Cómo se utiliza la IA en el análisis de fútbol: de los datos del partido a las ideas tácticas
Cada partido de fútbol genera una cantidad enorme de información. Cada pase, cada disparo, cada acción defensiva y cada movimiento sin balón aportan datos que ayudan a entender cómo juega un equipo. El reto para los analistas ya no es solo recopilar esa información, sino transformar datos complejos en ideas que los entrenadores, ojeadores y departamentos de fichajes puedan aplicar de verdad.
La inteligencia artificial está ampliando lo que el análisis de fútbol puede conseguir. Los modelos de machine learning estiman la calidad de las ocasiones de gol, la visión por computador facilita el seguimiento de los jugadores por el campo y los sistemas automatizados detectan patrones entre miles de acciones.
Sin embargo, la IA no sustituye el conocimiento futbolístico. Su valor está en ayudar a los analistas a plantear preguntas tácticas, identificar patrones relevantes y comunicar evidencias que respalden decisiones mejor informadas.
Esta guía explica cómo se utiliza la IA en el análisis de fútbol, las tecnologías que lo hacen posible, sus aplicaciones prácticas en el fútbol profesional y las limitaciones que los analistas deben tener presentes.
¿Qué es la IA en el análisis de fútbol?
La IA en el análisis de fútbol consiste en aplicar técnicas de inteligencia artificial para procesar datos del partido, detectar patrones, generar predicciones y apoyar el análisis de partidos o de jugadores.
El análisis tradicional suele apoyarse en estadísticas descriptivas como el porcentaje de posesión, la precisión de pases, los disparos o las entradas. Estas métricas siguen siendo útiles, pero no explican del todo el contexto táctico de cada acción.
Los enfoques basados en IA pueden incorporar información adicional: posiciones de los jugadores, presión defensiva, trayectorias de movimiento y la secuencia de acciones que precede a un determinado evento.
Por ejemplo, dos jugadores pueden completar el mismo número de pases y, sin embargo, el efecto táctico de esos pases ser muy distinto. Uno puede limitarse a circular el balón entre los defensas, mientras que el otro progresa a través de las líneas rivales.
Los modelos analíticos avanzados ayudan a distinguir estas aportaciones al evaluar dónde se producen los pases, las estructuras defensivas a las que se enfrentan y cómo modifican la posición del equipo atacante.
No toda estadística avanzada de fútbol utiliza IA. Los modelos de goles esperados (xG), por ejemplo, pueden construirse con métodos estadísticos convencionales o con machine learning. La distinción importa porque la calidad de un modelo depende de sus datos, sus supuestos y su validación, no de si lleva la etiqueta de IA.
Para una introducción más amplia, consulta Qué es la IA en el fútbol o explora el directorio de Análisis de Fútbol, Datos y Scouting.
1. Cómo analiza la IA los datos de un partido de fútbol
La base del análisis de fútbol impulsado por IA es la combinación de distintos tipos de datos del partido. Cada uno ofrece una perspectiva diferente de lo que ocurre sobre el terreno de juego.
Datos de eventos: entender lo que hacen los jugadores
Los datos de eventos registran acciones individuales: pases, disparos, intercepciones, entradas, conducciones y faltas. Según el proveedor, también pueden incluir la ubicación, el momento, el resultado y las circunstancias de cada acción.
El machine learning puede utilizar esta información para investigar preguntas que las estadísticas convencionales no responden de forma directa.
Por ejemplo, un analista que estudia a un centrocampista puede querer saber si sus pases ayudan al equipo a progresar a través de las líneas defensivas. En lugar de fijarse solo en el porcentaje de acierto, un modelo puede evaluar la ubicación de cada pase, su dirección y el valor ofensivo de la posesión resultante.
Plataformas como StatsBomb y Hudl Wyscout ofrecen datos de fútbol y recursos analíticos que apoyan el análisis profesional de partidos y jugadores.
Datos de tracking: entender lo que ocurre sin el balón
Los datos de eventos describen acciones concretas, pero gran parte del fútbol se desarrolla entre esas acciones.
Los sistemas de tracking capturan las posiciones cambiantes de los jugadores y, cuando es posible, del balón. Cámaras ópticas, sistemas de posicionamiento local y dispositivos wearables aportan distintos tipos de información de movimiento.
