La era de la verificación mediante IA: más allá del discurso actual sobre la IA

El Dr. Patrick Lucey es director científico de Stats Perform, donde dirige la estrategia de investigación e innovación en inteligencia artificial de la empresa. En este último artículo, analiza cómo el debate sobre la inteligencia artificial está pasando de centrarse en lo que los sistemas pueden generar a lo que las organizaciones pueden confiar, verificar y poner en práctica de forma fiable a gran escala, y por qué el deporte se está convirtiendo en un campo de pruebas para esa nueva era.

En los últimos meses, he recorrido todo el ecosistema de la IA, desde los trepidantes escenarios de NVIDIA GTC y la MIT Sports Summit hasta el enfoque estratégico de la Cumbre de IA para Empresas de Wisconsin, nuestro propio Foro Optay una clase del EMBA.

Si dejamos a un lado las cumbres y las conferencias, queda claro que hemos llegado a un punto de inflexión. El debate ha pasado de centrarse en la «novedad» de lo que los actuales modelos de IA con capacidad de acciónpuedenhacer a la necesidad de lo quedeberíanhacer. Estamos pasando de tratar la IA como un chatbot reactivo a considerarla un sistema de producción proactivo: una «fábrica de IA». Sin embargo, antes de poner en marcha estas fábricas, debemos asegurarnos de que se han establecido los mecanismos de verificación y supervisión necesarios. Mientras que el mundo empresarial se centra en implementar estos sistemas en el ámbito digital, el «buzz» de la investigación y la innovación se centra firmemente en la IA física.   

Pero, ¿qué relación tiene esto con lo que hacemos en el mundo del deporte? 

El deporte es único porque se sitúa en la intersección perfecta entre el mundo físico y el digital. Mientras que muchos sectores se desarrollan íntegramente en el mundo digital de los textos, los códigos y las imágenes, el deporte se basa fundamentalmente en lo que los seres humanos hacen con sus cuerpos en tiempo real. Es uno de los activos más valiosos del planeta —no solo económicamente, sino también socialmente— y forma parte de nuestro tejido social global, conectando comunidades más allá de las fronteras a través de un lenguaje universal. Dado que nos importan tanto estos momentos humanos, la creación de los datos y su utilización mediante la IA deben ser irreprochables. Mi motivación para escribir este artículo es doble: 

1. Tender puentes entre los ecosistemas:garantizar que el mundo del deporte sea plenamente consciente de los rápidos cambios que se están produciendo en el panorama general de la inteligencia artificial —en concreto, la tendencia hacia flujos de trabajo autónomos y las «fábricas de IA»— y de cómo estas tendencias globales están ahora conectando directamente con el terreno de juego. 
2. El deporte como el campo de pruebas definitivo:para demostrar a quienes no pertenecen al mundo del deporte que el trabajo que estamos realizando en el ámbito de la IA aplicada al deporte se encuentra entre los más sofisticados que existen. Dado que debemos determinar la realidad física en tiempo real y a gran escala, el deporte es la «prueba de resistencia» definitiva para la fiabilidad de la IA y para la próxima generación de IA, que gira en torno a la verificabilidad, la confianza y la fiabilidad. 

A continuación, presento un resumen de las principales tendencias que he observado durante este tiempo y cómo se relacionan con lo que hacemos en Stats Perform.

1. Hacer un uso inteligente de los tokens 

En la GTC de NVIDIA, el director ejecutivo Jensen Huang destacó que hemos dejado atrás la era del centro de datos tradicional. Durante décadas, estos fueron centros de costes pasivos: almacenes digitales diseñados para el almacenamiento y la recuperación de información. Hoy en día, estamos construyendo «fábricas de IA»: instalaciones en las que se lleva a cabo un trabajo real. En este nuevo paradigma, la IA agentiva es el motor que ejecuta ese trabajo. 

En la práctica, estos sistemas «Agentic» actúan como empleados digitales: son sistemas capaces de planificar, utilizar software y completar flujos de trabajo de varios pasos de forma autónoma. Herramientas como Claude Code o OpenClaw nos permiten vislumbrar esta nueva «mano de obra automatizada».

Desde el punto de vista de las operaciones empresariales, el debate ha pasado de «¿Cómo utilizamos la IA?» a «¿Cómo podemos aprovecharal máximola IA?», desde la perspectiva del valor y la eficiencia. Si bien la IA ha facilitado enormemente la escritura de código o la generación de contenidos, también supone una nueva carga: la necesidad de mantener y verificar los nuevos códigos y resultados. 

Debemos ser pragmáticos a la hora de decidir dónde utilizamos estas fábricas. Los tokens no son gratis. Utilizar un agente de alto nivel de razonamiento para una simple consulta en una hoja de cálculo es como usar un motor a reacción para ir al supermercado. Por eso estamos viendo cómo las empresas de IA están cambiando rápidamente sus modelos de precios para reflejar elverdadero coste de utilizar sistemas de IA agentiva. Si las empresas no tienen cuidado, puedenagotar su presupuesto de computación en muy poco tiempo.  Además, cada acción automatizada supone también un nuevo riesgo de seguridad, algo queel modelo Mythos de Anthropic demostró recientementeal revelar en cuestión de segundos vulnerabilidades que habían pasado desapercibidas durante décadas de revisión humana. 

