IA y fútbol: cómo los datos deciden cuánto vale un jugador

El caso Vozinha: cuando los datos llegan antes que el ojeador

Vozinha paró lo que había que parar contra España. Salidas impecables, reflejos, lectura del juego bajo presión máxima. Cabo Verde eliminó a una selección que muchos daban como favorita, y el portero acabó la noche como el nombre más buscado en plataformas de transferencias de toda Europa.

Pero aquí está lo interesante: los sistemas de scouting basados en datos ya lo tenían en sus bases mucho antes de ese partido. No porque alguien lo hubiera visto jugar en directo — sino porque sus números en la liga portuguesa y en las eliminatorias africanas ya habían activado alertas en los modelos de varios clubes. El partido contra España no lo descubrió. Lo confirmó.

Eso resume bien lo que está pasando en el fútbol profesional. La IA no reemplaza al ojo del scout. Lo precede. Filtra el ruido para que el ojo humano sepa exactamente dónde mirar.

Qué datos recoge realmente el scouting con IA

Cuando la gente habla de Big Data en el fútbol, tiende a pensar en goles y asistencias. Pero esas métricas son las menos interesantes para los modelos, precisamente porque son las que todo el mundo ya mira. Lo que diferencia a un sistema de scouting sofisticado es la capa de datos que está por debajo.

Plataformas como Wyscout, StatsBomb o Opta recogen datos de posicionamiento con una frecuencia de varias veces por segundo durante todo el partido. De cada jugador, de cada momento, en todos los partidos de las ligas que cubren — que son cientos. Con eso construyen métricas que van mucho más allá del marcador.

Para un portero como Vozinha, el modelo analiza cosas como la tasa de paradas ajustada por la dificultad del remate — no es lo mismo parar diez tiros fáciles que cinco difíciles. O la velocidad de salida en balones aéreos. O los metros recorridos fuera del área por partido. O el porcentaje de pases precisos cuando el equipo tiene el balón — dato que cada vez importa más en un fútbol donde el portero es el primer eslabón de la construcción.

Para un centrocampista, el sistema mide presiones exitosas, distancia de pressing, metros recorridos con y sin balón, recepciones entre líneas, progresión del balón hacia el área rival. Para un delantero, movimientos sin balón, posicionamiento en el segundo palo, capacidad de crear espacio para los compañeros. Cada posición tiene su propio conjunto de métricas relevantes, y el modelo aprende qué combinación de esas métricas predice mejor el rendimiento en ligas más exigentes.

Cómo se construye el perfil completo de un jugador

El proceso de scouting con IA funciona en capas. La primera es el filtrado masivo: el director deportivo define el perfil que necesita — lateral derecho, menos de 24 años, buena progresión, presupuesto máximo de X millones — y el modelo devuelve una lista de candidatos de todas las ligas que cubre la plataforma. Sin esa primera capa, habría que revisar manualmente miles de jugadores. Con ella, el punto de partida es una lista de veinte o treinta perfiles que ya cumplen los criterios básicos.

La segunda capa es el análisis de similitud. Los modelos pueden comparar el perfil estadístico de un jugador desconocido con el de jugadores consolidados cuando tenían la misma edad. Si las métricas de un central de 21 años de la liga rumana se parecen a las que tenía un central ahora valorado en 40 millones cuando jugaba en una liga similar, ese dato es relevante. No garantiza nada, pero es una señal.

La tercera capa, y la más reciente, es la predicción de trayectoria. Modelos entrenados con datos históricos de miles de jugadores intentan proyectar cómo evolucionará el rendimiento de un jugador en los próximos dos o tres años. Estos modelos tienen en cuenta la edad, la liga de origen, el estilo de juego del equipo en el que juega, el historial de lesiones y la curva de mejora en métricas clave. No son infalibles — ningún modelo lo es — pero añaden una dimensión que el scouting tradicional no tenía.

IA y precio de mercado: quién pone el número

El precio de un jugador de fútbol es una de las ficciones más elaboradas del deporte profesional. No existe una fórmula oficial. Lo que existe es un consenso de mercado que se forma a partir de varios factores: el rendimiento reciente, la edad, los años de contrato que quedan, la visibilidad mediática, y lo que los clubes están dispuestos a pagar en ese momento concreto.

Transfermarkt es la referencia más usada públicamente, y su metodología combina datos objetivos con la valoración de una comunidad de expertos. Pero los clubes con más recursos han ido más lejos: tienen modelos propios que intentan calcular el valor real de un jugador — no el valor de mercado actual, sino lo que debería valer según su rendimiento proyectado.

Esa brecha entre valor de mercado y valor proyectado es donde están las oportunidades. El Brentford inglés lo hizo sistemáticamente durante años: identificar jugadores cuyas métricas de rendimiento eran superiores a lo que su precio de mercado sugería, ficharlos antes de que nadie más lo viera, y revenderlos con una plusvalía considerable. No es magia — es arbitraje de información.

Un jugador como Vozinha es el ejemplo perfecto. Antes del Mundial, su valor de mercado era el de un portero de una liga mediana. Sus métricas de rendimiento, para alguien que lo mirara con datos, contaban otra historia. El partido contra España no cambió sus números — cambió la percepción pública. Y cuando la percepción pública se actualiza, el precio sube, aunque el jugador sea exactamente el mismo que era la semana anterior.

