Inteligencia artificial en el deporte: más allá del hype, las preguntas que importan

La teoría: sistemas de recomendación, aprendizaje automático y el problema de la caja negra

La inteligencia artificial aplicada al deporte no es un fenómeno nuevo —los modelos estadísticos de predicción de rendimiento llevan décadas de desarrollo— pero la aceleración reciente en capacidad de procesamiento y disponibilidad de datos ha producido un salto cualitativo que conviene entender con precisión antes de tomar decisiones de inversión o de gestión basadas en ella.

El núcleo técnico de la mayoría de las aplicaciones de IA en deporte hoy son modelos de aprendizaje automático supervisado: algoritmos que aprenden patrones a partir de grandes conjuntos de datos históricos y generan predicciones o recomendaciones sobre datos nuevos. La potencia de estos modelos es real, pero también lo es su limitación principal, que la filosofía de la ciencia ha debatido bajo el nombre de "problema de la caja negra": en los modelos más complejos (redes neuronales profundas, por ejemplo), la relación entre los datos de entrada y la predicción de salida es matemáticamente opaca — el modelo predice con alta precisión pero no puede explicar en términos humanos por qué llegó a esa conclusión. Para un científico de datos, eso puede ser aceptable si la métrica de precisión es alta. Para un entrenador que debe decidir si juega o no a un atleta en un partido decisivo, o para un director deportivo que debe justificar una contratación ante su directorio, esa opacidad es un problema real de aplicabilidad.

La investigación en IA explicable (XAI, por sus siglas en inglés) avanza precisamente en esta dirección: desarrollar modelos que no solo sean precisos sino que puedan articular su razonamiento en términos comprensibles para expertos no técnicos. Es la frontera más relevante de la disciplina para su adopción real en la toma de decisión deportiva.

La realidad: la IA ya está en el deporte, pero no donde se cree

El relato mediático sobre IA en el deporte tiende a concentrarse en los casos más espectaculares — robots árbitros, modelos que predicen lesiones con semanas de anticipación, sistemas de scouting que analizan millones de clips de video automáticamente. Esos casos existen, pero representan el extremo de la distribución. La adopción real y extendida de IA en el deporte ocurre en lugares más silenciosos y más útiles en el corto plazo.

Los sistemas de visión computacional para análisis de video ya son estándar en ligas profesionales de múltiples deportes: detectan automáticamente posiciones de jugadores, velocidades, distancias recorridas y patrones tácticos con una precisión que habría requerido decenas de analistas humanos hace una década. Los modelos de personalización de comunicación con fans —decidir qué contenido mostrar a qué segmento de la audiencia en qué momento— están operando en departamentos de marketing de los clubes más avanzados. Y la optimización de precios dinámicos para entradas, hospitality y productos del club mediante modelos predictivos de demanda ya genera impactos mesurables en los ingresos de organizaciones que los implementaron.

Lo común en todos estos casos exitosos no es la sofisticación del algoritmo: es la calidad de los datos de entrada y la claridad de la pregunta que el modelo intenta responder. La IA no produce buenas respuestas a preguntas mal definidas, independientemente de su potencia computacional.

La intersección: el verdadero desafío es organizacional, no tecnológico

Así como en el artículo anterior sobre analítica señalamos que el cuello de botella no era la tecnología sino la capacidad de traducción entre datos y decisión, con la IA el patrón se repite con mayor intensidad. Las organizaciones deportivas que están logrando resultados reales con herramientas de IA no son necesariamente las que tienen acceso a los algoritmos más avanzados — son las que tienen claro qué problema específico quieren resolver, han invertido en la calidad de sus datos, y han construido el puente organizacional entre los equipos técnicos que operan los modelos y los equipos de gestión que toman las decisiones que esos modelos informan.

El riesgo más frecuente que se observa en organizaciones que adoptan IA sin esa preparación previa es lo que podría llamarse "ilusión de precisión": confundir la certeza matemática de un output del modelo con la certeza sobre la decisión correcta. Un modelo puede decir con 87% de probabilidad que un atleta rendirá por debajo de su nivel en las próximas cuatro semanas; la decisión de cómo gestionar esa información — con el atleta, con el cuerpo técnico, con la dirigencia — sigue siendo completamente humana y requiere competencias que ningún algoritmo reemplaza.

Qué pueden hacer clubes, ligas y federaciones con esto

• Empezar por la pregunta, no por la tecnología. Antes de evaluar cualquier herramienta de IA, definir por escrito cuál es la decisión específica que se quiere mejorar y qué información se necesitaría para tomarla mejor. Ese ejercicio suele revelar que el primer problema a resolver no es de algoritmos sino de datos o de procesos.
• Auditar la calidad de los datos propios antes de externalizar el análisis. Muchos proyectos de IA en deporte fallan o producen resultados mediocres porque los datos históricos de la institución son incompletos, inconsistentes o simplemente no existen en formato digital. Ese diagnóstico previo es indispensable y no lo hace la empresa de tecnología contratada: lo tiene que hacer la propia institución.
• Exigir explicabilidad en cualquier sistema de IA que informe decisiones sobre personas — atletas, entrenadores, empleados. No solo por razones éticas (aunque las hay), sino porque una decisión que no se puede explicar es una decisión que no se puede defender ante un directorio, ante un sponsor ni ante la opinión pública.

Fuentes citadas en este artículo

• Lipton, Z. C. (2018). "The Mythos of Model Interpretability". Queue, 16(3).
• Gunning, D., et al. (2019). "XAI — Explainable Artificial Intelligence". Science Robotics, 4(37).
• MIT Sloan Sports Analytics Conference, papers seleccionados 2023-2025 (sloansportsconference.com).