Scouting con datos e IA en el fútbol: métricas, sesgos y ética

Qué cambia la IA en el scouting con datos

El scouting tradicional se basa en ver jugadores en directo o en vídeo y redactar informes. Su límite es el tiempo: un ojeador ve pocos partidos por semana y siempre en las mismas zonas. Los datos y la IA cambian sobre todo la fase de filtrado: permiten recorrer bases de datos de eventos de muchas competiciones, buscar perfiles parecidos a un jugador de referencia y obtener automáticamente los clips de las acciones relevantes.

Lo que no cambia es la decisión. Un modelo puede decir que un lateral completa muchos centros en campo rival; no sabe si se adapta a un vestuario nuevo, si tolera la presión de un club con más exigencia o si su rendimiento depende de un extremo concreto que le fija al rival. El flujo razonable es: datos para filtrar, vídeo para entender, observación en directo y entrevistas para decidir.

En el fútbol amateur y de formación la situación es distinta. Casi no hay datos de eventos de las competiciones regionales, y los que genera un club con su propia cámara son de su equipo, no de los rivales. Aquí la IA ayuda más a organizar la observación (fichas, vídeo, búsqueda de clips) que a modelizar.

Métricas útiles y cómo leerlas

Una métrica sin contexto engaña. Antes de comparar jugadores conviene revisar cuatro cosas:

• Normalización: valores por 90 minutos, y en acciones defensivas ajustados por la posesión del rival. Un defensa de un equipo que defiende mucho tendrá más entradas sin ser mejor defensor.
• Tamaño de muestra: con pocos partidos completos, muchas métricas por 90 fluctúan demasiado para compararlas con fiabilidad. Fija un mínimo de minutos antes de comparar.
• Rol en el equipo: un lateral que juega por dentro en salida no tendrá los centros de uno que dobla por fuera. Compara jugadores con funciones similares.
• Nivel de la competición: las mismas cifras en una liga más débil no equivalen a las de una liga más fuerte.

Modelos de IA en el scouting: qué hacen y dónde fallan

Los modelos más habituales son de tres tipos. Los de similitud buscan jugadores con perfiles estadísticos parecidos a uno de referencia. Los de valor de las acciones asignan a cada pase o conducción una estimación de cuánto aumenta la probabilidad de marcar o de recibir gol. Los de proyección intentan anticipar el rendimiento futuro a partir de la evolución pasada y de la edad.

Todos comparten problemas conocidos:

• Datos de entrenamiento sesgados: si el modelo aprende de las carreras de jugadores que ya fueron fichados por clubes grandes, aprenderá también los prejuicios de esos fichajes.
• Variables ocultas: el sistema del equipo, el entrenador y los compañeros influyen en las métricas individuales y no siempre se pueden separar.
• Falsa precisión: una puntuación de 78,4 sobre 100 no es más fiable por tener decimales. Pregunta siempre por el margen de error.
• Opacidad: si el proveedor no explica qué variables pesan más, el club no puede detectar errores ni justificar decisiones.

Sesgos en la captación de fútbol base: edad relativa y maduración

El efecto de la edad relativa consiste en que los nacidos en los primeros meses del año de selección están sobrerrepresentados en los equipos de captación. En fútbol base español se ha documentado en las canteras de clubes profesionales y también, en menor medida, en clubes amateurs; un estudio con canteras de los 20 clubes de Primera División encontró el efecto en todos los grupos analizados, más marcado en los clubes de élite.

La causa es sencilla: a los 11 años, diez meses de diferencia de edad cronológica pueden significar diferencias grandes de talla, fuerza y velocidad. A eso se suma la maduración biológica: dos jugadores nacidos el mismo mes pueden estar a años de distancia en su desarrollo. Un jugador que madura pronto gana duelos y corre más hoy; eso no garantiza que siga destacando a los 18.

Un modelo de IA entrenado con datos de captación pasada aprenderá este sesgo y lo amplificará, porque el éxito que observa (jugadores que llegaron arriba) ya estaba filtrado por la fecha de nacimiento. Medidas que un club puede aplicar:

• Registrar el trimestre de nacimiento de los jugadores captados y revisar la distribución cada temporada.
• Valorar el rendimiento comparando con jugadores del mismo trimestre de nacimiento, no solo de la misma categoría.
• Usar métricas técnicas y de decisión (perfil al recibir, calidad del pase bajo presión) más que físicas en edades tempranas.
• Considerar agrupaciones por maduración en algunas sesiones o torneos internos, con asesoramiento de profesionales cualificados.
• Evitar descartes definitivos antes de la adolescencia tardía; mantener vías de reentrada.

Organizar torneos es una de las tareas que más tiempo ocupan en un club amateur: inscripciones, sorteo, calendario y resultados. DorsalCUP lo hace gratis, y el generador de calendario de torneo monta los partidos de un día en minutos, sin registro.

Ética y límites legales

Elaborar perfiles de jugadores es un tratamiento de datos personales. El RGPD reconoce el derecho a no ser objeto de una decisión basada únicamente en un tratamiento automatizado que produzca efectos jurídicos o significativamente similares (artículo 22). Descartar a un jugador de una prueba porque una puntuación automática fue baja, sin intervención humana real, entra en terreno delicado.

El Reglamento Europeo de IA (Reglamento 2024/1689) clasifica como de alto riesgo los sistemas usados para la selección de personas en el ámbito del empleo. Un club profesional que use un sistema de IA para seleccionar futbolistas a los que ofrecer contrato debería analizar si encaja en ese supuesto; las obligaciones para estos sistemas del anexo III se aplazaron a diciembre de 2027 con el llamado Ómnibus Digital. Para un club amateur que filtra a niños para su escuela, aunque no se trate de empleo, aplican el RGPD, la LOPDGDD y el sentido común: transparencia con las familias y decisiones humanas.

• No publiques ni compartas rankings de jugadores menores.
• Explica a las familias qué se observa, con qué herramientas y quién decide.
• Conserva los datos solo mientras sean necesarios para la finalidad de captación.
• Si usas un proveedor externo, firma un contrato de encargo del tratamiento y pregunta dónde se alojan los datos.

Cómo empezar en un club pequeño

1. Define perfiles por puesto a partir del modelo de juego del club: tres o cuatro rasgos observables por posición.
2. Crea una ficha de observación común para todos los ojeadores y entrenadores, con escalas descritas (no solo números del 1 al 5).
3. Usa vídeo de los partidos del club y de torneos para revisar a los candidatos; la IA puede ayudar a recortar las acciones de un jugador concreto.
4. Contrasta al menos dos observaciones de personas distintas antes de proponer una incorporación.
5. Revisa los sesgos al final de la temporada: trimestre de nacimiento, procedencia, puesto. Si se repite el mismo patrón, ajusta el proceso.

Los torneos de fútbol base son una buena oportunidad para observar a muchos jugadores en poco tiempo, pero también son el contexto donde más pesan la talla y la velocidad. La ficha debe obligar a mirar más allá del físico.

Preguntas frecuentes