La visión por computador y el machine learning permiten entonces investigar:
- Cómo se mueve la línea defensiva cuando el rival circula la posesión.
- Si los centrocampistas mantienen distancias adecuadas entre sí.
- Cómo los atacantes generan espacios con desmarques sin balón.
- Si la estructura de presión de un equipo deja carriles de pase aprovechables.
- Con qué rapidez se reorganizan los jugadores y las unidades defensivas tras perder el balón.
Los datos de tracking resultan especialmente valiosos porque una aportación táctica importante puede no aparecer nunca en las estadísticas de eventos convencionales.
Un delantero que realiza un desmarque de distracción, por ejemplo, puede crear espacio para un compañero sin tocar el balón.
El programa de Sistemas Electrónicos de Rendimiento y Tracking de la FIFA establece estándares de seguridad y de prueba de rendimiento para tecnologías de tracking ópticas y wearables. Estos estándares subrayan la importancia de la precisión de las mediciones a la hora de interpretar datos de posición y movimiento.
Datos de vídeo: conectar los números con las situaciones de fútbol
El análisis de vídeo aporta el contexto visual necesario para interpretar los hallazgos estadísticos.
Los sistemas de vídeo asistidos por IA pueden ayudar a identificar acciones, seguir a los jugadores y organizar el material en secuencias buscables. El grado de automatización depende del sistema y de la calidad de las imágenes disponibles.
Un analista puede utilizar el vídeo junto con los datos de eventos para revisar todas las ocasiones en las que el rival progresó por el centro del campo. En lugar de visionar manualmente todo el partido, puede partir de las secuencias relevantes y examinar el contexto táctico de cada acción.
Herramientas como Hudl, Metrica Sports y Nacsport son relevantes en los flujos de trabajo de análisis de vídeo, aunque sus capacidades y el grado de automatización con IA varían.
2. Goles esperados y análisis de ocasiones impulsado por IA
Los goles esperados, conocidos habitualmente como xG, son uno de los conceptos más consolidados del análisis moderno de fútbol.
Un modelo de xG estima la probabilidad de que un disparo concreto acabe en gol, a partir de la información sobre la ocasión.
Un disparo con un valor de xG de 0,30, por ejemplo, representa una probabilidad estimada del 30 % de marcar según los supuestos del modelo. No significa que el jugador deba marcar tres de sus próximos diez disparos.
Cómo mejora el machine learning los modelos de xG
Los modelos básicos de xG pueden utilizar la distancia del disparo, el ángulo, la parte del cuerpo y el tipo de asistencia. Los modelos más sofisticados incorporan información adicional, como la posición del portero, la presión defensiva y las posiciones de otros jugadores.
El machine learning resulta especialmente útil cuando el modelo necesita identificar relaciones complejas entre estas variables.
Imagina dos disparos realizados desde aproximadamente la misma posición dentro del área. Uno puede ser un intento sin oposición tras un pase atrás, mientras que el otro se produce con varios defensores bloqueando la trayectoria.
Un modelo que incorpore información posicional relevante distingue mejor estas dos situaciones que uno que se base solo en la ubicación del disparo.
No obstante, los valores de xG de distintos proveedores no son necesariamente intercambiables. Sus conjuntos de datos, técnicas de modelado e información contextual disponible pueden diferir.
Más allá del xG: evaluar la posesión ofensiva
La IA y los modelos estadísticos avanzados también pueden estimar cómo las acciones individuales modifican el valor de la posesión.
El expected threat (xT) y los modelos de valor de la posesión son ejemplos de enfoques que evalúan el beneficio ofensivo potencial de llevar el balón a determinadas zonas o de progresar a través de una secuencia de acciones.
Estos modelos ayudan a identificar a jugadores que contribuyen a generar ocasiones sin registrar necesariamente el último pase o el disparo.
Por ejemplo, un centrocampista que rompe con regularidad la presión rival puede aportar mucho al desarrollo del ataque aunque su participación directa en goles sea limitada.
Para ejemplos prácticos de estadísticas de fútbol de acceso público, consulta FBref, Understat y FotMob. Sus conjuntos de datos y métricas disponibles difieren, por lo que los analistas deben revisar las definiciones de cada proveedor antes de comparar resultados.
