Estaba en un bar de Bangalore cuando anularon el gol de Luis Díaz.

Era noviembre de 2023, Liverpool contra Tottenham. El balón tocó la red, Anfield estalló, y luego... silencio. La revisión del VAR. El fotograma congelado. La línea trazada desde algún píxel en el hombro de Díaz hasta algún píxel en la bota del último defensor. Fuera de juego. Excepto que no lo era. La Premier League admitió después que el gol debía haberse concedido. Un «error humano significativo», lo llamaron.

El tipo que estaba a mi lado —un ingeniero de software, ni siquiera aficionado al fútbol— miró la pantalla y dijo algo que se me quedó grabado: «¿Por qué están dibujando líneas sobre una foto borrosa como si fuera 2005?»

Tenía razón. Y no solo sobre esa jugada. Todo el sistema de fuera de juego del VAR se construye sobre un error de física tan fundamental que me sorprende genuinamente que más ingenieros no hayan gritado al respecto. Dirijo Veriprajna, donde construimos sistemas profundos de fusión de sensores —el tipo de arquitectura en la que se fusionan datos de múltiples tipos de sensores en un único modelo de la realidad—. Cuando empecé a desmontar cómo funciona realmente el VAR por dentro, no encontré un sistema que necesitara ajustes. Encontré un sistema que no puede funcionar, no por un mal software, sino por una mala física.

El problema del fuera de juego no es un fallo de software. Es una crisis de medición disfrazada de historia de éxito tecnológico.

La falacia del píxel: por qué las cámaras mienten sobre dónde están los jugadores

Esto es lo que la mayoría de la gente no entiende sobre un fotograma de vídeo: no es una fotografía de un instante congelado. Es un borrón.

Una cámara de retransmisión en la Premier League funciona a 50 fotogramas por segundo. Eso significa que captura una imagen cada 20 milisegundos. Durante cada captura, el obturador permanece abierto aproximadamente 10 milisegundos para dejar entrar suficiente luz. En esos 10 milisegundos, el pie de un jugador que esprinta —moviéndose a 20 metros por segundo durante un movimiento de golpeo— recorre unos 20 centímetros. La «imagen» de ese pie en el sensor no es un punto nítido. Es un borrón que abarca decenas de píxeles.

Ahora viene lo absurdo. El operador del VAR toma ese fotograma borroso, hace zoom, coloca una mira de un solo píxel en lo que cree que es el «borde delantero» de la punta del pie del atacante, y traza una línea. Está eligiendo un punto dentro de una distribución de probabilidad y llamándolo verdad.

Un fotograma de retransmisión no captura dónde está un jugador. Captura una nube de probabilidad de dónde podría haber estado durante una ventana de 10 milisegundos.

Pero el problema temporal es todavía peor que el espacial. Un golpeo profesional —el instante en que la bota toca el balón— ocurre en unos 8 a 12 milisegundos. A 50 fotogramas por segundo, la cámara puede captar un fotograma antes del contacto y el siguiente después de que el balón ya haya salido del pie. El instante real del golpeo casi nunca aparece en pantalla. El operador elige el fotograma «más cercano», pero «más cercano» puede significar un desfase de 10 milisegundos. En esos 10 milisegundos, jugadores que se mueven a una velocidad relativa combinada de 14 metros por segundo han cambiado de posición 14 centímetros.

Así que el sistema traza una línea con precisión milimétrica sobre una imagen que está físicamente desactualizada por una distancia diez veces mayor que el margen que afirma estar midiendo. Esto no es medición. Es teatro.

Cuando hice yo mismo los cálculos

No empecé este proyecto para arreglar el fútbol. Lo empecé porque las matemáticas me ofendieron.

Mi equipo en Veriprajna trabaja en fusión de sensores —combinando datos de cámaras, acelerómetros, giroscopios y otros instrumentos en un modelo unificado de la realidad física—. Hacemos esto para aplicaciones industriales donde la precisión importa. Cuando miré por primera vez el pipeline del VAR como sistema de ingeniería, esperaba encontrar algo sofisticado detrás de la controversia. Quizás el público simplemente no entendía las tolerancias. Quizás los márgenes de error eran aceptables.

