El mundo del reclutamiento en el fútbol está experimentando una profunda transformación digital. Lejos quedaron los días en que la corazonada de un cazatalentos era la única base para un traspaso de varios millones de euros.
Hoy en día, la inteligencia artificial y el análisis predictivo están transformando la forma en que los clubes identifican, evalúan y adquieren talento. Desde las decisiones pioneras basadas en datos del pasado hasta los modelos sofisticados de las potencias modernas, el deporte está abrazando una nueva era.
Sin embargo, al igual que con cualquier cambio tecnológico, trae no solo una inmensa promesa, sino también una pregunta crucial: ¿dónde terminan los algoritmos y dónde comienza el irremplazable elemento humano?
Los primeros pioneros: Decisiones basadas en datos del Arsenal
Aunque el término "IA" no estaba en el léxico del fútbol a mediados de la década de 2000, los clubes con visión de futuro ya estaban aprovechando los datos para tomar decisiones difíciles. La decisión del Arsenal de vender a su delantero emblemático Thierry Henry en 2007 es un ejemplo temprano convincente de un movimiento difícil informado por datos.
Aunque los aficionados veían a una leyenda que los había llevado a una final de la Liga de Campeones, los analistas del club tenían una perspectiva diferente. Estaban rastreando el sutil y constante declive en los métricas físicas de Henry: micro-disminuciones en las velocidades máximas de sprint, explosiones de aceleración y tiempos de recuperación.
Estos números, aunque no son inmediatamente visibles a simple vista, pintaban un cuadro claro de un jugador cuyo juego, construido sobre un ritmo explosivo, estaba cambiando inexorablemente. Como explicó el ex CEO Keith Edelman a The Sun: "La razón por la que Thierry se fue fue porque estaba perdiendo su velocidad. Su juego se basaba en la velocidad, y si pierdes eso, estás acabado."
El club tomó la audaz decisión de venderlo al Barcelona mientras su valor de mercado se mantenía en su punto máximo. Edelman añadió: "Así que, obtuvimos dinero por él a pesar de que estaba en la caída." Esta no fue una decisión basada únicamente en datos, sino una en la que métricas objetivas validaron y aceleraron una difícil elección estratégica.
Los Portadores de Estándares Modernos: El Éxito Impulsado por IA de Brighton y Brentford
Los ejemplos más exitosos de reclutamiento basado en datos hoy en día provienen de clubes que han hecho de ello su filosofía institucional. Brighton & Hove Albion y Brentford han transformado su fortuna al superar significativamente sus capacidades a través de análisis sofisticados.
- El Modelo de Brighton: Bajo el liderazgo de Tony Bloom y un equipo de análisis dedicado, Brighton ha identificado y adquirido consistentemente talento subvalorado. Sus historias de éxito son ahora legendarias: Alexis Mac Allister, Moisés Caicedo y Kaoru Mitoma. El sistema de Brighton no reemplaza la búsqueda de talentos; la potencia. Su análisis impulsado por IA combina la búsqueda de talentos tradicional con modelado predictivo de estilos de juego, métricas físicas y el potencial de un jugador para adaptarse al fútbol inglés.
- La revolución "Moneyball" de Brentford: El ascenso de Brentford ha sido igualmente impresionante. Su equipo de análisis utiliza IA para analizar una amplia gama de puntos de datos, desde redes de pases y eficiencia en jugadas a balón parado hasta la probabilidad de lesiones. Esto les permite identificar jugadores en ligas inferiores que están listos para dar el salto, optimizar la construcción de la plantilla dentro de un presupuesto estricto y asegurar que cada fichaje se ajuste a su sistema táctico.
Ambos clubes demuestran un punto crucial: la IA es una herramienta poderosa para encontrar el talento adecuado para sistemas tácticos específicos y requisitos de liga. Aumenta, en lugar de reemplazar, el scouting tradicional.
El Estudio de caso: El experimento impulsado por IA del Sheffield United
Quizás ningún club ilustra mejor las promesas y limitaciones de este nuevo enfoque que el Sheffield United. Bajo una nueva propiedad liderada por Steven Rosen y Helmy Eltoukhy, el club ha emprendido lo que han denominado una nueva "era de transferencias de inteligencia artificial."
Sus primeras transferencias impulsadas por IA a principios de 2025 incluyeron a jóvenes jugadores de alto potencial del extranjero: el extremo nigeriano Christian Nwachukwu y el extremo peruano Jefferson Cáceres. Como explicó el director ejecutivo a The Star, fueron señalados por el software de IA. "Y cuando pensamos que el valor y el precio eran correctos, tomamos medidas para adquirirlos", dijo el director ejecutivo de Blades, Stephen Bettis. "Eso es lo que ha sucedido con estos dos y los conseguimos."
Estos fichajes representaron exactamente el tipo de ineficiencia del mercado que Brighton y Brentford han explotado: talento joven de ligas menos observadas identificado a través de datos.
Sin embargo, los primeros resultados fueron mixtos, y la transferencia de Cáceres proporciona una lección contundente. Firmado en enero de 2025, el joven de 22 años nunca hizo una sola aparición en el primer equipo. En agosto, apenas unos meses después de llegar, fue liberado y firmó con el club escocés de segunda división Dunfermline.
