У квітні 2026 року популярний техноблогер Tech With Tim показав один із найяскравіших прикладів того, як багатoагентні AI‑системи можуть виходити за межі звичних чат-ботів. Він використав відкритий проєкт MiroFish, щоб змоделювати майбутнє ринку житлової нерухомості в центрі Дубая — з конкретною метою дізнатися, скільки можуть коштувати двокімнатні апартаменти у 2035 році.
Це не була абстрактна демонстрація. Автор справді володіє квартирою в Дубаї й хотів зрозуміти, чи його інвестиція виглядатиме виграшною через десять років. Для цього він запустив складну симуляцію, де 32 віртуальні агенти з різними ролями — від інвестора до політиків і військових — сперечалися, писали «статті», реагували одне на одного й зрештою зійшлися на спільному прогнозі.
Від GitHub‑сенсації до реального кейсу: що таке MiroFish і навіщо він потрібен інвестору
MiroFish за кілька тижнів перетворився на один із найпомітніших AI‑проєктів на GitHub: понад 51 тисяча зірок, приблизно 7,6 тисячі форків, статус №1 у глобальному тренді репозиторіїв. Попри те, що систему, за словами автора відео, створили всього за десять днів і профінансували більш ніж на $4 млн, її амбіції значно виходять за рамки «іграшки для розробників».
Ключова ідея MiroFish — не просто відповідати на запитання, а запускати паралельний цифровий світ, у якому десятки або сотні автономних агентів імітують поведінку користувачів соцмереж на кшталт Reddit і X (Twitter). Вони публікують дописи, коментують, лайкають, дизлайкають, цитують одне одного, сперечаються й поступово формують колективне бачення майбутнього.
Результатом стає детальний граф знань — складна мережа зв’язків між подіями, фактами, припущеннями й висновками. Саме цей граф MiroFish використовує як основу для прогнозів, зокрема для таких прикладних завдань, як оцінка майбутньої вартості нерухомості.
У випадку з Дубаєм завдання було сформульоване максимально конкретно: на основі історичних даних ринку та поточних новин з Близького Сходу спрогнозувати, скільки коштуватимуть двокімнатні апартаменти в центрі міста у 2035 році.
Як поставити запитання майбутньому: вхідні дані для дубайської симуляції
Попри складність внутрішньої архітектури, взаємодія користувача з MiroFish побудована доволі просто. Система очікує дві ключові складові: базову інформацію та коротке запитання, яке визначає вектор усієї симуляції.
У дубайському кейсі базовий пакет даних складався з двох великих блоків.
Перший блок — це детальний дослідницький звіт з історичними даними ринку нерухомості Дубая. Йшлося не про кілька цифр, а про повноцінний документ, що описує динаміку цін, тренди розвитку міста, попит на житло, ймовірно, вплив інфраструктурних проєктів та економічних циклів.
Другий блок — актуальні новини з Близького Сходу, включно з контекстом війни в регіоні. Для ринку нерухомості Дубая це критично: геополітична напруга, санкції, військові конфлікти та енергетичні ризики можуть як підштовхувати капітал у відносно стабільні юрисдикції, так і створювати додаткові ризики для інвесторів.
Після завантаження цих матеріалів автор сформулював єдине запитання, яке й стало «маяком» для всієї симуляції: якою буде ціна двокімнатних апартаментів у дубайській нерухомості в 2035 році?
Цей формат взаємодії — «дані плюс просте запитання» — є типовим для MiroFish. Користувач не налаштовує вручну десятки параметрів, не програмує поведінку агентів і не визначає сценарії. Усе це система виводить сама, виходячи з наданого контенту й поставленої мети.
Саме тому вибір і якість вхідних даних стають центральним елементом роботи з MiroFish. У дубайському експерименті це означало, що історичні ринкові показники та новинний фон Близького Сходу фактично визначили, які теми обговорюватимуть агенти, які ризики вони врахують і які сценарії розвитку подій вважатимуть правдоподібними.
