La nueva frontera del fútbol: la IA en el vestuario
Los defensores de la inteligencia artificial en el fútbol repiten el mismo mantra: la tecnología no sustituye a las personas, las potencia. Y en un deporte donde los clubes manejan millones y cualquier ventaja mínima puede marcar la diferencia, nadie quiere quedarse atrás.
Aun así, el brillo del concepto choca con una realidad más tosca: separar el ruido de los datos realmente útiles sigue siendo una tarea humana.
Del blog de Arsenal a asesorar clubes
Bracha lo sabe bien. Es hincha acérrimo del Arsenal y empezó como tantos otros: con un blog desde casa, escribiendo análisis minuciosos sobre los Gunners. Usaba una mezcla de “ojo futbolero” y tecnología para señalar jugadores que, según él, los grandes clubes debían fichar. Ganó seguidores. Y cuando su trabajo a tiempo completo en el mundo tech empezó a devorarlo, se inventó un atajo: entrenó un modelo de IA para que le generara los esqueletos de las entradas del blog.
Después juntó ambas cosas. Y ahí aparecieron los diamantes en bruto.
“Empecé a recibir mensajes privados de ojeadores profesionales y de clubes preguntándome: ‘¿Cómo sabes eso de este jugador?’”, recuerda. “Yo pensaba: ‘No sé nada de ese jugador. Es solo ChatGPT’”, cuenta entre risas. La reacción de los expertos le encendió una alarma: si eso los impresionaba, ¿qué estaban usando ellos?
La respuesta era un laberinto de números. Datos había, y muchos. Lo que no había era orden.
Desde la irrupción de empresas como Wyscout a comienzos de la década pasada, el fútbol pasó de la escasez total a la saturación estadística. Nuevos proveedores, nuevas plataformas, nuevas métricas. Demasiadas.
“En los últimos 10 años, esta industria ha pasado de la completa escasez a la sobrecarga de datos”, resume Bracha. “Y eso genera otro problema”.
Su compañía, Marquee, nació para podar ese bosque. Trabaja con clubes de todo el mundo y se vende como un departamento analítico externo: automatiza procesos que, en muchos sitios, siguen siendo hojas de cálculo glorificadas y plataformas inconexas. Ellos las integran. Ellos ordenan.
Marquee no es un Football Manager de lujo ni un modo Carrera de EAFC con mejores gráficos. El sistema construye perfiles específicos –pagando, claro– y propone posibles fichajes no solo por calidad futbolística, sino por encaje táctico y de modelo de juego. El club decide si hace caso o no.
Algunos lo hacen. La herramienta ya se utiliza en varios clubes de la Premier League y ha recibido respaldo público de Barcelona y Chicago Fire. Si están encontrando la próxima joya oculta del fútbol mundial, todavía no está claro. Pero ya forman parte del paisaje.
Cuando la máquina ve el cansancio antes que el jugador
La tecnología no solo apunta a quién fichar. También mira cómo y cuándo se rompe un futbolista.
En un partido de la MLS entre FC Cincinnati y Nashville SC el año pasado, los sistemas del club detectaron algo raro en Matt Miazga. Cinco minutos antes de que pidiera el cambio, aparecieron indicadores de “un patrón de movimiento irregular”.
No evitaron la lesión. Los datos no llegan en tiempo real y nadie obligó al central a seguir jugando. Pero la máquina ya había visto el problema.
La siguiente pregunta es igual de clave: ¿cuándo vuelve un jugador a su máximo nivel? Ahí entra Springbok Analytics.
Su petición a los clubes es directa: “Enviadnos vuestra lesión más complicada”. Casi siempre es el mismo enemigo: el isquiotibial. El fútbol lleva décadas peleando con él sin encontrar la fórmula. Un estudio de 2020 del NIH cifró en un 12% el porcentaje de lesiones profesionales que afectan a los isquios. La tasa de recaída oscila entre el 4% y un abrumador 68%.
Se suele asociar a la fatiga, con un pico de problemas al final de cada parte. Los clubes han probado de todo para rehabilitarlo. Nadie ha dado con la receta perfecta.
