Durante décadas, la tecnología ha ayudado al deporte a medir lo que antes solamente podía observarse. Un cronómetro hizo más precisa una marca. Una cámara permitió analizar un movimiento. El GPS mostró cuánto había corrido un futbolista. El vídeo convirtió una jugada en algo que podía estudiarse una y otra vez.
La inteligencia artificial introduce algo diferente. Ya no se limita a registrar lo que ha sucedido. Puede encontrar patrones, establecer correlaciones, hacer predicciones y formular recomendaciones. Puede decir qué jugador está sometido a una determinada carga, qué acción tiene más probabilidades de éxito, qué deportista podría presentar un mayor riesgo de lesión o qué características parecen asociarse con un determinado rendimiento.
La cuestión empieza ahí. Porque una cosa es que una máquina ayude a tomar una decisión y otra muy distinta que acabemos aceptando su decisión porque procede de una máquina. El deporte está entrando en esa zona gris.
Una revisión científica publicada en 2025, que analizó 397 trabajos y terminó incluyendo 25 estudios sobre las implicaciones éticas de la inteligencia artificial en el deporte, identificó cuatro grandes problemas recurrentes: sesgos y falta de equidad, dificultad para explicar las decisiones de los sistemas, privacidad y gestión de datos de los deportistas y responsabilidad sobre las decisiones tomadas con ayuda de IA. No es una discusión futurista. Ya está ocurriendo.
El deportista convertido en datos
Un futbolista profesional puede generar una cantidad de información que hace apenas unos años habría parecido imposible. Distancia recorrida, aceleraciones, desaceleraciones, velocidad máxima, cargas de entrenamiento, frecuencia cardiaca, sueño, recuperación, historial de lesiones, imágenes de vídeo, movimientos articulares, información médica o incluso datos obtenidos mediante dispositivos portátiles.
La inteligencia artificial puede cruzar todos esos datos. Y precisamente ahí aparece uno de sus mayores atractivos. Cuanta más información recibe un sistema, más posibilidades tiene de encontrar relaciones que un entrenador o un médico no podrían detectar observando individualmente cada variable.
Pero también aumenta el problema. ¿Quién es el propietario de esos datos? ¿Durante cuánto tiempo se almacenan? ¿Quién puede acceder a ellos? ¿Puede una empresa tecnológica utilizarlos para entrenar sus modelos? ¿Puede un club compartirlos con un tercero? ¿Puede un deportista negarse a proporcionar determinada información sin quedar en desventaja?
La Australian Sports Commission identifica como especialmente sensibles los datos biométricos, la información médica, el seguimiento mediante GPS y los datos de menores. Su guía sobre IA responsable en el deporte recomienda que las organizaciones establezcan límites claros sobre qué información se recoge, para qué se utiliza, dónde se almacena y quién puede acceder a ella.
En el deporte de élite, el problema es importante. En el deporte base puede ser todavía mayor. Un adulto puede comprender que un dispositivo registra determinados parámetros de su entrenamiento. Un niño o una niña puede no tener la misma capacidad para comprender qué significa que sus movimientos, su rendimiento o su información biométrica permanezcan almacenados y puedan ser analizados durante años. La tecnología permite recogerlos. La pregunta es si necesitamos recogerlos todos.
¿Puede una IA saber quién está a punto de lesionarse?
Probablemente sea uno de los campos que mejor explica tanto el potencial como las limitaciones actuales de esta tecnología. Imaginemos que un sistema analiza miles de variables y determina que un futbolista presenta un riesgo elevado de lesión muscular. El entrenador recibe una recomendación: reducir su carga o no alinearlo. La promesa es extraordinaria. Prevenir una lesión antes de que se produzca podría cambiar la planificación de un equipo y, sobre todo, proteger al deportista. Pero hay una diferencia fundamental entre predecir y conocer.
