Charlotte Hornets y el poder oculto del video sin estructura
En 2025, los Charlotte Hornets no solo ganaron el NBA Summer League —también revolucionaron cómo se utiliza la inteligencia artificial en el deporte—. ¿Por qué? Porque aprovecharon un océano de datos sin ordenar: toneladas de grabaciones de partidos de ligas menores que nadie quería ver, pero que estaban ahí, acumuladas y olvidadas. Demasiado engorrosas para los métodos clásicos de análisis, demasiado desordenadas como para sentarse a hacerlas manualmente. Entró la computadora a echarles un cable con visión computacional y modelos de IA específicos, logrando algo que parecía imposible: extraer patrones de movimiento, velocidad, explosividad y posicionamiento de jugadores que hicieron que los Hornets ficharan a un jugador clave, que terminó MVP y llevarlos a su primer título de verano.
Aquí hay una lección brutal: tener la data no sirve de nada si no la puedes digerir. En la pelota NBA, los scouts tradicionales siempre han mirado solo a las grandes ligas visibles. Pero estas imágenes «sin pulir» guardaban un diamante en bruto. El secreto fue cómo etiquetar y dar contexto a esa basura audiovisual hasta convertirla en oro olímpico de análisis. Esto no es magia ni marketing barato: se necesita ingeniería fina y mucha paciencia para que la IA hable nuestro idioma.
La pesadilla del dato sin estructura y cómo domarlo
Que el 90% de la data que manejan las empresas sea “sin estructura” no significa que sea inútil (aunque hasta ahora ha sido una caja negra terrible). Es un desastre, literalmente: formatos, calidad y fiabilidad por los suelos, terminologías específicas que los modelos de IA genéricos ni entienden ni pueden interpretar sin una cura profunda. Para un banco, por ejemplo, lanzar un GPT standard contra sus datos de fraude es como darle un bate a un niño —no solo no le va a pegar, sino que le hará perder la pelota.
Lo complicado no solo es entender cada dominio y sus términos, sino también integrar varios flujos de datos con estándares y formatos dispares y ruido por todos lados. En muchos casos, la gente no sabe distinguir el dato que aporta insights del que solo es ruido de fondo. Algoritmos de procesamiento de lenguaje natural, etiquetado manual o semiautomático, depuración y, sobre todo, la construcción de un “mapa de datos” contextualizado ha sido la única forma de trasladar esta montaña de datos sin sentido a algo accionable.
Y aún así, esa parte es solo el inicio. El data pipeline no es un viaje de ida. Dos riesgos: inversión sin retorno en computación y recursos, y proyectos eternos que parecen avanzar pero solo van en círculos, por pura falta de objetivos claros y pilotos bien diseñados.
Visión computacional: no es ciencia ficción, es cancha real
La visión computacional lleva años en el juego, pero solo con el auge reciente de la IA y el poder de cómputo que tenemos hoy se ha vuelto un arma brutal para darle sentido a lo que antes era imposible procesar. En el caso de los Hornets, esto significó mapear el espacio de juego a nivel quirúrgico: coordenadas X y Y de jugadores, objetos, movimientos, trayectorias, velocidades y aceleraciones, hasta identificar posturas y patrones sutiles en tiempo real.
¿Sabes qué es lo más alucinante? No fue solo software ya hecho que aplicaron sin más. Eso sería perder el tiempo. Cinco modelos base fueron ajustados, calibrados y entrenados para entender que un “campo” no siempre es uno de fútbol, que las reglas del basket influyen en la dinámica y que hay limitaciones espaciales y temporales específicas a este deporte. Eso le dio al software un ojo humano adelantado miles de años: detectar qué pasa en la cancha no es tan solo “ver”, sino saber qué estás viendo.
Jordan Cealey, SVP en Invisible Technologies (la consultora tecnológica detrás del proyecto), apunta a algo que pocos reconocen: “Podemos tomar datos que antes no podíamos consumir y crear análisis que nunca habrían existido”. Vaya, lo que vendría a ser listo, directo y potente, sin vueltas.
¿Pero esto funciona de verdad o es solo hype tecnológico?