“Tenemos toda la nueva tecnología posible, mil formas de testear a la gente… cuánta fuerza producen, cómo corren… y las lesiones de isquios no han bajado. Han subido”, admite Matt Brown, director de Analytics en Springbok.
Su tesis es que el problema no es solo físico, sino de datos. Una lesión muscular parece sencilla de definir, pero cuantificar fuerza, equilibrio muscular o atrofia es un proceso largo, técnico y, muchas veces, poco operativo.
La idea de Brown es seguir al músculo en el tiempo: escanear al jugador en el momento de la lesión, dos meses después, seis meses después. Medir cómo se atrofia, cómo responde al estímulo, si la rehabilitación va en la dirección correcta.
Springbok nació en la Universidad de Virginia, donde científicos desarrollaron tecnología de resonancia magnética hiperespecífica para tratar a pacientes con parálisis cerebral, generando gráficos 3D que ayudaban a cirujanos pediátricos a calcular con precisión cuánto alargar un tendón. Cuando el método empezó a funcionar, lo llevaron al deporte. La NBA se subió al proyecto en 2023. Este año, Springbok fue seleccionado para el Innovation Lab de la MLS.
Brown describe la resonancia tradicional como “miles y miles de cortes de imágenes bidimensionales en gris”. El médico debe apilarlos, analizarlos y construir mentalmente una imagen 3D. Es lento. Y muy dependiente del ojo humano.
Ellos aceleran ese camino. Utilizan IA para preprocesar las imágenes, extraer los límites musculares y generar un “gemelo digital” 3D del jugador. Lo que antes podía tardar una semana, ahora se entrega en cuestión de horas.
No curan. No prometen prevenir lesiones. Lo que ofrecen es algo más frío y, a la vez, más útil: datos claros, precisos y accionables para que el cuerpo médico tome decisiones.
“Somos el sistema de soporte”, resume Brown. “Hacemos que la imagen de la resonancia sea mucho más impactante y accionable. No somos quienes la ejecutan. Proveemos las mediciones. El resto es vuestro trabajo”.
El futuro en cuatro fotos: la carrera contra el tiempo en las canteras
Cada día, el personal de la academia de Philadelphia Union se enfrenta a un dilema que condiciona carreras: ¿a qué nivel está preparado cada chico? ¿Cuánto peso darle al desarrollo físico frente al talento? ¿Cuántos minutos puede soportar un adolescente como Cavan Sullivan sin que su cuerpo se resienta?
Hasta ahora, las respuestas eran una mezcla de pruebas físicas, proyecciones de crecimiento y una buena dosis de intuición. Y tiempo. Mucho tiempo.
Fit:Match quiere comprimir todo ese proceso en 10 segundos y un teléfono móvil.
El procedimiento es simple: cuatro fotos del jugador desde distintos ángulos. El móvil calcula altura, masa corporal, envergadura y un sinfín de medidas. Luego proyecta otras: estatura probable, grado de maduración, una imagen básica de cómo podría ser su físico a plena madurez. Todo eso, en menos de 30 segundos, en una interfaz que su fundador, Haniff Brown, define medio en broma como “el ChatGPT del fútbol”.
Brown no viene del césped, sino de los probadores. Su primera aplicación de esta tecnología fue en la moda: escaneos instantáneos con el móvil para evitar que un cliente comprara cuatro camisas y devolviera tres.
“¿Cómo hacemos para que suba su perfil corporal y no tenga que probarse todo? Que compre una y listo”, explica.
El éxito atrajo a hospitales y empresas de salud. En 2024, un club europeo –cuyo nombre no ha trascendido– le pidió que escaneara a todos los jugadores de su academia. Ahí vio el potencial deportivo.
Puso una condición desde el principio: el proceso no podía durar más de 15 segundos. Sabía que los entrenadores detestan las evaluaciones largas. Quieren a los chicos en el campo, con el balón en los pies. Cuanto más complejo sea el test, menos se usa.
El club compró la idea. Luego vinieron otros. Y aparecieron problemas más mundanos: la variabilidad humana. Distintos entrenadores, mismo jugador, diferentes mediciones en las pruebas físicas básicas.
