De artículo académico a white paper: cómo Manus ayudó a convertir investigación en utilidad para el baloncesto profesional

Una motivación muy concreta

Escribo este post mientras termino un White Paper sobre el uso de datos en la toma de decisiones de captación de talento en equipos de baloncesto. Todo comenzó con una idea bastante sencilla. Como parte del Sports MBA de la Euroliga, había escrito un artículo académico de 60 páginas en inglés sobre este asunto. Me llevó tiempo, mucho trabajo, y una buena dosis de obsesión por los detalles. La investigación fue extensa: más de 30 artículos leídos, más otros 30 “scaneados”, cada uno con su resumen correspondiente, clasificados por temas y puntos clave. Tenía una base muy sólida.

Una vez terminado, y después de entregarlo con éxito, empecé a pensar: ¿y si este material pudiera ser útil más allá del entorno académico? ¿Y si, con el formato y el tono adecuados, pudiera servir como una herramienta consultiva para clubes, entrenadores, agentes o incluso periodistas deportivos? No quería que el trabajo se quedara en una carpeta digital. Me parecía que había una oportunidad clara de reaprovechar todo ese conocimiento, siempre que encontrase la manera de traducirlo a un lenguaje más accesible.

Ahí es donde entra Manus.

Lo que Manus puede —y no puede— hacer

Manus es un agente autónomo de inteligencia artificial, diseñado para llevar a cabo tareas complejas con supervisión mínima. Tiene la capacidad de procesar grandes volúmenes de información, entender estructuras complejas y proponer textos coherentes en distintos formatos. Y sí, una de las aplicaciones más interesantes de los modelos de lenguaje como este es la posibilidad de reutilizar materiales ya elaborados, dándoles una nueva vida sin tener que empezar desde cero. Tenía ganas de probarlo a fondo, y este proyecto parecía una buena piedra de toque (a riesgo de cometer errores de principiante)

Como tenía toda la documentación perfectamente organizada, alimentar al modelo fue relativamente sencillo. No hubo que improvisar. Los resúmenes de los papers, las ideas clave y las conclusiones estaban ya separadas por secciones, lo cual ayudó mucho a que el primer borrador que generó Manus tuviese una base razonablemente buena. No era perfecto, claro, pero sí lo suficientemente decente como para trabajar a partir de él.

Eso sí, el proceso no fue ni rápido ni automático. Convertir el artículo en un white paper en condiciones supuso siete días de trabajo bastante intensos, con muchas revisiones, reformulaciones, ajustes de estilo y algunas decisiones que solo se pueden tomar con el criterio de alguien que conoce el contenido a fondo.

El problema del tono (y de por qué no basta con tener una guía de estilo)

Uno de los aspectos más complicados fue el tono. Aunque tenía una guía de estilo basada en mis propios textos —una especie de ADN narrativo que uso para proyectos largos—, la primera versión del documento tenía algo que no terminaba de encajar. Se notaba demasiado plana, como si estuviera escrita por un manual de instrucciones con pretensiones. Le faltaba ritmo, le faltaban matices, y sobre todo, le faltaba ese punto de naturalidad que hace que el lector quiera seguir leyendo.

No fue un desastre, pero sí lo bastante insatisfactorio como para darme cuenta de que iba a necesitar ayuda. Ahí entraron Claude y Copilot, dos asistentes que me permitieron reformular fragmentos y probar alternativas más fluidas. Funcionaron bien para desbloquear algunas secciones, pero seguía siendo necesaria una edición manual cuidadosa, casi quirúrgica. Al final, tuve que ir ajustando frase por frase, eligiendo palabras, reorganizando párrafos y afinando el ritmo como si estuviera escribiendo desde cero.

Lo que costó (en tiempo, energía y también dinero)

Conviene decirlo claramente: esto no fue barato. Me pasé de créditos en varias ocasiones, lo cual me obligó a tomar decisiones más estratégicas sobre qué tareas delegar a la IA y cuáles hacer por mi cuenta. A veces es más eficiente invertir una hora en escribir un gráfico o una introducción uno mismo, que perder dos horas intentando que el modelo entienda lo que quieres.

También hubo que lidiar con el tema de las gráficas. Aunque conceptualmente estaban bien definidas desde el principio, la ejecución fue otra historia. Probé con Gemini, con Claude, con ChatGPT… incluso intenté generar algunos diseños automáticos, pero la mayoría requerían más retoques de los esperados. Al final, algunas acabé haciéndolas a mano o combinando herramientas, lo cual sirvió como recordatorio de que, por ahora, muchas tareas aún necesitan intervención directa.

Lo que aprendí (y lo que queda por aprender)

Mirando en retrospectiva, diría que esta experiencia me sirvió para entender mejor qué lugar pueden ocupar herramientas como Manus en procesos de escritura complejos. No son mágicas, no son sustitutos del criterio, y desde luego no pueden hacer todo el trabajo solas. Pero como soporte, como forma de acelerar ciertas fases o desbloquear otras, tienen muchísimo potencial.

El resultado final es un white paper útil, claro y con un enfoque práctico, diseñado para profesionales del deporte que no tienen tiempo para bucear en literatura académica, pero sí curiosidad por entender cómo los datos pueden mejorar decisiones de scouting y planificación deportiva. Y eso, al menos para mí, es una forma muy válida de devolver valor a una investigación que, de otro modo, se habría quedado en el cajón.

¿Es este el futuro? Sí, probablemente. Pero aún estamos aprendiendo a usar estas herramientas con cabeza. Y eso implica saber cuándo dejar que trabajen por nosotros y cuándo tomar el control, aunque sea para corregir una frase, replantear un esquema o simplemente volver a ponerle alma al texto.