En cambio, encontré un sistema con una zona total de incertidumbre de 30 a 40 centímetros que intenta tomar decisiones al nivel del centímetro.

Una noche me senté y desglosé el presupuesto de error en una pizarra. Cuantización temporal por selección de fotograma: ±10 milisegundos, que a una velocidad relativa de 14 m/s da ±14 cm de incertidumbre posicional. Desenfoque de movimiento durante la apertura del obturador: otros ±10 cm. Distorsión de obturador rodante en sensores CMOS —donde la imagen se lee línea por línea, de arriba abajo, de modo que una pierna en movimiento rápido aparece deformada geométricamente—: no cuantificada pero real. Sumemos la ambigüedad a nivel de píxel de colocar un punto clave sobre una extremidad borrosa, y nos encontramos con un error combinado que empequeñece cualquier margen de fuera de juego por debajo de unos 40 centímetros.

Recuerdo mirar fijamente aquella pizarra y pensar: cada decisión «ajustada» de fuera de juego en los últimos cinco años ha sido un lanzamiento de moneda disfrazado de ciencia.

Ese fue el momento en que decidí que teníamos que escribir el análisis técnico completo. No para quejarnos del VAR, sino para mostrar cómo sería un sistema de medición real.

¿Por qué no se puede simplemente usar «mejor IA» con las mismas cámaras?

Esta es la pregunta que más me hacen, normalmente inversores y a veces otras empresas de IA. «¿No pueden simplemente entrenar un modelo mejor con la señal de retransmisión?»

No. Y la razón revela un problema más profundo en cómo funciona actualmente la industria de la tecnología deportiva.

El mercado está inundado de lo que yo llamo soluciones envoltorio —empresas que toman una señal de retransmisión estándar, la procesan con un modelo de detección de objetos listo para usar como YOLO o Mask R-CNN, y generan cuadros delimitadores o estimaciones de pose. Estas están bien para funciones de interacción con los aficionados, resúmenes de jugadas, análisis básicos. Son fundamentalmente inadecuadas para el arbitraje.

Un envoltorio hereda las limitaciones de su entrada. Si tu entrada es una señal de retransmisión a 50fps con desenfoque de movimiento, artefactos de obturador rodante y distorsión de lente, ninguna red neuronal —sin importar cuántos parámetros tenga— puede recuperar información temporal que nunca se capturó. No se puede alucinar la física. Los datos simplemente no están ahí.

Esta es la distinción que siempre intento aclarar cuando la gente pregunta qué significa «IA profunda» para nosotros. No significa una red neuronal más profunda. Significa profundizar en la pila tecnológica —controlando la capa de sensores, el pipeline de adquisición de datos, la infraestructura de sincronización temporal—. No procesamos vídeo. Diseñamos las condiciones bajo las cuales se capturan los datos para que las entradas realmente sean capaces de soportar la precisión que necesitamos.

No se puede arreglar un problema de medición con un mejor algoritmo. Se arregla con un mejor instrumento.

¿Cómo sería un sistema real?

Así que mi equipo y yo diseñamos uno. No un ajuste al VAR. Un reemplazo para toda la arquitectura de medición.

La idea central es engañosamente simple: desacoplar la medición del tiempo de la medición del espacio. Dejemos que el balón nos diga cuándo ocurrió el golpeo. Dejemos que las cámaras nos digan dónde estaban los jugadores. Y usemos las matemáticas para fusionar esos dos flujos en una única reconstrucción precisa de la realidad.