3. La IA en el análisis táctico y la preparación de rivales
Una de las aplicaciones más valiosas de la IA en el análisis de fútbol es la identificación de patrones tácticos que de otro modo exigirían un visionado manual exhaustivo.
El machine learning ayuda a los analistas a examinar movimientos recurrentes, estructuras de equipo y relaciones entre jugadores a lo largo de varios partidos.
Análisis de la presión y de la organización defensiva
Analizar la presión no consiste solo en contar cuántas veces un equipo intenta recuperar el balón.
Una presión eficaz depende del posicionamiento colectivo, del timing, de la dirección de la presión y de la capacidad de restringir las opciones de pase del rival.
Con datos de tracking suficientemente detallados, los modelos analíticos pueden investigar cómo coordinan los equipos sus movimientos, qué carriles de pase permanecen abiertos y dónde el rival escapa de forma reiterada a la presión.
Por ejemplo, un cuerpo técnico que se prepara para enfrentarse a un rival de presión alta puede investigar si ese equipo deja sistemáticamente espacios a la espalda de sus laterales cuando presiona cerca de la banda.
El análisis resultante puede orientar ejercicios de entrenamiento y la preparación del partido. Los entrenadores seguirán teniendo que decidir si aprovechar ese espacio es realista para sus propios jugadores.
Identificación de patrones ofensivos
El reconocimiento de patrones asistido por IA puede ayudar a detectar secuencias ofensivas recurrentes, como sobrecargas en banda, combinaciones de tercer hombre, solapamientos y transiciones tras recuperaciones.
Los modelos basados en secuencias examinan cómo se relacionan las acciones individuales con los eventos posteriores, en lugar de tratar cada pase o conducción de forma aislada.
Esto permite a los analistas comparar cómo generan ocasiones distintos equipos e identificar las situaciones en las que determinadas estructuras ofensivas resultan eficaces.
Un ejemplo real: TacticAI y el Liverpool FC
Un ejemplo documentado de análisis táctico asistido por IA es TacticAI, desarrollado en una colaboración de investigación entre Google DeepMind y el Liverpool FC.
Publicado en Nature Communications en marzo de 2024, el estudio se centró en los saques de esquina y utilizó geometric deep learning para modelar las relaciones entre jugadores.
El sistema estaba diseñado para predecir posibles receptores de córners, estimar si una jugada podría generar un disparo y sugerir posicionamientos alternativos de los jugadores.
Su conjunto de datos de investigación contenía 9.693 saques de esquina de partidos de la Premier League de las temporadas 2020-21, 2021-22 y parte de 2022-23.
En una evaluación a ciegas con expertos de fútbol del Liverpool FC, las sugerencias tácticas generadas por la IA fueron preferidas a las disposiciones originales en el 90 % de los casos evaluados.
Se trata de un resultado de preferencia de expertos en un contexto de investigación concreto, no de una evidencia de una mejora del 90 % en goles o en resultados de partidos.
La investigación demuestra cómo la IA puede apoyar la investigación táctica al ofrecer a los entrenadores escenarios adicionales para examinar.
No establece que las recomendaciones tácticas generadas por IA vayan a superar de forma consistente las decisiones de los entrenadores humanos en partidos oficiales.
Para más información, consulta el artículo de investigación publicado sobre TacticAI.
Los analistas interesados en flujos de trabajo tácticos prácticos también pueden explorar Metrica Sports, LongoMatch y zone14 REPLAY.
4. Cómo apoya la IA el análisis del rendimiento de los jugadores
La evaluación individual de jugadores es otra aplicación importante de la IA en el análisis de fútbol.
El análisis de rendimiento tradicional se centra con frecuencia en resultados medibles: goles, asistencias, pases completados, entradas y distancia recorrida. Aunque estas estadísticas aportan información útil, no explican del todo la contribución de un jugador dentro de un sistema táctico concreto.
Los modelos asistidos por IA ayudan a los analistas a investigar el rendimiento con mayor contexto.
Evaluar a los jugadores más allá de las estadísticas tradicionales
Considera dos centrocampistas centrales con una precisión de pase similar.
Uno recibe con regularidad bajo presión, se gira y progresa hacia zonas adelantadas. El otro completa sobre todo pases cortos en posiciones relativamente libres de oposición.
Su precisión de pase puede ser parecida, pero sus aportaciones tácticas son distintas.
