Inteligencia artificial y apuestas deportivas 2026 – Cómo está cambiando el mercado

La inteligencia artificial se ha convertido en uno de los términos más utilizados en el deporte y las apuestas. Algoritmos que analizan millones de datos, modelos capaces de estimar probabilidades en segundos y herramientas que interpretan estadísticas en tiempo real crean fácilmente la impresión de que estamos cada vez más cerca de “predecir” un partido.

Pero esa interpretación es demasiado sencilla.

La verdadera transformación no consiste en que una inteligencia artificial sepa quién ganará el próximo encuentro. Consiste en que los sistemas modernos pueden procesar mucha más información, actualizar estimaciones con mayor rapidez y automatizar decisiones que anteriormente requerían una enorme cantidad de trabajo humano.

En 2026 encontramos inteligencia artificial y aprendizaje automático en prácticamente toda la cadena de las apuestas deportivas: análisis de datos, creación de modelos, gestión de riesgo, mercados LIVE, detección de fraude, personalización y protección del usuario.

Y también está creciendo su utilización fuera de las casas de apuestas. Analistas, medios, clubes y usuarios disponen de herramientas que hace pocos años estaban reservadas a equipos especializados en datos.

¿Qué significa realmente “IA” en las apuestas deportivas?

Cuando utilizamos la expresión inteligencia artificial podemos estar hablando de tecnologías bastante diferentes.

No es lo mismo un modelo estadístico diseñado para estimar la probabilidad de victoria de un equipo que un sistema generativo capaz de responder en lenguaje natural a una pregunta sobre un partido.

Tampoco es lo mismo un algoritmo que detecta operaciones potencialmente fraudulentas que otro que ajusta automáticamente determinados parámetros de riesgo.

Por eso nosotros separaríamos al menos cuatro grandes áreas:

Agrupar todo esto bajo la palabra “IA” resulta cómodo, pero puede ocultar diferencias fundamentales.

IA generativa y modelo predictivo no son lo mismo

Esta distinción se ha vuelto especialmente importante con la popularidad de asistentes capaces de conversar en lenguaje natural.

Un modelo generativo puede explicar qué significa un hándicap, resumir los últimos partidos de un equipo o ayudarnos a organizar información. Pero eso no lo convierte automáticamente en un modelo especializado en estimar probabilidades deportivas.

Un sistema predictivo diseñado específicamente para fútbol puede trabajar con variables estructuradas como:

• goles esperados (xG);
• tiros y calidad de las ocasiones;
• rendimiento local y visitante;
• alineaciones;
• lesiones y sanciones;
• fortaleza ofensiva y defensiva;
• descanso entre partidos;
• nivel del rival;
• estadísticas históricas;
• información del mercado.

Su objetivo puede ser producir una estimación como:

Local: 52% | Empate: 27% | Visitante: 21%

Un modelo generativo, en cambio, está especialmente preparado para trabajar con lenguaje y producir una respuesta comprensible.

Ambas tecnologías pueden combinarse, pero una explicación convincente y una estimación probabilística bien calibrada son problemas diferentes.

Todo empieza por los datos

Un algoritmo sofisticado no puede compensar indefinidamente información de mala calidad.

Esta es probablemente una de las reglas más importantes de todo el análisis deportivo basado en datos.

Un modelo necesita información suficientemente amplia, consistente y relevante. Si faltan variables importantes, existen errores o los datos históricos ya no representan correctamente la realidad actual, las estimaciones pueden deteriorarse.

Por eso la evolución de la inteligencia artificial está estrechamente relacionada con otra transformación: la enorme expansión de los datos deportivos disponibles.

Hace décadas, un análisis podía depender principalmente del resultado final, goles y una pequeña colección de estadísticas. Hoy podemos disponer de información sobre prácticamente cada acción producida durante un partido.

De un resultado 2–1 a miles de eventos dentro del mismo partido

El marcador final contiene muy poca información sobre cómo se desarrolló realmente un encuentro.

Dos partidos pueden terminar 2–1 y haber sido completamente diferentes.

En el primero, el ganador pudo generar veinte remates y numerosas ocasiones claras. En el segundo, pudo marcar dos goles con sus únicos tiros a puerta mientras el rival dominaba el encuentro.

Los datos modernos permiten describir mucho mejor esas diferencias.

Podemos analizar, entre otras variables:

• localización de los tiros;
• xG de cada ocasión;
• posesiones;
• pases progresivos;
• presión;
• recuperaciones;
• acciones dentro del área;
• balones parados;
• posición de jugadores;
• secuencias de juego.

