Inteligencia artificial: de la señal al criterio profesional

No existe una única definición de inteligencia artificial, y conviene decirlo desde el principio: la disciplina nació con un nombre que era, en parte, una estrategia de financiación. El término se acuñó en la propuesta de la conferencia de verano del Dartmouth College (McCarthy, Minsky, Rochester y Shannon, 1955), que partía de una conjetura ambiciosa: que cualquier rasgo del aprendizaje o de la inteligencia puede describirse con suficiente precisión como para que una máquina lo simule. Cinco años antes, Alan Turing (1950) había desplazado la pregunta «¿pueden pensar las máquinas?» hacia una prueba operativa y observable: el juego de imitación.

Desde entonces, las definiciones se agrupan en cuatro familias, sistematizadas por Russell y Norvig en el manual de referencia de la disciplina:

El cuarto enfoque —el agente racional— es el que domina hoy, porque es el único medible: un sistema es «inteligente» si, ante un entorno y un objetivo, escoge acciones que lo acercan a ese objetivo. Es una definición funcional, no psicológica. No exige conciencia, comprensión ni intención; exige desempeño.

La definición operativa vigente

Para el uso profesional y académico, la definición más útil hoy es la de la OCDE, adoptada casi literalmente por el Reglamento Europeo de Inteligencia Artificial. Es la que determina qué obligaciones legales se aplican a un producto, de modo que conviene conocerla con precisión.

Las tres palabras que hacen todo el trabajo son inferir, autonomía y adaptabilidad. Una hoja de cálculo que aplica una fórmula fija no infiere: ejecuta. Un sistema que deriva una regla o un patrón a partir de datos —y que puede aplicarla a casos que nunca vio— sí infiere. Ese es el umbral. Por eso una regresión lineal ajustada sobre datos de campo puede ser un sistema de IA en sentido normativo, mientras que un cronómetro con memoria no lo es.

Tres precisiones que evitan malentendidos

• IA no es sinónimo de ChatGPT. Los modelos de lenguaje son una rama —muy visible— de un campo mucho más amplio que incluye visión artificial, optimización, sistemas de recomendación, control y planificación.
• El «efecto IA». Cada vez que una técnica funciona de forma fiable deja de llamarse inteligencia artificial y pasa a llamarse por su nombre técnico: el reconocimiento óptico de caracteres, el corrector ortográfico o el GPS fueron IA hasta que se volvieron cotidianos. La frontera se desplaza siempre hacia lo no resuelto.
• Inteligencia no es comprensión. Un sistema puede superar a un experto humano en una tarea concreta sin poseer ningún modelo del mundo comparable al humano. Confundir competencia con comprensión es el error conceptual más frecuente y el que más malas decisiones genera en la práctica aplicada.

Históricamente conviven dos grandes maneras de construir un sistema inteligente. En la IA simbólica (dominante entre 1956 y finales de los ochenta) el conocimiento se escribe a mano: un experto formula reglas del tipo «si… entonces…» y el sistema encadena inferencias. Funciona bien en dominios cerrados y bien definidos, es totalmente transparente y falla estrepitosamente ante la ambigüedad y la excepción. En la IA basada en aprendizaje no se escriben las reglas: se muestran ejemplos y el sistema ajusta sus propios parámetros hasta reproducir la relación observada. Es la que domina desde 2012 y la que explica prácticamente todo lo que hoy llamamos IA.

El ciclo de trabajo del aprendizaje automático

Cualquier proyecto de IA aplicada, sea un modelo de riesgo lesional o un clasificador de acciones de juego, recorre las mismas nueve etapas. Saltarse cualquiera de ellas es la causa habitual de que un modelo brillante en el ordenador no funcione en el campo.