En muchos sentidos, esto refleja un principio fundamental del aprendizaje automático clásico: a veces, un modelo lineal es superior a una red neuronal profunda porque es más fácil de regularizar, más fácil de interpretar y más difícil de romper. 

El mensaje para 2026 es claro:

Si no entiendes cómo funciona el sistema de IA y no puedes verificarlo, probablemente no deberías crearlo. La excusa de la «caja negra» ya no sirve. A medida que normativas como laLey de IA de la UEentran plenamente en vigor y las leyes estatales de EE. UU. introducen una estricta responsabilidad civil, las organizaciones son ahora responsables, tanto legal como éticamente, de cada «alucinación» autónoma. No puedes respaldar un sistema que no entiendes.

Para tener éxito en la era de la IA, las organizaciones necesitan expertos capaces de supervisar los sistemas de IA, identificar casos extremos e intervenir cuando sea necesario. 

2. La era del experto en contexto

En todas las cumbres y aulas que visité, una pregunta se cernía sobre cada conversación:«¿Cuál es el futuro de mi trabajo?». Tanto para los recién graduados como para los trabajadores que han perdido su empleo, el auge de la IA agentiva —sistemas capaces de moverse de forma autónoma por el mundo digital y escribir su propio software— hagenerado un temor palpable.

¿A qué se debe este descenso? En mi opinión, se debe a que la «era del programador» está dando paso a la «era del experto en contexto». Los conocimientos generales de programación se están convirtiendo en un bien de consumo. Lo que marca la diferencia es una profunda experiencia en el ámbito específico, sobre todo en la «última milla», donde es necesario comprender y verificar los casos extremos, las limitaciones y la variabilidad del mundo real. Dado que la IA se encarga de los casos habituales, la experiencia humana se vuelve fundamental para garantizar que los sistemas funcionen correctamente en los escenarios que más importan. 

En ámbitos regulados como la medicina, el derecho y las finanzas, el valor está pasando de la «conjetura» generativa a la auditoría determinista. Esto es la paradoja de Jevons en acción: a medida que la IA abarata y agiliza las tareas cognitivas básicas, no hacemos menos, sino que producimos exponencialmente más. Ya lo hemos visto antes en contabilidad con la introducción de la hoja de cálculo electrónica: muchos esperaban que redujera la necesidad de contables, peroal final amplió el campo.  A medida que aumenta la producción, también lo hace el riesgo. El resultado no es menos trabajo, sino una creciente demanda de conocimientos especializados de alto nivel para verificar, validar y, en última instancia, respaldar ese trabajo. La IA ayudará en este proceso, pero la responsabilidad no se puede automatizar: los expertos humanos siguen siendo esenciales para la verificación y la aprobación. 

Sin embargo, no creo que la programación deje de ser una competencia fundamental. Más bien, la ventaja competitiva vendrá de la combinación de una sólida capacidad de programación con un profundo conocimiento del sector. Cada vez más, la programación y la inteligencia artificial se convertirán en pilares fundamentales en todas las disciplinas; no serán especialidades independientes, sino competencias básicas. 

En el deporte, no se puede fingir ser un experto.

Hay mucho en juego y el contexto es demasiado específico. La nueva barrera de entrada no es solo la competencia técnica, sino el conocimiento del sector necesario para verificar los resultados de la IA y operar en un nivel superior de la cadena de valor, pasando del análisis descriptivo a la innovación prescriptiva que genera un impacto real para los equipos y los aficionados.

Un claro ejemplo de este cambio se puso de manifiesto en nuestro Foro Opta.

Históricamente, los analistas y los científicos de datos se veían limitados por el mantenimiento de los paneles de control y la elaboración de informes rutinarios. Con Agentic AI, esa dinámica está cambiando. El panel de control está evolucionando hacia una capa de verificación: ya no es un lugar al que acudir para descubrir información, sino una interfaz para auditar y validar el trabajo elaborado por los sistemas de IA. En conversaciones con clubes líderes de todo el mundo, ha surgido un tema recurrente: los analistas y los científicos de datos por fin pueden centrarse en los problemas que siempre han querido resolver. 

Este cambio permite a los analistas pasar de limitarse a gestionar los resultados a asumir la responsabilidad de su integridad, lo que les da margen para abordar la acumulación de problemas de gran valor y gran repercusión que antes estaban fuera de su alcance. 

3. La IA física y el creciente coste de equivocarse

Cuando la mayoría de la gente piensa en la IA física, se imagina robots humanoides. Si bien la robótica se está imponiendo rápidamente como la próxima gran frontera, un avance clave para su desarrollo es la creación demodelos del mundo: sistemas de IA capaces de comprender y simular la física y las interacciones del mundo real con una precisión cada vez mayor. A diferencia de los LLM y VLM tradicionales, que razonan principalmente a partir de texto e imágenes, los modelos del mundo aprenden representaciones conjuntas de objetos, entornos, movimiento y dinámicas de interacción en un espacio de incrustación compartido. Estos modelos son fundamentales para permitir la percepción, el razonamiento, la planificación y la toma de decisiones en entornos físicos. 

