de tasas de la Reserva Federal
Uno de los casos de uso financiero más mencionados en la documentación y análisis del proyecto es la simulación de los efectos de una suba de tasas de interés por parte de la Reserva Federal de los Estados Unidos. En este escenario, el material semilla consiste en documentos de política monetaria, análisis de mercado y datos de sentimiento previos a la decisión. MiroFish genera agentes que representan distintos actores del mercado (inversores minoristas, fondos institucionales, analistas, consumidores, periodistas financieros) con diferentes perfiles de riesgo, horizontes temporales y sesgos cognitivos.
La simulación muestra cómo cada tipo de actor respondería a la noticia, cómo esa respuesta se propagaría a través de la red social simulada, y qué configuración de mercado emergerá de esa dinámica colectiva. El resultado no es una predicción puntual sino una distribución de futuros posibles con probabilidades asociadas.
Más allá de los casos documentados, la comunidad ha identificado y experimentado con MiroFish en varios dominios adicionales:
Comunicación de crisis y relaciones públicas: una empresa puede simular cómo reaccionará la opinión pública ante diferentes estrategias de respuesta antes de publicar nada. El sistema modela la propagación del mensaje, la formación de narrativas en medios sociales y la evolución del sentimiento a lo largo de días o semanas simulados, todo en minutos reales.
Lanzamiento de productos: en lugar de grupos focales o encuestas, MiroFish puede simular la reacción de miles de perfiles de consumidores con diferentes personalidades y preferencias ante un nuevo producto, un cambio de precio o una campaña publicitaria. La simulación modela la propagación del mensaje y sus efectos en diferentes segmentos de mercado.
Modelado de impacto regulatorio: agencias de gobierno y grupos de advocacy pueden correr simulaciones de regulaciones propuestas y modelar la respuesta política pública, la formación de coaliciones a favor y en contra, y la presión sobre el proceso legislativo.
Planificación de escenarios competitivos: simular cómo respondería un conjunto de agentes representando a competidores, clientes y medios ante un movimiento estratégico específico antes de tomarlo.
Cambio organizacional: cómo reaccionará el personal ante una reestructuración, una adquisición o un cambio de liderazgo, modelado a través de agentes con diferentes roles, niveles de antigüedad y perfiles de personalidad.
Investigación académica sobre comportamiento social: simular la propagación de desinformación, la formación de movimientos de activismo, la organización de boicots de consumidores —problemas de investigación que con datos longitudinales reales requieren años; con MiroFish, horas.
La decisión de inversión de Chen Tianqiao merece un análisis separado porque revela algo más profundo que el entusiasmo por un proyecto particular.
Chen explicó en una charla de finales de 2025 por qué cree en el concepto del super-individuo. Según él, muchas personas confunden al super-individuo con alguien que «hace todo solo», lo cual contradice las leyes naturales para seres de base carbono. Ni siquiera Elon Musk puede ser simultáneamente un científico de primer nivel en cohetes, neurociencia e ingeniería automotriz. Lo que hace Musk es diferente: usa su «voluntad» y «crédito» para agregar los mejores cerebros externos disponibles y ponerlos a trabajar en su dirección. Solo necesita hacer dos cosas: dar un Prompt extremadamente ambicioso (una elección), y asumir plena responsabilidad con todos sus activos. La ejecución la hacen los mejores cerebros externos de la humanidad (y en el futuro, la IA).
En esta visión, Guo Hangjiang es el arquetipo del super-individuo en la era de la IA: una persona sola que, en diez días, construyó algo que habría requerido un equipo financiado y meses de ingeniería apenas unos años antes. La inversión de Chen no fue en MiroFish como software; fue en la demostración viviente de que ese modelo de individuo ya existe y puede ser cultivado.
Chen fue explícito al respecto: lo que Shanda valoró en Guo no fue el nivel técnico particular de su trabajo sino su capacidad para «identificar y definir problemas genuinamente valiosos e intentar resolverlos de maneras nuevas basadas en IA». La tesis era sobre el fundador, no sobre el producto.
Sería irresponsable terminar el análisis técnico sin una discusión honesta de las limitaciones conocidas del sistema. La comunidad de desarrolladores y analistas ha sido relativamente franca al respecto.