El balón sabe cuándo se le golpea

Proponemos incorporar una Unidad de Medición Inercial de 500 Hz —un acelerómetro y un giroscopio que muestrean 500 veces por segundo— en el centro del balón de partido. Cuando una bota golpea el balón, el acelerómetro registra un pico masivo de fuerza G con una forma de onda característica: un tiempo de subida abrupto de menos de 2 milisegundos, y una caída rápida cuando el balón sale del pie. Esto se distingue de un bote (menor magnitud, contacto más prolongado) o un cabezazo (curva más suave debido a la complacencia del cráneo).

Al analizar la firma espectral del impacto, el sistema identifica el inicio exacto de la deformación del balón —el instante físico del «primer contacto» tal como lo definen las reglas del juego—. La precisión de la marca temporal: ±1 milisegundo. Compárese eso con los ±10 milisegundos de la selección manual de fotogramas.

Algo sobre lo que discutimos internamente durante semanas: el sensor tiene que soportar ±200g de aceleración. Un golpeo profesional genera fuerzas que saturarían instantáneamente un acelerómetro de nivel de consumo a ±16g, recortando los datos y destruyendo la forma de onda. El sensor también tiene que ubicarse exactamente en el centro de masa del balón, suspendido con filamentos tensados dentro de la vejiga, para que el balón vuele con precisión. Cualquier desviación y habríamos construido un dado cargado. Las restricciones de ingeniería son severas, pero son resolubles —la propia tecnología de balón conectado de la FIFA en el Mundial de 2022 demostró que el concepto es viable.

Las cámaras ven dónde está cada uno

Para la capa espacial, sustituimos las cámaras de retransmisión por entre 12 y 16 cámaras de visión artificial calibradas y de posición fija, funcionando a 200 fotogramas por segundo con obturadores globales.

El aumento de la tasa de fotogramas importa enormemente. A 200fps, el intervalo entre fotogramas cae de 20 milisegundos a 5 milisegundos. El «punto ciego» —la distancia máxima que puede moverse un jugador entre fotogramas— se reduce de 28 centímetros a 7 centímetros. Pero la mayor ventaja es el desenfoque de movimiento. A 200fps, la velocidad de obturación debe ser de 1/1000 de segundo o más rápida. El borrón se reduce de 10–20 centímetros a menos de 1 centímetro. Los jugadores se convierten en objetos nítidos y medibles en lugar de nubes de probabilidad.

Los obturadores globales también importan. Las cámaras de retransmisión usan obturadores rodantes que leen la imagen línea por línea. Una pierna en movimiento rápido se distorsiona geométricamente —se alarga o se comprime según su dirección respecto a la lectura—. Los sensores de obturador global exponen todos los píxeles simultáneamente. La geometría se preserva exactamente como existía en el momento de la exposición.

Y como se trata de cámaras fijas y calibradas con campos de visión superpuestos, podemos triangular la posición 3D de cada jugador usando geometría estéreo multivista. Cuando una extremidad queda oculta en un ángulo de cámara —bloqueada por un defensor en un área de penalti saturada— es casi seguro que sea visible desde otro ángulo. Nuestro sistema utiliza un mecanismo de votación: los puntos clave visibles de las cámaras sin obstrucción contribuyen a la reconstrucción, y las vistas ocluidas se descartan. Si una articulación queda parcialmente oculta en todas las vistas, las restricciones biomecánicas (una espinilla se conecta a una rodilla que se conecta a una cadera) permiten hacer una inferencia con un intervalo de confianza calculado.

¿Cómo se fusionan dos sensores distintos en una sola verdad?

Aquí es donde vive la ingeniería real, y sinceramente, donde creo que está la contribución más profunda de Veriprajna.

Tenemos datos de seguimiento esquelético a 200 Hz y datos de impacto del balón a 500 Hz. El golpeo ocurre, digamos, en la marca temporal 1234 milisegundos. Los fotogramas de cámara más cercanos están en 1230ms y 1235ms. Necesitamos saber dónde estaba la punta del pie del rematador exactamente a los 1234ms. No podemos simplemente elegir el fotograma más cercano —eso supone un error de 1 milisegundo, que a 14 m/s sigue siendo 1,4 centímetros. Para un sistema que afirma tener precisión subcentimétrica, eso es inaceptable.