1. Definición del problema. Traducir una pregunta profesional a una tarea computable: ¿es una clasificación, una predicción numérica, una agrupación, una detección de anomalías?
2. Obtención de datos. Muestreo, frecuencia de registro, instrumentación, condiciones de recogida. Aquí se decide el techo de calidad de todo lo que venga después.
3. Preparación y limpieza. Sincronización, filtrado de señal, tratamiento de valores ausentes y atípicos, normalización. Suele consumir la mayor parte del tiempo del proyecto.
4. Representación de las variables. Ingeniería de características en los modelos clásicos; aprendizaje automático de la representación en las redes profundas.
5. Elección del modelo. Desde una regresión regularizada hasta una red neuronal profunda. El modelo más complejo casi nunca es el mejor con muestras pequeñas.
6. Entrenamiento. Una función de pérdida mide el error; un algoritmo de optimización —descenso de gradiente— modifica los parámetros para reducirlo, iteración tras iteración.
7. Validación. Partición en conjuntos de entrenamiento, validación y prueba; validación cruzada; y, en datos de deportistas, partición por sujeto y por temporada para no engañarse.
8. Despliegue. Integración en el flujo real de trabajo: dispositivo, aplicación, informe, panel de control.
9. Monitorización. El mundo cambia y el modelo se degrada: cambia el material, la categoría, el estilo de juego, el sensor. Sin reevaluación periódica, todo modelo caduca.

Los cuatro paradigmas de aprendizaje

Redes neuronales y aprendizaje profundo

Una red neuronal artificial es una función matemática compuesta por capas de unidades. Cada unidad calcula una suma ponderada de sus entradas, le suma un término independiente y aplica una función no lineal. Apilando capas, la red puede aproximar relaciones muy complejas. El aprendizaje consiste en tres pasos que se repiten millones de veces: propagación hacia delante (calcular una predicción), cálculo del error mediante la función de pérdida y retropropagación (calcular cuánto contribuyó cada peso al error y corregirlo). El algoritmo de retropropagación se popularizó en 1986 (Rumelhart, Hinton y Williams), pero necesitó dos ingredientes que solo llegaron después: grandes conjuntos de datos etiquetados y potencia de cálculo paralelo en tarjetas gráficas. El punto de inflexión público fue 2012, con el salto de precisión de una red convolucional en el concurso de reconocimiento de imágenes ImageNet.

Qué hay dentro de un modelo de lenguaje

Los sistemas conversacionales actuales descansan en la arquitectura transformer, presentada en 2017, cuya idea central es el mecanismo de atención: al procesar cada fragmento de texto, el modelo pondera qué otros fragmentos del contexto son relevantes. El proceso completo tiene tres fases:

1. Preentrenamiento. Sobre enormes volúmenes de texto, el modelo aprende una única tarea: predecir el siguiente fragmento. De ahí emergen gramática, hechos, estilos y capacidad de razonamiento aproximado.
2. Ajuste y alineamiento. Ajuste supervisado con ejemplos de buenas respuestas y aprendizaje a partir de preferencias humanas, para que el modelo sea útil, veraz y seguro.
3. Inferencia. El uso real. El texto se descompone en tokens; el modelo genera el siguiente token con cierta aleatoriedad controlada, y repite. Todo lo que «recuerda» cabe en su ventana de contexto: no hay memoria persistente salvo que se le añada explícitamente.

Dos técnicas mitigan ese límite sin eliminarlo. La recuperación aumentada (RAG) obliga al modelo a responder a partir de documentos concretos que se le suministran en el momento, lo que permite anclar las respuestas en la propia documentación de un club o de una asignatura. El ajuste fino reentrena parcialmente el modelo con ejemplos propios para fijar formato, terminología y estilo, pero no le añade fiabilidad factual por sí mismo.

El vocabulario técnico de la IA se solapa parcialmente con el de la estadística y el de la ciencia de datos, y esa ambigüedad genera confusión en las reuniones técnicas. Estos son los términos que un profesional necesita manejar con precisión, agrupados por bloques.

