Durante décadas, una parte del deporte se explicó con intuición. Un entrenador observaba el partido, reconocía patrones y tomaba decisiones apoyándose en años de experiencia. Después llegaron las estadísticas, el video y los sistemas capaces de registrar prácticamente todo lo que ocurre dentro de una cancha. Ahora aparece una nueva capa: la inteligencia artificial.
La IA en deportes permite procesar cantidades de información que ningún cuerpo técnico podría revisar manualmente: posiciones de jugadores, movimientos, secuencias tácticas, rendimiento físico y miles de jugadas anteriores. El objetivo no es solamente describir qué ocurrió, sino encontrar patrones capaces de ayudar a responder una pregunta mucho más difícil: ¿qué podría funcionar después?
Desde los saques de esquina del Liverpool hasta las cámaras que rastrean movimientos en la NBA, los equipos profesionales están descubriendo que una jugada puede observarse de dos maneras al mismo tiempo: como espectáculo para quien la mira y como información para quien necesita tomar una decisión.
Cuando un saque de esquina se convierte en miles de datos
Un córner dura apenas unos segundos, pero dentro de ese pequeño momento ocurren muchas cosas simultáneamente. Los jugadores se desplazan, generan espacios, bloquean rivales y reaccionan al movimiento del balón. Para una persona, revisar todas las combinaciones posibles resulta prácticamente imposible.
Para un sistema de inteligencia artificial, ese problema puede convertirse en datos.
Google DeepMind desarrolló junto con Liverpool FC TacticAI, un asistente diseñado para analizar saques de esquina. La investigación, publicada en Nature Communications, utilizó información de 7,176 córners de la Premier League para entrenar un modelo capaz de analizar cómo se posicionaban y movían los futbolistas.
El sistema podía responder preguntas concretas: qué jugador tenía mayor probabilidad de recibir el balón, qué movimientos podían producirse después del saque y cómo modificar determinadas posiciones para aumentar la probabilidad de conseguir un resultado específico.
Lo interesante no fue solamente que una IA generara recomendaciones. Fue comprobar si esas recomendaciones tenían sentido para quienes realmente entienden el juego.
La IA propone; los expertos deciden
Para evaluar TacticAI, especialistas vinculados al Liverpool revisaron diferentes configuraciones tácticas sin saber cuáles provenían de situaciones reales y cuáles habían sido generadas por el sistema. Los resultados mostraron que las propuestas de la IA podían resultar tácticamente plausibles y, en determinados ejercicios de evaluación, fueron preferidas por los expertos frente a alternativas observadas previamente. Ese detalle cambia la conversación.
TacticAI no fue diseñado para sentarse metafóricamente en el banquillo y sustituir al entrenador. Su función es ampliar la cantidad de escenarios que un equipo puede analizar antes de tomar una decisión.
Un cuerpo técnico puede revisar video de partidos anteriores y detectar patrones. La IA puede recorrer miles de situaciones similares y señalar relaciones que quizá pasaron inadvertidas. Después, una persona decide si esa sugerencia tiene sentido frente al rival, el marcador, los jugadores disponibles y el contexto específico del encuentro.
Ahí aparece una de las ideas centrales del análisis deportivo con IA: encontrar un patrón no significa comprender completamente el juego.
De Liverpool a una cancha llena de cámaras
En el baloncesto ocurre algo similar, aunque la materia prima es diferente.
La NBA ha trabajado con tecnologías de tracking como Second Spectrum para capturar el movimiento de los jugadores y transformar lo que sucede en la cancha en información estructurada. Las cámaras y sistemas de visión computacional pueden registrar posiciones y secuencias que después alimentan estadísticas y análisis avanzados.
Esto permite observar elementos que un marcador tradicional nunca mostraría. No solamente quién anotó, sino desde dónde lanzó, qué distancia existía respecto al defensor, cómo se movió antes de recibir el balón o qué espacios creó una determinada formación.
La estadística deja entonces de ser únicamente un resumen del partido. Empieza a convertirse en una representación de cómo ocurrió.
Y esa misma información puede terminar en dos lugares muy diferentes: en las herramientas que utiliza un equipo para analizar rendimiento y en la pantalla del aficionado que está viendo el encuentro.
Los mismos datos están cambiando cómo vemos el deporte
Esta doble vida de la información es una de las transformaciones más interesantes. Los datos que ayudan a comprender una jugada también pueden utilizarse para explicársela a millones de espectadores mediante gráficos, trayectorias y estadísticas avanzadas.
La frontera entre análisis deportivo y entretenimiento comienza así a hacerse menos clara. Una cámara ya no sirve únicamente para grabar; también puede producir información que después alimenta modelos, decisiones tácticas y experiencias de transmisión.
Esta evolución conecta directamente con otro cambio que ya analizamos en Metrics: las cámaras inteligentes están automatizando parte de la producción y creando nuevas perspectivas para el espectador. En nuestro artículo IA en Transmisiones Deportivas: Cámaras Inteligentes y Análisis en Vivo explicamos cómo esa tecnología está transformando desde grandes competiciones hasta ligas que antes difícilmente podían transmitir sus partidos.
