Los límites de la IA en el scouting: lo que un algoritmo no ve
Los modelos de IA aprenden de datos del pasado. Si en esos datos hay muchos jugadores de ciertas ligas y muy pocos de otras, el sistema «ve» mejor a los primeros. Un buen jugador en una liga con poca cobertura de datos puede pasar inadvertido.
Hay también cualidades difíciles de convertir en números: cómo reacciona un jugador después de fallar, si comunica, si se ofrece cuando el equipo sufre. Un algoritmo puede medir la distancia recorrida, pero no la actitud.
Otro riesgo es la falsa precisión: una puntuación de 87 sobre 100 parece exacta, aunque dependa de decisiones del modelo que casi nadie ve. Conviene preguntar siempre qué datos usa, con qué jugadores se entrenó y cómo se calculó el resultado.
Por eso los buenos scouts usan la IA para filtrar y comparar, y después miran el juego con sus propios ojos y hablan con el jugador y su entorno.