Falta de benchmarks de validación
Esta es la limitación más importante desde el punto de vista científico. No existen benchmarks publicados que comparen predicciones de MiroFish con resultados reales en condiciones controladas. El sistema produce escenarios plausibles, pero ningún estudio ha demostrado sistemáticamente que esos escenarios sean más confiables que otros métodos de predicción. «Escalofriantemente preciso» es una impresión compartida en redes sociales, no una evaluación científica rigurosa.
El experimento de Polymarket es prometedor pero insuficiente: 338 operaciones es una muestra pequeña, el período de tiempo es corto, y las condiciones del mercado durante ese período no han sido analizadas en detalle. La rentabilidad observada podría ser real o podría ser ruido estadístico.
Costos de API significativos
Cada agente consume tokens de LLM en cada interacción. Una simulación con cientos de agentes a lo largo de varias docenas de rondas puede volverse cara rápidamente. El propio proyecto recomienda limitar las simulaciones a menos de 40 rondas. Para uso en producción a escala, los costos de inferencia son un factor que debe planificarse cuidadosamente.
Sesgos heredados de los LLMs
Los agentes heredan los sesgos de los modelos de lenguaje que los alimentan. Los LLMs tienden a producir comportamientos grupales más polarizados y más gregarios que los humanos reales. Las simulaciones de MiroFish podrían amplificar ciertas dinámicas más allá de lo que ocurriría en la realidad, especialmente en temas polarizados o regulados. Un desarrollador en la comunidad de DEV.to señaló específicamente este problema: el sesgo de comportamiento gregario (herd behavior) documentado en el paper de OASIS puede sesgar significativamente los resultados en temas polarizados, y vale la pena pesar cuidadosamente la diversidad de agentes en la configuración de personas.
Techo fundamental en mercados eficientes
En mercados de predicción, MiroFish tiene un techo estructural que no puede superar con más escala. Los mercados eficientes agregan información privada que los agentes simulados simplemente no tienen. El desarrollador del experimento de Polymarket lo descubrió: ventaja estadística real en preguntas de horizonte largo basadas en dinámicas públicas, cero ventaja en mercados de corto plazo donde la información privada domina. Este no es un problema de escala que se resuelva con más agentes; es una limitación fundamental de la arquitectura.
Estado temprano del proyecto
A la fecha de publicación de esta nota, MiroFish está en versión 0.1.2. Es esencialmente un proyecto de una sola persona respaldado por una empresa inversora. La base de contribuidores es estrecha, no hay adopción enterprise documentada, no hay modelo de precios, y el producto no ha alcanzado el product-market fit en ningún segmento comercial específico. La atención viral es impresionante; la tracción comercial, por ahora, está por verse.
Más allá del proyecto específico, MiroFish es un punto de referencia arquitectónico que merece atención de cualquiera que esté construyendo sistemas de IA agénticos.
El stack que usa —GraphRAG para extracción de conocimiento, memoria persistente de agentes via Zep, orquestación multi-agente a escala via OASIS, simulación dual de plataformas— no fue inventado para MiroFish. Todos esos componentes existían previamente como proyectos separados. Lo que hizo Guo Hangjiang fue ensamblarlos de una manera que produce algo cualitativamente nuevo: predicción basada en emergencia social en lugar de extrapolación estadística.
Estos patrones arquitectónicos son cada vez más relevantes en producción:
GraphRAG como capa de fundamentación: en lugar de darle a los agentes texto plano, darles un grafo de conocimiento estructurado previene la deriva narrativa y ancla el comportamiento a la realidad documentada.
Memoria persistente individual por agente: la capacidad de los agentes de recordar interacciones pasadas y evolucionar a lo largo del tiempo es lo que diferencia una simulación dinámica de una repetición estática.
Orquestación multi-agente con diversidad deliberada: diseñar sistemas donde el output no está programado sino que emerge de la interacción entre agentes heterogéneos.
Simulación dual de entornos: modelar dinámicas en múltiples plataformas simultáneamente captura interacciones que una sola plataforma ocultaría.
