Modelos de IA para apuestas a MLB: qué hacen, qué prometen y dónde fallan
Available in US
La inteligencia artificial entró en apuestas deportivas y se quedó
Un suscriptor de un servicio de picks por IA me enseñó hace un año sus estadísticas: el modelo le había prometido ROI del 15% en las últimas 200 apuestas, con datos detallados, gráficos y backtesting impresionante. Miré el detalle y encontré lo de siempre: rendimiento espectacular en el período de entrenamiento, rendimiento mediocre en los últimos tres meses reales, y fees de suscripción que ya se habían comido cualquier ventaja real. La conclusión es sencilla: los modelos de IA para MLB existen, algunos funcionan, muchos no, y distinguirlos requiere criterio técnico que la mayoría de apostantes no tiene.
El tamaño del mercado empuja la oferta. MLB tiene 2.430 partidos de regular season al año, con aproximadamente 9 carreras por partido de media y 4,6 millones de dólares de revenue medio generado por partido. Ese volumen de datos y ese dinero atraen a desarrolladores que construyen modelos, y atraen a proveedores que los venden a apostantes como producto premium. En este artículo explico qué hace realmente un modelo de IA en béisbol, qué variables usa, qué problema común tienen (overfitting), y cómo evaluar honestamente si vale la pena pagar. La base del análisis tradicional del abridor está en la análisis del pitcher para apuestas; aquí el foco es el análisis automatizado.
Qué hace un modelo de IA en béisbol
Un modelo de IA (machine learning) para apuestas a MLB típicamente intenta predecir resultados concretos: probabilidad de que un equipo gane, total de carreras del partido, probabilidad de que un pitcher supere cierto número de strikeouts. El output del modelo es una probabilidad numérica (por ejemplo, 62% para el moneyline del equipo A), que se compara con la probabilidad implícita de la cuota del mercado para identificar apuestas con valor esperado positivo.
El proceso de construcción del modelo tiene varias fases. Primera: recolección de datos históricos. Se toman todos los partidos de varias temporadas (típicamente 5-10 años) con todas las variables disponibles: estadísticas de pitchers, bateadores, equipos, resultados, contextos. Segunda: entrenamiento. El algoritmo (regresión logística, random forest, red neuronal, según enfoque) aprende patrones en los datos históricos. Tercera: validación. El modelo se prueba en datos que no vio durante entrenamiento, para ver si generaliza bien. Cuarta: despliegue. El modelo se usa en partidos reales, generando predicciones que se comparan con cuotas actuales.
Los modelos más sofisticados incluyen variables que los apostantes humanos difícilmente procesan en cabeza: interacciones complejas entre bateador, pitcher, park factor, clima, fatiga de bullpen, días de descanso. El algoritmo puede descubrir que «bateadores zurdos con barrel% alto contra pitchers zurdos con curveball primario, en partidos con viento a favor en Yankee Stadium, superan sus props de HR más de lo que el mercado implica en un 4%». Esa granularidad es la principal ventaja teórica del enfoque IA: encontrar patrones que la intuición humana no detecta.
El comentario de Maarten Haijer, Secretario General de EGBA, sobre que el mercado europeo creció con impulso del canal online gracias a cambios de preferencias del consumidor y avances tecnológicos, aplica de lleno a este contexto: los modelos de IA son la punta de lanza del avance tecnológico aplicado a apuestas, y han cambiado qué significa «análisis sofisticado». Un apostante que compite con modelos automáticos necesita entender lo que hacen para no quedar en desventaja estructural.
Las entradas y salidas del modelo
Un modelo bien diseñado para MLB incluye docenas de variables de entrada. Para un moneyline, las más habituales son: ERA y FIP de los dos abridores (últimas 5 aperturas, no el promedio completo de temporada que incluye datos viejos); splits de los bateadores contra el lado del pitcher rival; bullpen ERA de los últimos 15 días (no toda la temporada); park factor del estadio; clima esperado (temperatura, viento, humedad); ausencias en las alineaciones confirmadas; días de descanso del equipo; récord reciente en últimos 10 partidos; ajuste por calidad del rival de esos últimos 10 partidos.
Para props específicos, las variables cambian. Para strikeouts del pitcher: K% del pitcher en últimas 5 aperturas, K% del lineup rival contra ese tipo de pitcher, innings esperados según descanso y manager, park factor específico para strikeouts. Para HR del bateador: barrel% del bateador últimos 30 días, park factor de HR para el lado del bateador, HR/9 del pitcher contra el mismo lado, clima.
Las salidas del modelo son la probabilidad estimada del suceso. Para moneyline: probabilidad de que gane el equipo A (entre 0% y 100%). Para total: probabilidad de que el total supere X carreras. Para props: probabilidad de que el jugador supere X strikeouts o HR. La probabilidad se compara con la cuota del mercado, y si hay margen suficiente (típicamente 3-5% en la mayoría de modelos serios), se identifica como «apuesta con valor».
