Cómo funciona el matchmaking en juegos online en 2026

Imagina que pulsas el botón de “Buscar partida” y, en cuestión de segundos, el sistema te lanza a un enfrentamiento contra otros jugadores. Parece magia negra, pero en realidad es un complejo ballet de algoritmos, probabilidades bayesianas y gestión de infraestructuras de red. No es solo una cuestión de “poner a gente a jugar”; es un proceso automatizado de conectar jugadores para participar en partidas en línea, organizando salas, grupos y listas de espera mediante conjuntos de reglas predefinidas sin intervención humana.

A menudo nos quejamos de que nos toca contra un “pro” o de que la partida es un caos absoluto, pero detrás de esa frustración hay una arquitectura diseñada para equilibrar la experiencia de juego. En este artículo vamos a desgranar cómo funciona el matchmaking en juegos online, explorando desde los fundamentos del ajedrez hasta las teorías más modernas de retención de usuarios que están definiendo la industria actual.

El origen de la puntuación: El sistema Elo

Para entender el presente, hay que mirar hacia el pasado. El sistema de puntuación Elo fue diseñado originalmente por Arpad Elo para el ajedrez. Su objetivo era sencillo pero brillante: calcular la probabilidad de victoria esperada en función de la diferencia numérica entre las puntuaciones relativas de dos competidores. Si un jugador con una puntuación muy alta se enfrenta a uno con una puntuación baja, el sistema “espera” que el primero gane; si lo hace, su puntuación sube ligeramente, pero si pierde, el castigo es severo.

Con el tiempo, este modelo se adaptó a juegos de suma cero y, por supuesto, a los videojuegos competitivos. Es la base de muchos sistemas de clasificación actuales. No obstante, el Elo no es estático. La normativa FIDE, que entró en vigor el 1 de marzo de 2024, especifica cómo debe ajustarse esta puntuación mediante el factor K, el cual varía según la experiencia del individuo:

- K=40: Para un jugador nuevo hasta que complete eventos con al menos 30 partidas.

- K=20: Mientras la puntuación se mantenga por debajo de 2400.

- K=10: Una vez que la puntuación publicada haya alcanzado los 2400 puntos.

Esta progresión asegura que los jugadores nuevos tengan la oportunidad de subir rápido mientras se “calibran”, mientras que los jugadores de élite tienen una curva de ajuste mucho más lenta y estable. Es una forma de proteger la integridad del ranking frente a la volatilidad de los novatos.

Evoluciones matemáticas: De Glicko a TrueSkill

Aunque el Elo es el abuelo de todos, la industria necesitaba algo más sofisticado para gestionar la incertidumbre. Entra en escena Mark E. Glickman en 1995 con el sistema Glicko. ¿Cuál fue su gran aporte? Introdujo el parámetro de “desviación de puntuación” (RD). Básicamente, el sistema reconoce que no sabe exactamente qué tan bueno eres si no has jugado mucho. Cuanto más incierta es tu habilidad, más “volátil” es tu puntuación.

Luego llegó Glicko-2 en 2012, que añadió la “volatilidad de la puntuación” para medir la consistencia del rendimiento en el tiempo. Si un jugador es un “torbellino” que tiene días brillantes y días desastrosos, el sistema lo detecta.

Pero si hablamos de los gigantes tecnológicos, hay que mencionar a Microsoft. En 2005, desplegaron en Xbox Live el sistema TrueSkill. A diferencia de los anteriores, este utiliza un modelo bayesiano. En términos sencillos, representa la habilidad de un jugador como una distribución gaussiana definida por una media (μ) y una varianza o incertidumbre (σ²). Es como si el juego tuviera una “nube” de probabilidad sobre tu nivel de habilidad, y cada partida va estrechando o ensanchando esa nube.

En 2018, Microsoft publicó el informe técnico MSR-TR-2018-8, detallando la versión evolucionada de este algoritmo, TrueSkill 2. Este sistema permite que el matchmaking sea mucho más preciso al entender que la habilidad no es un número fijo, sino una probabilidad estadística.

SBMM: La búsqueda de la equidad perfecta

Cuando escuchas hablar de “matchmaking basado en habilidad” o SBMM (por sus siglas en inglés), te refieres a la filosofía de agrupar a los jugadores analizando su puntuación oculta de habilidad o rango previo (MMR). El objetivo aquí es claro: procurar que todos compartan una capacidad competitiva similar. Es la búsqueda del 50/50.

En este modelo, el algoritmo intenta que cada jugador tenga las mismas probabilidades teóricas de ganar. Si el sistema detecta que un jugador es superior, buscará a otros jugadores con un MMR equivalente para compensar la balanza. Es el estándar de oro para los juegos competitivos donde la justicia en la competición es la prioridad absoluta.

La gran controversia: ¿Equidad o retención? El modelo EOMM

Aquí es donde la cosa se pone interesante y, para algunos, un poco turbia. En 2017, investigadores de Electronic Arts (EA) y varias universidades presentaron el marco EOMM (Engagement-Optimized Matchmaking). A diferencia del SBMM tradicional, el EOMM no busca necesariamente que las partidas sean “justas” en términos de habilidad pura.