Para un modelo, esto proporciona una representación mucho más rica que limitarse a preguntar quién ganó.

El xG es un buen ejemplo de cómo cambió el análisis

Los goles esperados o Expected Goals (xG) muestran bien la evolución desde estadísticas simples hacia modelos probabilísticos.

En lugar de tratar todos los tiros de la misma manera, un modelo de xG intenta estimar la probabilidad de que una ocasión termine en gol según sus características.

Una oportunidad delante de la portería y un disparo desde treinta metros no deberían tener el mismo peso simplemente porque ambos cuentan como “un tiro”.

El xG intenta capturar precisamente esa diferencia.

Esto no significa que el equipo con mayor xG deba ganar un partido concreto. Significa que podemos obtener información adicional sobre la calidad de las ocasiones creadas.

Y ese principio —convertir acciones deportivas en probabilidades— está estrechamente relacionado con la forma en que funcionan muchos modelos utilizados alrededor de las apuestas.

Cómo pasa un modelo de los datos a una probabilidad

Podemos simplificar enormemente el proceso en cinco pasos.

Primero recopilamos información.

Después transformamos esa información en variables que el sistema puede utilizar.

El modelo procesa esas variables y produce estimaciones probabilísticas.

Finalmente, esas probabilidades pueden convertirse en cuotas teóricas antes de incorporar otros elementos comerciales y de gestión de riesgo.

Por ejemplo, imaginemos que un modelo estima:

• victoria local: 50%;
• empate: 30%;
• victoria visitante: 20%.

Las cuotas justas teóricas, antes de margen, serían aproximadamente:

Volvemos así exactamente al concepto que explicamos en nuestra Escuela de apuestas:

Cuota justa = 1 ÷ probabilidad estimada

Una probabilidad del 50% corresponde a una cuota teórica de 2,00. Una probabilidad del 20%, a 5,00.

Pero la cuota final no sale simplemente de una IA

Este es un matiz fundamental.

Sería demasiado simplista imaginar que una casa de apuestas introduce datos en un algoritmo, recibe una probabilidad y publica automáticamente la cuota correspondiente.

En un mercado real pueden intervenir también:

• margen del operador;
• información procedente del mercado;
• liquidez;
• exposición acumulada;
• límites;
• movimientos de precios;
• nueva información deportiva;
• modelos y procesos de gestión de riesgo.

Además, distintos operadores pueden utilizar proveedores, modelos y estrategias diferentes.

Por eso podemos encontrar cuotas ligeramente distintas para el mismo resultado incluso cuando todas las empresas disponen de información deportiva similar.

La IA no sustituyó a los traders: cambió su trabajo

Otra simplificación frecuente consiste en imaginar una batalla entre humanos y algoritmos donde uno debe terminar sustituyendo completamente al otro.

En realidad, la automatización puede cambiar el tipo de trabajo realizado por los especialistas.

Cuando un sistema es capaz de procesar automáticamente miles de mercados, una persona no necesita calcular manualmente cada precio desde cero.

Puede concentrarse en:

• supervisar modelos;
• revisar excepciones;
• interpretar información nueva;
• controlar exposición;
• detectar situaciones anómalas;
• ajustar parámetros;
• intervenir cuando el comportamiento del mercado se aleja de lo esperado.

La automatización elimina determinadas tareas repetitivas, pero puede aumentar la importancia de la supervisión y la interpretación.

El verdadero salto aparece cuando empieza el partido

Hasta ahora hemos hablado principalmente de información disponible antes de un evento.

Pero es durante el partido cuando la combinación de datos, automatización y velocidad se vuelve especialmente visible.

Una cuota prepartido puede construirse durante horas utilizando información relativamente estable. Una cuota LIVE puede necesitar cambiar en segundos.

Un gol, una tarjeta roja, una lesión o incluso el paso del tiempo modifica las probabilidades.

Ahí la inteligencia artificial y los sistemas automatizados dejan de ser simplemente herramientas de análisis y pasan a formar parte de una infraestructura que debe reaccionar mientras el deporte está ocurriendo.

En la segunda parte veremos cómo funciona esa transformación en los mercados LIVE y cómo la misma tecnología se utiliza para gestión de riesgo, detección de fraude, personalización, atención al cliente y protección del usuario.

LIVE: cuando el modelo tiene que reaccionar en segundos

Las apuestas en directo son probablemente el lugar donde mejor podemos observar la diferencia entre un modelo estático y un sistema capaz de procesar información continuamente.

Antes del partido conocemos alineaciones, resultados anteriores, rendimiento de los equipos y muchas otras variables. Una vez que empieza el encuentro aparece un nuevo flujo de información que puede modificar las probabilidades constantemente.

