Tu app de fitness no sabe si le mientes, y eso es un problema de miles de millones

El pasado noviembre, vi una demo que rompió algo en mi cerebro.

Un proveedor de bienestar corporativo estaba presentando su "plataforma de fitness impulsada por IA" a una sala llena de ejecutivos de seguros. La demo era impecable: un usuario en pantalla haciendo sentadillas, la app contando repeticiones, otorgando puntos, todo el paquete gamificado. Los ejecutivos asentían con aprobación. Entonces hice una pregunta que dejó la sala en silencio: "¿Qué pasa si el usuario simplemente sube y baja tres pulgadas en lugar de hacer una sentadilla de verdad?"

El proveedor sonrió. "Bueno, confiamos en que nuestros usuarios—"

"Confían en ellos", dije. "Pero le están pidiendo a esta aseguradora que fije el precio del riesgo basándose en esa confianza."

Ese fue el momento en que supe que estábamos construyendo lo correcto en Veriprajna. No otro chatbot. No otro envoltorio en torno a GPT. Algo que la industria necesitaba desesperadamente pero no había logrado articular: IA que no genera respuestas: verifica la realidad física.

La industria del fitness y la salud digital tiene un secreto sucio. El mercado de bienestar corporativo de 60.000 millones de dólares, los programas de descuento de seguros, los proyectos cripto de move-to-earn: todos están construidos sobre datos que se disuelven en cuanto los auditas. Y nadie quiere hablar de ello porque los paneles se ven estupendos.

Yo voy a hablar de ello.

¿Por qué tu app de fitness no puede saber si realmente hiciste ejercicio?

Esta es la arquitectura de casi todas las apps de fitness del mercado: es un reproductor de video con un motor de recomendaciones atornillado encima. Le das a reproducir, un instructor hace flexiones, se supone que debes seguirlo, y cuando el video termina, la app registra el entrenamiento como "completado". Estima tu gasto calórico a partir de tablas genéricas. Te da una insignia.

En ningún momento la app verificó que te movieras.

La app asume que el consumo equivale a la finalización. Pregunta: "¿Hiciste el trabajo?" y acepta acríticamente "Sí" como respuesta.

Esto no es una queja de nicho. Esta es la arquitectura fundacional de una industria multimillonaria. Y falla por una razón que cualquier economista del comportamiento podría haber predicho.

Existe un principio llamado ley de Campbell: el sociólogo Donald Campbell observó que cuanto más usas una métrica para tomar decisiones, más gente corromperá esa métrica. Vincula dinero al conteo de pasos, y la gente atará Fitbits a los ventiladores de techo. Vincula descuentos de seguros a la "finalización del entrenamiento", y la gente dejará que los videos se reproduzcan mientras cenan.

Esto no es hipotético. ¿Recuerdas STEPN, el proyecto cripto de move-to-earn? Colapsó en parte por la carrera armamentística entre la capacidad del protocolo para detectar movimiento válido y la capacidad de los usuarios para falsificarlo con suplantación de GPS y agitadores mecánicos. Cuando la verificación es débil, el fraude se vuelve racional. Los participantes honestos son castigados. El proveedor del incentivo quiebra.

Yo volvía una y otra vez a una frase que con el tiempo empecé a decir en cada reunión de presentación: No puedes gamificar lo que no puedes verificar.

La noche en que nos dimos cuenta de que la estimación de pose no es inteligencia

No empezamos con esta idea. Tropezamos con ella.

Al principio, mi equipo estaba entusiasmado con la estimación de pose: bibliotecas como BlazePose y MoveNet que extraen las coordenadas de las articulaciones del esqueleto a partir de video. Pensamos, genial, usaremos esto para construir un sistema de verificación de fitness. Pasamos semanas integrando MoveNet, obteniendo datos limpios del esqueleto transmitidos desde la cámara de un teléfono, y luego nos sentamos a de verdad usar los datos para la verificación.

Fue entonces cuando comenzaron las discusiones.

Uno de mis ingenieros, convencido de que ya casi habíamos terminado, mostró un único fotograma de datos del esqueleto: una persona con los codos flexionados y el torso bajado. "¿Ves? Flexión", dijo.

"¿Lo es?", pregunté. "¿Está bajando o subiendo? ¿Lleva sosteniendo esa posición treinta segundos o treinta milisegundos? ¿Está temblando de fatiga o perfectamente controlada?"

