Meduzia
Join our Waitlist

La ciencia detrás de Meduzia.

I · 01

Un problema de 50 años, resuelto simulando.

Cada proteína es una cadena que se pliega en una forma, y de esa forma depende lo que hace: si transporta oxígeno, si defiende al cuerpo o si enferma. Durante medio siglo, la única manera de conocerla fue verla en un laboratorio. Hasta que la ciencia aprendió a calcularla.

El nucleosoma, con datos reales del Protein Data Bank. Se puede girar.26

10300

formas posibles para plegar una proteína típica. Probarlas todas llevaría más que la edad del universo.2

Meses

o años de laboratorio para resolver la forma de una sola proteína.3

200 M

de estructuras predichas por AlphaFold. Casi todas las proteínas conocidas.4

  1. 1972

    La forma está escrita en la secuencia

    Christian Anfinsen gana el Nobel por mostrar que la cadena de aminoácidos de una proteína determina la forma en que se pliega. Y de esa forma depende lo que hace en el cuerpo. Faltaba lo difícil: calcular esa forma sin tener que verla.1

  2. 1994

    Una prueba a ciegas, cada dos años

    Nace CASP. Los laboratorios resuelven estructuras y no las publican. Los que predicen mandan su respuesta sin verlas. Después se compara. Durante años, nadie se acercó a lo que medía el laboratorio.2,3

  3. 2020

    AlphaFold pasa la prueba

    En CASP14, AlphaFold 2 predice estructuras con un error típico de menos de un átomo de ancho, a la altura de los métodos de laboratorio. El segundo mejor método quedó casi tres veces más lejos.2,3

  4. 2022

    De cien mil a doscientos millones

    En medio siglo, el laboratorio había resuelto unas cien mil proteínas, cada una con meses o años de trabajo. La base de AlphaFold publica más de 200 millones: casi todas las conocidas.3,4

  5. 2024

    El Nobel, y el paso siguiente

    Hassabis y Jumper comparten el Nobel de Química con David Baker. Ese mismo año, AlphaFold 3 ya no predice una proteína sola: predice cómo se junta con otras moléculas. Con eso, Isomorphic Labs diseña fármacos en la computadora antes de ir al laboratorio.5,6,7
AlphaFold: The making of a scientific breakthrough · Google DeepMind

Lo que hizo creíble a AlphaFold fue la prueba a ciegas: predijo formas que nadie había visto.

Después se comparó con el laboratorio y coincidió. Esa es la idea que tomamos: una réplica se gana la confianza comparándose con la realidad.

I · 02

La medicina ya ensaya con pacientes que no existen.

Probar un tratamiento en personas es lento y caro. Por eso la medicina aprendió a ensayar antes en la computadora, con pacientes virtuales armados con los datos de pacientes reales: se prueba todo ahí y se llega al ensayo con lo mejor.

Un día de 300 pacientes virtuales

Ilustración del simulador UVA/Padova · arrastrá el gráfico para elegir la hora

12:00
AdultosAdolescentesChicos
Rango objetivo80120160200DesayunoAlmuerzoCena00 h06 h12 h18 h24 h
AdultosAdolescentesChicosEn rangoDespués de comerComidas: 8, 13 y 20:30 h

300

pacientes virtuales, aceptados por la FDA

300 pacientes virtuales con diabetes

Las universidades de Virginia y Padua arman 300 pacientes simulados, adultos, adolescentes y chicos, con la variedad metabólica de la población real. La FDA lo acepta en lugar de los ensayos con animales para probar páncreas artificiales.9,10
Lo que mostró
Un regulador aceptó un modelo validado como evidencia.
Cómo se usa
Como paso previo al ensayo con personas: se llega con lo que ya se probó.

Hoy también lo dice la ley. Desde 2022, en EE.UU. un fármaco puede llegar a personas con pruebas hechas en la computadora, y en 2025 la FDA anunció que va a dejar atrás los ensayos con animales.13,14

I · 03

De los pacientes a las personas que compran.

Con los modelos de lenguaje, la misma idea llegó a la conducta humana. Si se puede armar un paciente virtual con datos de pacientes, se puede armar un perfil de consumidor con lo que se sabe de cómo vive y decide la gente. Las mejores universidades lo vienen probando desde 2023.

