La revolución silenciosa de la IA en el fútbol de élite
En los despachos de los clubes de fútbol se habla de fichajes, de sistemas tácticos… y de modelos de lenguaje. La inteligencia artificial ya no es un concepto futurista: es una herramienta más en la batalla por encontrar ventajas mínimas en un deporte donde el margen de error es ridículo.
Algunos lo reconocen en voz baja: usan ChatGPT para ordenar ideas, probar escenarios, jugar con alineaciones. Pero convertir esos juguetes digitales en información realmente útil es otro nivel.
Del blog de Arsenal a asesorar a clubes
Bracha lo sabe bien. Fanático declarado del Arsenal, empezó como tantos otros: con un blog desde casa, analizando a los Gunners con ojo clínico y un poco de ayuda tecnológica. Mezclaba el “ojo” tradicional del aficionado obsesivo con modelos propios para detectar talento que los grandes clubes pasaban por alto.
El experimento se le fue de las manos.
Su trabajo en tecnología le comía el tiempo, así que entrenó un modelo de IA para que le generara los esqueletos de sus artículos. Él los remataba. De esa mezcla, mitad intuición, mitad máquina, empezaron a salir nombres que llamaron la atención.
“Empecé a recibir mensajes de ojeadores profesionales y gente de clubes preguntándome: ‘¿Cómo sabes eso de este jugador?’”, recuerda. “Y yo pensaba: ‘No lo sé… eso es ChatGPT’”.
Se rió, pero la pregunta le quedó dando vueltas: si eso ya impresionaba a profesionales, ¿qué estaban usando ellos realmente?
La respuesta fue clara: datos, muchos datos, demasiados datos… y muy poca coherencia.
Wyscout abrió el camino en los 2000, luego llegaron más proveedores, más plataformas, más métricas. El resultado: una década que pasó de la escasez a la saturación absoluta. “En los últimos 10 años, esta industria ha pasado de la completa escasez a la sobrecarga de datos”, resume Bracha. Y con tantos números dispersos, encontrar oro se hace más difícil, no más fácil.
Su compañía, Marquee, se mete justo en ese hueco: eliminar ruido.
“Automatizamos esos procesos que, en el fondo, son hojas de cálculo glorificadas repartidas en distintas plataformas que no se hablan entre sí. Nosotros las unimos. En cierto modo, Marquee es un departamento analítico externo que trabaja para el club”, explica.
No es un Football Manager vitaminado, insiste. Marquee no juega a ser gamer: construye perfiles de fichajes específicos para cada cliente, de pago, cruzando rendimiento, encaje táctico y contexto. El club puede hacer caso o ignorar las sugerencias. Pero algunos ya se han subido al barco: trabajan con varios equipos de la Premier League y han recibido respaldo público de Barcelona y Chicago Fire.
Si están encontrando al próximo gran tapado del fútbol mundial es discutible. Lo que ya no admite discusión es que forman parte del ecosistema.
La máquina que supo que Miazga estaba en problemas
El impacto de la IA no se limita al mercado de fichajes. También se cuela en el césped, en el músculo, en la camilla.
En un partido de MLS entre FC Cincinnati y Nashville SC el año pasado, los sistemas del club detectaron algo raro en Matt Miazga. Un “patrón de movimiento irregular”. Cinco minutos después, el central pidió el cambio.
No se trató de magia ni de prevención milagrosa. Los datos no llegan en tiempo real, nadie le obligó a jugar lesionado. Pero la máquina dejó constancia de que algo no cuadraba. Vio el problema antes de que el ojo humano lo asumiera del todo.
Otra batalla empieza después: ¿cuándo está realmente listo un jugador para volver? Ahí entra Springbok Analytics.
Su propuesta a los clubes es sencilla y brutal: “Enviadnos vuestra lesión más complicada”. Casi siempre, la respuesta es la misma: isquios. El tendón maldito del fútbol moderno.
Un estudio de 2020 del NIH cifró las lesiones de isquiotibiales en el 12 por ciento de todas las dolencias en profesionales, con tasas de recaída que van del 4 al 68 por ciento. Es una plaga. Se asocia al cansancio, a los minutos finales de cada parte, a ese sprint de más cuando el cuerpo ya va justo. Y nadie ha encontrado la fórmula perfecta para rehabilitarla.
