MiroFish: El Motor de IA de Predicción por Enjambre que Recibió 4M€ en 24h (Guía Completa)

Imagina un software al que le inyectas un artículo de prensa, una señal financiera o un proyecto de ley, y que construye instantáneamente un mundo digital poblado por miles de personajes autónomos. Estos personajes debaten, forman coaliciones, cambian de opinión, y sus comportamientos colectivos producen un informe de predicción sobre lo que podría suceder en el mundo real.

Ese software existe. Se llama MiroFish, es open source, y fue construido en diez días por un estudiante chino de 20 años.

Desde su lanzamiento a principios de marzo de 2026, MiroFish ha acumulado más de 33.000 estrellas en GitHub, se ha situado al frente del ranking mundial GitHub Trending y ha conseguido una financiación de 30 millones de yuanes (alrededor de 4 millones de euros) en menos de 24 horas. El proyecto fascina tanto por su ambición técnica como por la historia improbable de su creación.

MiroFish es un motor de predicción por swarm intelligence (inteligencia de enjambre). A diferencia de los modelos de previsión clásicos que se basan en series temporales o regresiones estadísticas, MiroFish adopta un enfoque radicalmente diferente: simula el comportamiento humano colectivo.

El principio es sencillo de entender, aunque la ejecución sea compleja. Le proporcionas al sistema un documento fuente: un artículo de prensa, un informe financiero, un proyecto de política pública o incluso una novela. MiroFish extrae las entidades y las relaciones de ese documento para construir un grafo de conocimiento. A partir de ese grafo, genera miles de agentes de IA autónomos, cada uno dotado de una personalidad propia, una memoria a largo plazo, un historial social y una lógica de comportamiento única.

Estos agentes son luego liberados en un entorno digital que simula plataformas sociales (de tipo X o Reddit). Interactúan libremente: publican, comentan, se siguen, debaten, cambian de postura. Las dinámicas colectivas que emergen de estas interacciones (formación de opiniones dominantes, polarización, efectos de grupo, vuelcos narrativos) se analizan para producir un informe de predicción estructurado.

En resumen: MiroFish no predice el futuro extrapolando cifras. Construye una versión en miniatura del sistema social en cuestión y la hace funcionar en acelerado.

La historia de MiroFish comienza con Guo Hangjiang, estudiante de último año en la Universidad de Correos y Telecomunicaciones de Pekín. Conocido bajo el seudónimo "Baifu" en las plataformas de desarrollo, Guo es apasionado de la arquitectura de agentes inteligentes y del cálculo de grafos.

A finales de 2024, su primer proyecto open source, BettaFish (una herramienta de análisis de sentimiento multiagente), ya había alcanzado el primer lugar de GitHub Trending mundial y reunido 20.000 estrellas en una semana. Ese éxito atrajo la atención de Chen Tianqiao, fundador del grupo Shanda y antiguo hombre más rico de China. Chen, convertido en inversor tecnológico afincado en Estados Unidos, promueve una teoría del "súper-individuo": la idea de que, en la era de la IA, una sola persona puede crear el equivalente a una empresa entera.

Chen invitó a Guo a hacer prácticas en Shanda con total libertad. En diez días, usando lo que Guo llama "vibe coding" (un método de desarrollo rápido e intuitivo asistido por herramientas de IA), MiroFish estaba operativo. Esa misma noche, Guo grabó un vídeo demo y lo envió directamente a Chen Tianqiao.

En menos de 24 horas, Chen comprometió 30 millones de yuanes (alrededor de 4,1 millones de dólares) para incubar el proyecto. Guo pasó de la condición de becario a la de CEO de un día para otro. El 7 de marzo de 2026, MiroFish alcanzó el primer puesto del ranking GitHub Trending mundial, con 18.000 estrellas y casi 1.900 forks en solo unos días.

El funcionamiento de MiroFish se basa en un pipeline de cinco etapas claramente definidas. Así es como el sistema transforma un simple documento en una simulación predictiva completa.

El documento fuente (artículo de prensa, informe financiero, proyecto de ley, obra literaria) es analizado por GraphRAG, una tecnología de generación aumentada por recuperación optimizada para datos estructurados. El sistema extrae las entidades (personas, organizaciones, eventos, conceptos) y sus relaciones para construir un grafo de conocimiento que servirá de base para la simulación.