Datos y aprendizaje

• AlgoritmoSecuencia finita de instrucciones para resolver un problema. No implica aprendizaje por sí mismo.
• Conjunto de datosColección estructurada de observaciones. Su representatividad limita todo lo demás.
• Característica (feature)Variable de entrada del modelo. La ingeniería de características es el arte de construirlas.
• EtiquetaRespuesta correcta conocida en aprendizaje supervisado.
• ParámetroValor interno que el modelo aprende durante el entrenamiento (los pesos).
• HiperparámetroValor que fija el analista antes de entrenar: profundidad, tasa de aprendizaje, regularización.
• Entrenamiento e inferenciaFase de ajuste de los parámetros frente a fase de uso del modelo ya ajustado.
• SobreajusteEl modelo memoriza el ruido de la muestra y falla en datos nuevos. El error más común con muestras deportivas pequeñas.
• SubajusteEl modelo es demasiado simple para capturar la relación existente.
• Compromiso sesgo–varianzaTensión entre un modelo rígido y uno inestable; gobierna toda la elección de complejidad.
• Validación cruzadaRotación de particiones para estimar el desempeño real. En datos de deportistas debe hacerse por sujeto.
• Fuga de información (leakage)Información del futuro o del conjunto de prueba que se cuela en el entrenamiento e infla artificialmente los resultados.
• Deriva de datosCambio en la distribución de los datos con el tiempo que degrada el modelo desplegado.
• Aprendizaje por transferenciaReutilizar un modelo entrenado en un dominio grande para una tarea pequeña relacionada.

Evaluación del desempeño

• Matriz de confusiónTabla de aciertos y errores por clase; punto de partida de toda evaluación de clasificación.
• Sensibilidad y especificidadCapacidad de detectar los casos positivos y de descartar los negativos, respectivamente.
• Precisión y valor predictivoProporción de aciertos entre los casos que el modelo señala. Depende críticamente de la prevalencia.
• F1Media armónica de precisión y sensibilidad; útil con clases desequilibradas.
• AUC-ROCCapacidad de discriminación global. Un valor alto no garantiza utilidad clínica si la prevalencia es baja.
• CalibraciónQue una probabilidad estimada del 20 % corresponda a un 20 % real de ocurrencia. Se ignora con demasiada frecuencia.
• RMSE, MAE y R²Métricas de error para predicciones numéricas: error cuadrático, error absoluto y varianza explicada.
• Clases desequilibradasCuando el suceso de interés es raro —como una lesión— y el modelo aprende a no predecirlo nunca.

IA generativa y modelos de lenguaje

• TokenUnidad mínima en que se descompone el texto; el modelo predice tokens, no palabras.
• EmbeddingRepresentación numérica densa que sitúa conceptos similares en posiciones próximas de un espacio vectorial.
• Ventana de contextoCantidad de información que el modelo puede tener presente a la vez.
• PromptInstrucción de entrada. Su diseño —rol, contexto, formato, ejemplos, restricciones— cambia radicalmente el resultado.
• TemperaturaParámetro que regula la aleatoriedad de la generación: baja para tareas exactas, alta para exploración creativa.
• AlucinaciónContenido falso generado con total apariencia de solidez.
• RAGGeneración anclada en documentos recuperados en el momento de la consulta.
• Ajuste finoReentrenamiento parcial con datos propios para especializar el comportamiento del modelo.
• MultimodalidadCapacidad de procesar y combinar texto, imagen, vídeo y audio en un mismo modelo.
• AgenteSistema que planifica, usa herramientas externas, ejecuta pasos y verifica resultados con supervisión mínima.
• Razonamiento extendidoDedicar cómputo adicional a deliberar antes de responder, explorando y comprobando alternativas.