32 агенти, два «соцмережеві світи» і один ринок нерухомості
Після отримання даних і запитання MiroFish запускає багатоступеневий процес. Перший крок — побудова інтенсивного графа знань, який пов’язує між собою всі фрагменти інформації: від історичних цін до політичних подій. Це дозволяє системі не просто «шукати по файлах», а працювати з контекстом як із цілісною мережею причинно-наслідкових зв’язків.
Далі MiroFish переходить до створення середовища. На основі вхідних даних система автоматично генерує низку автономних агентів із різними персонами, цілями та завданнями. У дубайському кейсі таких агентів було 32, і саме вони стали «населенням» віртуального світу, де обговорювалося майбутнє ринку житла.
Серед агентів були як очевидні, так і несподівані ролі.
Окремий агент моделював самого автора як інвестора в дубайську нерухомість — із відповідними інтересами, упередженнями та фокусом на прибутковості вкладень.
Поруч із ним у симуляції з’явилися політичні фігури на кшталт Ненсі Пелосі та Дональда Трампа. Їхня присутність додає до обговорення перспектив ринку нерухомості шар американської політики, санкційної риторики, регуляторних ризиків і впливу США на глобальні фінансові потоки.
Ще один агент виступав у ролі аналітика фондового ринку ОАЕ, що дозволяє пов’язати динаміку біржових індексів, корпоративних прибутків і інвестиційного клімату з попитом на житло.
У симуляції також були представники військових кіл США та Ірану. Їхня задача — привнести у дискусію перспективи безпеки, ризики ескалації конфліктів, можливі сценарії блокади транспортних коридорів чи зміни балансу сил у регіоні.
Разом ці 32 агенти утворили своєрідний «міні‑світ», де перетинаються інтереси інвесторів, політиків, аналітиків і військових. Кожен із них мав власну пам’ять, соціальні зв’язки та набір цілей, що дозволяло моделювати не просто набір незалежних думок, а динамічну мережу взаємодій.
Щоб ця мережа поводилася максимально наближено до реального інформаційного простору, MiroFish запустив двоплатформену симуляцію. Одна частина середовища імітувала Twitter‑подібний простір, де агенти робили короткі пости, цитували одне одного, репостили й миттєво реагували на події. Інша — Reddit‑подібний формат із довшими обговореннями, гілками коментарів, дискусіями та «голосуванням» за контент.
У цьому двохсвітовому режимі агенти могли:
публікувати дописи з власними прогнозами та аргументами;
коментувати й критикувати позиції інших;
лайкати або дизлайкати повідомлення, сигналізуючи про підтримку чи незгоду;
репостити або цитувати, підсилюючи окремі наративи.
Усе це відбувалося не один раз, а протягом багатьох кроків симуляції, що дозволяло бачити, які ідеї «виживають», які маргіналізуються, а які стають консенсусом.
Від хаотичної дискусії до структурованого прогнозу: як народжується фінальний звіт
Коли багатогодинна цифрова дискусія добігає кінця, MiroFish переходить до етапу конденсації результатів. На цьому кроці в гру вступає спеціалізований «агент‑репортер», який аналізує весь згенерований контент: пости, коментарі, суперечки, зміну позицій агентів, еволюцію аргументації.
Саме цей агент формує фінальний звіт — документ, у якому підсумовується прогноз і пояснюється, як до нього дійшли. У дубайському експерименті звіт був присвячений прогнозу цін на житло в центрі міста протягом наступних десяти років, із фокусом на двокімнатні апартаменти до 2035 року.
Важливо, що MiroFish не обмежується сухою цифрою. Система дозволяє «зануритися» в середину симуляції й подивитися, як мислили окремі агенти. Користувач може відкрити будь-якого з 32 агентів, переглянути його дописи, аргументи, реакції на нову інформацію й навіть продовжити з ним діалог уже після завершення основного прогону.