A partir del grafo, MiroFish genera miles de personas de agentes. Cada agente recibe un perfil único que incluye una personalidad distinta, un historial, una posición inicial sobre el tema y relaciones sociales con otros agentes. Un agente de configuración de entorno define las reglas de la simulación. La memoria a largo plazo de cada agente la gestiona Zep Cloud, lo que les permite retener y hacer evolucionar sus experiencias a lo largo del tiempo.

La simulación se lanza en dos plataformas paralelas (una de tipo X y otra de tipo Reddit) mediante el motor OASIS, desarrollado por la comunidad de investigación CAMEL-AI. Este motor está diseñado para gestionar hasta un millón de agentes simultáneamente con 23 tipos de acciones sociales (publicar, comentar, dar me gusta, seguir, etc.). Durante la simulación, las memorias de los agentes se actualizan dinámicamente en función de sus interacciones.

Un agente especializado llamado ReportAgent analiza los resultados de la simulación. Examina las evoluciones de opinión, las coaliciones formadas, los patrones de comportamiento emergentes, y compila un informe de predicción estructurado y legible. Este informe identifica los escenarios más probables y las dinámicas clave observadas.

Tras la simulación, puedes interactuar directamente con cualquier agente o con el ReportAgent. Puedes hacer preguntas complementarias, inyectar nuevas variables ("¿qué pasaría si la Fed bajara los tipos?", "¿qué pasaría si el CEO dimitiera?"), y relanzar escenarios modificados. Es lo que MiroFish llama la "vista divina" (God's-eye view): la capacidad de alterar las condiciones durante la simulación y observar en tiempo real cómo se reorganiza el mundo digital.

Para entender bien lo que aporta MiroFish, conviene compararlo con los métodos de previsión clásicos.

Estos dos enfoques no son mutuamente excluyentes. El valor de MiroFish reside en su capacidad de hacer emerger escenarios y dinámicas que los modelos estadísticos no captan: los giros de opinión, los efectos cascada, las coaliciones inesperadas. La previsión tradicional sigue siendo superior para las estimaciones cuantitativas precisas.

MiroFish puede simular la reacción colectiva de diferentes perfiles de inversores (particulares, institucionales, analistas) frente a una señal de mercado. Una demostración simuló las consecuencias de una subida de tipos de la Fed observando cómo convergen los sentimientos de grupo y cómo se forman las trayectorias de opinión pública. Para equipos de estrategia financiera, es una herramienta de stress-test narrativo: no "¿cuál será el precio?" sino "¿cómo van a reaccionar e influirse mutuamente los actores del mercado?".

Antes de lanzar una política pública, es posible simular las reacciones de las partes interesadas: ciudadanos, lobbies, medios, oposición. MiroFish puede hacer emerger alianzas inesperadas o puntos de bloqueo que los análisis clásicos no detectarían. La extensión hacia la modelización geopolítica y el wargaming es una posibilidad natural de esta arquitectura.

Ante una crisis potencial, MiroFish permite simular cómo evolucionaría la opinión pública en las redes sociales. ¿Qué narrativas dominarían? ¿Qué grupos se formarían? ¿Dónde estarían los puntos de inflexión? Es un simulador de crisis antes de que llegue la crisis.

Para evaluar una campaña de marketing o el lanzamiento de un producto, MiroFish puede simular las reacciones de miles de perfiles de consumidores con personalidades y preferencias diferentes. En lugar de encuestas o focus groups, obtienes una simulación dinámica de la propagación del mensaje y de sus efectos sobre distintos segmentos.

El proyecto se basa en una combinación de tecnologías que, tomadas individualmente, existen desde hace tiempo, pero cuyo ensamblaje es lo que hace innovador a MiroFish.

El motor OASIS, desarrollado por la comunidad de investigación CAMEL-AI, es un elemento central. Publicado en trabajos de investigación evaluados por pares, OASIS es capaz de simular hasta un millón de agentes con 23 tipos de interacciones sociales. Reproduce fenómenos sociales documentados: propagación de información, polarización de grupo, efecto rebaño. Esta sólida base científica es la que da a MiroFish su credibilidad técnica.