Una revisión sistemática publicada en 2026 analizó 18 estudios empíricos sobre predicción de lesiones deportivas mediante inteligencia artificial. El resultado es revelador: solamente uno de los estudios, el 5,6%, fue considerado de bajo riesgo global de sesgo. La mayoría presentaba problemas relacionados con la metodología y, especialmente, con la validación interna de los modelos. Además, los autores señalaron que muchos sistemas se habían probado con datos limitados y que la representación de mujeres seguía siendo insuficiente.
Otra revisión y metaanálisis publicado en 2026 encontró una sensibilidad agrupada del 79% y una especificidad del 71% en los modelos analizados. Son resultados que muestran potencial, pero que están muy lejos de permitir interpretar una predicción como una certeza individual.
Un 79% de sensibilidad significa, simplificando, que el modelo identifica una parte importante de los casos que finalmente presentan el problema. Pero también significa que habrá casos que no detectará. Y una especificidad del 71% implica igualmente que habrá deportistas clasificados como potencialmente problemáticos que finalmente no sufrirán la lesión. En un laboratorio puede ser una cuestión estadística. En un vestuario puede significar que un jugador no salga al campo.
El peligro de la caja negra
Aquí aparece una pregunta incómoda. Si un entrenador pregunta a una IA por qué recomienda que un jugador no participe y el sistema no puede ofrecer una explicación comprensible, ¿qué hacemos con esa recomendación? El problema de la llamada «caja negra» no es exclusivo del deporte, pero adquiere una dimensión especial cuando las decisiones afectan a personas.
La Australian Sports Commission advierte específicamente sobre sistemas que generan puntuaciones de riesgo de lesión o recomendaciones de selección sin explicar cómo han llegado a ellas. Su propuesta es que los deportistas y los profesionales puedan conocer los criterios, las incertidumbres del modelo y, sobre todo, puedan cuestionar o modificar su resultado. Ese último elemento es fundamental. Una IA puede recomendar. Un entrenador puede escuchar. Un médico puede valorar. Pero alguien debe responder por la decisión.
Cuando los datos también pueden tener prejuicios
Hay una idea equivocada alrededor de la inteligencia artificial: que una máquina es objetiva porque no tiene emociones. No necesariamente. Una IA aprende de datos. Y los datos pueden contener los mismos sesgos que existen en la sociedad, en las instituciones o en el propio deporte. Si un modelo se entrena principalmente con determinados perfiles de deportistas, puede funcionar peor cuando se enfrenta a otros perfiles.
La literatura científica ha señalado este problema en diferentes ámbitos de la IA deportiva. Una revisión de estudios sobre predicción de lesiones, por ejemplo, encontró una representación histórica extraordinariamente desequilibrada: en una revisión anterior de 58 estudios sobre IA aplicada a lesiones y rendimiento en deportes de equipo, el 97% de los participantes eran hombres y solamente el 3% mujeres.
Un algoritmo no sabe que ese desequilibrio existe a menos que quienes lo desarrollan lo tengan en cuenta. Y eso puede tener consecuencias. Si determinados modelos funcionan mejor con los datos de los deportistas que predominan en sus bases de entrenamiento, su precisión puede no ser la misma para otros grupos. El problema no es que la máquina tenga un prejuicio. El problema es que puede reproducir uno que ya estaba escondido en los datos.
El entrenador frente al algoritmo
El deporte ha construido buena parte de su conocimiento sobre la experiencia. Un entrenador observa a un jugador durante años. Conoce su carácter, su comportamiento, sus reacciones después de un error, su manera de afrontar la presión y su relación con sus compañeros. Muchos de esos elementos son difíciles de convertir en datos.
La IA puede saber que un jugador ha recorrido 10,7 kilómetros. Puede incluso encontrar patrones entre esa distancia y el rendimiento colectivo. Pero todavía existe una diferencia entre saber cuánto ha corrido un futbolista y comprender por qué hoy no está siendo el mismo jugador. El debate no consiste en enfrentar necesariamente a humanos y máquinas. De hecho, las experiencias más interesantes que se están desarrollando en el deporte apuntan en otra dirección.