Un desarrollador en la comunidad de DEV.to lo sintetizó con precisión: «MiroFish no es solo interesante como producto de predicción. Es interesante como ejemplo de varios patrones convergiendo juntos en una forma que es fácil de estudiar y experimentar.»
El impacto de MiroFish se mide también en la velocidad con que la comunidad lo adoptó y adaptó. En semanas desde su lanzamiento, varios forks significativos están activos:
MiroFish-Offline (github.com/nikmcfly/MiroFish-Offline): reemplaza Zep Cloud por Neo4j local y usa Ollama para LLMs locales. Permite correr el sistema completo sin ninguna dependencia de API externa, con privacidad total de los datos. Recomendado para organizaciones con requisitos estrictos de seguridad o equipos que trabajan con datos sensibles. El modelo recomendado es qwen2.5:32b. Soporta entre 10.000 y 50.000 agentes en hardware local dependiendo de la GPU disponible.
mirofish-cli (github.com/amadad/mirofish-cli): fork orientado a flujos de trabajo de línea de comandos, con traducción completa al inglés del README y la interfaz, soporte para Claude CLI y Codex CLI, y outputs machine-readable en formato verdict.json además del reporte completo. Diseñado para integrarse en pipelines de CI/CD y automatización.
La existencia y actividad de estos forks en las semanas posteriores al lanzamiento es uno de los indicadores más confiables de que el proyecto tocó una necesidad real en la comunidad de desarrolladores.
Conclusión: el futuro ya está siendo simulado
MiroFish representa algo más que una herramienta técnica interesante. Es un síntoma de un cambio más profundo en cómo pensamos la predicción.
Durante décadas, predecir el futuro significó extrapolación estadística: tomar datos históricos, ajustar un modelo, proyectar hacia adelante. El problema de ese enfoque es que trata a los sistemas sociales como si fueran fenómenos físicos con comportamiento determinístico. Los mercados financieros, la opinión pública, la difusión de ideas: ninguno de estos sistemas se comporta como el movimiento de un proyectil. Se comportan como lo que son: sistemas complejos donde millones de actores interdependientes toman decisiones en paralelo, se observan mutuamente, cambian de posición, forman coaliciones y producen emergencia.
Lo que MiroFish propone es que la mejor manera de predecir esos sistemas no es modelarlos matemáticamente sino simularlos socialmente: construir versiones en miniatura de ellos y hacerlos correr.
Que esa idea haya llegado en la forma de un proyecto construido por un estudiante de 20 años en diez días, con herramientas de código abierto ya existentes, usando métodos de desarrollo asistido por IA, dice algo importante sobre el momento en que estamos. Las herramientas para construir cosas extraordinarias están disponibles. El límite ya no es el acceso a la tecnología ni el tamaño del equipo. El límite es la capacidad de identificar el problema correcto y la decisión de abordarlo.
En eso, al menos, el experimento de MiroFish ya fue un éxito.
nota conjunta entre convergencia.tech & elfinancierodigital.com
El Gemelo Digital Social anunciado por el Ministerio de Capital Humano representa una réplica virtual del sistema de políticas sociales argentinas. Alimentado por datos en tiempo real, IA y modelos predictivos, permite simular escenarios, anticipar impactos y optimizar decisiones públicas. Sin embargo, su éxito dependerá de una adaptación profunda al contexto local, marcado por alta inflación, volatilidad cambiaria, cambios frecuentes de políticas y dinámicas sociales complejas.
Cómo proceder para un Gemelo Digital Social adaptado
Para construir un gemelo digital social efectivo en Argentina, se debe seguir un enfoque por etapas que integre experiencia internacional pero priorice soberanía y relevancia local:
Diagnóstico y mapeo de datos soberanos: Comenzar con un inventario completo de bases de datos existentes (ANSES, AFIP, Ministerios, INDEC, provincias). Incorporar variables específicamente argentinas: índices de inflación mensual (IPC), fluctuaciones del dólar blue/oficial, impacto de devaluaciones y programas sociales variables.