El hecho de que Guo Hangjiang haya podido ensamblar todo esto en diez días dice tanto sobre la madurez de estos componentes (LLMs, GraphRAG, memoria cloud para agentes) como sobre sus capacidades de desarrollador. El "vibe coding", a menudo objeto de burla, encuentra aquí una ilustración concreta de su potencia: la capacidad de un individuo solo para construir un sistema complejo apoyándose en bloques de IA existentes.

Seamos transparentes: en Emelia, no hemos instalado MiroFish en nuestras máquinas, y no vamos a hacerlo por el momento.

La razón es sencilla y pragmática. Por cuestiones de seguridad informática, nuestra política interna no nos permite instalar directamente repositorios open source chinos en nuestras infraestructuras. No es un juicio sobre la calidad del código ni sobre las intenciones del proyecto. Es una medida de precaución estándar que muchas empresas europeas aplican, en particular cuando el repositorio es reciente, la documentación está parcialmente en mandarín, y el proyecto requiere claves de API y acceso a la red.

Dicho esto, el concepto sigue siendo absolutamente fascinante, y es precisamente por esa razón por la que hablamos de él.

El enfoque de MiroFish representa un cambio de paradigma potencial en la forma en que pensamos la previsión. En lugar de preguntar "¿qué dicen los datos históricos?", pregunta "¿qué harían miles de personas simuladas frente a esta situación?". Para las finanzas, el marketing, las políticas públicas o la gestión de crisis, es una perspectiva poderosa.

Por cierto, la comunidad open source ya ha empezado a crear forks y versiones alternativas. Un desarrollador ha publicado en particular una versión totalmente local y en inglés, que funciona sin API cloud, lo que elimina parte de las preocupaciones relacionadas con la seguridad y la dependencia de servicios de terceros.

MiroFish es un proyecto prometedor, pero es importante mantener una mirada crítica.

En primer lugar, no existe ningún benchmark publicado que compare las predicciones de MiroFish con resultados reales. El sistema produce escenarios plausibles, pero ningún estudio demuestra todavía que estos escenarios sean más fiables que otros métodos de previsión. "Scarily accurate" es una impresión compartida en las redes sociales, no una evaluación científica rigurosa.

En segundo lugar, el coste en llamadas a la API es significativo. Cada agente consume tokens de LLM en cada interacción, y una simulación con cientos de agentes a lo largo de varias decenas de turnos puede volverse muy costosa. El proyecto recomienda incluso limitar las simulaciones a menos de 40 turnos.

En tercer lugar, los agentes heredan los sesgos de sus modelos de lenguaje subyacentes. Los LLMs tienden a producir comportamientos de grupo más polarizados y más gregarios que los humanos reales. Las simulaciones de MiroFish podrían, por tanto, amplificar ciertas dinámicas más allá de lo que ocurriría en la realidad.

Por último, el proyecto está en la versión 0.1.2. Es un prototipo funcional, no un producto maduro. El equipo está reclutando activamente (los puestos se publican en el repositorio GitHub con direcciones en @shanda.com), lo que confirma que el desarrollo no ha hecho más que empezar.

MiroFish se inscribe en una tendencia más amplia: el uso de sistemas multiagente ya no para ejecutar tareas, sino para simular sistemas complejos. Este enfoque podría transformar varios ámbitos en los próximos años.

En epidemiología, enjambres de agentes podrían simular la propagación de enfermedades y la eficacia de distintas estrategias de confinamiento. En urbanismo, podrían poner a prueba el impacto de una nueva infraestructura sobre los flujos de población. En seguros, podrían modelizar los comportamientos de evacuación en caso de catástrofe natural.

El hecho de que un estudiante de 20 años haya podido construir tal sistema en diez días ilustra hasta qué punto los componentes necesarios (LLMs, grafos de conocimiento, memoria persistente para agentes, motores de simulación a gran escala) se han vuelto accesibles. La próxima etapa será la validación: demostrar que estas simulaciones producen resultados realmente predictivos, no solo plausibles.

Mientras tanto, MiroFish sigue siendo lo que podríamos llamar un "SimCity de la predicción": una herramienta fascinante para explorar futuros posibles, hacer preguntas tipo "¿y si?", y visualizar dinámicas sociales complejas. Para los equipos de estrategia, finanzas o comunicación, es un concepto que conviene seguir muy de cerca, aunque la instalación directa todavía no esté a la orden del día.