  1. 2023

    Un modelo de lenguaje bien condicionado reproduce cómo responden distintos grupos de personas en una encuesta. Le ponen nombre: muestras de silicio.15

  2. 2023

    25 agentes con memoria, planes y reflexión viven en un pueblo simulado y se comportan de forma creíble. Por su cuenta, se invitan a una fiesta y se organizan para ir.16

  3. 2023

    Replicando experimentos clásicos de economía del comportamiento, los agentes simulados llegan a resultados parecidos a los originales.18

  4. 2024

    Agentes armados con entrevistas a 1.052 personas reales repiten sus respuestas casi tan bien como esas mismas personas cuando se les repite la encuesta. Cuanta más historia tiene cada agente, mejor responde.17

  5. 2025

    La intención de compra se reproduce mejor cuando el perfil contesta en sus palabras que cuando se le pide un puntaje.20

  6. 2026

    En Nature: un modelo anticipa hacia dónde van los resultados de 70 experimentos sociales, también de estudios que todavía no estaban publicados.19

Cada número es de su estudio, su equipo y su país. Meduzia sigue ese mismo camino con los consumidores de cada país.

I · 04

Tres campos, una misma lógica.

En las proteínas, en la medicina y en Meduzia se hace lo mismo, en el mismo orden: se modela, se ensaya, se compara con la realidad y se usa para decidir.

01Armar un modelo con lo que ya se sabe

Proteínas

Las estructuras que el laboratorio ya resolvió

Medicina

Los datos de pacientes reales

Consumidores, en Meduzia

Cómo es y cómo decide la gente de un rubro y una zona

Es la lógica que llevó a AlphaFold al Nobel: primero se compara con la realidad, después se usa para decidir.5

II · 05

Cómo lo aplica Meduzia.

Llevamos esa misma lógica a tu marca: construimos réplicas sintéticas de tus consumidores con los datos de tu marca y de tu categoría, y les hacemos tu pregunta antes de que decidas.

Miles de perfiles por estudio. Cada uno con su historia.

Cómo compra, qué desea, qué lo frena y cómo decide. Así responde como alguien de tu mercado.

8
campos por perfil
5
rasgos de personalidad
4
formas de decidir
Perfil sintético de ejemplo
L

Lucía, 22

Medellín · Estudiante de diseño

NSE estrato 3Mente impulsiva
Compra
Online, guiada por descuentos y videos
Desea
Sentirse única con prendas que no ve en todos lados
Frena
No saber el talle real ni la política de cambios
Apertura
Responsabilidad
Extraversión
Amabilidad
Neuroticismo

  1. 01Tu público

    Elegís a quién preguntarle: rubro, zona, edades y nivel socioeconómico.

  2. 02Los perfiles de tu marca

    Construimos los perfiles con los datos de tu marca y de tu categoría: las reseñas y comentarios de tus clientes, tus redes sociales, la demografía de tu mercado, lo que nos compartís y los estudios que ya hiciste, más la investigación en vivo de tu categoría: tendencias, reseñas, competencia y lo que se publica en toda la web. Cada perfil tiene su historia: cómo compra, qué desea, qué lo frena y cómo decide.

    De tu marca

    • Reseñas y comentarios

      De tu tienda, marketplaces y redes

      ★★★★★ “Hermosa, pero pedí un talle más.”

    • Redes sociales

      Qué le interesa a tu comunidad y cómo habla

      ¿Tienen envío a Medellín?

    • Lo que nos compartís

      Tu cliente ideal, productos, ventas y CRM

      CRMVentasCliente ideal

    • Tus estudios previos

      Encuestas, focus e investigaciones

      Encuesta 2025 · 1.200 casos

    Perfil de tu marca

    L

    Lucía

    Mente impulsiva

    Datos
    22 años · Medellín · NSE estrato 3
    Compra
    Online, guiada por descuentos y videos
    Desea
    Prendas que no ve en todos lados
    Frena
    No saber el talle real
    Rasgos

    De tu categoría, en vivo

    • Demografía de tu mercado

      Edad, zona y nivel socioeconómico

    • Tendencias

      Qué se busca, qué crece y qué baja

      +38% “campera técnica”

    • Competencia

      Qué ofrecen y qué les dicen sus clientes

      3 marcas seguidas

    • Investigaciones en la web

      Estudios, informes y notas de la categoría

      142 notas e informes leídos
    Todo eso se vuelve la historia de cada perfil: cómo compra, qué desea, qué lo frena y cómo decide.Ejemplos ilustrativos

    Tu público · 10.000 perfiles

    Perfiles
    10.000
    sintéticos, no personas
    Segmentos
    5
    por cómo compran
    Rubro
    Moda
    Indumentaria femenina
    Dónde
    México
    Ciudad de México · Zona metropolitana
    Tu público en la app de Meduzia: cada punto es un perfil sintético. Datos de ejemplo.

