La revolución silenciosa de la IA en el fútbol

Los defensores de la inteligencia artificial en el fútbol repiten la misma idea: las máquinas no sustituyen a las personas, solo potencian sus decisiones. Y en un deporte donde los clubes manejan millones y cada detalle puede marcar una diferencia mínima pero decisiva, cualquier ventaja se explota. Por pequeña que sea.

De bloguero de Arsenal a arquitecto de datos

Bracha lo ha visto de cerca. Es fanático de Arsenal, empezó como muchos otros: con un blog desde casa, escribiendo análisis extensos sobre los Gunners. Mezclaba ojo futbolero y tecnología para señalar jugadores que, según él, los grandes clubes debían fichar. Ganó audiencia, se quedó sin tiempo por su trabajo en tecnología y decidió automatizar parte del proceso: creó un modelo de IA que le generaba los esqueletos de sus textos.

Ahí encajaron las piezas. Y aparecieron los “tapados”.

“Empecé a recibir mensajes privados de ojeadores profesionales y gente de clubes preguntándome: ‘¿Cómo sabes eso de este jugador?’”, recuerda. Su respuesta les descolocaba: era un modelo tipo ChatGPT el que le servía buena parte de la información.

Si eso ya impresionaba a profesionales, se preguntó qué estaban usando ellos realmente.

La respuesta era caótica. Había datos, sí. Montones. Pero sin orden. Wyscout abrió camino a principios de la década pasada, luego llegaron competidores y el fútbol pasó de la escasez al exceso: demasiados proveedores, demasiadas métricas, demasiadas plataformas. Un ruido que ahoga el análisis.

“En los últimos 10 años, esta industria ha pasado de la escasez total a la sobrecarga de datos”, resume Bracha. Y ahí entra su empresa, Marquee.

Su propuesta es simple en concepto y compleja en ejecución: recortar grasa. Automatizar procesos que, en la práctica, son hojas de cálculo glorificadas desperdigadas en distintas herramientas que no se hablan entre sí. “En cierto sentido, Marquee es un departamento analítico externo que trabaja para el club”, explica.

No es un Football Manager de lujo ni un modo Carrera de EAFC con esteroides. Marquee cobra por generar perfiles muy específicos: sugiere posibles fichajes, no solo por calidad futbolística, sino por encaje táctico y de modelo de juego. El club puede hacer caso o ignorar las recomendaciones. Pero el servicio ya se ha ganado sitio: lo usan varios equipos de la Premier League y ha recibido apoyo público de Barcelona y de Chicago Fire en la MLS.

¿Están encontrando la próxima gran ganga del mercado? Nadie puede asegurarlo. Pero ya forman parte del ecosistema.

Cuando la máquina detecta que tu central se rompe

En un partido de la MLS entre FC Cincinnati y Nashville SC la temporada pasada, los datos levantaron la mano antes que el propio futbolista. Cinco minutos antes de que Matt Miazga pidiera el cambio, el sistema interno del club detectó “un patrón de movimiento irregular”.

No evitó la lesión. Los datos no llegan en tiempo real y nadie obligó al central a jugar lesionado. Pero el sistema dejó una pista clara: algo no iba bien. La máquina lo vio antes que cualquiera en el banquillo.

La siguiente pregunta es todavía más compleja: ¿cuándo volverá ese jugador al 100%? Ahí entra otra pata de la IA aplicada al fútbol: Springbok Analytics, especializada en lesiones, con una obsesión en particular: el isquiotibial.

Su petición estrella a los clubes es siempre la misma: “mandadnos vuestra lesión más complicada”. Casi siempre es la misma respuesta. El isquio. El gran enigma del fútbol moderno. Un estudio del NIH de 2020 cifró en un 12% el porcentaje de lesiones profesionales que afectan a esa zona, con una tasa de recaída que puede ir del 4% al 68%.

Se asocia al cansancio y suele aparecer al final de cada parte. Los clubes llevan años probando protocolos de rehabilitación. Ninguno ha dado con la fórmula definitiva.