Gobernanza, ética y despliegue

• Sesgo algorítmicoError sistemático que perjudica a un grupo, heredado de los datos o del diseño.
• Explicabilidad (XAI)Métodos que atribuyen la decisión del modelo a variables concretas y la hacen auditable.
• Caja negraModelo cuyo funcionamiento interno no es interpretable directamente por una persona.
• Supervisión humanaRequisito de que una persona pueda entender, verificar y revertir la decisión automatizada.
• Aprendizaje federadoEntrenar un modelo sin centralizar los datos: viajan los parámetros, no la información personal.
• IA en el borde (edge)Ejecución del modelo en el propio dispositivo, sin enviar datos a la nube.
• Datos sintéticosDatos generados artificialmente que imitan a los reales para ampliar muestras o proteger la privacidad.
• Alfabetización en IACompetencia mínima exigible a quien usa estos sistemas en un contexto profesional; en la UE es una obligación legal.

«Tipos de IA» significa cosas distintas según el criterio de clasificación. Conviene manejar los cuatro criterios que realmente se usan, porque mezclarlos es fuente constante de confusión —especialmente en la divulgación, donde se salta de la técnica a la ciencia ficción sin avisar.

Por capacidad: dónde estamos realmente

Por funcionalidad

Por técnica empleada

• IA simbólica o basada en conocimiento. Reglas, lógica y sistemas expertos. Transparente y auditable; frágil ante la excepción. Sigue viva en motores de reglas de arbitraje, normativa y validación de datos.
• Aprendizaje automático clásico. Regresiones regularizadas, árboles de decisión, bosques aleatorios, potenciación del gradiente, máquinas de vectores soporte, k-medias. Con muestras pequeñas y tabulares —la situación habitual en ciencias del deporte— suelen superar a las redes profundas.
• Aprendizaje profundo. Redes de muchas capas que aprenden la representación de los datos. Imprescindible para imagen, vídeo, audio y lenguaje.
• IA neurosimbólica e híbrida. Combinación de aprendizaje estadístico con reglas explícitas y conocimiento del dominio. Línea prometedora precisamente donde hay teoría consolidada, como la biomecánica o la fisiología del ejercicio.
• Computación evolutiva y optimización. Algoritmos genéticos y metaheurísticas para problemas de diseño, calendarios, alineaciones o dosificación.
• Métodos bayesianos. Incorporan conocimiento previo y devuelven incertidumbre explícita en lugar de un número seco: muy adecuados cuando las muestras son reducidas y la decisión tiene consecuencias.

Por finalidad y por forma de despliegue

La IA es una tecnología de propósito general: no resuelve un problema, sino una clase de problemas —los que consisten en encontrar patrones en grandes volúmenes de datos y decidir a partir de ellos—. Por eso aparece en sectores sin relación aparente entre sí. Este panorama sirve como referencia de contexto antes de descender al ámbito deportivo.

Por debajo de la enorme variedad de productos comerciales hay un número sorprendentemente pequeño de tareas fundamentales. Reconocerlas permite algo muy útil en la práctica: traducir cualquier necesidad profesional a una de estas categorías y saber de inmediato qué datos hacen falta y qué métrica de evaluación corresponde.

Tareas de percepción

• Visión artificial. Detección y seguimiento de objetos y personas, segmentación, estimación de postura articular a partir de vídeo, reidentificación de individuos entre cámaras, lectura automática de dorsales y marcadores.
• Audio y voz. Transcripción automática, identificación de hablantes, síntesis de voz, traducción simultánea, análisis acústico de la respiración o del apoyo del pie.
• Documentos. Reconocimiento de texto en imágenes, extracción estructurada de datos de tablas, planillas o informes en papel.
• Señales. Interpretación de acelerometría, giroscopía, electrocardiografía, electromiografía y dinamometría: detección de eventos, conteo de repeticiones, clasificación de gestos.

Tareas de lenguaje

• Resumen de documentos extensos y síntesis comparada de varias fuentes.
• Traducción y adaptación de registro para distintos destinatarios.
• Extracción de información estructurada de textos libres —informes médicos, entrevistas, actas—.
• Clasificación temática y análisis de sentimiento de comentarios o encuestas.
• Redacción asistida: informes, memorias, programaciones didácticas, correspondencia, solicitudes.
• Respuesta a preguntas sobre un corpus documental propio mediante recuperación aumentada.