  3. 03Las preguntas

    Todas las que necesites, cada una en su formato: elegir, marcar varias, ordenar, puntuar o contestar con sus palabras.

  4. 04Las respuestas

    Cada perfil contesta por su cuenta, en primera persona y con sus razones. Dice lo que piensa: si lo quiere, si duda o si no le interesa.

  5. 05Los resultados

    Una respuesta por perfil, que se cruza por segmento como una base de datos: quién lo quiere, qué lo frena y con qué palabras lo dice.

Los perfiles de Meduzia son sintéticos: los genera la IA a partir del mercado que elegís, como pide el Código ICC/ESOMAR.25

Este método, aplicado a tu próxima decisión.

Construimos los perfiles con los datos de tu marca y de tu categoría.

Sumarme a la lista
II · 06

Nadie contesta igual dos veces.

Si a las mismas personas les repetís la misma encuesta dos semanas después, los porcentajes se mueven. Esa es la vara con la que la ciencia mide una réplica: que se aleje de la encuesta real lo mismo que la encuesta se aleja de sí misma.17

¿Cuál de estas dos cápsulas te llevarías?

Ejemplo ilustrativo
Primera rondaComparación
Cápsula técnica-2 puntos
44%
42%
Cápsula de lana+3 puntos
33%
36%
Ninguna de las dos-1 punto
23%
22%

3

de cada 100 respuestas tendrían que cambiar de opción para que coincidan.

04812

La franja es lo que se mueven las personas entre sí: de 3 a 5 puntos. A una réplica se le pide caer adentro.

Con 400 personas, el puro azar la mueve unos 2,8 puntos. Se descuenta al medir.

1002004008001.5003.000

Cómo se valida una réplica

  1. 01Encuestas que el modelo no pudo haber visto

    Solo usamos estudios publicados después de la fecha de corte del modelo. Si la respuesta ya estaba en internet cuando se entrenó, la prueba no vale.

  2. 02Escrito antes de medir

    Dejamos fechado qué vamos a medir y cómo, antes de correr. Así no se acomoda el resultado después.

  3. 03A ciegas

    Las respuestas de las personas las guarda un tercero. Nosotros corremos la pregunta sin verlas.

  4. 04La distancia, pregunta por pregunta

    Medimos cuántas respuestas de cada 100 habría que mover para que Meduzia coincida con la encuesta real.

  5. 05Contra la encuesta repetida y contra algo simple

    La vara es cuánto se mueve la propia encuesta al repetirla, y una predicción simple, como el promedio del rubro, para comparar.

  6. 06Todo publicado

    El número sin ajustar, cuántas preguntas y estudios, el modelo y la versión, con fecha.

III · 07

En el mundo real.

Las marcas usan Meduzia para decidir antes de gastar: en producción, en pauta o en un estudio de campo.

  • Pregunta de ejemploIlustrativo

    ¿Cuál de estas dos cápsulas te llevarías este invierno?

    Cápsula técnica46%
    Cápsula de lana31%
    Ninguna de las dos23%

    La técnica gana en general y entre quienes compran online. Entre quienes cuidan el precio, empatan.

III · 08

Hacia dónde va.

La ciencia que cambió la medicina recién empieza a llegar a las decisiones de las marcas. Esto es lo que se viene, y lo que estamos construyendo.

  • 01Perfiles que se actualizan solos

    Cada nueva reseña, tendencia o movimiento de la competencia se suma a los perfiles de tu marca, para que respondan como tu mercado de hoy.

  • 02Réplicas que se comparan todo el tiempo

    Cada estudio nuevo se contrasta con encuestas reales y el sistema aprende de cada comparación.19

  • 03Cada resultado con su nivel de confianza

    Medido con las réplicas anteriores, para saber cuánto pesa cada respuesta en la decisión.

