Las ciudades son sistemas complejos, compuestos por muchas partes interactivas. La forma en que simulamos y entendemos la causalidad en los sistemas urbanos está en constante evolución. En la última década, el paradigma de modelado basado en agentes (ABM) ha proporcionado una nueva perspectiva para entender los efectos de las interacciones de los individuos y cómo, a través de tales interacciones, emergen estructuras macro, tanto en el entorno social como físico de las ciudades. Sin embargo, este paradigma se ha visto obstaculizado debido a la potencia computacional y a la falta de grandes conjuntos de datos a escala fina. En los últimos años hemos sido testigos de un aumento masivo en la potencia de procesamiento y almacenamiento computacional, combinado con la llegada de los grandes datos. Hoy en día, los geógrafos se encuentran en una era rica en datos. Ahora tenemos acceso a una variedad de fuentes de datos (por ejemplo, redes sociales, datos de teléfonos móviles, etc.) que nos indican cómo y cuándo los individuos utilizan los espacios urbanos. Estos datos plantean varias preguntas: ¿podemos utilizarlos de manera efectiva para entender y modelar las ciudades como entidades complejas? ¿Qué tan bien se han adaptado los enfoques de ABM para simular la dinámica de los procesos urbanos? ¿Cuál ha sido, o será, la influencia de los grandes datos en aumentar nuestra capacidad para entender y simular las ciudades? ¿Cuál es el nivel apropiado de análisis espacial y el marco temporal para modelar fenómenos urbanos? En este artículo discutimos estas preguntas utilizando varios ejemplos de ABM aplicados a la geografía urbana para iniciar un diálogo sobre la utilidad del ABM para el modelado urbano. Los argumentos que plantea el artículo son aplicables en el entorno de investigación más amplio donde los investigadores están considerando utilizar este enfoque.