A ver, no vamos a ponerle 10 a todo porque sí. Que los Hornets vencieran con la ayuda de IA es un caso excepcional, sí, pero no el único. El éxito aquí depende más de la estrategia y la ejecución que de la tecnología per se. Claridad en objetivos, pipeline impecable y comprensión específica del contexto empresarial son decisivos.
“Lanzar IA sobre problemas sin preparación es perder tiempo y dinero”, aclara Cealey. Empresas que piensan “queremos AI” como moda o “porque es lo último” suelen acabar en proyectos fantasmas, que se eternizan y queman presupuesto solo para generar cifras sin sentido. Por eso, encontrar partners que desplieguen ingenieros en terreno, que entiendan el negocio y ajusten modelos a medida es vital.
Ese enfoque, tipo ‘Forward-Deployed Engineers’, popularizado por Palantir, evita el sesgo de consultor externo que lanza soluciones cableadas y sin flexibilidad. Los FDEs se meten en la trinchera del cliente, afinan la data, coordinan con equipos de etiquetado y generan datasets que validan o mejoran modelos en producción. No es magia, es trabajo humano con IA, y esa mezcla es lo que garantiza resultados medibles, no sueños.
Modelos base y la fineza necesaria para que capturen el fondo del asunto
La maravilla del deep learning no es solo levantar modelos gigantescos y lanzarles datos a morir. Para que la IA escupa valor real, antes toca cocinar: entender que juega en otro campo, que las reglas cambian y que la jerga tiene giros únicos.
Invisible Technologies utilizó cinco modelos preexistentes (foundation models) pero no se conformaron. Reconocer un balón o jugador no basta. La IA tuvo que aprender que un out-of-bounds afecta la jugada, que los movimientos tienen significado táctico y que la métrica pura de vel. o aceleración no es una hoja de ruta automática sin contexto.
Este entrenamiento es similar a afinar un instrumento en una orquesta donde cada nota debe encajar con precisión para la sinfonía. Solo así la IA pasó de detectar imágenes a leer el juego y entregar análisis tácticos casi humanos. El milagro se logra no poniendo la IA en piloto automático, sino metiéndole horas, datos, supervisión humana y ajustes cuidados.
La trampa de la IA sin brújula: ¿qué negocio quieres salvar?
Lo dicho, tecnología y datos sin propósito estratégico es perderse en los números y terminar con mil métricas inútiles. Los mejores casos de uso vienen cuando el cliente sabe qué quiere, qué problema resolver y tiene resultados claros en la mira.
No cualquier prueba de IA es un test válido. Muchos proyectos naufragan en la falta de dirección y objetivos claros, y acaban poseídos por la voracidad de recursos en la que todos pierden. El presupuesto explota, la paciencia del equipo se agota y lo único que queda es un montón de datos que dicen nada.
Por eso, definir si se busca mejorar la gestión del inventario, detectar fraude o, como los Hornets, identificar talento oculto en el mercado, es clave. La IA no es una varita mágica, sino una herramienta potentísima cuyo uso correcto cambia reglas del juego, y cuyo mal uso solo deja un agujero negro financiero.
¿Y tú qué harías con tus datos sin ordenar?
Si tu empresa guarda montañas de datos raleados, sucios, sin forma definida y no haces nada con ellos, estás dejando dinero en la mesa. En serio. La falta de organización y modelado adecuado los convierte en un lastre, no en un activo.
Entonces, la pregunta no es si deberías usar IA, sino cómo, con quién y con qué objetivos claros. Claro que cuesta: ajustar modelos, contratar expertos que estén al pie del cañón, invertir en infraestructura. Pero también es cierto que las empresas que lo hacen rápido y bien se comen el mercado mientras otros siguen rascándose la cabeza.
La moraleja no es entrañable ni esperanzadora, sino un poco despiadada: el dato sin estructura es basura hasta que no lo conviertas en información valiosa. ¿Vas a dejar ese tesoro pudriéndose o vas a empezar a afinar tu IA para ganar?
Ahí lo dejo. ¿Tu pila de datos será oro o polvo?