Aprendizaje profundo para el reconocimiento dinámico de formaciones tácticas en el fútbol profesional

Leer el partido con IA

Cuando los aficionados ven un partido de fútbol, a menudo hablan de formaciones como 4-4-2 o 4-3-3. Pero sobre el césped, esas figuras se doblan, estiran y transforman constantemente mientras los jugadores corren, presionan o retroceden. Este artículo muestra cómo la inteligencia artificial moderna puede rastrear esos patrones siempre cambiantes en tiempo real, convirtiendo datos de movimiento en bruto en una imagen detallada de cómo juegan realmente los equipos, segundo a segundo.

Por qué las formaciones son más que números

La formación de un equipo es más que una línea de números en un tablero táctico. Es el plano que organiza dónde se sitúan los jugadores, cómo se mueven juntos y cómo alternan entre atacar y defender. El análisis tradicional se basaba en entrenadores que veían el vídeo y tomaban notas: un proceso lento y subjetivo que tiene dificultades para captar matices sutiles. Incluso los primeros métodos informáticos solían congelar la acción en instantáneas estáticas, etiquetando cada una con una única formación e ignorando el flujo continuo del juego. Como resultado, perdían rasgos clave del fútbol moderno: intercambios de roles sobre la marcha, líneas que se desplazan al unísono y estrategias que se despliegan en distintas escalas temporales, desde una presión rápida hasta un ajuste táctico a largo plazo.

Del movimiento bruto a la visión táctica

Los autores proponen un nuevo modelo de IA, el Transformador Espaciotemporal Jerárquico de Doble Corriente sobre Grafos (HDS‑SGT), diseñado específicamente para seguir estos movimientos complejos. Toma como entrada los datos de seguimiento ahora comunes en el fútbol de élite: las ubicaciones bidimensionales de todos los jugadores de campo, muestreadas diez veces por segundo, además de información derivada de esas posiciones como velocidad, aceleración y distancias entre compañeros. Antes de cualquier aprendizaje, el sistema limpia y estandariza los datos: recentralizándolos respecto al equipo, suavizando mediciones ruidosas y añadiendo características que capturan cuán agrupados o dispersos están los jugadores. Esto hace posible reconocer la misma formación tanto si un equipo defiende muy atrás como si presiona en la parte alta del campo.

Dos maneras de ver el espacio y el tiempo

HDS‑SGT analiza el partido a través de dos lentes complementarias. Una corriente trata al equipo como una red: cada jugador es un punto y se forman conexiones entre jugadores que están lo bastante cerca en el campo como para influirse mutuamente. Esta visión basada en grafos ayuda al modelo a aprender patrones como líneas defensivas compactas o triángulos en el mediocampo. Al mismo tiempo, una segunda corriente se centra en cómo evoluciona la forma global del equipo a lo largo de períodos de tiempo más extensos. Comprime el movimiento de todos los jugadores en señales a nivel de equipo y usa un mecanismo de atención —desarrollado originalmente para la traducción de lenguajes— para descubrir qué momentos del pasado son más relevantes para entender el presente. Crucialmente, esta segunda corriente funciona a varias escalas temporales a la vez, desde cambios rápidos en un par de segundos hasta reorganizaciones más lentas a lo largo de un minuto de juego.

Seguir los roles en lugar de los dorsales

Un aspecto particularmente desafiante del fútbol moderno es que los jugadores intercambian tareas con frecuencia: un lateral avanza como un extremo, un centrocampista cae a la línea defensiva o un delantero lidera la presión en el mediocampo. Las etiquetas fijas ligadas a los dorsales no pueden seguir esta fluidez. Para abordarlo, el modelo incluye un Módulo de Asignación Dinámica de Roles. En lugar de asumir que un jugador determinado es siempre, por ejemplo, un lateral izquierdo, aprende “plantillas de rol” flexibles basadas en cómo se comportan los jugadores. En cada instante, compara el movimiento y la posición actuales de cada jugador con estas plantillas y les asigna una mezcla de roles que puede cambiar de forma suave en el tiempo. Una penalización integrada desincentiva saltos de rol irrealísticamente bruscos, reflejando que los verdaderos cambios tácticos suelen desplegarse durante varios segundos en lugar de ocurrir de manera instantánea.

Lo que el modelo logró en partidos reales

Los investigadores probaron su sistema con datos de seguimiento de 847 partidos profesionales de varias competiciones, cubriendo más de 1.200 horas de juego. Entrenadores expertos proporcionaron etiquetas detalladas, marcando no solo qué formación se estaba usando sino también cuándo los equipos estaban en proceso de cambiar de forma. En comparación con una amplia gama de métodos existentes —desde modelos estadísticos clásicos hasta arquitecturas modernas de aprendizaje profundo—, HDS‑SGT demostró ser sustancialmente más preciso. Identificó las formaciones correctamente en alrededor del 95% de los instantes y detectó transiciones tácticas con una alta puntuación F1, una medida equilibrada de precisión y recuperación. Estas mejoras fueron especialmente notables para formaciones raras o inusuales y para momentos complejos en los que muchos jugadores cambian de posición a la vez. Importante: tras el entrenamiento, el modelo puede ejecutarse lo bastante rápido en una tarjeta gráfica estándar como para seguir el juego en directo, analizando más de veinte fotogramas de datos de seguimiento por segundo.

De herramienta de laboratorio a asistente en el banquillo

Para un público general, la conclusión clave es que este trabajo convierte la idea vaga de “forma” en algo que un ordenador puede seguir en tiempo real. Al combinar una visión en red de cómo se relacionan los jugadores entre sí, una visión multiescala de cómo se desarrollan las tácticas en el tiempo y una noción flexible de los roles de los jugadores, el sistema puede detectar no solo qué formación está usando un equipo, sino también cuándo esa formación empieza a cambiar. Aunque el estudio se centra en datos de seguimiento de élite y en hardware específico, el enfoque apunta hacia herramientas futuras que podrían apoyar a entrenadores, analistas e incluso retransmisores, ofreciendo información objetiva y en directo sobre la historia táctica oculta que se desarrolla bajo la superficie de cada partido.

Cita: Wang, Y., ShangGuan, Q., Chen, G. et al. Deep learning for dynamic tactical formation recognition in professional football. Sci Rep 16, 13846 (2026). https://doi.org/10.1038/s41598-026-41383-9

Palabras clave: tácticas de fútbol, análisis de formaciones, analítica deportiva, aprendizaje profundo, datos de seguimiento de jugadores