Los modelos analíticos avanzados pueden examinar acciones progresivas, la retención del balón bajo presión, el valor de la posesión y las circunstancias en las que el jugador recibe el balón.
De forma similar, la evaluación defensiva puede ir más allá de las entradas e intercepciones para analizar el posicionamiento, la cobertura defensiva y la capacidad de restringir las opciones del rival.
Estos enfoques resultan especialmente útiles al comparar jugadores que operan en sistemas tácticos diferentes.
Comparar jugadores de distintas competiciones
Las comparaciones entre jugadores se complican cuando se evalúan futbolistas de ligas distintas.
La fuerza de la competición, la posesión del equipo, el estilo de juego y las responsabilidades individuales influyen en el rendimiento estadístico.
El machine learning puede ayudar a identificar relaciones entre estos factores y el rendimiento registrado de un jugador. Algunos modelos de fichajes intentan también estimar cómo podría trasladarse ese rendimiento a un entorno competitivo diferente.
Estas proyecciones deben interpretarse con cautela. Un modelo entrenado con traspasos históricos no puede tener plenamente en cuenta la adaptación, las relaciones con el cuerpo técnico, los cambios de responsabilidades tácticas o el desarrollo individual.
Herramientas relevantes para la evaluación avanzada de jugadores incluyen DataMB, Comparisonator, SciSports e Impect.
5. La IA en el scouting y el análisis de fichajes
Los departamentos de fichajes suelen necesitar evaluar un gran número de posibles incorporaciones de distintas ligas y categorías de edad.
La IA puede apoyar este proceso identificando jugadores cuyos perfiles estadísticos se ajustan a requisitos concretos de captación.
En lugar de limitarse a clasificar a los jugadores por goles o asistencias, los sistemas analíticos pueden examinar combinaciones de atributos asociadas a roles de juego específicos.
Por ejemplo, un club que busca un central progresivo puede investigar el pase bajo presión, la progresión con el balón, el posicionamiento defensivo y el rendimiento en duelos aéreos.
El machine learning ayuda a identificar candidatos con características estadísticas similares y a destacar jugadores que de otro modo recibirían poca atención.
Del listado estadístico a la decisión de fichaje
Un proceso práctico de fichajes asistido por datos puede consistir en definir el perfil de jugador requerido, filtrar una base de datos según atributos relevantes y evaluar a los candidatos frente a jugadores comparables.
A continuación, los analistas revisan el material de vídeo, valoran la compatibilidad táctica e investigan si el rendimiento del jugador es sostenible.
La decisión final de fichaje depende también de factores que los modelos estadísticos no pueden establecer de forma fiable, como las valoraciones médicas, las consideraciones contractuales y la estrategia deportiva global del club.
Plataformas como Hudl Wyscout, Driblab, SciSports y TransferRoom apoyan distintos aspectos del scouting, la evaluación del rendimiento y los fichajes. No deben considerarse sistemas de IA intercambiables.
Explora más recursos en Scouting y Fichajes.
6. La IA en el tracking de jugadores y el rendimiento físico
El análisis impulsado por IA se extiende también al control del rendimiento físico.
Las tecnologías de tracking capturan información sobre el movimiento de los jugadores: distancia recorrida, velocidad, aceleración y cambios de dirección.
La visión por computador puede ayudar a extraer información posicional a partir del vídeo, mientras que el machine learning facilita la identificación de patrones de movimiento y de cargas de entrenamiento.
Los departamentos de rendimiento pueden utilizar esta información para investigar si los jugadores cumplen las demandas físicas de sus posiciones y cómo cambian sus cargas a lo largo de las sesiones de entrenamiento y los partidos.
Control de la carga de entrenamiento
Un analista de rendimiento puede examinar la carrera a alta velocidad, la exposición a sprints y los patrones de aceleración de un jugador a lo largo de varias semanas.
Los cambios en estas mediciones pueden motivar una investigación más profunda, sobre todo cuando se combinan con los calendarios de entrenamiento, la congestión de partidos y la información individual de recuperación.
No obstante, los datos de tracking físico por sí solos no determinan si un jugador está fatigado ni predicen cuándo se producirá una lesión.
La precisión de las mediciones, las referencias individuales y el contexto médico más amplio son esenciales. La FIFA mantiene un programa de calidad para sistemas electrónicos de rendimiento y tracking, que incluye pruebas de rendimiento de mediciones de posición y velocidad.
