Contexto técnico
Me sumergí en los detalles de SensorFM no solo por curiosidad. Estas cosas llegan rápido a productos reales, y luego me consultan cómo construir automatización con IA sobre datos ponibles sin un zoológico de parches.
Google no ha hecho otra pequeña investigación de relleno. Han creado un modelo fundacional para health-tech, preentrenado con más de 1 billón de minutos de datos de 5 millones de usuarios de Fitbit y Pixel Watch en más de 100 países.
El modelo no recibe señales crudas directamente, sino 34 características agregadas por minuto de cinco modalidades: PPG, acelerómetro, EDA, temperatura de la piel y altitud. Ventana de contexto de 24 horas, arquitectura ViT-1D, encima un autoencoder enmascarado y su esquema AIM, para que el modelo no solo clasifique, sino que maneje bien las ausencias, reconstruya y prediga.
Aquí es donde realmente me detuve. SensorFM se transfiere a 35 tareas, desde riesgos cardiometabólicos y sueño hasta salud mental y estilo de vida, superando líneas base supervisadas en 34 de 35 escenarios. Para un entorno ponible tan heterogéneo, es una señal muy fuerte.
No hay API pública ni pesos abiertos todavía. Así que hoy no es "tómalo y conéctalo", sino más bien un referente para el desarrollo de soluciones de IA: el mercado avanza hacia una capa de modelos que entienden el comportamiento corporal a partir de flujos de sensores, en lugar de solo mostrar un gráfico de pulso.
Y en este contexto, es especialmente llamativo el auge del análisis DIY. La gente ya extrae datos de Fitbit, monta paneles locales, conecta Claude y obtiene sus resúmenes de salud casi artesanalmente. El modelo de Google sigue cerrado, pero el patrón de usuario ya ha surgido.
Impacto en el negocio y la automatización
Para los equipos de health-tech, esto implica tres cosas. Primero: el valor se desplaza del hardware a la interpretación; ganan quienes saben construir una arquitectura de IA alrededor de los datos, no solo recopilar métricas.
Segundo: las reglas manuales del tipo "si la HRV baja, envía un consejo" perderán frente a modelos que ven el contexto del sueño, la actividad y la temperatura juntos. Esto es otro nivel de implementación de IA, y es notablemente más útil para el cribado y la estratificación de riesgos.
Tercero: perderán los productos con datos cerrados o difíciles de integrar. Si la API no ofrece la granularidad necesaria, los equipos empezarán a crear exportadores, aplicar ingeniería inversa a los protocolos y perder meses en plomería en lugar de aportar valor.
Lo veo constantemente en los retos de los clientes: el problema no es dibujar un panel, sino construir un pipeline fiable, normalizar los sensores y ofrecer una conclusión en la que se pueda confiar. En Nahornyi AI Lab es exactamente lo que hacemos: convertir un flujo de datos ponibles en automatización inteligente para empresas, no en otro panel bonito pero inútil.