El crecimiento previsto de EGBA para el mercado europeo de apuestas online mostró un CAGR del 7% para los próximos años, y ese crecimiento refleja en parte la mayor adopción de herramientas tecnológicas sofisticadas en el backend de las casas de apuestas. Las casas también usan modelos de IA para fijar sus cuotas, lo que cierra progresivamente las ventanas de valor disponibles. El apostante individual que usa modelos está compitiendo con modelos mejor financiados y más sofisticados del lado de la casa, así que el listón está alto.
El overfitting: la maldición de los modelos que prometen oro
Jason Van’t Hof, exvicepresidente de investigaciones en IC360, comentó recientemente que estamos en un momento significativo de inflexión para la industria. Su comentario iba sobre integridad, pero el concepto se aplica igual a la ciencia de datos: un modelo que parece perfecto en backtest y fracasa en partidos reales está en un punto de inflexión que el apostante debe diagnosticar antes de poner dinero.
El problema técnico se llama overfitting. Un modelo overfit ha aprendido los detalles específicos del conjunto de datos de entrenamiento, incluidos el ruido aleatorio que no se generalizará a datos nuevos. Rinde espectacular en backtest (datos que ya vio) y mediocre en partidos reales (datos nuevos). Casi todos los modelos «milagrosos» que se venden a apostantes tienen este problema, aunque sus creadores no siempre lo reconozcan o ni siquiera lo detecten.
Las señales de overfitting son técnicas. Primera: el rendimiento en entrenamiento es muy superior al de validación. Si el modelo acierta 70% en datos de entrenamiento y 55% en datos nuevos, tiene overfitting. Segunda: el rendimiento cae con datos recientes. Si el backtest hasta 2023 muestra ROI del 15% pero las últimas 100 apuestas reales del 2024-2025 dan ROI del 1-2%, es overfitting o drift del modelo respecto a la realidad actual. Tercera: el modelo tiene muchas variables respecto a la cantidad de datos de entrenamiento. Más variables que datos = sobreajuste casi garantizado.
Para el apostante que evalúa un producto de IA, pedir el rendimiento en las últimas 100-200 apuestas reales (no del backtest) es la prueba básica. Si el vendedor no lo facilita, es red flag. Si lo facilita y es mediocre (ROI cercano a cero después de fees), no vale la pena. Si es sólido (ROI del 3-5% en datos recientes y con volumen suficiente para ser significativo estadísticamente), puede valer la pena evaluar más a fondo.
Construir un modelo propio: realista para pocos
Construir un modelo propio en lugar de pagar por uno es opción teórica para apostantes con conocimiento técnico adecuado. Requiere: programación Python o R, experiencia con machine learning (scikit-learn, XGBoost, o framework similar), acceso a datos históricos de calidad (APIs como Baseball Savant son gratuitas, pero hay que saber procesarlas), y tiempo sostenido durante varios meses para construir, validar y ajustar el modelo.
La barrera no es el código: hay tutoriales gratuitos suficientes online para aprender la mecánica. La barrera real es el dominio del problema. Saber qué variables incluir, cómo tratarlas, cómo evitar overfitting, cómo validar correctamente: todo eso requiere experiencia que se gana lentamente. Un apostante que empieza desde cero puede tardar 6-12 meses en tener un modelo que rinda mejor que su intuición manual, y otros 6 meses en afinarlo al punto de ser útil para decisiones reales.
Qué tipo de modelo construir depende del nivel técnico. Para principiantes con Python básico, regresión logística para predecir moneylines es buen punto de partida. Es simple, interpretable, y permite entender qué variables pesan más. Para niveles intermedios, XGBoost o random forest para predecir totales es un paso más sofisticado. Para avanzados, redes neuronales con features de ingeniería compleja pueden extraer valor de datos más granulares (Statcast, tracking data).
Mi honestidad final: la mayoría de apostantes españoles con bankroll de 500-1.000 euros no va a construir modelos útiles. El tiempo invertido es mejor dedicado a mejorar análisis manual riguroso, a disciplina de bankroll y a line shopping entre casas. Los modelos de IA son una herramienta para profesionales con recursos y tiempo abundante, no una solución universal. Reconocer eso es parte de apostar con realismo sobre tus propias limitaciones y maximizar lo que sí puedes hacer bien.
Preguntas rápidas sobre modelos de IA
¿Vale la pena pagar suscripción a un servicio de picks por IA?
Depende completamente del rendimiento real verificable. Un servicio que puede mostrar ROI del 3-5% en las últimas 200-300 apuestas reales (no backtest) con volumen mensual razonable, puede valer el coste si el fee deja suficiente margen de beneficio neto. La mayoría de servicios que venden picks tienen rendimientos espectaculares en marketing y mediocres en realidad; pedir datos detallados de rendimiento reciente antes de pagar es fundamental.
¿Qué métricas debo revisar antes de pagar por un modelo?
Primera: ROI en los últimos 3-6 meses reales (no en backtest histórico). Segunda: volumen de apuestas durante ese período (necesario para que la muestra sea estadísticamente significativa, mínimo 100-200 apuestas). Tercera: closing line value acumulado, si el servicio lo publica. Cuarta: transparencia sobre metodología y variables usadas. Cualquier servicio serio debería facilitar estos datos; los que no lo hacen son probablemente servicios de marketing disfrazados de análisis técnico.
Creado por la redacción de «Apuestas de mlb».