“Tenemos toda la nueva tecnología, mil formas de testear… fuerza, patrones de carrera… y las lesiones de isquios no han bajado. Han subido”, admite Matt Brown, director de Analytics en Springbok.
Su tesis: el problema es cómo se mide. Una rotura muscular es evidente. Traducirla a números útiles ya no lo es tanto. Fuerza, equilibrio muscular, atrofia… son variables complejas, lentas de cuantificar.
La idea de Brown es clara: escanear al jugador en el momento de la lesión, dos meses después, seis meses después. Seguir de cerca la evolución real del músculo, no solo la sensación del futbolista o el ojo del fisio.
Springbok nace en la Universidad de Virginia, donde un grupo de científicos desarrolló tecnología de resonancias magnéticas hiperprecisas para tratar a pacientes con parálisis cerebral. Creaban gráficos 3D para ayudar a cirujanos pediátricos a calcular al milímetro alargamientos de tendones. Funcionó. Y alguien pensó: esto también puede servir para el deporte.
La NBA se subió al proyecto en 2023. Este año, Springbok ha sido seleccionada para el Innovation Lab de la MLS.
Brown describe las resonancias tradicionales como “miles y miles de cortes de imágenes grises en dos dimensiones”. El médico las apila, interpreta y construye mentalmente un modelo tridimensional. Es un trabajo minucioso, lento.
Springbok lo acelera con IA. Procesa todas esas imágenes, delimita los bordes del músculo y genera un “gemelo digital” en 3D, pulido, listo para analizar. Un informe que antes tardaba una semana puede estar en horas.
No curan. No prometen prevenir lesiones. Ponen números claros donde antes había intuición y experiencia. “Somos el sistema de soporte: hacemos que la imagen de una resonancia sea mucho más impactante y accionable. No somos quienes la aplican. Damos las mediciones. El resto es del profesional, que lleva diez años en esto y tiene su propia tesis”, resume Brown.
Un móvil, cuatro fotos y el futuro físico de un niño
Mientras tanto, en la academia de Philadelphia Union, las preguntas son otras, pero igual de delicadas. ¿A qué nivel está preparado un chaval para competir? ¿Cuánto de su rendimiento se explica por su desarrollo físico y cuánto por su talento real? ¿Cuántos minutos puede soportar un adolescente como Cavan Sullivan sin poner en riesgo su cuerpo?
No hay respuesta única. Los clubes de MLS ya hacen baterías de test: fuerza, talla, proyección de crecimiento, picos de rendimiento esperados. Todo consume tiempo. Y muchas veces sigue siendo una apuesta a ciegas.
Fit:Match pretende recortar ese camino. Con un teléfono y 10 segundos.
El proceso es casi insultantemente simple: cuatro fotos del jugador desde distintos ángulos. El móvil calcula altura, masa corporal, envergadura… y cualquier otra medida básica. A partir de ahí, proyecta más: talla probable, maduración del crecimiento, un esbozo de cómo será su físico en plenitud. En menos de 30 segundos, el usuario tiene un perfil bastante detallado.
Su fundador, Haniff Brown, lo define medio en broma como “ChatGPT para el fútbol”. El origen de la idea, sin embargo, no está en un campo de entrenamiento, sino en los probadores de una tienda de ropa.
Brown buscaba una forma de que el cliente pudiera subir su “perfil corporal” y no tuviera que comprar cuatro camisas para devolver tres. Una sola compra, y acierto. Ese era el objetivo.
El sistema llamó la atención de hospitales y empresas de salud. Y en 2024, un club europeo, cuyo nombre no ha trascendido, pidió a Fit:Match que escaneara a todos sus jugadores de academia. Brown entendió que había algo más grande.
Se fijó un límite férreo: el proceso no podía durar más de 15 segundos. Sabía que los entrenadores odian las evaluaciones eternas. Quieren a los chicos en el campo, no en una sala de mediciones. Cuanto más largo y complejo el test, menos se usa.
El piloto funcionó. Otros clubes se sumaron. Aparecieron nuevos problemas: dos entrenadores midiendo al mismo jugador obtenían resultados distintos con las pruebas físicas clásicas. La subjetividad contaminaba el proceso.