Modelado híbrido con variables dinámicas: A diferencia de entornos estables (Europa o EE.UU.), el modelo debe incluir módulos inflacionarios y de cambios de política. Ejemplo: simular cómo una modificación en AUH o Potenciar Trabajo afecta la pobreza en escenarios de inflación del 4-8% mensual. Usar técnicas de simulación Monte Carlo adaptadas a volatilidad extrema.
Integración de capas sociales y comportamentales: Incorporar datos de movilidad social, informalidad laboral (alta en Argentina), migraciones internas y efectos culturales. Aquí se puede adaptar conocimiento de otros países, pero calibrando con datos locales para evitar sesgos (por ejemplo, modelos europeos subestiman la resiliencia informal argentina).
Arquitectura tecnológica escalable y segura: Utilizar plataformas cloud híbridas con énfasis en edge computing para regiones con conectividad irregular. Priorizar estándares abiertos (como los promovidos por BIM Forum Argentina) y marcos de privacidad robustos (Ley de Protección de Datos Personales).
Mantenimiento predictivo y retroalimentación continua: El gemelo debe actualizarse en tiempo real con sensores sociales (encuestas rápidas, datos administrativos) y validar predicciones contra resultados reales, ajustando por shocks macroeconómicos.
Este enfoque aprovecha el camino ya recorrido en sectores productivos argentinos, donde los gemelos digitales se han adaptado exitosamente a la realidad inflacionaria y volátil.
Empresas y proyectos argentinos con experiencia relevante
Argentina cuenta con un ecosistema consolidado que puede alimentar el Gemelo Digital Social:
Axion Energy: Implementó gemelos digitales en refinerías (cámaras de coqueo retardado) para mantenimiento predictivo y optimización operativa, ganando premios por innovación en entornos de alta variabilidad de costos energéticos.
Cámara Empresaria del Autotransporte de Cargas (CEDAC) y APROCAM (Mendoza): Desarrollaron gemelos digitales para modelar costos por kilómetro, simular impactos inflacionarios, proyecciones y escenarios con diferentes combustibles y tipos de carga. Excelente base para módulos económicos del gemelo social.
Asociaciones de clínicas (CONFECLISA y provinciales): Usan gemelos para medir atrasos arancelarios, subsidios cruzados y efectos de políticas públicas en contextos inflacionarios.
Sector construcción e infraestructura: Empresas y estudios desarrollan gemelos completos de proyectos para simular costos, redeterminaciones y huella de carbono bajo escenarios de alta inflación y volatilidad cambiaria.
Universidades y centros tecnológicos: UNAJ, UNSAM y la mesa intersectorial de Córdoba (gobierno-empresas-universidades) avanzan en fábricas inteligentes y gemelos para pymes, con fuerte enfoque en soberanía tecnológica.
Estas experiencias demuestran que ya tenemos un camino recorrido en la adaptación de gemelos digitales a la idiosincrasia argentina, lo que reduce la necesidad de soluciones llave en mano externas y minimiza riesgos de dependencia.
Convergencia.tech: La parte tecnológica del ecosistema
Desde convergencia.tech, impulsamos esta convergencia entre lo físico y lo digital como habilitador clave del desarrollo argentino. El Gemelo Digital Social debe ser parte de un ecosistema más amplio que integre gemelos sectoriales (energía, transporte, salud, educación) hacia un modelo nacional. Apoyándonos en el análisis de elfinancierodigital.com, destacamos que la verdadera ventaja competitiva surge de combinar IA global con expertise local en volatilidad y resiliencia social.
Conclusión: Argentina está en condiciones de liderar un Gemelo Digital Social propio, más adaptado que ofertas genéricas internacionales. El desafío es avanzar con transparencia, gobernanza ética y priorizando talento y empresas nacionales. De esta forma, se transforma en una herramienta de anticipación real y no solo de observación reactiva.
Fuentes consultadas:
Chequeado.com, elDiarioAR, Ministerio de Capital Humano (anuncios oficiales, mayo 2026).
Por qué la constelación de SpaceX no es solo internet satelital sino el proyecto más disruptivo para las telecomunicaciones en décadas
Introducción: el cielo como infraestructura
Durante más de cuarenta años, la conectividad móvil dependió de un modelo simple y costoso: torres, cables, espectro licenciado y operadores con poder de mercado. Ese modelo está siendo cuestionado desde el espacio.
