Durante décadas, hablar de un partido de la Liga MX fue un ejercicio de memoria y de intuición: quién venía golpeado, qué equipo se le da bien a cuál, cómo pesa la altura en el Azteca. Nada de eso desapareció, pero en los últimos dos años se le sumó una capa distinta. Los modelos de inteligencia artificial empezaron a procesar el mismo futbol que vemos los domingos, solo que mirando variables que a simple vista se nos escapan.
Del dato a la probabilidad: qué entra en el cálculo de un modelo de futbolDel dato a la probabilidad: lo que entra en el cálculo y lo que devuelve un modelo.
Qué mira un modelo que no mira un aficionado
La diferencia no está en que la máquina sepa más de futbol. Está en el volumen. Un modelo entrenado con las últimas temporadas cruza cientos de partidos a la vez: goles esperados (xG), tiros concedidos por zona, minutos acumulados de cada jugador, días de descanso entre jornadas, distancia de viaje, rendimiento local contra visitante y hasta el efecto de los horarios de mediodía. Ninguno de esos datos es exótico. Lo difícil es sostenerlos todos en la cabeza al mismo tiempo, y ahí es donde el cálculo gana.
El resultado no es una certeza, y conviene decirlo con todas las letras: es una probabilidad. Un modelo que estima 62% de victoria para el local está diciendo que, en escenarios parecidos, ese equipo gana seis de cada diez veces. Las otras cuatro también existen. Quien venda certezas en futbol no está usando estadística, está usando marketing.
La Liga MX es un caso particular
Hay ligas más fáciles de modelar que otras, y la mexicana no está entre las fáciles. El formato de torneos cortos con liguilla cambia los incentivos sobre el final: un equipo ya clasificado rota, uno que pelea el repechaje va con todo, y eso rompe cualquier serie histórica. A eso se le suma la altitud —jugar en la Ciudad de México, en Toluca o en Puebla no es lo mismo que jugar en Monterrey a nivel del mar— y un mercado de pases con mucha movilidad entre torneos.
Los modelos que rinden en la Liga MX son los que incorporan esas particularidades en vez de aplicar un promedio europeo. Es una de las razones por las que conviene revisar de dónde saca sus datos cada herramienta antes de tomárselas en serio.
Cómo separar lo que sirve de lo que no
Cualquiera puede publicar un pronóstico. Lo que distingue a una herramienta seria de una cuenta de redes sociales es si deja ver sus errores. Tres preguntas alcanzan para filtrar.
- Primero: ¿publica el historial completo? No los tres aciertos de la semana pasada: todos los pronósticos, los que salieron y los que no, con fecha.
- Segundo: ¿explica el porqué? Un porcentaje sin razonamiento detrás no se puede evaluar ni discutir.
- Tercero: ¿se puede consultar gratis? Si hay que pagar antes de poder verificar si acierta, el orden está invertido.
Algunas plataformas ya trabajan así. En español, por ejemplo, se pueden consultar pronósticos de la Liga MX con IA con el historial de resultados abierto y actualizados antes de cada jornada, sin registro previo. Sirve como punto de comparación aunque uno arme su propio análisis: si el modelo y tu lectura del partido coinciden, es una señal; si no coinciden, vale la pena entender por qué.
Lo que la IA no va a resolver
Hay una tentación fácil con estas herramientas, que es delegarles la decisión. No funciona así. Un modelo no sabe que el portero titular se enteró esa mañana de una lesión familiar, ni que el técnico ya tiene un pie afuera, ni que el campo quedó impracticable después de la lluvia del sábado. El futbol sigue teniendo una parte que no se deja medir, y es buena parte de por qué lo seguimos viendo.
Lo razonable, entonces, es tratarlas como lo que son: una segunda opinión construida con más datos de los que uno puede procesar solo. Ni un oráculo ni un adorno. Para quien sigue la Liga MX jornada a jornada, esa segunda opinión bien usada ya es bastante.
Nota: el contenido de este artículo es informativo. Las apuestas deportivas están reguladas en México y son exclusivamente para mayores de 18 años. Juega con responsabilidad.