En el cricket, por ejemplo, herramientas de IA ya están permitiendo que analistas individuales realicen trabajos que anteriormente requerían científicos de datos especializados. Un análisis publicado recientemente explica cómo la tecnología está permitiendo procesar mucha más información sobre los rivales, las zonas de lanzamiento o las decisiones tácticas. Pero el propio análisis subraya que la decisión final sigue siendo humana. La cuestión será cuánto tiempo queremos que siga siendo así.
El deporte de dos velocidades
Hay otro riesgo menos espectacular, pero posiblemente más importante. La IA cuesta dinero. Los grandes clubes pueden contratar científicos de datos, adquirir sistemas de seguimiento, integrar plataformas de rendimiento, desarrollar modelos propios y disponer de especialistas capaces de interpretar sus resultados. Un club pequeño no necesariamente puede hacerlo.
La Australian Sports Commission identifica precisamente el acceso desigual a las herramientas avanzadas como uno de los riesgos de la IA aplicada al deporte: si determinadas tecnologías solamente están al alcance de las organizaciones con más recursos, pueden aumentar las diferencias competitivas existentes.
La tecnología que inicialmente se presenta como una herramienta para mejorar el deporte puede acabar convirtiéndose también en una nueva fuente de desigualdad. Y no solamente entre clubes profesionales. Puede suceder entre federaciones, centros de tecnificación, clubes de base e incluso deportistas individuales. El equipo que pueda medir más y procesar mejor los datos puede terminar teniendo una ventaja que no procede de entrenar mejor, sino de disponer de una tecnología que los demás no pueden permitirse.
El otro lado de la pantalla: cuando la IA inventa al deportista
Hay otro riesgo que afecta directamente a la relación entre deporte y público. La inteligencia artificial generativa permite fabricar imágenes, vídeos, voces y declaraciones que nunca existieron.
En enero de 2026, Reuters informó sobre una oleada de desinformación generada mediante IA alrededor del deporte. Falsas declaraciones atribuidas a deportistas, supuestos acontecimientos deportivos inexistentes y contenidos diseñados para provocar reacciones emocionales comenzaron a circular entre aficionados. La preocupación va más allá de la reputación: ese tipo de contenidos puede utilizarse para generar tráfico hacia páginas fraudulentas e incluso para intentar influir en mercados de apuestas.
El problema es especialmente serio porque los deportistas son personajes reconocibles. Una voz puede clonarse. Una cara puede recrearse. Una entrevista puede fabricarse. Y una cuenta falsa puede parecer oficial. En un mundo saturado de contenido, el problema puede llegar a ser paradójico: no solamente tendremos que aprender a detectar lo falso. También tendremos que demostrar que algo verdadero es realmente verdadero.
El fraude ya no necesita un hacker
La amenaza también está entrando por un terreno mucho más prosaico: el engaño. Un informe de Darktrace publicado en 2026, basado en una encuesta a 875 profesionales de ciberseguridad del deporte en Estados Unidos, Reino Unido, Australia y Alemania, señala que el 84% de las organizaciones deportivas profesionales encuestadas sufrió al menos un incidente de ciberseguridad durante los doce meses anteriores. El 57% sufrió varios. Además, el 72% de los profesionales consultados considera que la IA incrementará el riesgo durante los siguientes doce meses.
La misma investigación registró más de 116.000 correos electrónicos de phishing dirigidos contra clientes del sector deportivo en solamente seis meses. La IA no inventa el fraude. Lo hace más rápido, barato y convincente. Puede ayudar a redactar un correo que parezca escrito por un director deportivo. Puede imitar una voz. Puede generar una imagen. Puede analizar información pública sobre una persona y utilizarla para construir un engaño mucho más personalizado. En un deporte en el que circulan grandes cantidades de dinero, contratos, entradas, patrocinios, derechos audiovisuales y apuestas, la superficie de ataque es enorme.