Lo relevante es que ambos fenómenos dependen de la misma materia prima: convertir lo que ocurre dentro del terreno de juego en datos que puedan interpretarse casi inmediatamente.
El partido es solamente una parte del análisis
La IA en deportes tampoco comienza cuando suena el silbato ni termina cuando acaba el encuentro. Los clubes generan información durante entrenamientos, evaluaciones físicas, procesos de scouting y recuperación de jugadores.
En fichajes, por ejemplo, las herramientas de datos permiten comparar perfiles entre miles de futbolistas y detectar características que coinciden con las necesidades de un equipo. En lugar de depender exclusivamente de observar jugadores conocidos, los departamentos deportivos pueden reducir un universo enorme de candidatos antes de que intervenga la evaluación tradicional.
Algo similar ocurre con la preparación física. Los sistemas pueden analizar cargas de entrenamiento, movimientos y otros indicadores para buscar patrones relacionados con rendimiento o posibles riesgos. Eso no significa que un algoritmo pueda predecir con certeza cuándo se lesionará un deportista, pero sí puede aportar señales que ayuden a ajustar cargas o investigar cambios inusuales.
La diferencia vuelve a estar en cómo interpretamos la tecnología. La IA puede encontrar correlaciones; convertirlas en una decisión deportiva sigue necesitando contexto.
Más datos también pueden crear nuevas desigualdades
La expansión de estas tecnologías trae consigo una contradicción. Cuantos más datos tiene un equipo, más sofisticados pueden ser sus modelos. Y cuanto mejores son sus recursos tecnológicos, mayor capacidad tiene para convertir esos datos en ventaja competitiva.
Eso puede ampliar la distancia entre organizaciones.
Un club con presupuesto para instalar sistemas avanzados de tracking, contratar científicos de datos y desarrollar modelos propios parte de una posición muy distinta a la de un equipo que apenas puede acceder a estadísticas básicas.
También existe una discusión sobre los propios atletas. Los sistemas actuales pueden recopilar información cada vez más detallada sobre rendimiento, movimientos y condición física. Esto obliga a plantear preguntas sobre consentimiento, privacidad y propiedad: ¿quién controla esos datos?, ¿durante cuánto tiempo?, ¿pueden utilizarse para evaluar el valor futuro de un jugador?
La capacidad de medir algo no significa automáticamente que debamos utilizarlo de cualquier manera.
El peligro de convertir el dato en verdad
Existe además un riesgo menos evidente: confiar demasiado en aquello que puede medirse.
Un modelo puede detectar que determinada configuración aumenta estadísticamente la probabilidad de éxito. Pero un partido incluye elementos difíciles de convertir en variables: presión, confianza, cansancio, rivalidad y decisiones inesperadas.
El deporte resulta fascinante precisamente porque los patrones pueden romperse.
Por eso, los casos más interesantes de IA aplicada al deporte no son aquellos donde una máquina “descubre cómo ganar”, sino aquellos donde ayuda a las personas a observar el juego desde otra perspectiva.
TacticAI puede sugerir una configuración. Second Spectrum puede revelar movimientos que antes eran difíciles de cuantificar. Los sistemas predictivos pueden señalar tendencias.
Ninguno entra a la cancha.
Del instinto informado al instinto aumentado
Durante mucho tiempo se presentó el análisis de datos como lo contrario de la intuición. Por un lado estaban los números; por otro, la experiencia del entrenador.
La inteligencia artificial empieza a mostrar que esa división quizá sea demasiado simple.
Un entrenador puede utilizar modelos para descubrir patrones y después recurrir a su experiencia para decidir cuáles importan. Un scout puede utilizar algoritmos para encontrar candidatos y después observar aquello que los datos no capturan. Un equipo médico puede recibir una alerta y decidir si existe suficiente evidencia para modificar un entrenamiento.
La IA no necesariamente elimina la intuición. Puede darle más información sobre la cual trabajar.
En ese sentido, quizá estemos pasando del instinto puro a algo diferente: un instinto aumentado por datos.
Conclusión
La IA en deportes está cambiando la manera en que equipos y ligas observan algo que siempre tuvieron delante: el juego.
Una jugada ya no termina cuando el balón deja de moverse. Puede convertirse en coordenadas, patrones, comparaciones y simulaciones que ayudan a comprender por qué ocurrió y qué podría hacerse diferente la próxima vez.
Casos como TacticAI muestran hasta dónde puede llegar esa capacidad cuando se combina investigación científica con conocimiento deportivo. Tecnologías como Second Spectrum demuestran, al mismo tiempo, que los datos pueden enriquecer tanto las decisiones internas como la experiencia de quienes observan desde fuera.
Pero el deporte conserva algo que ningún modelo puede eliminar: la incertidumbre.
Quizá por eso la verdadera transformación no consiste en conseguir que la IA nos diga quién va a ganar.
Consiste en permitirnos ver cosas dentro del juego que antes ni siquiera sabíamos que debíamos mirar.