La IA no sustituirá a los scouts de fútbol — pero sí cambiará a quién contratan los clubes

El debate sobre la inteligencia artificial en el scouting de fútbol suele girar alrededor de una sola pregunta: ¿acabará la IA sustituyendo a los scouts?

Es una pregunta comprensible, pero quizá también sea la pregunta equivocada.

Hasta ahora, el mayor cambio dentro de los departamentos de recruitment no ha sido la desaparición de los scouts, sino la transformación del entorno en el que trabajan. Los clubes tienen acceso a más jugadores, más vídeo y más datos que nunca. Un scout puede comparar en una sola tarde a decenas de futbolistas de otro país, construir una primera lectura de una liga que nunca ha visitado y reducir una lista inicial en una fracción del tiempo que antes requería el mismo trabajo.

La IA está empezando a integrarse en ese flujo. No como sustituto del criterio futbolístico, sino como una nueva capa entre el scout y la enorme cantidad de información disponible.

La pregunta más útil, entonces, puede ser otra: ¿qué tipo de scout querrán contratar los clubes en un entorno de recruitment asistido por IA?

El scouting ya no consiste solo en ver jugadores

En agosto de 2026, Hudl Statsbomb presentó AI Player Summaries, una función que transforma los datos de un jugador en un perfil breve y legible. El sistema puede describir su rol, destacar rasgos relevantes y resumir tendencias respaldadas por los datos sin que un analista tenga que revisar cada métrica antes de redactar una primera valoración.

No es un sistema que le diga a un club a quién debe fichar. Hudl tampoco lo presenta de esa forma. Su función es reducir parte del trabajo previo antes de que comience la discusión sobre una shortlist. La diferencia es importante: la herramienta no toma la decisión de recruitment; acorta el camino hasta el punto en el que empieza la decisión humana.

Otras empresas están avanzando en la misma dirección, aunque no necesariamente con la misma tecnología. En julio de 2026, Soccerment lanzó SICS Atlas, una plataforma que se presenta como AI-native y que reúne vídeo, event data y tracking data en un mismo entorno. Los usuarios pueden buscar en lenguaje natural, comparar jugadores, recuperar clips relevantes y avanzar por algunas fases del proceso de scouting sin construir cada consulta manualmente.

Puede parecer un simple cambio de interfaz, pero apunta hacia algo mayor. Los departamentos de recruitment podrán describir cada vez más un problema futbolístico en lenguaje futbolístico y dejar que el sistema gestione una parte mayor de la búsqueda técnica que hay debajo.

“Muéstrame centrocampistas menores de 23 años capaces de progresar el balón bajo presión y adaptarse a un juego de posesión de alta intensidad” sigue siendo solo el principio de un buen scouting brief. Pero la distancia entre esa frase y una lista realmente utilizable de jugadores es cada vez menor.

Eso no hace que el conocimiento del fútbol sea menos importante. Hace que la calidad de la pregunta sea más importante.

Más datos no significan mejores decisiones

La transformación no se limita a la IA generativa. Algunos de los avances más importantes en recruitment están llegando a través de computer vision, tracking data y modelos que intentan medir lo que hacen los jugadores cuando están lejos del balón.

El event data tradicional es muy bueno para decirnos que se produjo un pase, un tiro, una conducción o una entrada. Es menos completo cuando queremos entender el posicionamiento alrededor de esa acción, las opciones que el jugador no eligió, la carrera que abrió el espacio o el movimiento defensivo que evitó que el pase llegara a producirse.

Empresas como SkillCorner y Stats Perform intentan cubrir ese espacio. SkillCorner combina tracking y event data para generar métricas relacionadas con movimientos sin balón, presión, toma de decisiones y estructura colectiva. En abril de 2026, Everton amplió su acuerdo con SkillCorner e incorporó los datos de Game Intelligence a sus modelos de recruitment y análisis del primer equipo. Charlie Reeves, Head of Performance Insights del club, explicó que el objetivo era construir una visión más completa de cómo encaja un jugador en el estilo del equipo, en lugar de depender únicamente del event data.

Dos meses después, Bayer 04 Leverkusen amplió su asociación con Stats Perform para integrar Opta Vision en los procesos de recruitment y análisis de partidos. Opta Vision combina event y tracking data con métricas enriquecidas por IA, entre ellas carreras sin balón, intensidad de presión, estructura del equipo y pases que rompen líneas.