Plataformas relevantes incluyen STATSports, Catapult One, KINEXON Sports y PlayerData EDGE.
Hay más opciones disponibles en Rendimiento y Tracking en el Fútbol.
7. Cómo pueden construir los analistas de fútbol un flujo de trabajo asistido por IA
Introducir la IA en el análisis de fútbol no exige necesariamente que un club desarrolle sus propios modelos de machine learning.
Un punto de partida práctico es identificar una pregunta concreta de fútbol y determinar qué datos y métodos analíticos pueden ayudar a responderla.
Ejemplo: analizar la salida de balón de un rival
Imagina a un analista de rendimiento preparando un informe sobre cómo un próximo rival progresa el balón frente a una presión alta.
El siguiente flujo de trabajo ilustra cómo el análisis asistido por IA puede apoyar el proceso.
Paso 1: Definir la pregunta analítica
Establecer qué necesita entender el cuerpo técnico. En este ejemplo, la pregunta central es cómo progresa la posesión el rival cuando se enfrenta a una presión alta coordinada.
Paso 2: Recopilar los datos relevantes del partido
Reunir material de vídeo reciente, eventos de pase y datos posicionales cuando estén disponibles. Priorizar los partidos en los que el rival se enfrentó a estructuras de presión comparables.
Paso 3: Identificar patrones recurrentes
Utilizar herramientas analíticas para examinar las rutas de pase preferidas, los movimientos de los jugadores y las zonas donde el rival supera con regularidad la presión.
Paso 4: Validar los hallazgos con el vídeo
Revisar secuencias representativas e investigar explicaciones alternativas. Determinar si los patrones identificados se mantienen consistentes en distintas situaciones de partido.
Paso 5: Comunicar las conclusiones tácticas
Preparar un informe conciso con clips de vídeo relevantes, evidencias de apoyo y posibles respuestas tácticas.
El objetivo no es generar la mayor colección posible de estadísticas. Es producir hallazgos que los entrenadores puedan entender, valorar y trasladar al entrenamiento o a la preparación del partido.
Los analistas con recursos limitados pueden empezar con plataformas estadísticas accesibles y vídeo etiquetado manualmente antes de invertir en infraestructuras de tracking o machine learning más sofisticadas.
Por ejemplo, StatsBomb Open Data ofrece un punto de partida para explorar datos de eventos de fútbol, mientras que FBref proporciona información estadística accesible.
Para una explicación más amplia de la tecnología subyacente, lee Cómo funciona la IA en el fútbol: de los datos del partido a las ideas tácticas.
8. Limitaciones de la IA en el análisis de fútbol
A pesar de su potencial, el análisis de fútbol impulsado por IA se enfrenta a varias limitaciones importantes.
Calidad y disponibilidad de los datos
Los datos profesionales de tracking pueden ser caros o difíciles de conseguir. Registros de eventos incompletos, errores de tracking y definiciones inconsistentes pueden debilitar los resultados analíticos.
Contexto táctico
Un modelo puede identificar un rendimiento estadísticamente inusual sin comprender las instrucciones concretas que se dieron a un jugador.
Los analistas de fútbol deben distinguir entre las decisiones individuales y las responsabilidades impuestas por la estructura táctica del equipo.
Muestras pequeñas y condiciones cambiantes
Un puñado de partidos puede no aportar evidencia suficiente para establecer patrones fiables.
Los rivales, las formaciones, la plantilla y las instrucciones tácticas también pueden cambiar de forma significativa a lo largo de una temporada.
Transparencia de los modelos
Algunos sistemas de machine learning generan resultados difíciles de interpretar.
Los analistas necesitan entender qué mide un modelo, cómo se validó y en qué puntos sus predicciones dejan de ser fiables.
Predicción frente a causalidad
Una asociación entre un patrón de movimiento concreto y resultados ofensivos exitosos no establece necesariamente que ese movimiento haya causado esos resultados.
Coste y complejidad operativa
Una infraestructura analítica avanzada puede requerir personal especializado, pipelines de datos fiables y un mantenimiento continuo.
No todos los clubes necesitan el mismo nivel de sofisticación técnica.
Estas limitaciones refuerzan la importancia de combinar la evidencia estadística con el análisis de vídeo, el conocimiento de los entrenadores y el conocimiento del entorno competitivo.