Un único fotograma no te dice nada. Una coordenada del esqueleto en un solo instante en el tiempo es semánticamente vacía. Es como entregarle a alguien una lectura bruta de voltaje de un ECG y pedirle un diagnóstico cardíaco. El sensor proporciona datos. La inteligencia interpreta la señal.

Habíamos construido un sensor muy bueno. Habíamos construido cero inteligencia.

Fue una semana dura. Habíamos estado tan concentrados en la parte de visión por computadora —obtener coordenadas limpias de las articulaciones— que habíamos confundido el requisito previo con la solución. Y todos los competidores del sector cometían el mismo error, comercializando la estimación de pose como "fitness impulsado por IA" cuando en realidad no era más que una regla sofisticada.

Escribí sobre este cambio de paradigma —de la visión al procesamiento de señales— con más profundidad en la versión interactiva de nuestra investigación. Pero la comprensión central fue simple y cambió todo lo que construimos después.

¿Y si el cuerpo humano fuera una señal de radio?

Este es el replanteamiento que desbloqueó todo nuestro enfoque.

Cuando una persona hace sentadillas, la posición vertical de su articulación de la cadera traza una onda a lo largo del tiempo. No metafóricamente: literalmente. Es una señal sinusoidal. Los saltos de tijera producen una forma de onda periódica en la velocidad angular del hombro. Caminar genera señales complejas multiarmónicas por todo el tren inferior.

El cuerpo humano, al realizar ejercicio repetitivo, es un oscilador mecánico.

Una vez que lo ves así, dejas de pensar en visión por computadora y empiezas a pensar en procesamiento de señales. De repente tienes acceso a un conjunto de herramientas matemáticas completamente diferente:

• La amplitud te dice la profundidad de la sentadilla
• La frecuencia te dice la cadencia
• La fase te dice si los lados izquierdo y derecho están coordinados
• La pureza espectral te dice si el movimiento es controlado o tembloroso

Ya no le pedimos a una IA que "adivine" qué ejercicio está ocurriendo. Estamos midiendo la física de una forma de onda. La pregunta pasa de "¿A qué se parece esto?" a "¿Qué mide esto?"

Replanteamos el Reconocimiento de Actividad Humana no como un problema de clasificación de imágenes, sino como un problema de Procesamiento Digital de Señales. Esa única decisión hizo posible la verificación.

Pero el procesamiento de señales en bruto —transformadas de Fourier y similares— es frágil cuando se aplica al movimiento humano real. La gente cambia de velocidad. Los ángulos de la cámara varían. Los brazos ocultan las piernas. Necesitas aprendizaje profundo para manejar el ruido. La pregunta era: ¿qué arquitectura?

Por qué descartamos las LSTM

Si has tomado algún curso de aprendizaje automático en la última década, aprendiste que los datos secuenciales significan redes neuronales recurrentes. Las LSTM —redes de memoria a corto y largo plazo— eran el estándar de oro. Texto, audio, series temporales: todo pasaba por una LSTM.

Lo intentamos. No funcionó. No de la manera en que lo necesitábamos.

Los problemas eran fundamentales, no solucionables con ajuste de hiperparámetros. Las LSTM procesan los datos de forma secuencial: para calcular lo que ocurre en el fotograma 100, primero debes procesar los fotogramas del 1 al 99. En un teléfono móvil que funciona en tiempo real, ese cuello de botella en serie crea una latencia que arruina la experiencia del usuario. No puedes decirle a alguien "baja más" dos segundos después de que ya haya vuelto a subir.

Peor aún, las LSTM olvidan. Su "memoria" se degrada a lo largo de secuencias largas. Una sesión de yoga de cinco minutos o un reto de flexiones de cincuenta repeticiones genera miles de fotogramas, y para el final, el modelo ha perdido el contexto del principio. Vimos esto como una deriva: la confianza del modelo en su propio conteo se erosionaba con el tiempo, como una persona que pierde la cuenta en su cabeza.

Hubo una reunión de equipo donde expusimos los números. La latencia era inaceptable. La memoria no era fiable. El costo computacional de ejecutar LSTM en miles de flujos empresariales concurrentes era prohibitivo. Alguien dijo: "Tal vez necesitemos replantear toda la arquitectura".