El scouting con datos no busca al jugador que todo el mundo ya conoce. Busca al que nadie ha visto todavía pero que los números ya señalan. Ese es el momento en que el precio todavía no refleja la realidad.

Lo que la IA no ve — y por qué eso sigue importando

Con todo lo anterior, sería fácil concluir que el scout humano está en vías de extinción. No es así, y las razones son concretas.

Los datos capturan lo que pasa en el campo durante el partido. No capturan cómo reacciona un jugador después de cometer un error grave en un momento decisivo. No capturan si el vestuario lo acepta o lo rechaza. No capturan su capacidad para adaptarse rápidamente a un sistema táctico que no conocía. No capturan si tiene la ambición y la mentalidad para seguir mejorando cuando ya cobra bien y juega en un club grande. Estas cosas importan, y no hay métrica que las mida con fiabilidad.

Tampoco capturan el contexto. Un jugador puede tener números excelentes en un equipo que domina todos los partidos y tiene la pelota el 65% del tiempo. El mismo jugador, en un equipo que defiende más y trabaja con transiciones rápidas, puede rendir de forma completamente diferente. Trasladar métricas de un contexto a otro sin entender esa diferencia es uno de los errores más comunes en el análisis de datos deportivos.

Los clubes que mejor están usando la IA lo saben. Sus modelos filtran y priorizan. Sus scouts van a ver en directo a los jugadores que los modelos han señalado. La decisión final siempre la toma una persona — que ahora tiene mucha más información sobre qué mirar y dónde mirar.

El Mundial, los asistentes de voz y el contexto encadenado

Hay otra dimensión de la IA en el fútbol que pasa más desapercibida pero que ilustra bien cómo funcionan estos sistemas: lo que ocurre cuando millones de personas le hacen preguntas a sus asistentes de voz durante un torneo como este.

Durante el Mundial, un usuario le pregunta a su asistente quién es Vozinha. Luego pregunta cuántos partidos lleva sin encajar. Luego a qué club pertenece. Luego cuánto vale. Cuatro preguntas distintas, sobre el mismo jugador, en la misma conversación. Para que el asistente entienda que todas esas preguntas hablan del mismo portero sin que el usuario tenga que repetir el nombre cada vez, el sistema necesita mantener lo que se llama contexto multi-turno: la capacidad de encadenar preguntas y respuestas dentro de una misma sesión, recordando de qué se estaba hablando.

Es exactamente el mismo principio que usan los sistemas de análisis de scouting para construir el perfil de un jugador: no evalúan cada dato de forma aislada, sino que encadenan información de distintas fuentes y momentos para construir una imagen coherente. Un partido no dice mucho. Veinte partidos en distintos contextos, analizados en conjunto, dicen bastante más.

El fútbol y la IA llevan años cruzándose de formas que la mayoría no ve porque ocurren en los despachos, en los servidores y en las conversaciones con asistentes que parecen simples pero no lo son. El resultado se ve en el campo: jugadores fichados antes de que nadie supiera quiénes eran, precios que ya no responden solo al ojo del mercado, y torneos como este donde una actuación memorable no descubre a nadie — solo confirma lo que los datos ya decían.

Preguntas frecuentes

¿Cómo usa la IA para fichar jugadores de fútbol?

Los clubes usan plataformas de Big Data que analizan miles de partidos y millones de acciones individuales. La IA detecta patrones en métricas como presión, desmarcadas, anticipación o rendimiento bajo presión que el ojo humano no puede procesar a esa escala. El resultado es una lista de candidatos filtrada por posición, perfil de juego y presupuesto, que el scout humano utiliza como punto de partida para el análisis en profundidad.

¿Quién decide el precio de un jugador, la IA o el mercado?

Los dos, y no siempre coinciden. Transfermarkt y plataformas similares fijan el valor de mercado a partir de rendimiento reciente, edad, contrato y visibilidad mediática. Los modelos predictivos de los clubes añaden una capa más: proyectan cómo evolucionará el jugador en los próximos años. Un jugador puede estar infravalorado según el mercado pero bien valorado por los datos, o al revés. La brecha entre esos dos números es donde algunos clubes encuentran sus mejores fichajes.

¿Puede la IA reemplazar al scout humano?

No por completo, y los clubes que mejor usan estas herramientas lo saben. La IA procesa volumen y detecta patrones estadísticos a una escala imposible para cualquier equipo humano. Pero el scout evalúa cosas que los datos no capturan: reacción al error, actitud, capacidad de adaptación táctica, carácter en momentos de presión. El modelo que funciona combina ambos: datos para saber dónde mirar, criterio humano para decidir qué hacer con lo que ves.

¿Qué plataformas de datos usan los clubes profesionales?

Las más extendidas son Wyscout, StatsBomb, Opta y SciSports. Cada una tiene sus fortalezas: Wyscout cubre más ligas en profundidad, StatsBomb es conocida por la granularidad de sus datos de presión y acciones off-ball, Opta tiene una presencia histórica muy grande en las grandes ligas europeas. Los clubes más grandes suelen combinar varias plataformas y añaden sus propios modelos desarrollados internamente.