Traducido del original en inglés. Las cifras y las fuentes no cambian. Leer el original en inglés

Comunicado por el proveedorEn producción desde feb 2025Añadido el oct 2026

Sevilla FC

El Sevilla FC permite a sus ojeadores consultar 300.000 informes de scouting con un Scout Advisor basado en Llama

El club de fútbol español Sevilla FC creó con IBM Scout Advisor, que usa Llama 3.1 70B Instruct de Meta, un modelo de pesos abiertos (open-weight), para que los ojeadores puedan hacer preguntas en lenguaje corriente sobre jugadores a partir de más de 300.000 informes de scouting. Meta informa de que el tiempo de evaluación por jugador pasó de horas a segundos, una afirmación del proveedor.

Cifras clave

Copiadas literalmente de las fuentes. Copie cualquier cifra con su cita.

De 200 a 300 horas

Tiempo que los ojeadores dedicaban a analizar una sola lista corta de jugadores sin Scout Advisor1

de horas a segundos

Tiempo de evaluación de varios informes de scouting sobre un jugador, según el caso de estudio de Meta2

quizá dos minutos

Tiempo que el director deportivo dice necesitar para obtener la información para decidir sobre un jugador1

más de 300.000

Tamaño de la base de informes de scouting que la herramienta busca y resume2

Qué requirió

CosteNo divulgado
EquipoNo divulgado
PlazosNo divulgado

Las fuentes no divulgan el coste, el tamaño del equipo ni los plazos.

El problema

Los ojeadores del Sevilla FC escriben informes detallados sobre jugadores, en los que anotan rasgos como la actitud, la tenacidad y el liderazgo. El club conserva más de 300.000 de estos informes. Sus otras herramientas de datos manejaban bien las cifras, pero no podían aprovechar este texto libre. Meta dice que, antes de la herramienta, repasar una sola lista corta de candidatos llevaba a los ojeadores de 200 a 300 horas, y su caso de estudio describe la investigación manual como una tarea de días.

Qué construyeron

El departamento de datos del club trabajó con IBM para crear Scout Advisor. Un ojeador escribe una pregunta sobre el tipo de jugador que busca. La herramienta devuelve los jugadores que encajan con breves resúmenes extraídos de los informes de scouting. Funciona con Llama 3.1 70B Instruct de Meta, un modelo de pesos abiertos (open-weight: sus archivos están publicados, de modo que una empresa puede ejecutarlo por su cuenta), en la plataforma watsonx de IBM. Las respuestas son en español.

Cómo lo hicieron

El lenguaje del fútbol está lleno de jerga, así que el equipo añadió un paso que reescribe cada pregunta con contexto futbolístico antes de buscar. Una petición de «talented wings» se amplía a una descripción de lo que hace un buen extremo, lo que evita que el sistema devuelva resultados sin relación. La pregunta enriquecida guía una búsqueda por similitud en los informes, y los pasajes que coinciden se pasan a Llama para que escriba los resúmenes. Este patrón se llama generación aumentada por recuperación (RAG): el modelo responde a partir de los documentos del propio club y no de memoria. El director de datos del club dice que el modelo se eligió para el enriquecimiento y el resumen de texto, sobre todo en español. También dice que ejecutar un modelo abierto dentro del entorno del propio club evita enviar datos a servicios de terceros.

Resultados

Meta informa de que la evaluación de varios informes de scouting sobre un jugador pasó de horas a segundos. El director deportivo dice que ya no tiene que leer decenas de informes y que obtiene lo que necesita en quizá dos minutos. El club también informa de una mejor identificación de talento y de nuevos trabajos de consultoría para otros equipos que quieren usar IA. No se publica ninguna medida de precisión, coste ni tamaño del equipo.

Lecciones para su proyecto

  1. Elija un montón de conocimiento experto no estructurado que nadie puede leer de forma realista, como las notas de scouting, y deje que el personal haga preguntas con sus propias palabras.

  2. Enseñe al sistema la jerga de su oficio. El Sevilla expande cada pregunta con contexto del sector antes de buscar, de modo que «talented wings» significa extremos de fútbol.

  3. Elija el modelo según el idioma en que trabaja su personal. El Sevilla eligió Llama 3.1 70B por sus resúmenes en español.

  4. Mida primero la situación de partida. El Sevilla puede indicar el coste anterior (de 200 a 300 horas por lista corta), lo que facilita juzgar cualquier mejora posterior.

Salvedades

  • Las cifras proceden de Meta (un artículo de su sala de prensa y un caso de estudio de Llama) que cita al Sevilla FC. El propio caso de estudio de Meta dice que todos los resultados son autodeclarados y no identificablemente repetibles.
  • La afirmación de «horas a segundos» no tiene tamaño de muestra ni método. La cifra de «quizá dos minutos» es la declaración de un directivo.
  • La página del caso de estudio de Meta no tiene fecha. Las fechas de 2025 proceden del artículo de la sala de prensa de Meta, que describe la herramienta como en uso. No son una fecha de puesta en marcha confirmada.
  • Un anuncio anterior de IBM y el Sevilla (Voicebot, 31 de enero de 2024, leído mediante una copia archivada) dice que el club usaría Scout Advisor en watsonx y menciona más de 200.000 informes. No nombra ningún modelo ni dice que la herramienta estuviera en marcha, así que solo confirma la alianza. El número de informes difiere de los 300.000 de Meta.
  • Meta dice que el club planea evaluar versiones más recientes de Llama, por lo que el modelo puede haber cambiado desde entonces.

Fuentes

  1. Sevilla Football Club Uses Llama and IBM watsonx to Scout Players

    Meta Newsroom · 2025-02-28 · Nota de prensa · about.fb.com

  2. Sevilla Football Club | Llama case studies

    Meta · Sin fecha · Caso de estudio del proveedor · developer.meta.com

  3. IBM's Generative AI Will Scout Soccer Players for Sevilla FC

    Voicebot.ai · 2024-01-31 · Noticia · voicebot.ai

Resumido con nuestras propias palabras a partir de las fuentes anteriores. ¿Ha detectado un error? Consulte correcciones.