Su objetivo es maximizar la retención del usuario. ¿Cómo? Mediante el análisis de qué tipo de partidas mantienen a un jugador conectado más tiempo. El estudio demostró que, matemáticamente y empíricamente, la equidad perfecta no siempre es lo que mantiene a un jugador pegado a la pantalla. El EOMM trata el matchmaking por igualdad de habilidad como un caso especial, un escenario simplificado que rara vez ocurre en la realidad de un juego masivo.

En otras palabras, mientras el SBMM intenta que ganes o pierdas por tu propia capacidad, el EOMM podría estar intentando que la experiencia sea lo suficientemente estimulante (o frustrante, o emocionante) para que no cierres el juego. Es un cambio de paradigma: de “hacerlo justo” a “hacerlo adictivo”.

«In this paper, we propose an Engagement Optimized Matchmaking (EOMM) framework that maximizes overall player engagement. We prove that equal-skill based matchmaking is a special case of EOMM on a highly simplified assumption that rarely holds in reality.» Zhengxing Chen, Su Xue, John Kolen, Navid Aghdaie, Kazi A. Zaman, Yizhou Sun y Magy Seif El-Nasr, autores del informe técnico sobre EOMM (Northeastern University, Electronic Arts, Inc. y UCLA)

Lo que los autores afirman es contundente: el matchmaking basado en la igualdad de habilidades es solo una versión simplificada de un sistema mucho más complejo que busca el compromiso del jugador. Esto ha generado un debate intenso en la comunidad de videojuegos sobre la transparencia de estos algoritmos.

Limitaciones técnicas: El factor del “ping”

No todo es matemática de habilidad. Un sistema de matchmaking perfecto en papel puede fallar estrepitosamente si no gestiona la infraestructura física. Los sistemas modernos incorporan limitaciones técnicas operativas fundamentales, siendo la ubicación geográfica y la latencia de red (el famoso ping) las más críticas.

Si el algoritmo te empareja con alguien que está al otro lado del mundo, la experiencia será pésima debido al retraso en la transmisión de datos. Por eso, el matchmaking debe filtrar a los candidatos no solo por su MMR, sino por su proximidad física a los servidores. Un juego fluido es la base mínima para que cualquier algoritmo de habilidad funcione correctamente.

Componentes funcionales del emparejamiento

Para que todo este sistema funcione, se apoya en varios elementos funcionales que gestionan el flujo de jugadores. No es solo una lista de nombres, sino una estructura de datos organizada:

        Elemento
        Función Principal
        Características
    


    
        Listas de espera
        Gestión de sesiones
        Administradas automáticamente para crear o unir sesiones de juego en tiempo real.
    
    
        Grupos
        Entidades unificadas
        Conjuntos de jugadores tratados como una sola entidad que no se separan entre partidas.
    
    
        Salas de espera
        Inspección previa
        Pantallas de menú con temporizador o control del anfitrión antes de iniciar.
    

Mitos y realidades en la industria actual

En el mundo de los videojuegos, los rumores vuelan más rápido que la luz. Sin embargo, es vital separar la especulación de los datos verificados. Por ejemplo, circula la idea de que ciertos sistemas de trofeos trasladan automáticamente a un jugador tras tres derrotas consecutivas, pero no hay consenso ni pruebas sólidas que confirmen este comportamiento exacto en todos los casos mencionados en foros de discusión.

Del mismo modo, aunque hay voces en la industria que sugieren que la mayoría de los juegos utilizan variantes de EOMM, no podemos afirmar que sea una regla universal sin datos oficiales de todas las empresas. Y respecto a la posibilidad de que el gasto de dinero dentro del juego (in-game spending) sea una variable directa en estos algoritmos, aunque existe en la literatura técnica y en patentes como una posibilidad teórica, no hay confirmación de que empresas como EA o NetEase lo desplieguen activamente en producción.

A veces, la realidad es más compleja de lo que parece. El creador del sistema Elo mismo lo dejó claro con una comparación bastante curiosa sobre la dificultad de medir la habilidad individual:

«The measurement of the rating of an individual might well be compared with the measurement of the position of a cork bobbing up and down on the surface of agitated water with a yardstick tied to a rope and which is swaying in the wind.» Arpad Elo, creador del sistema de puntuación Elo

En español, Elo sugería que medir la habilidad de una persona es casi como intentar medir la posición de un corcho que sube y baja en la superficie de un agua agitada, con una regla atada a una cuerda que se balancea con el viento. Es una metáfora perfecta para la complejidad del matchmaking: un sistema que intenta dar orden y precisión a algo intrínsecamente volátil y variable.

El equilibrio entre la justicia y la experiencia

Al final del día, la pregunta sobre cómo funciona el matchmaking en juegos online nos lleva a un dilema ético y de diseño. ¿Queremos que el juego sea un espejo perfecto de nuestras habilidades, o queremos que sea una experiencia diseñada para mantenernos enganchados? La respuesta corta es que la industria está moviéndose hacia una mezcla de ambas.

Mientras que los modelos como TrueSkill y Glicko siguen siendo las herramientas fundamentales para calcular la “verdad” de nuestra habilidad, el marco EOMM nos recuerda que los desarrolladores tienen objetivos comerciales y de retención que no siempre coinciden con la equidad matemática pura. Es un juego de sombras donde los algoritmos deciden, en milisegundos, quién será tu próximo rival, cuánto tiempo pasarás en la sala de espera y qué tan “justa” será la batalla que estás a punto de librar.