JUAN CORNEJO
Sports Strategy Consultant
juancornejolopez@gmail.com
Desde la aparición de ChatGPT hace ya algo más de dos años, el uso de la IA generativa ha supuesto una revolución de proporciones épicas, afectando a todos los sectores de forma transversal.
En este artículo intentaré aportar mi visión de cómo creo que esta nueva revolución podría impactar a los clubes de fútbol desde un punto de vista meramente deportivo. Para empezar, me gustaría diferenciar entre tres conceptos principales:
IA generativa: Rama de la inteligencia artificial capaz de entender, procesar y crear contenido nuevo -texto, imágenes, sonido o vídeo- a partir de patrones aprendidos en grandes volúmenes de datos.
Computer Vision: Área de la inteligencia artificial que permite a las máquinas interpretar y comprender imágenes o vídeos, de forma similar a como lo hace la visión humana.
Machine Learning: Rama de la inteligencia artificial basada en entrenar algoritmos con datos -regresión, clasificación, clusterización, entre otros- para que aprendan patrones y realicen predicciones o tomen decisiones sin estar programados de forma explícita.
Es importante tener en cuenta estos tres conceptos. Aunque en la práctica puedan combinarse en un mismo caso de usos, analizarlos por separado permite entender mejor en qué tipo de problemas puede aportar valor cada uno de ellos.
«Cada rama de la IA tiene aplicaciones específicas, a veces también complementarias»
Incorporación a la Dirección Deportiva
Una vez identificados estos tres elementos principales de la IA, podemos entrar a analizar cómo podrían integrarse todos ellos dentro de un club de fútbol, nacional o internacional y, en particular, dentro de la estructura deportiva de primer nivel.
IA generativa. Tiene infinidad de posibilidades, dependiendo de los procesos que tenga cada Dirección Deportiva (DD). El objetivo principal debería ser dar soporte a los procesos más básicos y operativos para automatizarlos y dedicar tiempo a aquellas tareas que realmente aportan un valor añadido. Algunos ejemplos son la prelectura de informes de jugadores, búsqueda de jugadores mediante lenguaje natural, consulta de datos contractuales mediante lenguaje natural o automatización de tareas administrativas como rellenar actas de partidos de filiales o preparar borradores de viajes en función de los intereses de scouting.
Machine Learning. Tiene mucho potencial en el contexto de la DD. Para que un proceso de ML sea eficaz, es básico disponer de una base de datos amplia, bien estructurada y de calidad. Recordemos siempre la máxima: Garbage In, Garbage Out: si alimento mis algoritmos con datos de baja calidad, obtendré resultados de baja calidad. En este sentido, el sector del fútbol cuenta con cierta ventaja, porque dispone de proveedores de datos que generalmente ofrecen información bastante limpia, lo que reduce la necesidad de curación. Sin embargo, esta ventaja también tiene un lado negativo: se depende de la confianza en la fuente, con poca visibilidad sobre cómo se ha generado el dato. En cualquier caso, el objetivo principal del ML debería ser dar soporte a la toma de decisiones mediante predicciones, estimaciones y análisis. Ejemplos de aplicación son el análisis de patrones de rendimiento, agrupación de jugadores mediante variables alternativas. Por ejemplo, agrupar jugadores por similitud de rendimiento en vez de por posición, y predicciones de mercado.
Computer Vision. Su desarrollo hoy es menos frecuente en comparación con la IA generativa y el ML, al menos en el fútbol. Principalmente, veo un alto valor para obtener datos personalizados de lo que sucede en el campo y transformarlos en información estructurada, como definir situaciones de juego y, cuando ocurran, contabilizar cuántas veces se producen y con qué resultados positivos o negativos. Otra posible aplicación estaría en el área médica para la prevención de lesiones. El mayor hándicap para el desarrollo de esta tecnología sigue siendo la necesidad de disponer de bases de datos muy amplias y bien etiquetadas, requisito fundamental para entrenar correctamente los modelos, algo que en el caso de imágenes/videos no siempre es sencillo de conseguir.
En conclusión, el uso de la IA puede tener un gran impacto en el sector, pero el punto de partida no debe ser aplicarla por moda. Lo primero es analizar bien el problema y determinar cuál es la herramienta más adecuada para resolverlo -que no siempre tiene por qué ser IA-. Y, solo en caso de que la IA sea útil, definir con precisión el enfoque y el desarrollo que aporten verdadero valor.