Estos sistemas no son idénticos, y agrupar cada avance del análisis futbolístico bajo la etiqueta de “IA” puede resultar engañoso. La IA generativa, la computer vision, el machine learning y el tracking automatizado resuelven problemas diferentes.

Sin embargo, para un scout, la dirección es similar: cada vez se puede medir, buscar y comparar una parte mayor del juego.

Lo difícil es decidir qué importa de verdad.

Un centrocampista puede situarse entre los mejores en pases progresivos, pero ¿cuánto de eso depende de la estructura que le rodea? Un extremo puede producir números excelentes en transición, pero ¿qué ocurre si llega a un equipo que pasa la mayor parte de sus partidos atacando bloques bajos? Un modelo puede mostrar que un jugador rinde bien bajo presión, pero ¿la presión que se está midiendo es realmente comparable con el entorno al que será trasladado?

La tecnología puede hacer visible más información. No puede hacer que esa información sea automáticamente significativa.

El buen scouting nunca ha consistido en acumular la mayor cantidad posible de evidencia. Consiste en poner esa evidencia en contexto.

Los 300.000 informes del Sevilla cuentan otra historia sobre la IA

Uno de los ejemplos más interesantes de IA en recruitment no empieza con un nuevo conjunto de datos. Empieza con antiguos informes de scouting.

El Sevilla FC había acumulado más de 300.000. Dentro de ese archivo había valoraciones técnicas, opiniones sobre fortalezas y debilidades y observaciones sobre cualidades difíciles de reducir a una sola métrica: actitud, tenacidad, liderazgo, comportamiento y personalidad.

El problema no era la falta de conocimiento. Era poder utilizarlo.

Junto a IBM, el Sevilla desarrolló Scout Advisor, una herramienta de IA generativa construida sobre watsonx y basada también en el modelo Llama de Meta. Los responsables de recruitment pueden describir en lenguaje natural el tipo de jugador que buscan y el sistema consulta los informes existentes del club para identificar perfiles relevantes y resumir lo que el departamento de scouting había escrito previamente sobre ellos.

Según el caso de estudio publicado por Meta, revisar manualmente una shortlist podía requerir cientos de horas. Scout Advisor fue diseñado para hacer mucho más accesible ese conocimiento acumulado.

Lo importante de esta historia no es que la IA haya hecho innecesarios a los scouts del Sevilla. Es casi lo contrario.

El sistema es útil porque los scouts pasaron años generando información útil.

La IA no está sustituyendo la memoria de scouting del club. La está haciendo consultable.

Esta diferencia puede adquirir cada vez más importancia. Los clubes suelen pensar en la ventaja basada en datos como el acceso a mejores fuentes externas. En el futuro, una ventaja igual de importante puede surgir de utilizar mejor el conocimiento interno. Un informe escrito hace cinco años no tiene por qué desaparecer en un archivo cuando el jugador o el scout ya no están en el club.

Para los departamentos de recruitment, la IA puede convertir la memoria institucional en una herramienta mucho más activa.

Encontrar al jugador puede dejar de ser la parte más difícil

Durante décadas, una de las grandes fortalezas de un scout fue el acceso: conocer al jugador antes que los demás, entender un mercado que otros clubes ignoraban o tener la red local necesaria para detectar talento antes de que se hiciera visible.

Esas ventajas no desaparecen. El conocimiento local, la observación en directo, las relaciones personales y la comprensión real de mercados menos visibles siguen siendo enormemente importantes.

Pero el descubrimiento de jugadores es cada vez más escalable.

Plataformas como SciSports ya permiten a los equipos de recruitment comparar grandes grupos de jugadores mediante modelos de rendimiento, estilo de juego, potencial y valor de mercado. En febrero de 2026, el modelo Estimated Transfer Value de SciSports se integró en FotMob, otra señal de que herramientas que antes se asociaban sobre todo con entornos especializados de recruitment están llegando a un uso mucho más amplio.

A medida que estos sistemas mejoren, la primera fase del recruitment puede comenzar cada vez más con una lista ya reducida por algoritmos. En lugar de pedir a un scout que empiece con 1.000 jugadores posibles, el sistema podría ayudar a producir 50 que cumplan los requisitos generales del club.

Eso puede ahorrar una enorme cantidad de tiempo. También puede cambiar dónde se encuentra la ventaja competitiva.