Tareas de generación

• Texto, esquemas y materiales didácticos; imagen e ilustración; vídeo y animación; audio, voz y música.
• Código. Es uno de los usos con mayor rendimiento demostrado: guiones de análisis, automatizaciones, aplicaciones sencillas y depuración.
• Datos sintéticos para ampliar muestras escasas o compartir información sin comprometer datos personales.
• Simulación de escenarios: variantes tácticas, situaciones de riesgo, prototipos de intervención.

Tareas de agencia

La capacidad más reciente y la que más está cambiando el trabajo diario: sistemas que descomponen un encargo en pasos, ejecutan herramientas —buscar, leer archivos, calcular, escribir documentos, llamar a servicios externos—, comprueban el resultado y corrigen. Sirven para automatizar flujos completos: recopilar datos de varias plataformas, cruzarlos, generar un informe y distribuirlo. Su límite actual no es la capacidad puntual, sino la fiabilidad sostenida a lo largo de muchos pasos encadenados.

El deporte de rendimiento fue uno de los primeros entornos profesionales en generar datos densos, continuos y multidimensionales sobre un número reducido de sujetos: exactamente el escenario en que la analítica avanzada resulta más tentadora y, al mismo tiempo, más engañosa. Diez o veinte deportistas monitorizados durante una temporada producen millones de registros y, sin embargo, siguen siendo una muestra pequeña en términos estadísticos, porque las observaciones no son independientes entre sí. Toda la sección siguiente debe leerse con esa tensión presente.

7.1 Monitorización de la carga y del rendimiento

Es la aplicación más extendida y la más madura. Los sistemas de posicionamiento global y local, las unidades inerciales, los medidores de potencia, la frecuencia cardíaca y la percepción subjetiva del esfuerzo generan series temporales que la IA permite depurar, integrar e interpretar.

• Procesamiento de señal. Filtrado, detección automática de eventos (zancadas, remadas, saltos, cambios de dirección), segmentación de sesiones y repeticiones, conteo automático de series. Es donde el aprendizaje automático aporta valor de forma más incuestionable, porque sustituye trabajo manual verificable.
• Relación entre carga externa e interna. Modelos que estiman la respuesta fisiológica esperable ante una carga mecánica dada y, sobre todo, que detectan desviaciones individuales respecto del patrón habitual del propio deportista.
• Modelos de respuesta al entrenamiento. Desde los modelos clásicos de dos componentes —forma y fatiga, en la línea de Banister— hasta enfoques bayesianos jerárquicos que estiman parámetros individuales compartiendo información entre sujetos, lo que permite trabajar con muestras reducidas sin caer en el sobreajuste.
• Disposición para entrenar. Integración de variabilidad de la frecuencia cardíaca, sueño, cuestionarios de bienestar y rendimiento en test breves para generar alertas. Su utilidad depende por completo de la calidad del registro diario y de la adherencia del deportista.
• Reducción del ruido informativo. Con decenas de variables por sesión, el problema deja de ser medir y pasa a ser decidir qué mirar: técnicas de reducción de dimensionalidad y priorización de alertas convierten un panel saturado en dos o tres indicaciones accionables.

7.2 Riesgo de lesión y retorno a la práctica

Es la aplicación con más inversión, más titulares y más resultados decepcionantes. La promesa es evidente: anticipar la lesión antes de que ocurra. Los obstáculos son estructurales.

• Baja prevalencia. Cuando el suceso es raro, incluso un modelo con excelente capacidad de discriminación produce una mayoría de falsas alarmas. Es un resultado matemático, no un defecto de implementación.
• Naturaleza multicausal. La lesión resulta de la interacción entre carga, historial, biomecánica, contexto competitivo, sueño, estrés y azar. Ningún conjunto de variables registradas la determina.
• Crítica establecida. La literatura ha argumentado de forma convincente que las pruebas de cribado no permiten predecir lesiones a nivel individual con la precisión necesaria para tomar decisiones sobre una persona concreta, aunque sí describan riesgo a nivel de grupo.