“Tenemos toda la nueva tecnología, nuevas formas de testear, medir fuerza, analizar carrera… y las lesiones de isquios no han bajado. Han subido”, admite Matt Brown, director de Analytics en Springbok.

Su tesis es clara: el problema está en cómo se manejan los datos. La lesión física es evidente. Lo complicado es cuantificar fuerza muscular, equilibrio, atrofia. Y hacerlo de forma precisa y repetida en el tiempo.

La idea es escanear al jugador en el momento de la lesión, dos meses después, seis meses después, para seguir la atrofia y comprobar si el estímulo de la rehabilitación está generando los cambios buscados.

Springbok nace en la Universidad de Virginia, donde desarrollaron una tecnología de resonancias magnéticas hiperespecíficas para tratar a pacientes con parálisis cerebral. Generaban gráficos 3D para ayudar a cirujanos pediátricos a calcular con precisión cuánto debían alargar un tendón. Funcionó. El siguiente paso fue el deporte profesional. La NBA se sumó en 2023. Este año, la MLS ha incluido a Springbok en su Innovation Lab.

Brown describe la resonancia tradicional como “miles y miles de cortes en 2D, en gris”. El médico debe apilarlos mentalmente para construir un modelo 3D. Springbok acelera ese proceso. Preprocesan las imágenes con IA, trazan los límites de cada músculo y entregan un “gemelo digital” en 3D, listo para que el especialista lo interprete.

No curan. No prometen prevenir lesiones. Ofrecen algo más frío, pero decisivo: tiempo. Un análisis que antes llevaba una semana se puede tener en cuestión de horas.

“Somos el sistema de apoyo: hacemos que la imagen de la resonancia sea mucho más impactante y accionable. Nosotros damos las medidas. El resto lo hace el especialista, que lleva 10 años en esto y tiene su propia tesis”, subraya Brown.

El futuro de un canterano en cuatro fotos

Cada día, en la academia de Philadelphia Union, se repite el mismo dilema: ¿a qué nivel está preparado cada chico? ¿Cuánto peso tiene el físico frente a la calidad técnica? ¿Cuántos minutos puede soportar un talento precoz como Cavan Sullivan sin poner en riesgo su cuerpo?

Tradicionalmente, no hay una respuesta única. Las academias de la MLS hacen test de fuerza, talla, proyección de crecimiento, pico de rendimiento. Es un proceso largo, manual y con un punto inevitable de intuición.

Fit:Match quiere cambiar esa dinámica con algo tan cotidiano como un teléfono móvil y 10 segundos de tiempo.

El procedimiento es directo: cuatro fotos del jugador desde distintos ángulos. El sistema calcula altura, masa corporal, envergadura y un catálogo de medidas básicas. Luego da un paso más: proyecta altura probable, nivel de maduración física y un boceto de cómo podría ser ese cuerpo a pleno rendimiento. Todo en menos de 30 segundos. Su fundador, Haniff Brown, lo define medio en broma como “ChatGPT para el fútbol”.

Su origen no está en el deporte, sino en la moda. Brown buscaba una forma de escanear cuerpos al instante para evitar que un cliente comprara cuatro camisas y devolviera tres. Un solo escaneo, una sola prenda, y listo.

El éxito llamó la atención de hospitales y empresas de salud. En 2024, un club europeo —sin nombre público— le pidió que escaneara a todos sus canteranos. Ahí vio el potencial para algo más grande.

Tenía una condición innegociable: el proceso no podía durar más de 15 segundos. “Los entrenadores odian las evaluaciones largas. Quieren a los chicos de vuelta en el campo, haciendo sus ejercicios. Cuanto más complejo y largo es el test, menos se usa”, explica Brown.

El club compró la idea. Otros siguieron el mismo camino. Uno de los problemas que detectaron fue básico, pero grave: dos entrenadores podían medir al mismo jugador y obtener resultados diferentes en una simple prueba física.