Starlink, el servicio de internet satelital de SpaceX, comenzó como una alternativa para zonas rurales sin fibra. Pero en 2026 su ambición quedó expuesta ante el mundo entero: en el Mobile World Congress de Barcelona, la compañía de Elon Musk anunció satélites con conectividad 5G directa a celulares comunes, sin antenas, sin SIM adicional, sin pasar por ninguna torre terrestre. La pregunta ya no es si Starlink compite con las telcos. La pregunta es cuánto tiempo tienen las telcos para adaptarse.
Primera movida: conectividad donde las telcos no llegan
La estrategia de Starlink no comenzó atacando al corazón del negocio telco. Comenzó por sus flancos más débiles: las zonas sin cobertura.
Con más de 10.000 satélites activos en órbita baja (LEO) a 550 km de altitud, frente a los 35.786 km de los satélites geoestacionarios tradicionales, Starlink logró algo que sus predecesores no pudieron: latencia comparable a una conexión ADSL terrestre, de entre 25 y 50 ms, con velocidades de descarga de 50 a 250 Mbps según el plan y la ubicación.
Para ponerlo en contexto frente a las telcos:
Tecnología
Velocidad bajada
Latencia
Cobertura
Fibra óptica
300–1.000 Mbps
5–10 ms
Urbana/suburbana
4G LTE telco
20–150 Mbps
30–50 ms
Urbana/parcial rural
5G telco
100–1.000 Mbps
10–20 ms
Urbana (cobertura limitada)
Starlink residencial
50–250 Mbps
25–50 ms
Global, incluye zonas sin telco
Starlink Kit Mini
50–200 Mbps
25–60 ms
Portátil, global
Starlink D2C (fase actual)
hasta 20 Mbps
40–70 ms
Donde hay acuerdo con MNO socio
Starlink D2C (satélites V2, 2026–27)
hasta 150 Mbps
~30 ms
Global con 5G satelital
La diferencia fundamental es que Starlink no necesita infraestructura en el suelo. Un agricultor en la Patagonia, un barco en el Atlántico Sur o un equipo de rescate en la Puna tienen exactamente el mismo acceso que alguien en un edificio de Buenos Aires con fibra óptica.
El Kit Mini —una antena portátil del tamaño de un libro, con router WiFi integrado, IP67, operativa entre -30°C y 50°C— es hoy el primer producto que reemplaza funcionalmente una conexión 4G de campo sin depender de ninguna telco. No usa SIM. No necesita acuerdo con Claro ni Movistar. Se conecta directamente a los satélites y entrega WiFi a cualquier dispositivo en su radio. Es el «reemplazo de línea celular» que muchos usuarios en zonas remotas están adoptando.
Segunda movida: monitoreo IoT y el M2M satelital
Si la primera movida atacó la conectividad de consumo en zonas sin cobertura, la segunda apunta al negocio que las telcos consideraban más cautivo: el Internet de las Cosas (IoT) y las comunicaciones máquina a máquina (M2M).
El mercado M2M tradicional funcionaba así: un módulo SIM de telco en un sensor agrícola, una unidad de rastreo de flota o un medidor de gas, conectado a una red LTE a través de torres convencionales. Funciona perfecto en ciudades. Pero un sensor de nivel de agua en un embalse en Mendoza, una baliza en un campo de soja en Mato Grosso o un monitor de temperatura en un frigorífico rural son dispositivos que las telcos terrestres simplemente no pueden servir de manera confiable.
Starlink anunció que su tecnología Direct to Cell es compatible con módems estándar CAT-1, CAT-1 Bis y CAT-4, los mismos módulos LTE que se usan hoy en millones de dispositivos M2M en todo el mundo. Esto significa que, en las zonas donde Starlink tenga operadores socios habilitados, esos módulos pueden «ver» el satélite como si fuera una torre celular más, sin cambio de hardware, sin reconfiguración especial.
Los segmentos de aplicación más claros son:
Agroindustria: sensores de humedad, temperatura y presencia en campos alejados; monitoreo de silos; control de riego automatizado en zonas sin cobertura.