Aunque el análisis de datos y la modelización predictiva del club pueden haber analizado con precisión su velocidad, habilidades técnicas y estadísticas en la liga peruana, no pudieron tener en cuenta lo que los economistas llaman los factores de "cisne negro" que determinan el verdadero éxito de un jugador.
En economía y otros campos, los eventos cisne negro se refieren a ocurrencias raras e impredecibles que tienen consecuencias significativas (por ejemplo, colapsos financieros, interrupciones tecnológicas). En el fútbol, aunque los fracasos individuales en transferencias pueden no siempre cumplir con todos los criterios de un evento cisne negro, la teoría aún puede proporcionar información sobre por qué muchas transferencias fallan inesperadamente.
Las transferencias de fútbol implican inversiones significativas (tarifas de transferencia, salarios, etc.) con la expectativa de que un jugador rinda bien y contribuya al éxito de un equipo.
Muchos factores que afectan el rendimiento de un jugador son inherentemente impredecibles. Por ejemplo:
- Lesiones: Un jugador puede sufrir una lesión inesperada que descarrile su carrera en un nuevo club (por ejemplo, la etapa plagada de lesiones de Eden Hazard en el Real Madrid tras su traspaso en 2019).
- Adaptabilidad: La capacidad de un jugador para adaptarse a una nueva liga, cultura o sistema táctico es difícil de predecir. Por ejemplo, Ángel Di María tuvo dificultades en el Manchester United en 2014–15 debido a problemas de ajuste táctico y personal, a pesar de su calidad comprobada.
- Dinamicas de Equipo: Problemas imprevistos como una mala química con los compañeros de equipo, desajustes en la dirección técnica o distracciones fuera del campo (por ejemplo, problemas personales, presión mediática) pueden afectar significativamente el rendimiento.
Estos factores están fuera del alcance del análisis predictivo, lo que los hace raros e impredecibles en su impacto específico.
El algoritmo no pudo prever cómo el peruano de 22 años lucharía por adaptarse a un nuevo país, a un nuevo idioma, a las exigencias físicas del fútbol inglés, o a la presión psicológica de una tarifa de transferencia significativa. Estos elementos humanos - que en última instancia determinaron su fracaso en la transferencia - permanecieron completamente fuera del alcance de los sofisticados algoritmos predictivos.
El toque humano: La perspectiva de una leyenda sobre un movimiento arriesgado
La leyenda del fútbol peruano Nolberto Solano, quien pasó la mayor parte de su carrera en Inglaterra, proporcionó un análisis centrado en el ser humano que ilustra perfectamente estas limitaciones. Como explicó al periódico El Comercio, el traslado de Jefferson Cáceres fue simplemente demasiado pronto.
Solano cuestionó si Cáceres realmente había ganado el derecho a tal transferencia, preguntando,"¿el chico salió revelación del fútbol peruano?, ¿el chico juega en la selección de titular o está en la selección siempre?"
"Acortan esas brechas y se van y bien, qué gusto por él. Pero no es fácil, ni la segunda ni la tercera [en Inglaterra] si no tienen los procesos.."
Los comentarios de Solano revelan una distinción crucial: mientras que la IA puede identificar a un jugador con métricas y datos prometedores, no puede medir su preparación para el salto psicológico y físico a una nueva cultura.
La crítica de la leyenda destaca el valor del juicio basado en la experiencia que puede evaluar la madurez, la resiliencia y la preparación personal de un jugador de una manera que los datos por sí solos no pueden.
Es un recordatorio sobrio de que un jugador no es solo una colección de puntos de datos; es una persona con un viaje personal que un algoritmo no puede ver.
La perspectiva Clevacat: Un enfoque híbrido para un juego complejo
En Clevacat, construimos soluciones de IA que ayudan a las empresas, incluidas las de deportes profesionales, a navegar en esta nueva era.
El caso de Jefferson Cáceres subraya una verdad fundamental sobre la analítica predictiva en el fútbol. A diferencia de otras aplicaciones de IA, como el monitoreo del rendimiento o la optimización de la carga de entrenamiento, o incluso sistemas en el campo que utilizan detección de objetos para rastrear los movimientos de los jugadores con precisión milimétrica, el éxito en los traspasos depende de innumerables variables impredecibles. Por lo tanto, una estrategia de reclutamiento verdaderamente efectiva debe ser híbrida.
La IA y el aprendizaje automático pueden filtrar de manera eficiente millones de puntos de datos para crear una lista corta de objetivos potenciales que un explorador tradicional podría nunca encontrar. Este es el lugar donde reside el poder de la IA.
Pero una vez que se genera esa lista corta, el trabajo humano realmente comienza. Aquí es donde entran en juego los cazatalentos experimentados y los directores de fútbol. Observan al jugador en persona, evalúan su lenguaje corporal, hablan con excompañeros de equipo y valoran su personalidad y ética de trabajo. La decisión de invertir millones en un jugador es una apuesta, y la mejor manera de mitigar el riesgo es utilizar todas las herramientas disponibles, desde la inteligencia artificial predictiva más avanzada hasta el juicio humano irremplazable que proviene de años de experiencia.
El deporte rey, parece, está en su mejor momento cuando la tecnología empodera, pero no reemplaza, el toque humano.