El tiempo es una variable por sí mismo.

Un empate 0–0 en el minuto 5 no tiene el mismo significado que un 0–0 en el minuto 85. Aunque el marcador sea idéntico, queda mucho menos tiempo para que se produzca un gol.

Si además incorporamos tiros, ocasiones, posesión, tarjetas, sustituciones y otros acontecimientos, el modelo necesita actualizar continuamente su interpretación del partido.

Ejemplo: qué puede cambiar después de una tarjeta roja

Imaginemos un partido equilibrado. Antes del comienzo, un modelo estima:

• Equipo A gana: 42%;
• Empate: 30%;
• Equipo B gana: 28%.

En el minuto 25, un jugador del Equipo A recibe una tarjeta roja.

El sistema recibe nueva información que cambia las condiciones del encuentro. El Equipo A tendrá que disputar aproximadamente 65 minutos con un jugador menos.

Las probabilidades podrían modificarse, por ejemplo, hacia:

• Equipo A gana: 25%;
• Empate: 31%;
• Equipo B gana: 44%.

Estas cifras son únicamente un ejemplo didáctico. El ajuste real dependería del minuto, marcador, fuerza de los equipos, jugador expulsado y muchas otras variables.

Lo importante es comprender el mecanismo: la nueva información modifica la estimación y esa nueva estimación puede modificar las cuotas.

Un gol tampoco tiene siempre el mismo valor

Podríamos pensar que marcar un gol debería producir siempre un cambio parecido en las probabilidades. No es así.

Un 1–0 en el minuto 10 deja muchísimo tiempo para reaccionar. El mismo gol en el minuto 89 puede transformar completamente la probabilidad de victoria.

También importa quién marca.

Si un gran favorito se adelanta, el modelo puede considerar mucho más probable que conserve la ventaja. Si marca primero el equipo menos favorito, las probabilidades cambian de otra manera porque todavía debemos considerar la capacidad del rival para remontar.

Esto muestra por qué los mercados LIVE necesitan algo más sofisticado que una tabla fija del tipo “gol = modificar cuota X%”.

Datos de baja latencia: cada segundo puede importar

Para actualizar correctamente un mercado en directo no basta con recibir información fiable. También importa cuándo llega.

Imaginemos que un gol se produce en el estadio pero un sistema tarda varios segundos adicionales en recibir la información.

Durante ese intervalo, las cuotas anteriores pueden haber dejado de representar la realidad del partido.

Por eso los proveedores de datos deportivos de baja latencia tienen una función tan importante dentro del ecosistema.

La cadena puede simplificarse así:

Cuanto más rápido y fiable sea cada paso, menor será la diferencia entre lo que ocurre en el terreno de juego y lo que refleja el mercado.

¿Por qué se suspenden temporalmente algunos mercados LIVE?

Quien haya seguido apuestas en directo habrá observado que determinados mercados pueden desaparecer o quedar suspendidos durante unos segundos.

No necesariamente existe un problema técnico.

Cuando ocurre una acción capaz de modificar significativamente el partido, el operador puede necesitar detener temporalmente la posibilidad de apostar mientras recibe y procesa la nueva información.

Un gol, un penalti, una tarjeta roja o una situación potencialmente decisiva pueden provocar esa suspensión.

Una vez actualizadas las probabilidades y condiciones, el mercado puede volver a abrir con precios diferentes.

Desde el punto de vista tecnológico, esos segundos muestran precisamente la dificultad de mantener sincronizados evento real, datos y mercado.

La inteligencia artificial también participa en la gestión de riesgo

Calcular una cuota inicial es solamente una parte del trabajo de un operador.

Después aparecen las apuestas de los usuarios.

Supongamos que un modelo considera dos resultados relativamente equilibrados, pero empieza a concentrarse una cantidad excepcionalmente grande de dinero en uno de ellos.

El operador necesita conocer su exposición y decidir si esa actividad representa:

• un movimiento normal del mercado;
• nueva información;
• actividad de usuarios especialmente sofisticados;
• un desequilibrio temporal;
• un comportamiento anómalo que necesita revisión.

Los sistemas automatizados pueden analizar enormes cantidades de operaciones y detectar patrones que serían imposibles de supervisar manualmente una por una.

¿Las cuotas cambian simplemente porque la gente apuesta?

Esta explicación aparece con frecuencia, pero resulta demasiado simplificada.

La actividad del mercado puede influir en los precios, especialmente si proporciona información sobre cómo están valorando el evento determinados participantes.

Pero una casa de apuestas moderna no necesita modificar automáticamente una cuota simplemente porque haya recibido más dinero en un lado.