Esto no invalida el enfoque: lo reubica. Los usos defendibles hoy son descriptivos y de vigilancia, no predictivos individuales: detectar desviaciones respecto de la línea base del propio deportista, cuantificar asimetrías en pruebas de fuerza y salto, seguir objetivamente criterios de progresión en el retorno a la práctica, y documentar la exposición acumulada. La decisión sigue siendo del equipo médico y técnico; el sistema aporta evidencia estructurada, no un veredicto.

7.3 Biomecánica y análisis del movimiento

Aquí se ha producido probablemente el cambio más profundo de la última década. La estimación de la postura articular a partir de vídeo convencional —captura de movimiento sin marcadores— ha sacado el análisis biomecánico del laboratorio y lo ha llevado al campo, a la piscina y al gimnasio, con una cámara y un ordenador.

• Extracción automática de puntos articulares en dos y tres dimensiones a partir de una o varias cámaras, con reconstrucción de ángulos, velocidades y trayectorias.
• Análisis de la carrera: cadencia, tiempo de contacto, oscilación vertical, ángulos de apoyo, mecánica de la pisada.
• Deportes cíclicos: en remo, sincronización de la tripulación, curvas de fuerza en la pala, longitud de palada y ángulos de entrada y salida; en natación, frecuencia y longitud de ciclo, tiempos de viraje.
• Valoración funcional: sentadillas, aterrizajes, saltos y pruebas de movilidad evaluadas de forma automática y reproducible.
• Retroalimentación técnica inmediata al deportista mediante superposición visual y comparación con un patrón de referencia.

7.4 Análisis táctico y notacional

El seguimiento automático de todos los jugadores y del móvil ha convertido el análisis del juego en un problema de datos espaciotemporales continuos. Sobre esa base se construye una capa de modelos que ya es estándar en el fútbol y el baloncesto profesionales y que se extiende rápidamente al resto de deportes de invasión.

• Detección y seguimiento multiobjeto a partir de vídeo de retransmisión o de cámaras fijas, con reidentificación de jugadores y homografía al plano del campo.
• Codificación automática de eventos: pases, tiros, presiones, transiciones. Reduce drásticamente el tiempo de análisis manual, aunque exige revisión humana en las categorías ambiguas.
• Modelos de valor de la acción: probabilidad de gol o de canasta según el contexto, valor añadido de una posesión, contribución de acciones sin balón —el tipo de aportación que la estadística tradicional nunca capturó—.
• Modelos espaciales: control del espacio, presión, líneas de pase disponibles, ocupación y sincronía colectiva mediante análisis de series posicionales.
• Preparación del rival y simulación: patrones recurrentes del oponente, tendencias en situaciones concretas, generación automática de informes y cortes de vídeo asociados.

7.5 Detección y desarrollo de talento

Modelos que combinan datos de rendimiento, antropometría, historial competitivo y contexto para estimar potencial y similitud entre perfiles. Es también donde el riesgo ético es más alto, porque las decisiones afectan a menores y son difícilmente reversibles.

7.6 Arbitraje y tecnología de competición

• Trayectorias. Los sistemas de seguimiento óptico de la pelota se emplean desde hace más de una década en tenis, cricket y para la decisión de gol en fútbol, con márgenes de error milimétricos y aceptación generalizada.
• Fuera de juego semiautomático. Combinación de seguimiento de puntos anatómicos y de sensores en el balón para determinar el instante del pase y las posiciones relativas, con generación automática de la reconstrucción tridimensional que se muestra al espectador. Ya implantado en las principales competiciones europeas e internacionales.
• Deportes de valoración subjetiva. En gimnasia y disciplinas similares se emplean sistemas de escaneo tridimensional como apoyo al juicio, para verificar ángulos y amplitudes; la decisión final permanece en manos del jurado.
• Arbitraje electrónico de líneas en deportes de raqueta, que ha sustituido progresivamente a los jueces de línea en circuitos profesionales.