Así que interpolamos. Pero no con una línea recta —el movimiento humano es curvilíneo. Una pierna que esprinta acelera y desacelera a lo largo de su zancada. Usamos interpolación por splines cúbicos, que construye una curva suave a través de los puntos de datos conocidos mientras preserva la continuidad en velocidad y aceleración. El resultado es un «fotograma virtual» generado matemáticamente —la posición reconstruida del esqueleto de cada jugador en el milisegundo exacto del contacto.

Antes de interpolar, pasamos los datos brutos de seguimiento por un Filtro de Kalman Unscented. Se trata de un marco matemático que mantiene un modelo de estado para cada articulación del cuerpo de cada jugador —posición, velocidad, aceleración— y concilia continuamente lo que predice la física con lo que observan las cámaras. Si la detección de la red neuronal oscila unos centímetros de un fotograma a otro (lo cual siempre ocurre), el filtro lo suaviza confiando en la física. Si el jugador hace un cambio de dirección brusco, el filtro aumenta la confianza en la medición óptica. El resultado es una trayectoria limpia y biomecánicamente coherente.

La decisión arquitectónica crítica: acoplamiento estrecho frente al acoplamiento flexible. En un sistema de acoplamiento flexible, el sistema de visión y la IMU calculan las posiciones cada uno de forma independiente, y luego se promedian. Simple, pero frágil —si las cámaras pierden a un jugador detrás de una barrera de defensores durante 50 milisegundos, el promedio pierde sentido. En nuestra arquitectura de acoplamiento estrecho, los residuos brutos de ambos flujos de sensores alimentan un único optimizador de grafo de factores que resuelve el estado más probable que satisface todas las restricciones simultáneamente. Incluso durante una oclusión parcial, el impulso cinemático establecido por el filtro de Kalman lleva la estimación hacia adelante con alta confianza hasta que se recupera el seguimiento visual.

No medimos píxeles. Reconstruimos la física del instante y leemos la respuesta a partir del modelo.

Para el marco matemático completo —las ecuaciones de estado del filtro de Kalman, la estimación de orientación por cuaterniones, las transformaciones de homografía— he publicado el análisis técnico completo aquí.

¿Qué pasa con el presupuesto de error?

Pongamos los dos sistemas uno junto al otro, porque el contraste es marcado.

El VAR actual a 50Hz con selección manual de fotogramas: error temporal de ±10ms, incertidumbre espacial de ±14cm solo por la selección de fotogramas, ±10cm por el desenfoque de movimiento. Zona total de incertidumbre: aproximadamente 30 a 40 centímetros.

Nuestra arquitectura —óptica a 200Hz, inercial a 500Hz, fusión de acoplamiento estrecho—: la IMU fija el golpeo con ±1ms. La interpolación por splines cúbicos sobre un intervalo de cámara de 5ms introduce un error submilimétrico para un movimiento biológico suave. La fuente dominante de error restante es la precisión de colocación de puntos clave de la red neuronal —unos ±2 a 3 centímetros. Zona total de incertidumbre: aproximadamente 2 a 3 centímetros.

Eso es una mejora de un orden de magnitud. Decisiones que antes eran «demasiado ajustadas para determinar» —donde el margen caía dentro del punto ciego del sistema— se vuelven matemáticamente distinguibles.

«Pero esto sería increíblemente caro»

Costaría dinero de verdad, sí. Dieciséis cámaras de alta velocidad, clústeres de computación de borde con GPUs dobles A100 o H100 en la sala de servidores del estadio, una red troncal de fibra óptica PTP para sincronización temporal submicrosegundo, balones de partido con IMU integrada. Esto no es un producto SaaS en la nube que se despliega con una clave de API.