También puede considerar:

• su propia estimación probabilística;
• calidad de la información disponible;
• comportamiento de otros mercados;
• perfil de la actividad recibida;
• exposición;
• límites;
• tiempo restante hasta el evento.

Por eso la gestión de riesgo es bastante más sofisticada que intentar conseguir exactamente la misma cantidad de dinero en cada resultado.

Detección de fraude: encontrar lo anómalo entre millones de operaciones

La misma capacidad para analizar patrones puede utilizarse con un objetivo completamente diferente: detectar fraude o actividad potencialmente irregular.

Una plataforma grande procesa enormes cantidades de inicios de sesión, depósitos, retiradas y apuestas. Revisar manualmente cada operación sería imposible.

Los sistemas automatizados pueden buscar combinaciones inusuales relacionadas con:

• actividad de cuentas;
• dispositivos;
• ubicaciones;
• patrones de pago;
• comportamiento de apuestas;
• relaciones entre operaciones;
• cambios repentinos respecto al comportamiento habitual.

Detectar una anomalía no significa demostrar automáticamente que existe fraude.

Su función puede ser simplemente señalar una operación o cuenta para que se apliquen comprobaciones adicionales.

IA e integridad deportiva

El análisis de patrones también puede tener aplicaciones más allá de una cuenta individual.

Si aparecen movimientos extraordinarios alrededor de un evento deportivo poco habitual, los sistemas de monitorización pueden ayudar a identificar situaciones que merecen atención.

Esto puede formar parte de mecanismos más amplios destinados a proteger la integridad de las competiciones.

Una señal estadística por sí sola no demuestra manipulación de un partido. Puede existir una explicación perfectamente legítima.

Pero cuando debemos observar miles de eventos simultáneamente, la automatización permite encontrar situaciones que probablemente pasarían desapercibidas mediante vigilancia exclusivamente humana.

Personalización: la IA que el usuario sí puede notar

Hasta ahora hemos descrito muchas aplicaciones que funcionan prácticamente invisibles para el usuario.

La personalización es diferente.

Dos personas pueden estar interesadas en deportes completamente distintos. Una sigue principalmente LaLiga y Champions League. Otra consulta NBA y tenis.

Una plataforma puede utilizar patrones de navegación para decidir qué información mostrar primero, qué competiciones facilitar en la interfaz o cómo organizar determinadas secciones.

El objetivo es reducir la distancia entre entrar en la aplicación y encontrar el contenido que probablemente interesa al usuario.

Esto es similar a los sistemas de recomendación utilizados en muchos otros servicios digitales.

Pero personalizar apuestas plantea preguntas diferentes

Una recomendación de una película y una recomendación relacionada con un producto de juego no tienen las mismas consecuencias.

Por eso la personalización dentro de las apuestas necesita analizarse también desde la perspectiva de protección del usuario.

Cuanto más sabe una plataforma sobre nuestros patrones de comportamiento, mayor es su capacidad para adaptar la experiencia.

Pero esa misma información puede utilizarse también para detectar señales de actividad potencialmente problemática.

Esta doble utilización convierte a los datos de comportamiento en uno de los ámbitos más sensibles de la industria.

IA y juego responsable: detectar cambios de comportamiento

Los sistemas de protección pueden analizar patrones a lo largo del tiempo y detectar determinados cambios.

Por ejemplo:

• aumento brusco de frecuencia;
• sesiones cada vez más largas;
• cambios significativos en cantidades;
• modificación de patrones de depósito;
• actividad en horarios inusuales respecto al comportamiento anterior;
• determinadas secuencias de apuestas.

Ninguna de estas señales demuestra por sí sola que exista un problema.

El valor del sistema consiste en observar múltiples variables simultáneamente y detectar cuándo una combinación merece atención.

Dependiendo de las reglas aplicables, esto puede ayudar a activar mensajes, controles o revisiones adicionales.

Atención al cliente: de los menús automáticos a los asistentes conversacionales

Otra aplicación cada vez más visible es el soporte.

Los sistemas tradicionales obligaban al usuario a navegar por menús de preguntas frecuentes o esperar directamente a un agente.

Los asistentes actuales pueden interpretar una pregunta escrita en lenguaje natural y dirigir al usuario hacia información relacionada con su problema.

Esto resulta especialmente útil para consultas repetitivas:

• cómo cambiar una contraseña;
• dónde encontrar una retirada;
• cómo verificar una cuenta;
• qué significa determinado estado;
• dónde modificar una configuración.

Pero existe un límite evidente.