Transporte y logística: rastreo de flotas en rutas nacionales con cobertura intermitente; control de temperatura en camiones frigoríficos; telemetría de maquinaria pesada.
Infraestructura crítica: telemetría SCADA en plantas de energía, represas y ductos; monitoreo de torres de alta tensión; sistemas de alerta temprana en zonas de riesgo hídrico.
Marítimo y pesca: seguimiento de embarcaciones fuera del rango de cobertura costera; monitoreo de redes y capturas; comunicaciones de emergencia.
El impacto competitivo es directo: las telcos cobran actualmente por planes M2M que van desde unos pocos dólares hasta decenas de dólares por SIM mensual, con contratos por volumen. Si Starlink logra servir esos mismos módulos a través de sus satélites —y con el espectro propio adquirido de EchoStar por 17.000 millones de dólares en septiembre de 2025— la necesidad del intermediario telco se reduce drásticamente.
¿Es D2C una solución temporal o el modelo definitivo?
Esta es la pregunta estratégica del sector, y la respuesta honesta tiene dos capas.
En el corto plazo, D2C necesita a las telcos. La tecnología Direct to Cell funciona hoy en alianza con operadores como T-Mobile en Estados Unidos y Entel en Chile y Perú. El usuario final sigue con su línea de siempre; Starlink actúa como una capa adicional que se activa automáticamente cuando no hay señal terrestre. Las telcos son el canal, el billing, el acuerdo regulatorio. Sin ellas, D2C no llega al usuario.
En el largo plazo, el modelo apunta a independizarse. En septiembre de 2025, SpaceX adquirió el espectro radioeléctrico de EchoStar —el operador detrás de Boost Mobile— por 17.000 millones de dólares. Eso no fue una compra de infraestructura: fue la compra de licencias de frecuencias, el activo más regulado y escaso del negocio telco. Con ese espectro propio, Starlink tiene la base legal para operar como operador móvil independiente en Estados Unidos, sin necesitar ningún acuerdo con T-Mobile o cualquier otra telco.
Ya existen 133 acuerdos entre operadores de telecomunicaciones y compañías satelitales para desarrollar soluciones de conectividad híbrida, según un estudio de GSMA Intelligence publicado en enero de 2026. Muchos de esos acuerdos se leen como estrategia defensiva de las telcos: si no podés vencer a Starlink, aliarte con él antes de que te desplace. Deutsche Telekom firmó en el MWC 2026 un acuerdo para extender cobertura 5G satelital Starlink a más de 140 millones de clientes en 10 países europeos. Vodafone, por su parte, apostó a una jugada alternativa creando SatCo junto a AST SpaceMobile, con sus propios satélites 5G en órbita baja.
El panorama que se configura para 2028–2030 no es el fin de las telcos, pero sí el fin de su monopolio sobre la conectividad en zonas sin infraestructura, y potencialmente el comienzo de la competencia directa en zonas urbanas donde hoy dominan sin rivales.
¿Se impondrá el equipo propio de Starlink?
Para el usuario común en zona urbana con buena cobertura 4G/5G, el dish de Starlink probablemente nunca sea el dispositivo principal. La fibra y el 5G terrestre ganan en precio, latencia y estabilidad donde existen.
Pero para todos los demás casos —y son muchos más de lo que la industria telco suele admitir— el equipo de Starlink ya está ganando:
Zonas rurales y remotas sin fibra ni 4G estable: el Kit Estándar o el Kit Mini son hoy la única opción con velocidades comparables a una conexión urbana.
Movilidad extrema —flotas, barcos, expediciones, zonas de emergencia—: el Kit Mini portátil no tiene competidor real en su segmento.
Conectividad de respaldo empresarial: cada vez más empresas instalan un dish Starlink como backup ante cortes de fibra o saturación de red móvil.
IoT industrial en zonas sin cobertura: cuando los módulos certificados para D2C estén disponibles (estimado 2027–2028), el mercado M2M satelital podría crecer exponencialmente.
La pregunta no es si el equipo Starlink se impondrá globalmente como reemplazo del celular. La pregunta es si las telcos podrán defender su modelo de negocio en todos los segmentos donde Starlink ya les está comiendo terreno.
