La nueva batalla del fútbol: gemelos digitales y datos en el juego

En los despachos del fútbol moderno ya no se habla solo de ojeadores, vídeos y “olfato”. Se habla de modelos, de patrones, de gemelos digitales. Y, cada vez más, de inteligencia artificial. No como un sustituto del ojo humano, sino como un amplificador brutal de todo lo que un club puede ver… o se le puede escapar.

De un blog de Arsenal a asesorar a clubes de élite

Bracha lo sabe bien. Aficionado declarado de Arsenal, empezó como tantos otros: un blog, análisis detallados de los Gunners escritos desde casa, mezcla de ojo táctico y datos básicos. A partir de ahí, un giro.

Cuando su trabajo a tiempo completo en tecnología empezó a devorarle las horas, decidió entrenar un modelo de IA para que le generara los esqueletos de los artículos. Él ponía el criterio, la máquina hacía el trabajo pesado. Y de esa combinación salieron nombres que no estaban en el radar de casi nadie.

Las reacciones no tardaron.

“Empecé a recibir mensajes privados de ojeadores profesionales y de gente de clubes preguntándome: ‘¿Cómo sabes eso de este jugador?’”, recuerda. Su respuesta les dejó helados: “No lo sé. Es ChatGPT”.

La sorpresa de los profesionales encendió otra pregunta en su cabeza: si esto les impresiona, ¿qué están usando realmente los clubes?

La respuesta que encontró fue caótica. Datos, sí. A montones. Pero sin orden. Wyscout abrió camino a principios de la década pasada, luego llegaron competidores, nuevas plataformas, proveedores por todas partes. El resultado: una sobrecarga que ahoga.

“En los últimos 10 años, esta industria ha pasado de la escasez absoluta a la sobrecarga de datos”, resume Bracha. “Y eso crea otro problema: hay demasiados proveedores distintos”.

Su empresa, Marquee, nace para cortar ese ruido. Se presenta a los clubes como un departamento analítico externalizado: automatiza procesos que antes eran hojas de cálculo interminables, cruza plataformas que no se hablan entre sí y las condensa en un único sistema.

No es, insiste, un Football Manager vitaminado ni un modo Carrera de EAFC con traje y corbata. Marquee construye perfiles específicos —pagados por el cliente— que sugieren posibles fichajes, no solo por calidad futbolística, sino por encaje táctico y de modelo de juego.

El club decide si hace caso o no. Pero algo de valor hay cuando un puñado de equipos de la Premier League ya trabaja con ellos y entidades como Barcelona o Chicago Fire han respaldado públicamente la herramienta. ¿Están encontrando la próxima ganga del mercado? Nadie lo sabe. Lo que sí está claro es que ya forman parte del paisaje.

Cuando la máquina detecta el cansancio antes que el jugador

En la MLS, FC Cincinnati vivió una escena que ilustra bien el nuevo escenario. Partido ante Nashville SC, la temporada pasada. Matt Miazga empieza a dar síntomas de fatiga. Cinco minutos antes de que pida el cambio, el sistema interno del club detecta “un patrón de movimiento irregular”.

No había alerta en directo. No hubo una orden de “sácalo ya o se rompe”. Pero el algoritmo dejó constancia: algo no iba bien.

La gran pregunta llega después: ¿cuándo vuelve ese jugador al cien por cien? Ahí entra otro actor: Springbok Analytics.

Su petición a los clubes es sencilla y demoledora: “Enviadnos vuestra lesión más complicada”. Casi siempre, la respuesta es la misma: el isquiotibial. La maldita “hamstring” que el fútbol profesional todavía no ha logrado domar.

Un estudio del NIH de 2020 cifraba en un 12% el porcentaje de lesiones de isquios sobre el total, con tasas de recaída que oscilan entre el 4% y un desorbitado 68%. Es una lesión asociada al cansancio, que aparece sobre todo al final de cada parte. Todo el mundo ha probado algo; nadie ha dado con la fórmula definitiva.

“Tenemos tecnología nueva por todas partes, nuevas 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 clara: el problema no es solo físico, es de datos. Medir fuerza muscular, equilibrio, atrofia… todo eso es un proceso lento, manual, complejo.

Lo que propone Springbok es acelerar y afinar esa medición. Su origen está en la Universidad de Virginia, donde se desarrolló una tecnología de resonancias magnéticas hiperespecíficas para tratar a pacientes con parálisis cerebral. De ahí salieron gráficos 3D que ayudaban a cirujanos pediátricos a calcular con precisión procedimientos de alargamiento de tendones. Funcionó. Y la empresa decidió llevar ese conocimiento al deporte.

La NBA se subió al proyecto en 2023. Este año, la MLS ha incluido a Springbok en su Innovation Lab.

Brown describe la diferencia con las resonancias tradicionales: miles de cortes en 2D, grises, que los médicos deben apilar y analizar a mano para crear una imagen tridimensional. Springbok automatiza ese infierno.

“Ahora podemos preprocesar esas imágenes usando IA, procesar todo el espacio 3D y el tiempo, trazar los límites musculares y entregar un gemelo digital 3D muy detallado”, explica. Donde antes se tardaba una semana en tener datos útiles, ahora se habla de horas.

No curan lesiones. No prometen milagros. Son un sistema de soporte: convierten la imagen en algo mucho más accionable para médicos y readaptadores que ya llevan una década tratando esos problemas.

Gemelos digitales para niños: el futuro en cuatro fotos

El otro frente está aún más abajo, en las academias. En la del Philadelphia Union, por ejemplo, cada día se repiten las mismas preguntas: ¿a qué nivel está listo este chico? ¿Hasta dónde puede forzar su cuerpo? ¿Cuántos minutos puede soportar un talento como Cavan Sullivan siendo todavía un adolescente?