  • 04La misma lógica que ya cambió la medicina

    Así como hoy se ensaya un fármaco en la computadora antes de probarlo, las marcas van a ensayar cada decisión antes de lanzarla.13,14

  1. 1Anfinsen, C. B. Premio Nobel de Química 1972NobelPrize.org ↗
  2. 2AlphaFold: a solution to a 50-year-old grand challenge in biology (2020)Google DeepMind ↗
  3. 3Jumper, J. et al. Highly accurate protein structure prediction with AlphaFold (2021)Nature 596, 583-589 ↗
  4. 4AlphaFold reveals the structure of the protein universe (2022)Google DeepMind y EMBL-EBI ↗
  5. 5Premio Nobel de Química 2024: Baker, Hassabis y JumperNobelPrize.org ↗
  6. 6Abramson, J. et al. Accurate structure prediction of biomolecular interactions with AlphaFold 3 (2024)Nature 630, 493-500 ↗
  7. 7The Isomorphic Labs Drug Design Engine (2026)Isomorphic Labs, reporte técnico ↗
  8. 8Cheng, J. et al. Accurate proteome-wide missense variant effect prediction with AlphaMissense (2023)Science 381, eadg7492 ↗
  9. 9Kovatchev, B. P. et al. In silico preclinical trials: a proof of concept in closed-loop control of type 1 diabetes (2009)J Diabetes Sci Technol 3(1) ↗
  10. 10Cobelli, C. y Kovatchev, B. Developing the UVA/Padova Type 1 Diabetes Simulator (2023)J Diabetes Sci Technol ↗
  11. 11Badano, A. et al. Evaluation of Digital Breast Tomosynthesis... Using an In Silico Imaging Trial (2018)JAMA Network Open 1(7) ↗
  12. 12Qualification opinion for Prognostic Covariate Adjustment (PROCOVA) (2022)Agencia Europea de Medicamentos ↗
  13. 13FDA Modernization Act 2.0 (2022): pruebas no clínicas, incluidas in silicoResumen en PMC ↗
  14. 14FDA announces plan to phase out animal testing requirement (2025)FDA ↗
  15. 15Argyle, L. P. et al. Out of One, Many: Using Language Models to Simulate Human Samples (2023)Political Analysis 31(3) ↗
  16. 16Park, J. S. et al. Generative Agents: Interactive Simulacra of Human Behavior (2023)UIST '23, ACM ↗
  17. 17Park, J. S. et al. Generative Agent Simulations of 1,000 People (2024, revisado en 2026)arXiv 2411.10109 ↗
  18. 18Horton, J. J. Large Language Models as Simulated Economic Agents (2023; luego con Filippas y Manning)NBER Working Paper 31122 ↗
  19. 19Ashokkumar, A., Hewitt, L., Ghezae, I. y Willer, R. Large language models can predict the results of social science experiments (2026)Nature 656, 115-122 ↗
  20. 20Maier, B. F. et al. LLMs reproduce human purchase intent via semantic similarity elicitation (2025)arXiv 2510.08338 ↗
  21. 21Bisbee, J. et al. Synthetic Replacements for Human Survey Data? The Perils of Large Language Models (2024)Political Analysis 32(4) ↗
  22. 22Wang, A., Morgenstern, J. y Dickerson, J. P. LLMs that replace human participants can harmfully misportray and flatten identity groups (2025)Nature Machine Intelligence 7(3) ↗
  23. 23Brand, J., Israeli, A. y Ngwe, D. Using LLMs for Market Research (revisión 2026)Harvard Business School, Working Paper 23-062 ↗
  24. 24Responsible AI Integration in Survey Research (2026)AAPOR ↗
  25. 25Código Internacional ICC/ESOMAR (2025)ICC y ESOMAR ↗
  26. 26Davey, C. A. et al. Solvent mediated interactions in the structure of the nucleosome core particle at 1.9 Å resolution (2002). Es la estructura 3D del capítulo de las proteínasProtein Data Bank, 1KX5 ↗
  27. 27AlphaFold: The making of a scientific breakthrough (2020), videoGoogle DeepMind, YouTube ↗
  28. 28The Thinking Game (2024), documentalGoogle DeepMind, YouTube ↗
La prueba real

Ponenos a prueba con un estudio tuyo.

Traenos una encuesta que ya hayas hecho. La replicamos a ciegas y la comparás vos: la mejor forma de saber cuánto le podés creer a Meduzia antes de contratarla.

  1. 01

    Nos pasás un estudio que ya hiciste

    El cuestionario y a quién se lo hiciste. Las respuestas las guardás vos.

  2. 02

    Lo corremos a ciegas

    Tus preguntas, a perfiles sintéticos de ese mismo público, sin ver tus resultados.

  3. 03

    Comparás pregunta por pregunta

    Tus respuestas reales al lado de las de Meduzia, con la distancia de cada una.

Traer un estudioUnirme a la lista
Tu estudio vs. MeduziaEjemplo
Opción A
Opción B
Ninguna

4 de cada 100 respuestas de distancia