Otra persona dijo: "Tal vez necesitemos convoluciones".

Esa persona tenía razón.

¿Cómo funciona realmente una red convolucional temporal?

Las redes convolucionales temporales —TCN— toman la arquitectura convolucional que revolucionó el reconocimiento de imágenes y la aplican al dominio del tiempo. En lugar de deslizar un filtro a través de los píxeles de una imagen, lo deslizas a través de los pasos temporales de una señal. Pero dos decisiones de diseño hacen que las TCN sean radicalmente diferentes de todo lo anterior.

Primero: convoluciones causales. La red en el instante t solo mira datos del instante t y anteriores. Nunca se asoma al futuro. Esto suena obvio, pero es una garantía matemática que importa enormemente para la verificación en tiempo real. No estamos decidiendo retroactivamente si una repetición fue válida después de que termine la serie: la verificamos a medida que ocurre.

Segundo, y esta es la parte que todavía me entusiasma: convoluciones dilatadas. En lugar de mirar pasos temporales adyacentes, la red introduce un espaciado entre los puntos que examina. Y ese espaciado crece exponencialmente con cada capa. La capa 1 ve fotogramas adyacentes. La capa 2 salta uno. La capa 3 salta tres. Para la capa 10, un solo filtro captura una ventana de 512 fotogramas.

Esto significa que la red puede atender simultáneamente a lo que está ocurriendo ahora mismo —¿se está colapsando la rodilla hacia dentro en este fotograma concreto?— y a lo que ha estado ocurriendo durante los últimos tres minutos —¿se está degradando la periodicidad del movimiento de una manera que sugiere fatiga?

Una TCN con convoluciones dilatadas ve tanto la física instantánea de un solo fotograma como el contexto temporal a largo plazo de todo un entrenamiento. Ninguna otra arquitectura te da ambas cosas a la vez.

Y como las convoluciones son operaciones paralelas, no secuenciales, todo el conjunto se ejecuta lo bastante rápido para la inferencia móvil en tiempo real. El entrenamiento también es más rápido: sin gradientes explosivos, sin gradientes que se desvanecen, solo retropropagación estable a través de una red de profundidad fija.

Para el desglose técnico completo —incluidos los datos comparativos de rendimiento frente a las LSTM y las matemáticas de nuestro análisis de señales— consulta nuestro artículo de investigación.

Contar repeticiones sin saber qué es una repetición

Una de nuestras primeras decisiones de diseño fue controvertida, incluso dentro del equipo.

La mayoría de las apps de fitness que intentan contar repeticiones entrenan un modelo específico para cada ejercicio. Un "contador de flexiones". Un "contador de sentadillas". Un "contador de curls de bíceps". Esto significa que cada nuevo ejercicio requiere nuevos datos de entrenamiento, nuevo etiquetado, nuevo despliegue. Es frágil y no escala.

Nosotros tomamos una dirección diferente. Construimos un sistema de conteo agnóstico respecto a la clase basado en la autosimilitud temporal. La idea: si un movimiento es repetitivo, la señal será similar a sí misma a intervalos regulares. No necesitas saber qué es el ejercicio. Solo necesitas detectar que la señal se está repitiendo.

La TCN mapea la secuencia de poses del esqueleto en una representación comprimida, y luego calculamos la similitud entre cada par de pasos temporales. La acción repetitiva aparece como un patrón visual distintivo: líneas paralelas de alta similitud. La distancia entre esas líneas es la duración de la repetición. La intensidad de las líneas te dice cuán consistentes son las repeticiones.

Esto funciona para sentadillas, swings con kettlebell, remo, saltos de tijera o cualquier movimiento de rehabilitación que un fisioterapeuta invente el próximo martes. Detectamos la física de la repetición misma, no la identidad del ejercicio.

Admito que hubo un momento de duda. Un inversor me dijo: "Simplemente usa GPT-4 con entrada de video. Puede contar flexiones". Le pedí que lo intentara con alguien haciendo cuartos de repetición a velocidad variable mientras un niño pequeño cruzaba el encuadre. Dejó de mencionarlo.

¿Qué ocurre cuando mides la forma, no solo cuentas?

Contar es necesario, pero está lejos de ser suficiente. Alguien puede hacer cincuenta "flexiones" con un rango de movimiento de una pulgada. El contador sube. La física dice que no pasó nada.