Fit:Match elimina ese margen humano. Cuatro fotos, 30 segundos de procesamiento y un perfil detallado del futbolista. Hoy lo usan clubes y familias. Cuando los padres inscriben a sus hijos en una academia, pueden subir las fotos, se genera el gemelo digital y, por detrás, el sistema entrega a la MLS un paquete de datos sobre ese jugador.

Eso permite ordenar mejor las categorías por edad y desarrollo. El fútbol base sigue muy condicionado por el tamaño físico, pero ahora hay una capa de ciencia: un chico de 14 años que se desarrolla pronto no es lo mismo que otro de 14 que va tarde. La liga puede detectarlo y crear caminos específicos para esos “late developers”, reduciendo el riesgo de que abandonen el sistema.

Ética, empleos y la eterna pregunta: ¿construir o comprar?

Todo suena rompedor. También inquietante. Cambiar procesos que llevan décadas instalados, y hacerlo con máquinas, abre un debate ético evidente. Proyectar el futuro de un adolescente no es un juego. Hay carreras en juego. Hay personas.

“El primer paso fue que la gente se sintiera cómoda”, reconoce Brown.

Marquee llegó a la misma conclusión. Tenía que trabajar con los clubes, no por encima de ellos. “Se trata de que ellos se sientan cómodos con todo lo que hacemos juntos. Cuando tengamos historias de éxito, las contaremos”, apunta Bracha.

Y aparece otra cuestión delicada: la que flota siempre que entra la IA en cualquier industria. ¿Qué pasa con los empleos? Bracha lo mira desde la óptica más fría del retorno de inversión.

“Desde la perspectiva del ROI, siempre será más rápido y más acertado venir a nosotros. Ya hemos construido algo y seguimos invirtiendo para mejorarlo. Es tu único gasto. Uno de los mayores costes de un club hoy son los salarios. ¿Quieren contratar más gente para construir esto o comprarlo fuera? Es la gran pregunta de la IA hoy: ¿construir o comprar? En este caso, creo que comprar”, sentencia.

Eso, claro, no garantiza nada en el campo. Wolfsburg fue uno de los primeros clubes europeos en abrazar la IA. Presumieron de ahorrar un millón de euros al año en tareas administrativas y prevención de lesiones. La temporada pasada, el equipo se hundió en lo deportivo y recibió una avalancha de críticas por su discurso tecnológico mientras los resultados no llegaban.

Pese al golpe de imagen, han doblado su apuesta. Sevilla, por su parte, utiliza IBM WatsonX para gestionar su océano de datos.

Del vestuario al chat: cuando la IA sugiere un cambio táctico

No todos los técnicos se lo toman igual. Algunos, como Fraser, han jugueteado con ChatGPT para buscar posibles ventajas en emparejamientos o probar sistemas sobre el papel. Otros han ido mucho más lejos.

Laura Harvey, entrenadora de Seattle Reign, lo contó sin tapujos en octubre de 2025 en el pódcast Soccerish, con Lori Lindsey y Christina Unkel: preguntó directamente a ChatGPT qué formación debía utilizar para ganar a los equipos de la NWSL.

La respuesta fue clara para dos de los 14 clubes de la liga en aquel momento: defensa de cinco. Harvey le dio vueltas, llevó la idea a su cuerpo técnico y acabó implantando un sistema con cinco atrás. Seattle Reign terminó quinta, ocho puestos por encima del año anterior.

¿Fue ChatGPT quien cambió al equipo? No. Pero dejó una chispa. Una idea que, tras pasar por el filtro humano, llegó al césped. Para los defensores de la IA, eso ya es una victoria.

Por cada acierto hay montones de pruebas fallidas, datos descartados, caminos que no llevan a ninguna parte. Quizá el resultado no sea lo más importante. Lo que cuenta es que entrenadores, analistas y clubes disponen de una herramienta más en un juego donde todo está al límite y el margen de error es mínimo.

La cuestión ética y la percepción pública quedan, muchas veces, en un segundo plano ante una verdad incómoda que Fraser resumió con crudeza y realismo: “Estamos todos buscando cualquier ventaja que podamos conseguir”. La pregunta es quién se atreverá a ir un paso más lejos… y cuánto costará quedarse atrás.