OpenClaw Por fin hice útiles mis datos de fitness

La mayoría de los vídeos de OpenClaw que he visto hasta ahora provienen del mismo rincón básico de internet: creadores de IA, gente de automatización e influencers que muestran cómo producir publicaciones en redes sociales, clips, miniaturas y calendarios de contenido. Eso no es inútil, pero tampoco es mi problema.

Mi problema son los datos de fitness.

Más concretamente, mi problema es que uso mucha tecnología de fitness, y la mayoría no quiere darme una propiedad limpia de los datos. Garmin, Whoop, Eight Sleep, Speediance, Tonal, Cronometer y Apple Health tienen cada uno una visión diferente de mi cuerpo. Algunos tienen exportaciones decentes. Algunos tienen API limitadas. Algunos no tienen ninguna aplicación web útil en absoluto. Algunos envían datos a Apple Health, pero no de la forma en que realmente quiero analizarlos.

Durante años, eso significó que tenía más datos que información útil. OpenClaw lo cambió.

El problema real: datos de fitness en jardines vallados

Duermo con un Garmin y un Whoop. También uso un Eight Sleep. Eso significa que tengo tres sistemas diferentes de seguimiento del sueño intentando describir la misma noche, y no siempre coinciden.

Ese desajuste importa porque el sueño no es solo una curiosidad para mí. Cambia cómo entreno. Si Garmin dice una cosa, Whoop dice otra, y Eight Sleep dice algo diferente, quiero ver el desacuerdo en lugar de fingir que un dispositivo es la fuente de la verdad.

El mismo problema aparece con el entrenamiento de fuerza. Dispositivos como Speediance y Tonal son útiles, pero históricamente han sido frustrantes desde el punto de vista de la propiedad de los datos. Si los datos se quedan dentro de la aplicación, es difícil combinarlos con la recuperación, el sueño, las calorías, la carrera o la carga de entrenamiento a largo plazo.

Whoop recientemente empezó a hacer un mejor trabajo con mis entrenamientos de Speediance porque los entrenamientos parecen estar alimentando Apple Health de una forma que Whoop puede usar. Mis antiguos entrenamientos de fuerza introducidos manualmente apenas afectaban al strain. Ahora puedo conseguir más de 10 de strain con una sesión de levantamiento intensa. Esa es una diferencia importante, porque el strain afecta a toda la imagen que Whoop me da del día.

Esa fue una de las razones originales por las que quería construir mi propio sistema. Necesitaba una forma de correlacionar todo esto en lugar de esperar a que cada empresa decidiera si mi caso de uso importaba.

Lo que construí

El primer resultado útil es un par de informes de fitness: un informe matutino y un informe nocturno.

El informe matutino trata sobre la preparación. Reúne sueño, recuperación, strain, fatiga por levantamiento, entrenamiento reciente y otras señales para que pueda tomar una mejor decisión sobre cómo entrenar duro ese día.

El informe nocturno es el lado opuesto del ciclo. Examina lo que realmente hice. ¿Entrené con suficiente intensidad? ¿Coincidió mi ingesta calórica con el objetivo?

¿Cómo se comparó el día con el plan de la mañana?

Los informes se generan localmente y luego se publican a través de GitHub Pages para poder verlos de forma remota. Incluyen gráficos, correlaciones, comparaciones de sueño, volumen de levantamiento, fatiga muscular y resúmenes de entrenamientos. El sistema todavía es rudimentario en algunas partes, pero ya resulta útil porque está construido alrededor de mi vida real de entrenamiento, en lugar de un panel genérico de una aplicación.

Lo clave es que no construí manualmente cada conector desde cero. Le dije a OpenClaw lo que quería, le di las pistas iniciales y le pedí que me ayudara a montar las conexiones.

• Los datos de Garmin alimentan el sistema de informes.
• Los datos de Whoop alimentan la imagen de recuperación y esfuerzo.
• Los datos de Cronometer respaldan el seguimiento de la nutrición.
• Los datos de Speediance se extraen por rutas no oficiales cuando es necesario.
• Los datos de Eight Sleep forman parte de la capa de comparación de sueño.
• Apple Health se está convirtiendo en el puente para aplicaciones que escriben datos allí pero no los exponen de forma limpia en otros lugares.

Esa es la parte que se siente diferente. Esto no es solo una ventana de chat de IA que me ayuda a escribir un párrafo. Es un sistema agéntico que vive en un ordenador, usa herramientas locales, inspecciona código, instala dependencias, corrige scripts y convierte una idea en un pipeline personal de datos en funcionamiento.

La lección del hardware

Mi primera configuración de OpenClaw fue en una máquina Windows basada en AMD dentro de una máquina virtual. Fue horrible. La configuración fue dolorosa, la experiencia fue poco fiable e hizo que todo pareciera sobrevalorado.

Luego lo probé en un Mac mini.

Eso lo cambió todo. En el Mac mini M1, OpenClaw funcionó casi de inmediato. Tenía acceso al sistema operativo de una manera que hacía toda la experiencia más fluida. Podía instalar herramientas, inspeccionar archivos, ejecutar comandos locales y realmente sacar las cosas adelante.