Fit:Match elimina ese margen. Cuatro fotos, medio minuto de espera y aparece un perfil detallado y estandarizado. Hoy lo usan clubes… y también familias.
“Cuando los padres inscriben a sus hijos en una academia, pueden subir sus fotos. Se genera su gemelo digital y, por detrás, nosotros damos a la MLS todas esas estadísticas del jugador”, explica Brown.
Eso permite ajustar mejor los grupos de edad y no dejar que el tamaño físico decida tanto. Un chico de 14 años que se desarrolla temprano no es lo mismo que otro de 14 que va tarde en su crecimiento. Ahora la liga puede distinguirlos con base científica y diseñar caminos específicos para los tardíos, evitando que salgan del sistema antes de tiempo.
Ética, empleos y la pregunta incómoda
Todo suena revolucionario. Y lo es. Pero también abre un frente incómodo: la ética.
Proyectar el futuro de un adolescente con ayuda de una máquina no es un juego inocente. Afecta expectativas, decisiones, contratos. Y hay otra cuestión en el aire: ¿qué pasa con los empleos de quienes, hasta ahora, hacían ese trabajo?
Bracha lo ve con frialdad empresarial. “Desde la perspectiva del retorno de inversión, siempre será más rápido, más barato y más acertado venir a nosotros, porque ya hemos construido algo y seguimos invirtiendo en mejorarlo. Es tu único gasto”, argumenta. “Uno de los mayores gastos de un club hoy son los salarios. ¿Quieren contratar más gente para construir algo así o comprarlo fuera? Es la gran pregunta de la IA: ¿construir o comprar? En este caso, creo que comprar”.
Tanto él como Brown insisten en un punto: la primera batalla fue hacer que los clubes se sintieran cómodos. Marquee entendió pronto que no podía presentarse como sustituto, sino como socio. “Se trata más de ellos, de que se sientan cómodos con lo que hacemos juntos. Cuando tengamos historias de éxito, las contaremos”, apunta Bracha.
Wolfsburgo, Sevilla y un experimento llamado ChatGPT
La adopción no siempre se traduce en victorias. Wolfsburgo fue uno de los pioneros en abrazar la IA en Europa. Anunciaron que ahorraban un millón de euros al año en tareas administrativas y prevención de lesiones. En el campo, sin embargo, el equipo se atascó. Las críticas llegaron rápido: mucho ruido de marketing, poco fútbol.
El club no ha dado marcha atrás. Al contrario, ha redoblado su apuesta. Sevilla, por su parte, utiliza IBM WatsonX para gestionar datos.
Otros se mueven en un terreno más experimental. Algunos técnicos admiten haber jugueteado con ChatGPT para explorar emparejamientos, ventajas tácticas o posibles formaciones. Y hay casos más llamativos.
La entrenadora de Seattle Reign, Laura Harvey, saltó a los titulares en octubre de 2025 cuando contó en el pódcast Soccerish que había preguntado directamente a la IA: “¿Qué formación debería usar para ganar a los equipos de la NWSL?”. Para dos de los catorce equipos de la liga, la respuesta fue clara: defensa de cinco.
Harvey le dio vueltas, llevó la idea a su cuerpo técnico y acabó implantando un sistema con cinco atrás. El equipo terminó quinto, ocho puestos mejor que la temporada anterior.
¿ChatGPT transformó a Seattle Reign? No. Pero puso sobre la mesa una idea que terminó en el césped. Para los defensores de estas herramientas, eso ya es una victoria.
También hay fracasos. Modelos descartados. Datos que no encajan con la realidad del vestuario. Proyectos que se quedan a medio camino. Quizá el objetivo no sea acertar siempre, sino ampliar el abanico de herramientas.
En un juego tan ajustado, donde una carrera mal medida o un fichaje fallido pueden costar una temporada, la pregunta ya no es si la IA debe entrar en el fútbol. La verdadera cuestión es cuánto tardarán los que aún dudan en aceptar que el rival, al otro lado del campo, ya está usando todo esto para buscar la misma ventaja mínima.