Una incidencia compleja relacionada con identidad, pagos o una decisión específica sobre una cuenta puede necesitar revisión humana.

Por eso nosotros vemos el modelo más útil como una combinación:

IA para resolver y clasificar consultas sencillas → persona para casos que requieren interpretación o decisión.

La automatización cambia la economía de una gran plataforma

Si observamos todas estas aplicaciones juntas entendemos por qué la inteligencia artificial interesa tanto a los grandes operadores.

No se trata solamente de intentar calcular mejores cuotas.

La automatización puede actuar en diferentes puntos de una misma empresa:

En una empresa con millones de usuarios, pequeñas mejoras de eficiencia repetidas millones de veces pueden tener un impacto económico considerable.

Hasta ahora hemos visto la IA desde el lado del operador

La mayor parte de esta segunda parte ha analizado sistemas utilizados dentro de las propias plataformas.

Pero existe otra mitad de la historia.

Los usuarios también tienen acceso a cantidades de información y herramientas analíticas que hace una década habrían resultado difíciles de imaginar.

Podemos consultar bases estadísticas, crear modelos, automatizar cálculos y utilizar asistentes de inteligencia artificial para analizar información.

Eso plantea una pregunta inevitable:

si un usuario también dispone de inteligencia artificial, ¿puede utilizarla para encontrar apuestas con valor y vencer al mercado?

En la tercera y última parte analizaremos precisamente esa cuestión. Veremos qué puede aportar la IA al análisis individual, por qué una elevada tasa de aciertos no garantiza rentabilidad, qué significa realmente encontrar value y cuáles son los límites que ningún algoritmo puede eliminar.

¿Puede un usuario utilizar IA para encontrar apuestas de valor?

La democratización de las herramientas analíticas ha cambiado una parte importante del mercado. Hace algunos años, construir modelos deportivos wymagało conocimientos de programación, acceso a bases de datos y capacidad para trabajar con grandes cantidades de información.

Hoy muchas de esas barreras son menores.

Un usuario puede acceder a estadísticas avanzadas, descargar datos históricos, automatizar cálculos y utilizar herramientas de inteligencia artificial para organizar información o desarrollar modelos sencillos.

Eso no significa que aparezca automáticamente una ventaja sobre el mercado.

La cuestión fundamental sigue siendo la misma que vimos al explicar las cuotas: ¿somos capaces de estimar una probabilidad mejor que la probabilidad implícita en el precio disponible?

IA y value betting: dónde está realmente la relación

Imaginemos que una casa de apuestas ofrece una cuota de 2,20 para un resultado.

La probabilidad implícita aproximada es:

Ahora supongamos que nuestro modelo estima que ese resultado tiene una probabilidad real del 52%.

La cuota justa según nuestra estimación sería:

Si nuestra estimación fuera correcta, una cuota disponible de 2,20 estaría por encima de nuestra cuota teórica de 1,92.

Ahí aparece la idea de value.

Pero hay una condición enorme escondida dentro de este ejemplo:

nuestro 52% tiene que ser una estimación suficientemente buena.

Si la probabilidad real fuera solamente del 40%, el supuesto valor desaparecería completamente.

Una tasa de aciertos del 70% puede perder dinero

Este es uno de los ejemplos que mejor demuestra por qué evaluar un modelo únicamente por su porcentaje de aciertos puede ser engañoso.

Supongamos que una herramienta acierta 70 de cada 100 pronósticos.

A primera vista parece extraordinario.

Pero imaginemos que todos esos pronósticos tienen una cuota media de 1,30 y apostamos 10 € en cada uno.

En 100 apuestas habremos arriesgado:

100 × 10 € = 1.000 €

Si acertamos 70:

70 × 10 € × 1,30 = 910 €

A pesar de haber acertado el 70% de los pronósticos, terminamos con:

910 € – 1.000 € = -90 €

Es decir, una pérdida del 9% sobre el dinero apostado en este ejemplo simplificado.

Ahora podemos entender por qué decir que una “IA acierta el 70% de los partidos” nos aporta muy poca información si no conocemos las cuotas.

Accuracy y rentabilidad son dos métricas diferentes

La relación depende del precio.

*Ejemplo matemático simplificado antes de considerar otros factores y basado en cuotas constantes.

Esto demuestra que un sistema debe evaluarse conjuntamente mediante probabilidad, cuota y resultado económico.

¿Puede una IA vencer a una casa de apuestas?

La pregunta resulta atractiva, pero probablemente está mal planteada.

No existe una única “IA del apostador” enfrentándose a una casa de apuestas que trabaja manualmente.