Si varios clubes utilizan datasets parecidos y herramientas de descubrimiento cada vez más potentes, el mismo jugador emergente puede aparecer en varias pantallas casi al mismo tiempo. Ser la primera persona en encontrar el nombre puede resultar menos valioso que ser la organización que mejor entiende al jugador.

La pregunta difícil pasa de “¿quién está ahí fuera?” a “¿quién es adecuado para nosotros?”.

Y esa es una pregunta mucho más difícil de automatizar.

El recruitment no consiste simplemente en ordenar jugadores. Un futbolista tiene que encajar en un rol táctico, un modelo económico, un plan de plantilla, un entrenador y, en muchos casos, un país o una cultura completamente nuevos. Hay que separar su rendimiento actual del entorno que lo produce. Sus debilidades deben analizarse junto a lo que realmente puede mejorar. Su valor siempre tiene que evaluarse junto al riesgo.

El scouting siempre ha implicado incertidumbre. Una tecnología mejor puede reducir parte de ella, pero no eliminarla.

¿Qué podemos esperar en los próximos años?

Intentar describir con exactitud cómo funcionará un departamento de recruitment dentro de tres o cinco años sería un error. El fútbol tiene una larga historia de adoptar tecnología de forma desigual, y las herramientas disponibles para un club de Champions League no serán necesariamente las mismas que las de un equipo de categorías inferiores.

Aun así, algunas direcciones ya son visibles.

La primera es el paso de los filtros tradicionales hacia sistemas conversacionales y agentic. Hoy, un scout suele decidir qué variables quiere buscar y después construir los filtros. Mañana, una parte mayor del proceso puede comenzar con una pregunta futbolística. El sistema podría interpretar el brief, consultar múltiples datasets, crear una primera shortlist, preparar vídeo, comparar candidatos y recuperar informes internos anteriores sin que el usuario tenga que moverse entre varias plataformas.

SICS Atlas de Soccerment es un ejemplo temprano de esta dirección. Queda por ver si este tipo de sistemas serán suficientemente fiables para gestionar procesos complejos de recruitment profesional, pero la idea es clara: el software de fútbol está empezando a pasar de mostrar información a trabajar activamente con ella.

Un segundo cambio probablemente llegará con un análisis mucho más rico del juego sin balón. El event data nos cuenta mucho sobre lo que hace un futbolista con el balón. El tracking data permite a los clubes plantear preguntas más difíciles sobre lo que ocurre antes de que el jugador reciba, cuando el equipo pierde la posesión o incluso cuando una acción nunca llega a suceder. Las nuevas métricas de presión, los modelos de carreras sin balón y los análisis de estructura colectiva intentan convertir esas partes menos visibles del juego en algo más medible.

El tercer cambio puede ser el más ambicioso: pasar de describir el rendimiento a predecir el encaje.

La mayor parte de los datos de recruitment todavía nos cuenta lo que un jugador ha hecho. La pregunta que todos los clubes quieren responder es qué hará después y, más concretamente, qué hará en nuestro equipo.

¿Cómo rendirá un lateral que pasa de un equipo de transiciones a uno que domina la posesión? ¿Puede un centrocampista mantener su nivel cuando aumenta la velocidad de la competición? ¿Seguirá generando valor el movimiento de un delantero ante bloques defensivos más bajos? ¿Qué parte del perfil actual de un jugador joven refleja potencial real y qué parte depende del contexto en el que juega?

Los modelos predictivos de recruitment ya intentan acercarse a partes de este problema. Sin embargo, el fútbol sigue siendo demasiado complejo para ofrecer respuestas seguras. Eso probablemente no impedirá que los clubes sigan intentándolo.

Un flujo de recruitment futuro podría comenzar con un sporting director describiendo el estilo del club, el presupuesto, el rango de edad y la necesidad posicional. El sistema podría buscar en cientos de competiciones, generar candidatos, preparar listas de vídeo, comparar perfiles físicos y tácticos, estimar parámetros financieros y recuperar todo lo que los scouts del club hayan escrito anteriormente sobre esos jugadores.

En ese punto, el trabajo del scout no habría terminado.

Quizá ahí empezaría la parte más importante.

La tecnología puede ampliar el scouting — y crear nuevos puntos ciegos

Hay otro lado de esta evolución. Si el recruitment se puede realizar a distancia con más facilidad, el scouting puede ampliar su alcance geográfico.

