Bloomberg Opinión — Los lanzadores de las Grandes Ligas de Béisbol no sólo están lanzando bolas rápidas este año, también se están lesionando los hombros y codos a casi el doble de velocidad que la temporada pasada.
¿Puede la inteligencia artificial frenar esta tendencia? La liga parece creer que sí. Antes del draft del 9 de julio, puso a disposición de todos los equipos una tecnología de la empresa de biomecánica Uplift Labs que puede registrar el movimiento de un prospecto. Los datos pueden utilizarse para examinar las habilidades y el potencial de ese jugador y evaluar la posibilidad de futuras lesiones.
Recuperar la información parece relativamente sencillo. Los evaluadores de talentos sólo tienen que colocar un par de iPhones o iPads en trípodes para grabar los movimientos de un jugador mientras lanza una pelota de béisbol, por ejemplo. Sin embargo, esa sencilla tecnología podría complicar el negocio del béisbol, homogeneizando el juego y restándole dinamismo.
Un problema evidente es la posibilidad de que los equipos favorezcan la biomecánica en detrimento de criterios menos tangibles, como la psicología del jugador, su empuje y el tiempo que lleva en el juego.
Esto no quiere decir que el interés de la MLB por la IA no sea comprensible. Después de todo, nadie quiere pagar mucho dinero por un jugador sólo para verle pasar una parte significativa de su contrato rehabilitando una lesión de codo. Si no que se lo pregunten a los Rangers de Texas. El equipo le dio a Jacob deGrom un contrato de US$185 millones a lo largo de cinco años el invierno pasado. Esta primavera quedó fuera de juego por una lesión en el codo y se sometió a la denominada operación Tommy John, cuya recuperación suele llevar entre 12 y 14 meses después de haber lanzado sólo seis partidos. En el otro extremo de la escala salarial, Luis García, de los Astros de Houston, con un contrato de US$763.000 este año, se quedó fuera por la misma lesión en mayo.
En ambos casos, la liga habría preferido una herramienta que identificara los problemas antes de que los equipos invirtieran en los jugadores. Pero, como puede atestiguar cualquier ojeador de la MLB, hay varios factores que pueden producir lesiones de codo. Por ejemplo, los estudios han demostrado que el uso excesivo en el béisbol juvenil, no lanzamientos o técnicas específicas - factores susceptibles de ser analizados por la IA - ha sido la principal causa de lesiones en los brazos.
Un análisis de ojeadores que dé prioridad a las conclusiones de Uplift Labs podría pasar por alto ese riesgo y acabar sobrevalorando a un jugador propenso a las lesiones.
Del mismo modo, si se utilizan los mismos datos en toda la liga, se corre el riesgo de excluir sistemáticamente a jugadores que no cumplen los estándares del algoritmo pero que no han corrido tantos kilómetros en el béisbol juvenil.
Los amantes del pasatiempo favorito de Estados Unidos pueden mirar a la participación de la IA y pensar en la década de 1990, cuando los Oakland A’s adoptaron un enfoque más basado en datos para el béisbol - más tarde conocido como “Moneyball”, el título del libro de 2002 de Michael Lewis sobre el fenómeno.
Se trataba de un método que identificaba y fichaba a jugadores infravalorados por equipos que se basaban en criterios subjetivos, como la sabiduría acumulada de los ojeadores. Y funcionó. El análisis de datos permitió a los A’s seguir siendo competitivos con un presupuesto reducido, pagando a buenos jugadores menos de lo que su rendimiento demostraba que valían. En 2002, los A’s encadenaron una racha de 20 victorias consecutivas y llegaron a la postemporada todos los años entre 2000 y 2003.
Pero gracias al libro de Lewis y a la tendencia de las franquicias deportivas (y los ejecutivos) a imitar los éxitos de los demás, la ventaja de Moneyball desapareció.
Pronto todos los equipos pagaron para acceder a los mismos datos (o la MLB se los proporcionó) y buscaron a los mismos jugadores infravalorados, dándoles -irónicamente- un valor de mercado justo y dejando a los A’s fuera del mercado.
Mientras tanto, el auge de la analítica de datos de béisbol eliminó variables como la defensa y la suerte y acabó privilegiando a los jugadores que producían strikeouts, walks y home runs. ¿Sabes lo que eso nos dio? Un juego más lento y menos atractivo.
En abril, el comisionado de la MLB, Rob Manfred, reconoció el problema al señalar que el margen competitivo proporcionado por la analítica “no compensaba el daño que se había hecho al juego durante un periodo de tiempo”.
Con la esperanza de inyectar algo de acción necesaria en el juego esta temporada, la liga adoptó varias reglas diseñadas para animar las cosas, incluyendo límites sobre dónde pueden colocarse los jugadores interiores y un reloj de lanzamientos. El impacto es calculable: Los partidos son más cortos, mientras que los bateos y las bases robadas son más abundantes.
Hasta ahora, la IA no ha interrumpido el impulso hacia una experiencia más entretenida. Antes de los entrenamientos previos al draft de 2023, más de un tercio de los equipos de la MLB utilizaban sin problemas la tecnología de captura de movimientos desarrollada por Uplift Labs para evaluar a los jugadores. La disponibilidad de la herramienta tampoco significa que todos los equipos vayan a utilizarla de la misma manera o incluso que tengan la capacidad de evaluar bien los datos. Además, los jugadores no están obligados a participar en una evaluación.
Pero la adopción de cierto tipo de análisis en la era del Moneyball y su evolución final hacia la ortodoxia y el pensamiento de grupo en toda la liga debería servir de advertencia. La IA puede ser una herramienta valiosa para el béisbol. Tal vez los ojeadores podrían utilizarla para ayudar a guiar cómo los prospectos deben ser entrenados para sacar provecho de las habilidades individuales. Pero si se utiliza simplemente para homogeneizar la selección de talentos, el daño superará a los beneficios, tanto para el juego como para el balance final del béisbol.
Esta nota no refleja necesariamente la opinión del consejo editorial o de Bloomberg lp y sus propietarios.