7.7 Salud, nutrición y poblaciones especiales

• Estimación automática de la ingesta a partir de fotografías de los platos: útil como apoyo al registro y a la adherencia, con precisión insuficiente para sustituir la valoración de un profesional de la nutrición.
• Análisis del sueño y de la recuperación mediante actigrafía y sensores fisiológicos, con las limitaciones de validación propias de los dispositivos de consumo.
• Cribado cardiovascular asistido en reconocimientos médico-deportivos y detección de patrones anómalos en electrocardiografía.
• Prescripción de ejercicio adaptada en poblaciones clínicas, personas mayores y personas con discapacidad, con supervisión profesional obligatoria.
• Sistemas de visión para valorar el riesgo de caídas, la marcha y el equilibrio en programas de actividad física para mayores.

7.8 Docencia: Educación Física y formación universitaria

En el aula, el uso de IA se ha desplazado de la curiosidad al trabajo cotidiano. Los usos con mejor relación entre esfuerzo y resultado son los siguientes:

• Diseño y adaptación curricular. Borradores de programaciones, situaciones de aprendizaje y unidades didácticas alineadas con el currículo vigente; variantes de una misma tarea con distintos niveles de exigencia y para distintas necesidades de apoyo.
• Evaluación. Generación y depuración de rúbricas, listas de control y baterías de preguntas; apoyo en la redacción de retroalimentación formativa individualizada. La calificación final debe seguir siendo del docente, y no solo por razones pedagógicas: la evaluación automatizada de personas es precisamente uno de los usos que la normativa europea somete a exigencias reforzadas.
• Análisis del movimiento en el aula. Aplicaciones de estimación de postura en el móvil que permiten a los estudiantes ver su propio gesto analizado, con enorme potencial motivador y de aprendizaje de conceptos biomecánicos.
• Accesibilidad. Subtitulación automática, lectura en voz alta, traducción de materiales, simplificación de textos: apoyo directo al diseño universal para el aprendizaje.
• Alfabetización crítica. El objetivo formativo más importante no es que el alumnado sepa usar una herramienta, sino que sepa cuándo desconfiar de ella: identificar una cifra inventada, reconocer un sesgo, exigir la fuente.

7.9 Investigación en ciencias del deporte

• Búsqueda y cribado de literatura, apoyo en revisiones sistemáticas —con verificación humana obligatoria de cada registro—.
• Escritura y depuración de código de análisis estadístico, una de las aplicaciones con mayor ganancia real de productividad.
• Extracción estructurada de datos de artículos y automatización de tablas y figuras.
• Análisis de vídeo y señal a gran escala que antes resultaba inabordable manualmente.
• Redacción asistida, traducción y adaptación a normas de publicación.

7.10 Gestión deportiva y entidades

• Previsión de asistencia y demanda, precios dinámicos, segmentación de abonados y prevención de bajas.
• Optimización de horarios, espacios e instalaciones y planificación de recursos humanos.
• Generación automática de contenidos para medios y redes, resúmenes de partido y personalización de la experiencia del espectador.
• Vigilancia de la integridad de la competición: detección de patrones anómalos de apuestas y de comportamiento.
• Atención automatizada a socios y usuarios de centros deportivos.

Toda prospectiva tecnológica envejece mal, y la de la IA especialmente. Lo que sigue no son predicciones, sino tendencias ya observables a mediados de 2026, con indicación de su grado de consolidación.