Los sistemas de computer vision pueden extraer información de tracking a partir de imágenes de retransmisión, las plataformas de vídeo siguen incorporando competiciones y los grandes datasets cubren mercados que antes eran difíciles de seguir de forma constante para muchos clubes. Un departamento de recruitment ya no necesita tener a un scout físicamente presente en cada primera fase del descubrimiento.

Eso puede dar a más jugadores de ligas pequeñas una vía de entrada a las bases de datos de recruitment de clubes mayores.

Pero también puede crear nuevos puntos ciegos.

Un mercado con una cobertura de vídeo deficiente o datos poco fiables seguirá siendo más difícil de interpretar para estos sistemas. Las ligas con mejor infraestructura digital pueden ganar una visibilidad desproporcionada. Los modelos entrenados con decisiones históricas del fútbol también pueden reforzar los perfiles que la industria ya sabe valorar, en lugar de identificar algo realmente diferente.

El riesgo no es únicamente que un sistema de IA haga una mala recomendación. El riesgo más profundo es que un departamento de recruitment empiece poco a poco a pensar solo dentro de los límites de aquello que sus sistemas pueden medir.

Ahí es donde la curiosidad humana sigue siendo difícil de sustituir.

Un buen scout no debería saber únicamente cómo utilizar la plataforma. También debería saber cuándo salir de ella.

¿Cómo será el scout del futuro?

Nada de esto significa que el scout del futuro tenga que convertirse en data scientist.

La idea de que todos los scouts tendrán que programar, construir modelos de machine learning o pasar el día entero dentro de un dashboard es otra versión del mismo exceso que predice la desaparición total del scouting.

Las competencias fundamentales siguen siendo sorprendentemente familiares: entender el juego, evaluar a un futbolista dentro de un rol, reconocer potencial de desarrollo, comunicar con claridad, hacer buenas preguntas y estar dispuesto a defender una recomendación.

Lo que está cambiando es el entorno en el que se utilizan esas capacidades.

La próxima generación de scouts probablemente trabajará con más vídeo, más datos de rendimiento, más información de tracking y más material generado por IA. Necesitará suficiente alfabetización de datos para entender qué le está diciendo una métrica, suficiente seguridad técnica para moverse entre plataformas modernas de recruitment y suficiente escepticismo para reconocer cuándo un resultado convincente está perdiendo contexto importante.

Utilizar IA y confiar en la IA no son lo mismo.

Un resumen de jugador generado automáticamente puede ser útil y seguir estando incompleto. Un modelo de similitud puede encontrar una coincidencia estadística muy fuerte y perder algo fundamental del rol táctico. Una shortlist puede estar calculada perfectamente a partir de un recruitment brief mal definido.

La tecnología puede responder una pregunta más rápido. No puede garantizar que la pregunta fuera buena.

Quizá por eso el criterio futbolístico termine siendo más valioso, no menos.

Cuando más clubes tengan acceso a vídeos similares, datos similares y, con el tiempo, herramientas de IA similares, la propia herramienta dejará de ser la ventaja. La ventaja pasará a la persona que sepa interpretar lo que produce.

El verdadero cambio puede estar en el valor del criterio

Es poco probable que la IA transforme el scouting en un único momento dramático. Los clubes no se despertarán una mañana, cerrarán sus departamentos de scouting y entregarán cada decisión de fichaje a un algoritmo.

El cambio probablemente será mucho más silencioso.

Una investigación que antes requería tres horas puede terminarse en treinta minutos. Un grupo de mil jugadores puede reducirse antes de que el scout empiece a ver vídeo. Los movimientos sin balón pueden estar disponibles junto al event data tradicional. Un informe escrito años atrás puede aparecer en segundos. Un primer perfil del futbolista puede estar preparado antes de que el scout empiece a escribir.

Cuando eso ocurra, simplemente encontrar información sobre un jugador tendrá menos valor.

Saber qué hacer con esa información tendrá más.

El estándar que se espera de los scouts puede aumentar al mismo tiempo que mejora la calidad de las herramientas que los rodean. Los clubes seguirán necesitando personas capaces de ver fútbol, pero cada vez pueden valorar más a quienes sepan filtrar evidencia, cuestionar los datos, comunicarse entre los equipos de análisis y recruitment y explicar no solo qué jugador recomiendan, sino por qué.

Quizá esa sea la forma más realista de pensar la relación entre la IA y el scouting.

Puede que la inteligencia artificial no sustituya a los scouts de fútbol.

Pero sí puede ampliar la diferencia entre un scout promedio y uno realmente bueno.