La respuesta tradicional se basa en baterías de test físicos, mediciones, proyecciones de altura y pico de rendimiento. Horas y horas. Mucho de intuición.

Fit:Match irrumpe ahí con una propuesta casi provocadora: un móvil, cuatro fotos, 10 segundos, y un primer vistazo al futuro físico de un chaval.

El proceso es sencillo para el usuario: se toman imágenes del jugador desde distintos ángulos. El teléfono calcula altura, masa corporal, envergadura y un sinfín de medidas. Después proyecta variables más avanzadas: altura probable, maduración del crecimiento, una imagen básica de cómo podría ser su físico en plenitud. Todo en menos de 30 segundos.

Su fundador, Haniff Brown, lo define medio en broma como “ChatGPT para el fútbol”. La idea nació en la moda: quería que un cliente subiera su perfil corporal y dejara de comprar cuatro camisas para devolver tres. Una foto, un patrón, una talla correcta.

La utilidad llamó la atención de hospitales y empresas de salud. Y en 2024, un club europeo —no revelado— pidió a Fit:Match que escaneara a toda su academia. Ahí Brown vio que el modelo podía ir mucho más lejos.

Tenía una condición innegociable: el proceso no podía durar más de 15 segundos. Conocía a los entrenadores. No quieren evaluaciones eternas que les roben tiempo de campo. Cuanto más largo y complicado el test, menos se usa.

Los clubes compraron la idea. Y el sistema atacó otro problema clásico: la falta de coherencia. Un entrenador medía a un jugador y obtenía un resultado; otro, con el mismo chico, sacaba cifras diferentes.

Fit:Match lo estandariza. Cuatro fotos, medio minuto de procesamiento, y aparece un perfil detallado. Hoy lo usan tanto clubes como familias. Cuando los padres inscriben a sus hijos en una academia, pueden subir las fotos. El sistema genera el gemelo digital y, por detrás, entrega a la MLS un paquete de estadísticas sobre ese jugador.

Eso permite afinar la asignación de categorías por edad y desarrollo. Porque el fútbol base sigue muy condicionado por el tamaño físico. Un niño de 14 años que se desarrolla pronto no tiene nada que ver con otro de 14 que va tarde. Ahora, la liga puede diferenciar científicamente esos casos y diseñar caminos específicos para los tardíos, para que no desaparezcan del sistema.

Ética, empleos y el eterno dilema: construir o comprar

Todo suena poderoso. Incluso revolucionario. Pero hay preguntas incómodas. Proyectar el futuro de un adolescente con una máquina abre dilemas éticos evidentes. Cambiar procesos de décadas, de golpe, genera rechazo.

“El primer paso fue lograr que la gente se sintiera cómoda”, admite Brown.

Marquee pasó por algo parecido. Entendió pronto que no podía llegar como un oráculo que dicta, sino como un socio que acompaña. “Se trata de que ellos se sientan cómodos con todo lo que hacemos juntos. Y cuando tengamos historias de éxito, las contaremos”, dice Bracha.

Y está la cuestión laboral. ¿Qué pasa cuando una herramienta puede hacer el trabajo de un departamento entero? Bracha responde sin rodeos, desde la frialdad del retorno de inversión.

“Desde la perspectiva del ROI, siempre será más rápido, más barato y más acertado venir a nosotros. Ya hemos construido algo y seguimos invirtiendo mucho para mejorarlo. Es tu único gasto. Uno de los mayores gastos de un club hoy son los salarios. ¿Quieren contratar más gente para construir esto o comprarlo fuera? Es la gran pregunta de la IA: ¿construir o comprar? En este caso, creo que comprar”.

La decisión no garantiza nada. Wolfsburg fue uno de los pioneros en Europa en apostar fuerte por la IA. Presumieron de ahorrar un millón de euros al año en tareas administrativas y prevención de lesiones. La pasada temporada, sin embargo, el equipo sufrió en el césped y el club recibió una lluvia de críticas por su discurso tecnológico mientras el rendimiento deportivo caía.

Lejos de recular, han redoblado su apuesta. Sevilla, por su parte, utiliza IBM WatsonX para gestionar su océano de datos.

Cuando ChatGPT sugiere una línea de cinco

En el banquillo, el uso de estas herramientas va desde el jugueteo hasta la dependencia. Algunos técnicos, como Fraser, han reconocido que probaron ChatGPT para explorar emparejamientos y formaciones. Otros han ido más allá.

Laura Harvey, entrenadora de Seattle Reign, dio la vuelta al mundo en octubre de 2025 al contar que había usado ChatGPT para pensar su táctica. En el podcast Soccerish, con Lori Lindsey y Christina Unkel, relató cómo le preguntó directamente a la IA: “¿Qué formación deberías usar para ganar a los equipos de la NWSL?”.

La respuesta para dos de los catorce equipos de la liga fue clara: defensa de cinco. Harvey masticó la idea, la debatió con su cuerpo técnico y decidió trasladarla al campo. Reign terminó la temporada en quinta posición, ocho puestos mejor que el curso anterior.

¿Fue ChatGPT quien cambió el destino del equipo? No. Pero sí puso sobre la mesa una idea que acabó cristalizando en el juego. Para los defensores de la IA, eso ya es un triunfo.

También hay fracasos. Montañas de datos descartados. Modelos que no encajan. Algoritmos que no aportan nada nuevo. Quizá el objetivo no sea acertar siempre, sino sumar otra herramienta a la caja del entrenador, del analista, del director deportivo.

En un deporte tan apretado, tan cruel con el error mínimo, la cuestión moral se diluye rápido ante una realidad tozuda que Fraser resume sin adornos: “Todos buscamos cualquier ventaja que podamos conseguir”. La pregunta es quién sabrá exprimirla antes que los demás.