Seis direcciones en curso

Las restricciones que marcarán el ritmo

• Energía, cómputo y coste. La demanda de infraestructura crece más deprisa que la capacidad de suministro eléctrico, y esto ya condiciona qué se entrena y dónde. La eficiencia ha pasado de ser una preocupación técnica secundaria a un factor competitivo central.
• Datos. El texto público de alta calidad se agota como recurso; el crecimiento se desplaza hacia datos propietarios, multimodales y sintéticos, con los problemas de calidad y de derechos que ello conlleva.
• Evaluación. Medir de verdad lo que estos sistemas saben hacer es un problema científico abierto. Muchas pruebas de referencia se saturan o se contaminan, y el desempeño anunciado no siempre se traslada al trabajo real.
• Fiabilidad. La alucinación no está resuelta. En cadenas largas de decisiones, pequeños errores se acumulan; ese es hoy el principal freno de los sistemas agénticos.
• Confianza social. Contenido sintético indistinguible del real, impacto sobre el empleo cualificado y concentración de la capacidad tecnológica en pocas manos: son cuestiones políticas, no técnicas, y determinarán buena parte del despliegue.

Gobernanza: qué está vigente en la Unión Europea

Conviene tener el calendario claro, porque circulan versiones contradictorias. El Reglamento (UE) 2024/1689 entró en vigor el 1 de agosto de 2024 y despliega sus obligaciones de forma escalonada. En julio de 2026 fue modificado por el Reglamento (UE) 2026/1744, conocido como Ómnibus Digital sobre IA, que no supone una moratoria general: aplaza obligaciones concretas y mantiene el resto.

Para un club, una federación o un centro educativo esto se traduce en tres deberes inmediatos: inventariar qué sistemas de IA se están usando y para qué; formar al personal que los emplea; y declarar con transparencia cuándo un contenido o una interacción proceden de un sistema automático.

Qué significa todo esto para el profesional del deporte

1. La ventaja se desplaza al planteamiento del problema. Cuando ejecutar un análisis deja de ser costoso, el valor se concentra en saber qué preguntar, qué medir y cómo interpretar. Es decir, en el conocimiento del dominio.
2. Los datos propios son el activo. Los modelos son cada vez más accesibles y parecidos entre sí; lo que no se puede replicar es una serie histórica bien recogida, bien anotada y bien documentada del propio contexto.
3. La competencia crítica pesa más que la técnica. Detectar una cifra inventada, un sesgo de selección o una validación deficiente será más determinante que dominar una herramienta concreta, que además cambiará en meses.
4. La responsabilidad no se delega. Ninguna normativa ni ningún sistema traslada al proveedor la responsabilidad profesional sobre una decisión que afecta a la salud, a la carrera o a la calificación de una persona.
5. Empezar por lo pequeño y verificable. Automatizar una tarea repetitiva y comprobable produce más valor real —y más aprendizaje— que un proyecto ambicioso de modelización predictiva sin datos suficientes.

Referencias y fuentes de contraste

• Turing, A. M. (1950). Computing Machinery and Intelligence. Mind, 59(236).
• McCarthy, J., Minsky, M., Rochester, N. y Shannon, C. (1955). Propuesta del proyecto de investigación de verano de Dartmouth sobre inteligencia artificial.
• Russell, S. y Norvig, P. (2020). Artificial Intelligence: A Modern Approach (4.ª ed.). Pearson.
• Rumelhart, D., Hinton, G. y Williams, R. (1986). Aprendizaje de representaciones mediante retropropagación del error. Nature, 323.
• Vaswani, A. et al. (2017). Attention Is All You Need. NeurIPS.
• Jumper, J. et al. (2021). Predicción de la estructura de proteínas con AlphaFold. Nature, 596.
• Bahr, R. (2016). Por qué las pruebas de cribado no permiten predecir lesiones. British Journal of Sports Medicine, 50(13).
• Impellizzeri, F. M., Marcora, S. y Coutts, A. (2019). Carga interna y externa: quince años después. IJSPP, 14(2).
• Impellizzeri, F. M. et al. (2020). Problemas conceptuales del cociente de carga aguda-crónica. IJSPP, 15(6).
• Reglamento (UE) 2024/1689, por el que se establecen normas armonizadas en materia de inteligencia artificial.
• Reglamento (UE) 2026/1744, Ómnibus Digital sobre IA (en vigor desde el 27 de julio de 2026).
• Recomendaciones del ICMJE y del COPE sobre el uso de IA generativa en publicaciones científicas.