Construimos tres métricas que convierten un conteo de repeticiones en una evaluación de calidad.

Profundidad. Seguimos la trayectoria de las articulaciones clave —la cadera durante una sentadilla, el pecho durante una flexión— y aplicamos detección de picos a la señal filtrada por la TCN. Una repetición solo es válida si el desplazamiento supera un umbral biomecánico. Esto no es una opinión. Es una medición de cuánto se desplazó realmente la articulación.

Control. En el procesamiento de señales, el "tirón" (jerk) es la tercera derivada de la posición: la tasa de cambio de la aceleración. Un tirón alto significa temblores, inestabilidad o el uso del impulso para hacer trampa en el movimiento. Calculamos una versión normalizada llamada Tirón Adimensional Logarítmico (Log Dimensionless Jerk). Una puntuación alta significa que la persona está teniendo dificultades o lanzándose a través de la repetición. En rehabilitación y bienestar corporativo, este es un indicador temprano de riesgo de lesión.

Simetría. Comparamos la energía y la fase de la señal entre los lados izquierdo y derecho. Un índice de asimetría revela cuándo alguien está favoreciendo una pierna durante una sentadilla, a menudo un precursor de lesión o una señal de rehabilitación incompleta. Esta métrica es imposible de autoinformar. No puedes sentir una asimetría del 12%. Pero la señal sí puede medirla.

Una "repetición verificada de Veriprajna" no es una casilla de verificación. Es un paquete de datos que contiene marca de tiempo, hash de puntos clave del esqueleto, puntuación de confianza de la TCN y telemetría cinemática: profundidad, velocidad, tirón, simetría. Es auditable. Es inmutable. Es la diferencia entre una afirmación y una evidencia.

La arquitectura de privacidad que hizo que los clientes empresariales dijeran que sí

Necesito abordar algo que la gente siempre me pregunta: "Estás analizando a personas haciendo ejercicios frente a una cámara. ¿Cómo es que esto no es una pesadilla de privacidad?"

Lo sería, si estuviéramos transmitiendo video a la nube. No lo hacemos.

El teléfono ejecuta un estimador de pose ligero en su Unidad de Procesamiento Neuronal. Esto extrae coordenadas del esqueleto: solo números que representan las posiciones de las articulaciones. Unos pocos kilobytes de datos. Los fotogramas de video se descartan de inmediato. Ningún dato de píxeles abandona jamás el dispositivo. Lo que se transmite a nuestro motor en la nube (o se procesa en el propio dispositivo en teléfonos de gama alta) son datos cinemáticos anónimos. Números. No rostros.

Esto es cumplimiento del RGPD y la HIPAA por arquitectura, no por política. Los datos biométricos —el video del rostro y el cuerpo de alguien— nunca se almacenan, nunca se transmiten, nunca están en riesgo. Esto no fue una ocurrencia tardía. Diseñamos todo el sistema en torno a esta restricción porque sabíamos que los clientes empresariales no tocarían nada más.

¿Quién paga por la física?

La economía del movimiento verificado es asombrosa una vez que la ves.

Seguros. Las aseguradoras actualmente ofrecen descuentos por membresías de gimnasio, que verifican la ubicación, no el esfuerzo. Con datos verificados de movimiento funcional —cinco sentadillas, cinco zancadas, un mantenimiento del equilibrio— una aseguradora puede evaluar la estabilidad, el rango de movimiento y la simetría. Estos se correlacionan fuertemente con el riesgo de caídas en personas mayores y la salud metabólica general. Suscripción dinámica basada en la capacidad funcional verificada, no en tablas actuariales estáticas. La aseguradora que descubra esto primero gana el mercado.

Bienestar corporativo. Una industria de 60.000 millones de dólares donde las empresas pagan por resultados que no pueden medir. Los empleados agitan los teléfonos para alcanzar objetivos de pasos y reclaman aportaciones a la Cuenta de Ahorros para la Salud. Con minutos activos verificados, la barrera para el fraude se convierte en esfuerzo físico. Para falsificar una flexión en nuestro sistema, esencialmente necesitarías construir un robot humanoide, o simplemente hacer la flexión.