Como vimos anteriormente, los operadores también utilizan modelos, automatización, datos y equipos especializados.

Además, una cuota pública contiene información procedente de múltiples fuentes. A medida que participantes sofisticados actúan sobre precios considerados incorrectos, el propio mercado puede ajustarse.

Por tanto, la verdadera competición no es:

IA vs bookmaker

sino algo mucho más parecido a:

Y ese mercado también contiene algoritmos.

Cuando ambos lados tienen algoritmos, la calidad de los datos importa todavía más

Si dos modelos utilizan exactamente los mismos datos y métodos similares, resulta difícil que uno mantenga permanentemente una gran ventaja sobre el otro.

Las diferencias pueden aparecer en:

• calidad de los datos;
• velocidad de actualización;
• variables utilizadas;
• arquitectura del modelo;
• calibración;
• capacidad para detectar cambios estructurales;
• interpretación de información que todavía no aparece correctamente en los datos.

Esto explica por qué tener acceso a una herramienta de IA popular no crea automáticamente una ventaja.

Si millones de personas utilizan información similar, esa información puede terminar reflejada rápidamente en el mercado.

El problema del overfitting: un modelo perfecto para el pasado

Una de las trampas clásicas del análisis cuantitativo es construir un modelo que explica extraordinariamente bien los datos históricos y funciona mal cuando aparecen partidos nuevos.

Esto se conoce como overfitting o sobreajuste.

Imaginemos que analizamos diez años de resultados y ajustamos cientos de parámetros hasta conseguir un sistema que habría producido resultados espectaculares en ese periodo.

Puede parecer que hemos descubierto una fórmula extraordinaria.

Pero quizá simplemente hemos construido un modelo especializado en explicar el ruido particular de esos datos históricos.

Cuando llega una nueva temporada, las relaciones desaparecen.

Los deportes también cambian

Incluso un modelo correctamente construido puede perder calidad con el tiempo.

Los equipos cambian de entrenador. Aparecen nuevas tácticas. Se modifican reglas. Los jugadores envejecen o son transferidos. Las competiciones cambian formatos.

También evoluciona el propio mercado.

Una relación estadística que proporcionaba información útil hace cinco años puede ser ampliamente conocida hoy y encontrarse ya incorporada en las cuotas.

Por eso los modelos necesitan supervisión, actualización y validación continua.

Una lesión muestra la diferencia entre datos estructurados e información nueva

Supongamos que nuestro modelo ha calculado las probabilidades de un partido utilizando meses de estadísticas.

Una hora antes del comienzo se confirma que el delantero más importante no jugará.

Si nuestro sistema no incorpora esa información, puede seguir produciendo una estimación matemáticamente coherente y, al mismo tiempo, estar trabajando sobre una realidad que ya no existe.

Aquí aparece una de las ventajas potenciales de combinar diferentes tecnologías.

Los modelos predictivos pueden procesar datos estructurados, mientras herramientas de procesamiento de lenguaje pueden ayudar a identificar información nueva procedente de textos, comunicados o noticias.

Pero esa combinación introduce otro problema: la información necesita ser fiable.

IA generativa: muy útil para investigar, peligrosa si inventa datos

Las herramientas generativas pueden acelerar enormemente determinadas tareas de análisis.

Pueden ayudar a:

• resumir información;
• explicar métricas;
• comparar conceptos;
• organizar datos;
• generar código para análisis;
• identificar preguntas que merece la pena investigar.

Pero existe una limitación fundamental: un modelo generativo puede producir una respuesta que suena convincente aunque una cifra, alineación o acontecimiento sea incorrecto.

En apuestas deportivas esto puede resultar especialmente problemático porque una pequeña diferencia factual puede modificar completamente una conclusión.

Por eso nosotros utilizaríamos IA generativa como herramienta para trabajar con información, no como sustituto de la comprobación de fuentes.

Más información tampoco significa mejores decisiones

Existe una paradoja interesante.

Hoy un usuario puede consultar más estadísticas en cinco minutos que un analista habría podido recopilar manualmente durante horas hace unas décadas.

Pero disponer de veinte gráficos adicionales no garantiza que sepamos cuáles son relevantes.

Un modelo puede incluso empeorar si añadimos variables que introducen ruido.

La ventaja no procede necesariamente de tener más información que todos los demás, sino de saber qué información tiene capacidad predictiva y cómo incorporarla correctamente.

Closing Line Value: una forma diferente de evaluar un modelo

Si queremos saber si nuestras estimaciones identifican precios interesantes, observar únicamente si una apuesta concreta ganó o perdió puede ser engañoso.