Fit:Match elimina esa variación. Cuatro fotos, medio minuto, y un perfil físico estandarizado. Hoy lo usan clubes… y también familias. Cuando los padres inscriben a sus hijos en una academia, pueden subir las fotos. El sistema genera su gemelo digital y, por detrás, envía a la MLS todos los datos relevantes.
Eso permite ajustar mejor las categorías de edad, entender quién es un “temprano desarrollador” y quién va tarde físicamente. En un entorno donde el tamaño sigue condicionando, no es un detalle menor. “Un jugador de 14 años que se desarrolla pronto es muy distinto a otro de 14 que va tarde. Ahora la MLS puede medirlo científicamente y diseñar mejores caminos para esos tardíos, para que no se caigan del sistema”, explica Brown.
Ética, empleos y el eterno dilema: construir o comprar
Todo suena potente. Incluso revolucionario. Pero no es inocuo.
Cambiar procesos que llevan décadas asentados, y hacerlo con máquinas, abre debates incómodos. Proyectar el futuro de un adolescente con un algoritmo no es una decisión menor. ¿Qué pasa si una predicción marca, sin querer, el techo de un chaval? ¿Quién asume esa responsabilidad?
“El primer paso fue lograr que la gente se sintiera cómoda”, admite Brown.
Marquee se ha topado con algo parecido. Bracha entendió rápido que no podía presentarse como un sustituto del departamento de scouting, sino como un socio. “Se trata más de que ellos se sientan cómodos con todo lo que hacemos juntos. Cuando tengamos historias de éxito, las contaremos”, dice.
También está la pregunta incómoda sobre el empleo. Si una plataforma externa hace en segundos lo que un equipo interno tarda semanas, ¿qué pasa con esos puestos?
Bracha lo plantea sin rodeos: “Desde la perspectiva del retorno de inversión, siempre será más rápido, más barato y más acertado venir con nosotros, porque ya hemos construido algo y seguimos invirtiendo para mejorarlo. Es tu único gasto. Uno de los mayores gastos de un club son los salarios. ¿Quieren contratar más gente para construir esto o comprarlo fuera? Es la gran cuestión de la IA hoy: ¿construir o comprar? En este caso, creo que comprar”.
La elección no garantiza nada. Wolfsburg fue uno de los pioneros en Europa en subirse al carro de la IA. Presumieron de ahorrar un millón de euros al año en tareas administrativas y prevención de lesiones. En el campo, el equipo se hundió. Y el discurso de innovación tecnológica se volvió contra ellos cuando los resultados no acompañaron.
Aun así, han redoblado su apuesta. Sevilla trabaja con IBM WatsonX para gestionar datos. Otros avanzan a su ritmo.
ChatGPT en la pizarra táctica
La IA también ha entrado en los vestuarios por la puerta de la táctica. Algunos técnicos, como reconoce Fraser, han jugueteado con ChatGPT para explorar emparejamientos y sistemas. Otros han ido más lejos.
Laura Harvey, entrenadora de Seattle Reign, dio titulares en octubre de 2025 al contar en el pódcast Soccerish que había preguntado directamente al modelo: “¿Qué formación deberías usar para ganar a los equipos de la NWSL?”. La respuesta fue clara para dos de los 14 equipos de la liga: línea de cinco atrás.
Harvey no copió y pegó. Lo debatió con su cuerpo técnico, valoró la idea y acabó implementando un sistema con cinco defensoras. El equipo terminó quinto, ocho puestos mejor que la temporada anterior.
¿ChatGPT transformó a Seattle Reign? No. Pero dejó caer una chispa que acabó en el césped. Para los defensores de la IA, eso ya es una victoria: una herramienta que abre una puerta que quizá nadie habría mirado.
Por cada éxito hay experimentos que se quedan en nada, datos que acaban en la papelera. Y, aun así, los clubes insisten. No se trata de sustituir al entrenador, al médico o al ojeador, sino de sumar una capa más de información en un deporte donde cada detalle cuenta.
En un entorno tan apretado, con temporadas decididas por centímetros y segundos, la cuestión moral pierde peso frente a otra mucho más cruda, que Fraser resume sin adornos:
“Todos buscamos cualquier ventaja que podamos conseguir”.