У випадку з дубайським ринком це означає, що інвестор може не лише побачити прогнозну ціну, а й зрозуміти, наприклад:
як аналітик фондового ринку ОАЕ оцінював вплив локальних IPO та інвестиційних програм на попит на житло;
як «агент‑Трамп» реагував на сценарії зміни санкційної політики чи нафтових угод;
як «іранський представник» моделював ризики ескалації конфліктів і їхній вплив на регіональну стабільність;
як сам «агент‑інвестор» змінював свою позицію під впливом аргументів інших.
У підсумку MiroFish пропонує не просто відповідь, а прозорий ланцюжок міркувань, який можна перевірити, оскаржити або доповнити. Для ринку нерухомості, де рішення часто приймаються на основі поєднання «сухих цифр» і суб’єктивних очікувань, така прозорість може виявитися не менш важливою, ніж точність прогнозу.
Чому кейс Дубая показовий для майбутнього фінансової аналітики
Експеримент із дубайською нерухомістю цікавий не лише тим, що стосується конкретного міста й конкретного року. Він демонструє, як може виглядати новий клас інструментів для інвесторів, аналітиків і девелоперів.
По‑перше, він показує, що користувачеві не обов’язково бути експертом у побудові моделей чи програмуванні агентів. Достатньо мати якісний дослідницький звіт, релевантні новини й чітко сформульоване запитання. Усе інше — від побудови графа знань до створення 32 різних «персон» — бере на себе система.
По‑друге, дубайський кейс ілюструє цінність мультиперспективності. Замість одного «середнього» прогнозу, згенерованого великою мовною моделлю, ми отримуємо симуляцію, де різні точки зору — політичні, економічні, військові — вступають у конфлікт і змушують одна одну «обґрунтовуватися». Для ринку, який чутливий до геополітики, це особливо важливо.
По‑третє, приклад показує, як можна поєднувати макро‑ та мікрорівні аналізу. З одного боку, агенти обговорюють великі теми — війни, санкції, енергетичні ринки. З іншого — результатом стає дуже конкретна відповідь: що буде з цінами на двокімнатні квартири в певному районі через десять років.
Нарешті, дубайський експеримент демонструє, що подібні симуляції вже не є надто дорогими чи технічно недосяжними. Повноцінний прогін MiroFish із використанням моделі GPT‑4.0, за оцінкою автора, обійшовся приблизно в $3 API‑витрат. Це ставить багатoагентні «прогнози майбутнього» в один ряд із звичайними запитами до LLM за вартістю, але не за глибиною опрацювання.
Висновки: коли ринок обговорюють не аналітики, а їхні цифрові двійники
Кейс прогнозу цін на нерухомість у центрі Дубая до 2035 року показує, як швидко змінюється уявлення про те, що таке «аналітика майбутнього». Замість статичних моделей і таблиць ми бачимо динамічну симуляцію, де 32 віртуальні агенти з різними ролями й інтересами ведуть багатогодинну дискусію в умовних «Twitter» і «Reddit», а потім конденсують її у структурований звіт.
Користувачеві при цьому достатньо зробити дві речі: підготувати якісний пакет вхідних даних — у цьому випадку історичний звіт про ринок нерухомості Дубая та актуальні новини з Близького Сходу — і поставити просте, але чітке запитання про майбутню ціну конкретного активу.
Чи стане MiroFish і подібні системи стандартом для інвестиційних рішень — питання відкрите. Але дубайський експеримент уже зараз демонструє, що багатoагентні симуляції можуть перетворити прогнозування з «чорної скриньки» в прозорий процес, де кожен крок — від політичних дебатів до фінальних цифр — можна побачити, проаналізувати й поставити під сумнів.
Для ринку, який живе на перетині даних, очікувань і страхів, це може виявитися не менш революційним, ніж поява перших електронних таблиць.
Джерело
YouTube: I Spawned 10,000 AI Agents to Predict the Future (MiroFish is Insane)