Supongamos que apostamos a cuota 2,20 y antes del comienzo del partido el mercado termina ofreciendo 1,90 para el mismo resultado.

Nuestra apuesta puede perder igualmente.

Pero el movimiento indica que conseguimos un precio significativamente superior al precio final del mercado.

Esta relación se conoce habitualmente como Closing Line Value (CLV).

Conseguir de forma consistente precios mejores que la línea de cierre puede proporcionar información más útil sobre la calidad de nuestras decisiones que observar una pequeña muestra de resultados ganados y perdidos.

No garantiza rentabilidad futura, pero ayuda a separar calidad del precio y resultado puntual del partido.

La IA tampoco elimina la varianza

Supongamos que disponemos de un modelo realmente bueno y encontramos una apuesta con valor esperado positivo.

Todavía podemos perder.

Y podemos perder varias veces consecutivas.

Si estimamos correctamente un resultado al 60%, aproximadamente cuatro de cada diez veces esperamos que no ocurra.

Una secuencia de varios fallos no demuestra automáticamente que el modelo sea malo, del mismo modo que varias victorias consecutivas no demuestran que sea bueno.

Esto hace que evaluar estrategias requiera muestras suficientemente grandes y una gestión cuidadosa del riesgo.

¿Qué tareas hace mejor una máquina y cuáles siguen necesitando juicio humano?

En lugar de plantear la discusión como una sustitución completa, nos parece más útil observar fortalezas diferentes.

La combinación resulta más interesante que intentar decidir quién “gana”. Una máquina puede procesar cantidades enormes de información sin cansarse, mientras una persona puede detectar que el contexto ha cambiado de una manera que el modelo todavía no comprende correctamente.

Por eso el futuro probablemente no será humano contra algoritmo, sino sistemas en los que cada parte se utiliza para aquello que hace mejor.

¿Desaparecerán las ventajas cuando todo el mundo utilice IA?

No necesariamente, pero probablemente será más difícil obtener una ventaja simplemente utilizando herramientas que están disponibles para todos.

Cuando una nueva fuente de información aparece y pocos participantes saben interpretarla, puede existir una ventaja temporal. Si esa información termina incorporándose a los modelos de operadores y analistas de todo el mercado, su valor diferencial disminuye.

Esto ha ocurrido muchas veces en los mercados financieros y puede ocurrir también en las apuestas deportivas.

Una métrica que inicialmente aporta información novedosa puede terminar formando parte del análisis estándar.

El xG es un buen ejemplo. Hace años era una herramienta relativamente especializada. Hoy aparece en retransmisiones, medios deportivos, plataformas estadísticas y análisis de aficionados.

La información no desapareció. Lo que cambió fue cuántas personas tienen acceso a ella.

La ventaja puede desplazarse desde el modelo hacia la ejecución

Si muchos participantes disponen de modelos razonablemente buenos, otras diferencias adquieren mayor importancia.

Por ejemplo:

• quién recibe antes una información fiable;
• quién consigue un mejor precio;
• quién compara más mercados;
• quién evalúa correctamente los límites del modelo;
• quién mantiene disciplina durante una muestra grande;
• quién actualiza el sistema cuando deja de funcionar.

En otras palabras, construir una estimación puede convertirse solamente en una parte del proceso.

Encontrar una cuota disponible que sea suficientemente superior a esa estimación es otra cuestión completamente diferente.

¿Puede ChatGPT o una IA generativa decirnos qué apostar?

Una herramienta generativa puede ser muy útil para investigar un partido, explicar estadísticas, organizar información o ayudar a construir un modelo.

Pero pedir simplemente:

“¿Quién ganará este partido?”

elimina prácticamente toda la parte importante del problema.

Para evaluar una apuesta necesitaríamos conocer, como mínimo:

• qué mercado estamos analizando;
• qué cuota está disponible;
• qué probabilidad estimamos;
• qué información utilizamos;
• qué incertidumbre existe alrededor de esa estimación.

Sin precio no podemos hablar seriamente de value.

Un equipo puede ser muy probable ganador y continuar siendo una mala apuesta si la cuota ofrecida es demasiado baja.

Qué puede cambiar de aquí a 2030

La inteligencia artificial probablemente será mucho más importante para las apuestas deportivas en 2030, pero quizá resulte menos visible.

Hoy numerosas empresas destacan públicamente que utilizan IA. Dentro de unos años puede convertirse simplemente en infraestructura estándar.

