En 2023, el Bayern de Múnich empezó a usar un sistema de seguimiento óptico capaz de registrar más de cincuenta variables biomecánicas por jugador durante cada sesión. Velocidad de carrera, ángulo de apoyo, frecuencia de zancada, posición del centro de gravedad. Datos que antes se perdían o se resumían en un número. Ahora alimentan modelos que ayudan al cuerpo técnico a decidir cuándo sacar a un jugador del campo antes de que se lesione. No es ciencia ficción. Es el deporte profesional en 2026.
La inteligencia artificial ha entrado en el mundo del deporte por varias puertas al mismo tiempo. Por la medicina deportiva, por el análisis táctico, por la planificación del rendimiento, por las apuestas y el periodismo de datos. El resultado es una transformación profunda de cómo se entrena, cómo se compite y cómo se entiende lo que ocurre en un campo o en una pista.
La velocidad del cambio ha cogido por sorpresa a muchas instituciones. Clubes con décadas de historia se han encontrado de golpe con la necesidad de contratar matemáticos, ingenieros de datos y especialistas en aprendizaje automático, lo que en inglés se llama machine learning, junto a los entrenadores de toda la vida. En algunos casos, el conflicto entre el conocimiento intuitivo y el dato cuantitativo ha generado tensiones internas. En otros, la combinación ha funcionado.
Del papel al modelo predictivo: cómo se entrena con datos
Durante décadas, el entrenamiento deportivo de élite se basó en dos pilares: la experiencia del técnico y la observación directa. Un entrenador de fútbol veía un partido, tomaba notas, hablaba con sus ayudantes y decidía. Un preparador físico medía tiempos, controlaba el pulso, miraba la cara del atleta. El conocimiento era válido, pero fragmentado y difícil de escalar.
Los sistemas actuales cambian esa lógica de raíz. Hoy un club de primera división puede procesar en tiempo real cientos de miles de puntos de datos por partido. Cámaras de alta velocidad, sensores GPS en las camisetas, pulsómetros conectados, plataformas de fuerza en el suelo del gimnasio. Toda esa información entra en sistemas que aprenden a detectar patrones que el ojo humano no puede ver.
Un ejemplo concreto: el modelo de carga de trabajo interna. Los científicos del deporte llevan años sabiendo que el riesgo de lesión muscular aumenta cuando un atleta acumula demasiado estrés físico en poco tiempo – lo que técnicamente se llama ratio de carga aguda-crónica. Antes, calcular ese ratio era laborioso y se hacía con hojas de cálculo. Ahora los algoritmos lo calculan en tiempo real, generan alertas automáticas y sugieren ajustes en la planificación de la semana.
En el atletismo de fondo, varios equipos nacionales han empezado a usar modelos de IA para personalizar los planes de entrenamiento según el perfil fisiológico de cada corredor. No un plan estándar para todos, sino uno adaptado a la edad, el historial de lesiones, los datos de sueño y la respuesta individual al estrés aeróbico. El resultado, según los primeros estudios publicados, es una reducción de las lesiones por sobreentrenamiento y una mejora en el rendimiento en los períodos de tapering – la fase de reducción de carga previa a la competición.
El tenis ha sido uno de los laboratorios más activos. La ATP y la WTA han invertido en sistemas de análisis de jugadas que permiten diseccionar el estilo de juego de cualquier rival en cuestión de minutos. Velocidad del saque, dirección preferida en el segundo servicio, comportamiento en los puntos de break, patrones de movimiento en la red. Un jugador que antes necesitaba horas de vídeo ahora puede recibir un informe condensado antes de entrar a la pista.
Pero la IA no solo analiza el pasado. Algunos sistemas ya intentan predecir el futuro. Modelos entrenados con millones de jugadas históricas son capaces de sugerir qué tipo de estrategia tiene más probabilidades de funcionar contra un rival concreto en una superficie específica. No con certeza absoluta, sino con probabilidades. La decisión sigue siendo del entrenador. El algoritmo da contexto.
Predicción de resultados: entre la estadística y la incertidumbre
La predicción de resultados deportivos es uno de los campos donde la inteligencia artificial ha avanzado más rápido, y también donde más fácil es exagerar sus capacidades.
Los modelos de predicción más sofisticados no son simples calculadoras de probabilidades basadas en el marcador histórico. Integran datos de rendimiento físico, condiciones del terreno, historial de encuentros directos, bajas por lesión, motivación implícita, el valor de un partido en la clasificación, incluso variables meteorológicas. En fútbol, los mejores modelos actuales consiguen predecir el resultado correcto de un partido en poco más del sesenta por ciento de los casos. No es un número espectacular. Pero supera con claridad la media humana cuando se mide de forma sistemática.
Lo que la IA ha cambiado no es tanto la precisión puntual de una predicción como la capacidad de procesar volúmenes masivos de información de forma consistente. Un analista humano puede tener en cuenta veinte variables. Un modelo puede tener en cuenta diez mil, y recalibrarse solo con cada nuevo resultado.
