Un proyecto de Cultivate Labs explora la intersección entre la inteligencia geopolítica y la analítica deportiva al tratar a los equipos de fútbol universitario como sujetos de análisis de estilo de inteligencia. En lugar de centrarse únicamente en estadísticas tradicionales como el yardaje o la puntuación, el enfoque imita los métodos utilizados por agencias como la CIA para identificar puntos de apalancamiento, vulnerabilidades y posibles 'cambios de régimen'. Esto implica buscar formas de influir en la trayectoria de un equipo identificando presiones específicas, tales como las vulnerabilidades personales de un entrenador, la susceptibilidad de un jugador a influencias externas o los incentivos financieros que podrían impulsar las decisiones de la plantilla de un equipo.

El mecanismo técnico detrás de este análisis es un 'AI Forecaster', que utiliza un conjunto de modelos de lenguaje de gran tamaño para generar predicciones. En lugar de depender de la producción de un solo modelo, el sistema proporciona a los LLMs metodologías y contextos específicos, para luego agregar sus pronósticos individuales en una predicción de 'multitud'. El objetivo es crear un bucle colaborativo donde los humanos realicen análisis estratégicos de alto nivel mientras la IA se encarga de las tareas repetitivas de reexaminar preguntas, curar nueva información y procesar grandes volúmenes de datos para encontrar conexiones no obvias.

A pesar de la sofisticación técnica del enfoque de conjunto, el proyecto ha enfrentado escepticismo con respecto a la profundidad del análisis impulsado por IA. Los críticos han señalado que la IA a veces puede producir 'basura alucinada' (hallucinated slop), es decir, resultados que parecen ser probabilidades calculadas pero que carecen del rigor subyacente de un analista humano. Además, actualmente existe una falta de evidencia pública que demuestre si estos pronósticos generados por IA son realmente precisos o si los hallazgos contraintuitivos producidos por los modelos se sostienen frente a los resultados del mundo real. El proyecto resalta un compromiso significativo: si bien la IA puede sintetizar información rápidamente e identificar posibles puntos de apalancamiento, aún puede carecer del juicio matizado necesario para distinguir entre una vulnerabilidad estratégica genuina y una anomalía estadística.