Esperamos avances especialmente en varias áreas:

• modelos LIVE capaces de procesar más variables en tiempo real;
• integración de datos de tracking de jugadores;
• automatización de mercados cada vez más específicos;
• detección de fraude más sofisticada;
• sistemas de protección del usuario más personalizados;
• asistentes capaces de interpretar datos deportivos mediante lenguaje natural;
• combinación de información estructurada y textual;
• herramientas analíticas más accesibles para usuarios sin conocimientos de programación.

Pero ninguna de estas tendencias cambia la naturaleza probabilística del deporte.

Podemos mejorar una estimación de 55% a 57%. Podemos reaccionar más rápido a una lesión. Podemos procesar millones de eventos históricos.

Seguimos sin saber con certeza qué ocurrirá en el siguiente partido.

Cuanto mejores sean los modelos, más eficientes pueden ser los mercados

Existe además una consecuencia paradójica.

Si operadores y participantes utilizan mejores herramientas para detectar precios incorrectos, esas diferencias pueden corregirse con mayor rapidez.

Eso puede hacer que los grandes mercados sean cada vez más eficientes.

Una información importante aparece, los modelos la incorporan, los participantes reaccionan y las cuotas se ajustan.

La tecnología que ayuda a buscar ineficiencias contribuye al mismo tiempo a eliminarlas.

Por eso disponer de mejores herramientas no significa necesariamente que encontrar value vaya a ser más sencillo.

Los mercados pequeños pueden comportarse de otra manera

No todos los mercados tienen la misma cantidad de información, liquidez o participantes sofisticados.

Una final de Champions League recibe una atención completamente diferente a un partido de una competición pequeña.

En grandes eventos, nueva información puede incorporarse muy rápidamente a los precios.

En mercados menores puede existir menos profundidad, pero aparecen otros problemas:

• menos datos fiables;
• límites más bajos;
• mayor dificultad para construir modelos;
• mayor sensibilidad a operaciones individuales;
• información local difícil de obtener.

Por tanto, menor eficiencia potencial no significa automáticamente una oportunidad más sencilla.

La IA cambia las herramientas, no las matemáticas fundamentales

Después de todo este recorrido hay algo que prácticamente no ha cambiado.

Seguimos trabajando con:

probabilidad → cuota → valor esperado → riesgo

La inteligencia artificial puede ayudarnos a estimar probabilidades. Puede procesar información más rápido. Puede automatizar cálculos y encontrar patrones.

Pero una cuota de 2,00 continúa representando aproximadamente un 50% de probabilidad implícita antes de considerar el margen.

Una apuesta con expectativa negativa no se convierte en positiva simplemente porque haya sido seleccionada por un algoritmo sofisticado.

Y una ventaja estadística pequeña sigue necesitando muchas observaciones para distinguirse del azar.

Lo que la inteligencia artificial hace realmente bien

Después de separar expectativas y realidad, nosotros resumiríamos sus principales fortalezas de esta manera:

La transformación más importante puede estar detrás de la pantalla

Cuando pensamos en inteligencia artificial aplicada a las apuestas, resulta natural imaginar una herramienta que analiza un partido y recomienda un pronóstico.

Sin embargo, después de estudiar todo el ecosistema, esa puede no ser su aplicación más importante.

La IA está entrando en los sistemas que calculan probabilidades, actualizan mercados LIVE, gestionan riesgo, detectan fraude, organizan interfaces, procesan consultas y monitorizan patrones de comportamiento.

Muchas de estas funciones son invisibles para el usuario.

Y precisamente ahí puede encontrarse la mayor transformación: no en una máquina que sabe quién ganará, sino en miles de pequeñas decisiones automatizadas que hacen posible operar mercados deportivos cada vez más grandes, rápidos y complejos.

Un mercado más inteligente sigue siendo un mercado de probabilidades

En nuestro análisis del mercado global vimos una industria cada vez más grande, regulada y tecnológica. Después estudiamos los grupos empresariales que dominan buena parte de esa actividad. La inteligencia artificial completa esa imagen mostrando qué está ocurriendo dentro de la infraestructura.

Los operadores disponen de mejores modelos. Los usuarios tienen acceso a mejores herramientas. Los proveedores generan más datos. Los mercados reaccionan con mayor rapidez.

Pero la idea fundamental permanece intacta.

El deporte no es determinista.

Un modelo puede considerar que un equipo tiene un 70% de probabilidades de ganar y estar perfectamente calibrado cuando ese equipo pierde.

La calidad de una estimación no se mide por acertar siempre, sino por representar correctamente la incertidumbre a lo largo de muchas observaciones.

Por eso creemos que el mayor impacto de la IA en las apuestas deportivas no será eliminar el riesgo. Será medirlo, procesarlo y reaccionar ante él con una precisión y velocidad cada vez mayores.