9. El futuro de la IA en el análisis de fútbol
Los desarrollos futuros del análisis de fútbol probablemente implicarán una integración más estrecha de datos de eventos, información de tracking, material de vídeo y machine learning.
Los sistemas analíticos multimodales podrían facilitar la investigación de una pregunta táctica utilizando varios tipos de evidencia al mismo tiempo.
Los avances en visión por computador también pueden reducir el trabajo manual necesario para extraer información útil del vídeo, lo que podría hacer más accesibles ciertas técnicas analíticas a clubes con presupuestos más reducidos.
Otra área de investigación es el análisis contrafactual: estimar qué habría ocurrido si un jugador hubiera pasado a un compañero distinto, se hubiera movido a otra posición o hubiera elegido una acción defensiva alternativa.
TacticAI demuestra una aplicación de este enfoque en el análisis de jugadas a balón parado, aunque extender métodos similares a la complejidad del juego abierto sigue siendo un reto de investigación importante.
El valor a largo plazo de estos desarrollos dependerá de su fiabilidad, su accesibilidad y su capacidad para responder a preguntas de fútbol relevantes.
Conclusión
La IA está transformando el análisis de fútbol al permitir a los analistas investigar más información, examinar relaciones complejas y evaluar aspectos del rendimiento que las estadísticas tradicionales captan con dificultad.
Sus aplicaciones van desde los goles esperados y los modelos de valor de la posesión hasta el reconocimiento de patrones tácticos, la evaluación de jugadores, los fichajes y el control del rendimiento físico.
Sin embargo, los modelos sofisticados no son automáticamente mejores modelos. Su utilidad depende de la calidad de sus datos, de las preguntas que abordan y de la experiencia de quienes interpretan sus resultados.
Para los clubes de fútbol, el enfoque más productivo es tratar la IA como un recurso analítico que complementa el scouting, el trabajo de los entrenadores y el conocimiento del rendimiento.
Explora las herramientas de IA para el fútbol en AICUP.tools para descubrir plataformas de análisis de partidos, scouting, control del rendimiento y preparación táctica.
Preguntas frecuentes
¿Cómo se utiliza la IA en el análisis de fútbol?
La IA se emplea para procesar datos de partidos, analizar movimientos de jugadores, identificar patrones tácticos y estimar la probabilidad de determinados eventos. Sus aplicaciones incluyen el modelado de goles esperados, el análisis de rivales, la analítica de fichajes y la evaluación del rendimiento de los jugadores.
¿Cuál es la diferencia entre la IA y el análisis tradicional de fútbol?
El análisis tradicional suele utilizar estadísticas descriptivas y modelos estadísticos convencionales. Los enfoques basados en IA pueden incorporar machine learning, visión por computador y otras técnicas para identificar patrones complejos. Ambos enfoques se solapan con frecuencia, y no toda métrica avanzada de fútbol requiere IA.
¿Puede la IA analizar la táctica de fútbol?
Sí. Con datos de eventos, de tracking o de vídeo adecuados, la IA puede ayudar a identificar patrones tácticos recurrentes, examinar el posicionamiento de los jugadores y evaluar alternativas potenciales. El proyecto de investigación TacticAI ofrece un ejemplo documentado de análisis de saques de esquina asistido por IA.
¿Qué herramientas de análisis de fútbol utilizan IA?
Plataformas como SciSports y StatsBomb ofrecen capacidades analíticas avanzadas, mientras que otros proveedores de tecnología futbolística se centran en flujos de trabajo de vídeo, tracking o fichajes. La disponibilidad y el alcance de la funcionalidad de IA varían según el producto.
¿Puede la IA predecir con precisión los resultados de los partidos de fútbol?
El machine learning puede estimar probabilidades de resultado a partir del rendimiento histórico, las características de los equipos y otra información relevante. Sin embargo, los resultados del fútbol siguen siendo inciertos, y la precisión predictiva depende del modelo, de los datos disponibles y de la metodología de evaluación.
¿Sustituirá la IA a los analistas de fútbol?
La IA puede automatizar aspectos del procesamiento de datos, del análisis de vídeo y del reconocimiento de patrones, pero interpretar los hallazgos, comprender el contexto táctico y comunicar recomendaciones siguen siendo responsabilidades importantes de los analistas humanos.