Y entonces aparece la cuestión de la confianza
Quizá este sea el riesgo menos visible de todos. El deporte funciona porque creemos en determinadas cosas. Creemos que el resultado es real, que el jugador ha dicho aquello, que la fotografía corresponde al partido, que la estadística es correcta, que la decisión arbitral se ha tomado con unos criterios determinados y que el vídeo que estamos viendo ocurrió realmente.
La IA puede mejorar muchas de esas cosas. Pero también puede erosionarlas. Un informe de Reuters sobre desinformación deportiva generada por IA advertía precisamente de que el volumen y la apariencia de autenticidad de los contenidos sintéticos dificultan cada vez más que un usuario medio pueda distinguir qué es verdadero. Y el problema tiene una segunda derivada.
Si todo puede ser falso, llegará un momento en el que alguien pueda responder ante una acusación real diciendo simplemente que es un montaje. La existencia de los deepfakes no solamente aumenta la capacidad para fabricar mentiras. También puede aumentar la capacidad para negar verdades.
El fútbol no necesita un árbitro artificial
El debate sobre IA en el deporte suele terminar en escenarios extremos: máquinas entrenando a máquinas, robots jugando al fútbol, algoritmos seleccionando equipos o entrenadores sustituidos por sistemas automáticos. Son imágenes atractivas, pero todavía pertenecen en buena medida al terreno de la especulación.
Los problemas actuales son mucho más cercanos. Un club que recopila demasiados datos de sus jugadores. Un sistema de predicción de lesiones que se interpreta como una certeza. Un algoritmo que recomienda no seleccionar a un deportista sin explicar por qué. Una herramienta entrenada con datos poco representativos. Un vídeo falso de un jugador que se vuelve viral. Un correo generado por IA que engaña a un empleado. Un niño cuya información biométrica permanece almacenada sin que su familia comprenda realmente para qué se utiliza. Es ahí donde se está jugando ahora el partido.
La pregunta no es si debemos utilizar IA
El Comité Olímpico Internacional ya ha asumido que la inteligencia artificial formará parte del futuro del movimiento olímpico. Su Olympic AI Agenda plantea precisamente un marco para aprovechar sus posibilidades y, al mismo tiempo, establecer mecanismos de gobernanza y control de riesgos.
La Unión Europea también está estableciendo obligaciones específicas para determinados usos de la IA considerados de alto riesgo, especialmente cuando pueden afectar a derechos fundamentales, seguridad o ámbitos sensibles como la biometría. La discusión, por tanto, ya no es si la IA llegará al deporte. Ya ha llegado.
La verdadera cuestión es otra: ¿dónde ponemos el límite?
Un algoritmo puede detectar que un jugador está corriendo menos. Puede descubrir que una determinada jugada funciona mejor. Puede encontrar una correlación que nadie había visto. Puede ayudar a un médico, a un entrenador o a un analista.
Pero el deporte es algo más que aquello que puede medirse. Hay decisiones que contienen incertidumbre. Hay circunstancias que no aparecen en una base de datos. Hay personas que necesitan poder explicar, discutir y recurrir una decisión que les afecta. Y hay algo que ninguna estadística debería hacer desaparecer: la responsabilidad.
El futuro probablemente no será un deporte sin humanos. Será un deporte en el que los humanos tendrán que decidir qué quieren delegar en las máquinas y qué no están dispuestos a delegar jamás. Ese será, probablemente, uno de los grandes debates deportivos de los próximos años.
Porque el verdadero peligro de la inteligencia artificial no consiste necesariamente en que algún día pueda hacer lo mismo que un entrenador. Puede ser algo mucho más sencillo: que el entrenador deje de preguntar si la máquina tiene razón.