Conclusión: el satélite como infraestructura de base
Lo que está ocurriendo con Starlink en 2026 es estructuralmente diferente a lo que ocurrió con los satélites de generaciones anteriores. No es una tecnología cara y lenta para nichos extremos. Es una red con velocidades comparables al 4G avanzado, latencia aceptable para la mayoría de los casos de uso, y cobertura genuinamente global.
La primera movida —conectividad allá donde las telcos no llegaron— ya está consolidada. La segunda movida —IoT y M2M satelital sin SIM de telco— está en marcha. La tercera movida —operar como telco independiente con espectro propio— está en el horizonte regulatorio.
El cielo ya es infraestructura. Las reglas del juego en telecomunicaciones no volverán a ser las mismas.
Nvidia y Corning han anunciado una importante asociación a largo plazo para expandir la fabricación de soluciones de conectividad óptica en Estados Unidos, enfocada en la creciente demanda de infraestructura de inteligencia artificial (IA). Este proyecto busca reemplazar progresivamente los cables de cobre tradicionales por fibras de vidrio (fibra óptica) en los centros de datos de IA, mejorando la eficiencia energética y el rendimiento.
La colaboración incluye la construcción de tres nuevas plantas de manufactura avanzada en Carolina del Norte y Texas, dedicadas exclusivamente a productos ópticos para Nvidia. Estas instalaciones aumentarán la capacidad de fabricación de conectividad óptica en EE.UU. en 10 veces y la producción de fibra en más del 50%. Se espera que generen más de 3.000 empleos de alta calidad.
¿Por qué reemplazar el cobre por fibra de vidrio en la IA?
En los sistemas de IA a escala de rack de Nvidia, como el próximo Vera Rubin, hay aproximadamente 5.000 cables de cobre que conectan los chips. Estos cables consumen mucha energía, generan calor y limitan la velocidad a distancias cortas. La fibra óptica de Corning transmite datos mediante fotones en lugar de electrones, lo que reduce significativamente el consumo energético (hasta 5-20 veces menos) y permite mayor ancho de banda y eficiencia.
Esta transición hacia co-packaged optics (óptica empaquetada conjuntamente) representa un avance clave para los centros de datos hyperscale. Nvidia busca mover la inteligencia a «la velocidad de la luz», optimizando el rendimiento de sus GPUs en entornos de IA de alto rendimiento.
Inversión de Nvidia en Corning
Como parte del acuerdo, Nvidia invierte hasta 3.200 millones de dólares en Corning, incluyendo un compromiso inicial de alrededor de 500 millones de dólares a través de warrants y derechos para adquirir acciones. Esto fortalece la cadena de suministro y posiciona a Corning como proveedor clave para la expansión de la IA.
Impacto en las acciones de Corning
Sí, las acciones de Corning subieron fuertemente tras el anuncio el 6 de mayo de 2026. Reportes indican ganancias intradía de entre 9% y 17%, alcanzando máximos históricos cerca de los 190 dólares por acción. Esta reacción refleja la confianza del mercado en el rol creciente de Corning en la infraestructura de IA más allá de los chips.
Este impulso se suma al sólido desempeño previo de Corning, impulsado por otros contratos de IA con grandes tecnológicas.
Beneficios para la industria y la economía
La alianza no solo acelera la innovación en conectividad para IA, sino que también refuerza la manufactura estadounidense en un sector estratégico. Reduce la dependencia de suministros extranjeros y apoya el crecimiento sostenible de los centros de datos, que enfrentan desafíos energéticos crecientes.
Analistas ven este movimiento como parte de una tendencia más amplia donde la óptica reemplaza al cobre en la próxima generación de sistemas de IA, beneficiando a proveedores como Corning y posicionando a Nvidia como líder en eficiencia.
En resumen, el proyecto entre Nvidia y Corning es real, estratégico y ya está en marcha. Representa un paso fundamental hacia centros de datos de IA más rápidos, eficientes y sostenibles, con un claro impacto positivo en el valor de Corning.
AI1 año ago
Nano1 año ago
AI6 meses ago
AI1 año ago