Esto tiene implicaciones directas en el mundo de las apuestas deportivas. Empresas del sector llevan años usando modelos estadísticos para fijar cuotas. La IA ha acelerado ese proceso y lo ha hecho más granular. Hoy las cuotas no se calculan solo para el resultado final de un partido, sino para eventos dentro del partido – número de corners, tarjetas, goles en periodos específicos – con modelos que se actualizan en directo mientras el juego avanza. Plataformas de apuestas online han incorporado estas herramientas para gestionar mercados in-play que se ajustan en tiempo real a la evolución del partido, lo que a su vez exige a los usuarios una comprensión más sofisticada del riesgo.
La pregunta que muchos se hacen es si esto cambia la naturaleza del deporte como espectáculo. Si un modelo puede predecir con bastante precisión lo que va a pasar, ¿sigue siendo emocionante? La respuesta, por ahora, es que no. El margen de incertidumbre sigue siendo enorme. El deporte tiene la capacidad de producir resultados que ningún modelo hubiera asignado más de un cinco por ciento de probabilidad, y eso es precisamente lo que lo hace diferente de otros fenómenos que la IA puede controlar mejor.
El partido de fútbol, la carrera de cien metros, la final de un torneo de tenis: son sistemas complejos con demasiadas variables interdependientes. La IA los analiza mejor que nunca, pero no los domina. Y probablemente no lo hará.
Cuando el cuerpo técnico y el algoritmo no se ponen de acuerdo
Uno de los conflictos más interesantes que ha generado la irrupción de la IA en el deporte no es tecnológico. Es humano.
Los entrenadores con décadas de experiencia se resisten, en muchos casos, a delegar decisiones en un sistema que no pueden ver funcionar. La caja negra – el algoritmo que produce un output sin que el usuario pueda entender exactamente cómo – genera desconfianza. Un entrenador que ha pasado treinta años leyendo el lenguaje corporal de los jugadores no acepta fácilmente que un modelo le diga que debe sustituir a su mejor delantero en el minuto sesenta porque los datos de aceleración sugieren riesgo de lesión muscular.
Esto ha llevado a los equipos técnicos de muchas empresas del sector a trabajar en lo que se llama explicabilidad de los modelos, es decir, la capacidad de mostrar al usuario no solo el resultado del análisis sino el razonamiento que lleva a él. En lugar de «saca al jugador», el sistema muestra: «En los últimos diez partidos, cuando este jugador supera los novecientos metros de sprint acumulados en la primera hora de juego, el riesgo de lesión en los treinta minutos siguientes aumenta un cuarenta y dos por ciento». Eso ya es algo que un entrenador puede evaluar y discutir.
En el baloncesto, la NBA ha ido más lejos que ninguna otra liga. El sistema de seguimiento óptico, llamado Second Spectrum, está instalado en todos los pabellones de la liga y genera, en tiempo real, métricas que antes no existían. La velocidad promedio de defensa por jugador, la eficiencia en el pick-and-roll según el tipo de cobertura, la diferencia de porcentaje de acierto según la posición exacta en la cancha con una resolución de menos de un metro cuadrado. Los analistas de los equipos trabajan con esos datos cada día. Los entrenadores los usan de forma selectiva.
El modelo que está emergiendo no es el de la IA sustituyendo al criterio humano. Es el de la IA ampliando la cantidad de información disponible para que ese criterio sea más informado. La decisión final sigue siendo humana. Pero las condiciones en las que se toma esa decisión han cambiado radicalmente.
El resultado no estaba en el guion
Lo más revelador de este proceso no es lo que la inteligencia artificial puede predecir. Es lo que no puede.
En mayo de 2025, un equipo de segunda división española llegó a la final de Copa del Rey. Ninguno de los modelos más avanzados lo había incluido entre los diez candidatos más probables al inicio de la temporada. La narrativa que construyó ese club – la cohesión del vestuario, el trabajo táctico específico para ese torneo, la forma en que los jugadores respondieron a situaciones de presión extrema – no estaba en ninguna base de datos estructurada. No era cuantificable con las herramientas disponibles.
La inteligencia artificial ha transformado el deporte de élite de formas concretas y medibles. Ha reducido lesiones. Ha mejorado la personalización del entrenamiento. Ha hecho más precisas las cuotas y más sofisticados los análisis tácticos. Ha dado a los analistas herramientas que hace diez años eran impensables.
Pero no ha eliminado la sorpresa. No ha borrado la variabilidad humana. No ha convertido la competición en un ejercicio de ingeniería.
Y esa tensión – entre lo que los datos pueden anticipar y lo que el partido produce de todas formas – es quizás lo más interesante de todo este cambio. El algoritmo se equivoca. El modelo falla. El equipo que nadie esperaba levanta el trofeo. Y eso, todavía, es lo que hace que valga la pena ver el partido hasta el final.