Telerrehabilitación. Los trastornos musculoesqueléticos son uno de los principales generadores de costos para los empleadores. La adherencia al ejercicio en casa está notoriamente por debajo del 50%, y cuando los pacientes sí hacen ejercicio, a menudo usan una forma deficiente que retrasa la recuperación. Una TCN que monitorea los ángulos articulares prescritos da a los médicos un panel de cumplimiento verificado y tendencias de calidad. El Monitoreo Terapéutico Remoto ahora es un código CPT reembolsable en EE. UU.: esto no es especulativo. Es una fuente de ingresos.

Move-to-earn, bien hecho. Los proyectos de fitness Web3 fracasaron porque el GPS es trivialmente falsificable. Nosotros proporcionamos el oráculo para el esfuerzo físico. La acuñación de tokens condicionada por la verificación de la TCN crea una economía donde la oferta está limitada por la capacidad física de la base de usuarios, no por la creatividad de los tramposos.

"¿Pero no acabarán los LLM haciendo esto?"

Escucho esto constantemente. La suposición de que, dado que los grandes modelos de lenguaje siguen mejorando, acabarán resolviéndolo todo, incluida la verificación física.

No lo harán. Y la razón es arquitectónica, no una cuestión de escala.

Los LLM están diseñados para producir el siguiente token más probable. Son probabilísticos. Generan resultados plausibles. En los dominios creativo y administrativo, eso es increíblemente útil. Pero en la verificación física, la plausibilidad es el enemigo. Un diagnóstico médico, un protocolo de rehabilitación, un ajuste de la prima de un seguro: estos no pueden basarse en lo que probablemente está ocurriendo. Deben fundamentarse en lo que realmente está ocurriendo.

Ninguna cantidad de escalado cambia la función objetivo fundamental. Un LLM con un billón de parámetros sigue optimizando para la probabilidad, no para la verdad. Nuestra TCN optimiza para la física de una forma de onda: amplitud, frecuencia, fase, pureza espectral. Estas son mediciones, no predicciones.

La otra pregunta que me hacen: "¿No puedes simplemente afinar un modelo de visión y lenguaje con videos de ejercicio?" Puedes. Te dirá "esto parece una flexión". No te dirá que el hombro izquierdo está soportando un 15% más de carga que el derecho, que el perfil del tirón indica el inicio temprano de la fatiga, o que la profundidad de la repetición se ha degradado un 8% en los últimos dos minutos. Te dará una etiqueta. Nosotros te damos un análisis de señales.

La industria de la IA está obsesionada con la generación. Nosotros estamos obsesionados con la verificación. No son la misma disciplina, y confundirlas es como acabas fijando el precio de las primas de seguros sobre alucinaciones.

La línea entre las vibras y la física

Pienso mucho en esto: toda la industria de la salud digital está sentada de un lado de una línea, y la mayor parte de ella no se da cuenta de que la línea existe.

De un lado está lo que yo llamo la Economía de las Vibras. Datos autoinformados. Conteos de pasos de dispositivos que se pueden agitar. Entrenamientos completados a partir de videos que se pueden ignorar. Paneles que parecen alentadores. Datos que se sienten correctos. Funciona hasta que alguien los audita, y entonces se evaporan.

Del otro lado está lo que estamos construyendo: la Economía de la Física. Movimiento verificado. Desplazamiento medido. Control cuantificado. Activos auditables. Datos que sobreviven al escrutinio porque nunca se basaron en la confianza en primer lugar.

La transición entre estas dos economías no es incremental. No recorres el 60% del camino hacia la física añadiendo un contador de pasos a tu reproductor de video. O mides la forma de onda o no. O verificas la repetición o te fías de la palabra del usuario.

Cada empresa con la que hablamos —cada aseguradora, cada comprador de bienestar corporativo, cada plataforma de telerrehabilitación— acaba llegando a la misma conclusión. Han estado pagando por vibras y llamándolo datos. En el momento en que ven cómo son realmente los datos de movimiento verificado, ya no pueden dejar de verlo.

Fundé Veriprajna porque creía que el problema de IA más importante de esta década no es generar mejor texto. Es verificar la realidad física. Cada mes que pasa, cada nuevo envoltorio de LLM que se lanza, cada app de fitness que lanza otro reproductor de video con un sistema de insignias, me vuelvo más seguro de ello.

El futuro de la IA en salud no son chatbots más inteligentes. Es la medición honesta. Y la física no alucina.