Pero permítanme replantear la pregunta del coste. La Premier League genera más de 3.000 millones de libras anuales en ingresos por retransmisión. Una sola decisión errónea de fuera de juego puede decidir una carrera por el título, provocar un descenso que cuesta cientos de millones en ingresos perdidos, y erosionar la confianza de una audiencia global. La infraestructura que describo costaría una fracción de lo que un solo club importante gasta en fichajes en un mercado.

La verdadera resistencia no es el coste. Es la inercia institucional. Los organismos que rigen el fútbol se comprometieron con el VAR como un producto terminado. Admitir que necesita una reingeniería fundamental —no solo mejores operadores o líneas de tolerancia más gruesas— significa admitir que la promesa original se vendió de forma exagerada. Nadie quiere tener esa conversación.

También me preguntan: ¿qué pasa si el sensor del balón falla a mitad de partido? El sistema se degrada de forma controlada al modo solo óptico. A 200fps, el margen de error aumenta a unos 7 centímetros —aun así, dramáticamente mejor que el punto ciego actual de 28 centímetros. El partido continúa sin interrupción.

¿Y qué pasa con el pase «rozado» —un regate en el que el pie mantiene contacto continuo con el balón? La IMU detecta una vibración continua en lugar de un pico agudo, y el sistema cambia de lógica para rastrear el momento de la liberación, cuando cesa la vibración. Hemos pensado a fondo estos casos límite porque son los que realmente podrían romper un sistema desplegado.

Esto realmente no trata sobre el fuera de juego

Una vez que se construye una arquitectura de fusión de sensores con este nivel de fidelidad, el fuera de juego es solo la primera aplicación. Los mismos datos esqueléticos 3D y el seguimiento del balón de alta frecuencia permiten la detección automatizada de manos —modelando la «silueta natural» como un límite volumétrico en el espacio 3D y detectando movimientos del brazo hacia la trayectoria del balón que exceden lo que implica la rotación del torso. Las mismas derivadas de velocidad de Kalman que rastrean la posición del jugador pueden calcular la fuerza G exacta de cada paso y evento de desaceleración, señalando las cargas acumuladas en la rodilla que preceden a las roturas de ligamento cruzado anterior antes de que ocurran.

El estadio se convierte en un laboratorio de física digitalizado. Y el deporte se vuelve, por primera vez, genuinamente medible.

El valle inquietante de la tecnología de arbitraje

Existe un concepto de la robótica llamado el valle inquietante —el punto en el que algo es casi lo bastante parecido a lo humano como para resultar convincente, pero lo suficientemente distinto como para resultar profundamente inquietante. El VAR vive en el valle inquietante de la tecnología de medición. Es lo bastante preciso para hacernos creer que capta la verdad, pero lo bastante impreciso como para equivocarse habitualmente. Esa brecha —entre la apariencia de certeza y la realidad de la incertidumbre— es lo que vuelve locos a los aficionados.

Las personas que dicen que «el VAR arruina el juego» no están siendo emocionales. Están respondiendo a un fenómeno real: un sistema que presenta suposiciones como hechos. Las líneas de precisión de píxel, los fotogramas congelados, los gráficos clínicos —todos proyectan una autoridad que la física subyacente no puede sostener.

La solución no es retroceder. Nadie quiere volver a los días en que una mirada de un instante de un juez de línea decidía una semifinal del Mundial. La solución es profundizar. Dejar de medir píxeles y empezar a medir física. Construir instrumentos dignos de las afirmaciones que hacemos.

El fútbol no necesita menos tecnología. Necesita tecnología que respete la física del deporte que intenta gobernar.

No necesitamos líneas de tolerancia más gruesas ni protocolos más indulgentes. Necesitamos un sistema que realmente capture lo que ocurrió —con sensores lo bastante rápidos, lo bastante precisos y fusionados de forma lo bastante estrecha como para reconstruir la verdad de un instante que dura 8 milisegundos y lo decide todo.

Eso es lo que estamos construyendo. No porque pensemos que la tecnología deba reemplazar el juicio humano en el fútbol. Sino porque cuando la tecnología sí interviene, al menos debería acertar.