Entiendo por qué la gente sigue recomendando el Mac mini para esto. Es relativamente barato, lo suficientemente potente, silencioso y fácil de dejar encendido. Si puedes quedarte atado a un escritorio o moverte entre un par de pantallas, es una pequeña y estupenda caja de agente.

En este momento, tengo tres instancias de OpenClaw ejecutándose en máquinas separadas. Cada una tiene un nombre y funciones diferentes.

• Aria se encarga del panel principal, los informes y la coordinación de tareas.
• Bob se está convirtiendo más en un asistente personal, con recordatorios, domótica y una configuración tipo segundo cerebro.
• Clawd es un nodo de respaldo e instrumentación con una configuración de proveedor más flexible.

Puede sonar excesivo, pero la división de responsabilidades importa. No quiero un agente sobrecargado que intente hacerlo todo.

Quiero un sistema local pequeño donde diferentes agentes puedan manejar diferentes partes de mi flujo de trabajo.

La realidad del modelo

El modelo que uses cambia toda la experiencia.

Comencé con proveedores gratuitos, especialmente las opciones de Google y Nvidia. Algunos son realmente útiles. Nvidia con Kimi K2.5 puede ser excelente cuando funciona. Google también puede hacer trabajo real, pero vi errores mayores y problemas de límites de tasa. Algunos proveedores gratuitos se cuelgan. Algunos fallan en silencio. Algunos son geniales para una tarea y poco fiables para la siguiente.

Por eso creo que un modelo de pago barato y fiable merece la pena tener como base. MiniMax ha sido útil para eso. Es más lento, pero la lentitud en realidad puede ayudar porque no consume el uso tan agresivamente y puede coordinar el trabajo de forma constante.

Para trabajos más difíciles, Claude Opus 4.6 está en otra categoría. Es caro en cuanto a uso de tokens, pero cuando necesito una solución complicada de múltiples etapas, puede hacer cosas que los modelos más baratos no pueden hacer de forma fiable.

Un ejemplo: intenté añadir soporte para MiniMax a una configuración de OpenClaw y falló debido a un problema de compatibilidad con el proveedor. El agente primero documentó el error. Luego le dije que lo arreglara. Inspeccionó el código de OpenClaw, parcheó la capa de compatibilidad del proveedor y consiguió que MiniMax funcionara localmente.

Ese es el tipo de cosa que hace que esto se sienta diferente de la automatización normal. El sistema a veces puede reparar la herramienta sobre la que está ejecutándose.

Dónde encaja Codex

OpenClaw no es la mejor herramienta para todo tipo de trabajo. Para pequeñas ediciones de código, Codex suele ser más rápido.

Si quiero cambiar una etiqueta, centrar un elemento del panel o ajustar HTML y CSS, no quiero enrutar eso a través de un gran flujo de trabajo de agente. Puedo inspeccionar el elemento, pegar el fragmento relevante en Codex y pedirle que encuentre el archivo y haga el cambio.

Ese es un caso de uso perfecto. Ya no quiero editar HTML a mano. Sobre todo no quiero buscar entre archivos intentando recordar qué script generó qué bloque del panel. Codex puede encontrarlo, cambiarlo y mantenerme en movimiento.

OpenClaw es mejor para trabajos más grandes, desordenados y de múltiples pasos: conectar APIs, ejecutar tareas de sincronización, construir paneles, coordinar subagentes y mantener el estado entre tareas.

La combinación es lo que importa. OpenClaw me da el entorno operativo. Codex me da ediciones de código precisas. Las máquinas locales me dan continuidad.

Por qué esto se siente más grande que un gadget

Conozco la crítica obvia: la seguridad. Darle a un agente tanto acceso a tu máquina no es poca cosa. Esa preocupación es real.

Pero también creo que así es como se ve la tecnología transformadora en sus inicios. Es desordenada, arriesgada, potente y obviamente no está terminada.

Internet tampoco nació como un sistema pulido y seguro para el consumidor. La web primitiva tenía enormes problemas de seguridad, pero aun así fue la base de una nueva forma de trabajar.

OpenClaw se parece más a eso que al lanzamiento de otro teléfono. No es solo un dispositivo. Es una nueva interfaz para trabajar a través del ordenador, la web, archivos locales, APIs y sistemas personales.

Para mi caso de uso, el valor ya está claro. Ahora tengo un camino para poseer mis datos de fitness, correlacionarlos entre herramientas y construir los informes exactos que quiero. Puedo usarlo para decisiones de entrenamiento, experimentos de nutrición, preparación para correr, seguimiento de fuerza, gestión de recuperación y, eventualmente, domótica.

Sigue siendo un trabajo en curso. El dashboard necesita trabajo. El tablero kanban necesita trabajo. El conector de nutrición necesita trabajo. La BJJ app es muy temprana. Los agentes necesitan una mejor separación de funciones.

Pero la idea central está funcionando: puedo decirle a un agente local lo que quiero que haga mi sistema personal de fitness, y puede ayudarme a construir los conectores, los informes y los flujos de trabajo para hacerlo realidad.

Por eso estoy emocionado. No porque pueda hacer contenido de influencer más rápido, sino porque puede convertir datos personales atrapados en algo que realmente pueda usar.