Durante años, hemos trabajado en un entorno digital aislado, donde los errores se traducen en enlaces rotos o resultados incorrectos. En el mundo real, los errores acarrean consecuencias reales. El coste de equivocarse aumenta drásticamente. Por eso la verificación se vuelve fundamental. 

Uno de los factores clave que hacen posible este cambio es el uso de gemelos digitales de alta fidelidad: entornos sintéticos en los que los sistemas pueden entrenarse y ponerse a prueba de forma segura antes de interactuar con el mundo real. Sin embargo, estos sistemas son tan buenos como los datos y los supuestos en los que se basan. Un ejemplo muy bueno de esto es cómoWaymo está utilizando el modelo Genie 3 de Googlepara simular escenarios realistas, algo muy difícil de capturar en la vida real. Puede que no hayan ocurrido antes, pero podrían ocurrir, por lo que contar con un sistema que sepa qué hacer en estas situaciones es clave para la seguridad y la fiabilidad.

Esto crea una nueva forma de ventaja competitiva basada en los datos: no solo en la escala, sino también en la precisión y la base real. Refuerza la necesidad de contar con una profunda experiencia en el sector: científicos e ingenieros que garanticen que los sistemas de IA reflejen las realidades en las que deben funcionar. 

A medida que la inteligencia artificial se acerca al mundo físico, el papel de la experiencia humana no disminuye, sino que se vuelve más crucial. Porque cuando los sistemas actúan en el mundo real, la confianza ya no es opcional,sino esencial. 

4. El deporte como el problema de verificación definitivo

El deporte se sitúa en la encrucijada entre el mundo físico y el digital.

Durante décadas, la IA en el deporte se utilizó para presentar información: gráficos, resúmenes y estadísticas básicas. Hoy en día, los aficionados y los equipos quieren interactuar con los datos. Aquí es donde la IA de propósito general se queda corta y la IA específica para cada ámbito se vuelve imprescindible. Desarrollar IA para el deporte no consiste simplemente en aplicar modelos de propósito general (por ejemplo, modelos de lenguaje grande o modelos del mundo), sino que requiere un profundo conocimiento de los datos, la física y el lenguaje del deporte.

La ventaja de Stats Perform radica en su amplia experiencia en tres áreas fundamentales propias del deporte: 

• El registro del deporte:una IA fiablepara el deporte depende de una cobertura de datos exclusiva, exhaustiva y actualizada continuamente que no existe en la web pública. La creación de sistemas fiables requiere representaciones completas y profundamente estructuradas del juego, desde transmisiones de eventos segundo a segundo hasta metadatos contextuales. Sin este «registro» deportivo bien fundamentado, incluso los asistentes de IA avanzados de uso general a menudo interpretarán erróneamente datos básicos y no podrán ofrecer información táctica fiable. Aquí es donde destaca Stats Perform: combinando una amplia cobertura de datos, experiencia en el sector y sistemas de IA bien fundamentados, diseñados específicamente para el deporte.
• El modelo físico del mundo deportivo: paracomprender el deporte es necesario situarlo en el espacio y el tiempo. En Stats Perform, creamos un modelo físico del campo, alineando el vídeo con las coordenadas del mundo real con precisión. Pero el reto no es solo el seguimiento de los jugadores, sino modelar cómo interactúan. El juego tiene su propia «física», impulsada por el movimiento, el espacio y las tácticas. Esto nos permite tener en cuenta las oclusiones, los movimientos sin balón y el contexto oculto, generando datos completos, fundamentados y verificables. 
• El lenguaje del juego: losdatos brutos por sí solos no bastan. El deporte tiene su propio lenguaje, que combina métricas descriptivas (goles esperados, amenaza esperada), modelos predictivos y contexto táctico. Hemos creado el vocabulario que permite a la IA describir el juego con un rigor propio de los expertos, a gran escala y al alcance de cualquiera.

Esta base hace posible nuestro sistema de tres capas: 

1. Detección: captar con precisión el «qué», el «dónde» y el «quién».
2. El lenguaje: traducir los acontecimientos al lenguaje estructurado del deporte.
3. Razonamiento: permite a los usuarios explorar, cuestionar y comprender el juego en su contexto. Esta capa ofrece una interactividad real, gracias tanto a modelos de IA general que operan con nuestro lenguaje de dominio como a modelos especializados diseñados para un análisis y una predicción más profundos.

Estas capas son las que hacen que los sistemas de IA sean fiables.

Sin una percepción y un lenguaje bien fundamentados, el razonamiento se desmorona. Al convertir el panel de control en una capa de verificación, los analistas ascienden en la jerarquía —pasando de generar resultados a validarlos—, lo que les permite centrarse en una modelización más profunda y en la innovación.

No se trata de crear herramientas más rápidas. Se trata de crear una «capa de verdad» para uno de los ámbitos más importantes del mundo. 

Para quienes estén interesados en profundizar en el tema, a continuación he incluido enlaces a mis sesiones específicas en la NVIDIA GTC y el Opta Forum.