KI wird Fußballscouts nicht ersetzen — aber sie wird verändern, wen Clubs einstellen

Die Debatte über künstliche Intelligenz im Fußball-Scouting dreht sich häufig um eine einzige Frage: Wird KI Scouts irgendwann ersetzen?

Die Frage ist nachvollziehbar. Aber vielleicht ist sie auch die falsche.

Bislang besteht die größte Veränderung in Recruitment-Abteilungen nicht darin, dass Scouts verschwinden. Verändert hat sich vielmehr das Umfeld, in dem sie arbeiten. Clubs haben heute Zugang zu mehr Spielern, mehr Videomaterial und mehr Daten als je zuvor. Ein Scout kann an einem Nachmittag Dutzende Spieler aus einem anderen Land vergleichen, sich ein erstes Bild von einer Liga machen, die er noch nie vor Ort verfolgt hat, und eine Longlist in einem Bruchteil der Zeit verkürzen, die derselbe Prozess früher benötigt hätte.

KI beginnt nun, Teil dieses Workflows zu werden. Nicht als Ersatz für fußballerisches Urteilsvermögen, sondern als zusätzliche Ebene zwischen dem Scout und der enormen Menge an Informationen, die ihm zur Verfügung steht.

Die sinnvollere Frage lautet deshalb vielleicht: Welche Art von Scout werden Clubs in einem KI-gestützten Recruitment-Umfeld künftig einstellen wollen?

Scouting bedeutet längst mehr als nur Spieler zu beobachten

Im August 2026 stellte Hudl Statsbomb AI Player Summaries vor, eine Funktion, die die zugrunde liegenden Daten eines Spielers in ein kurzes, verständliches Profil überführt. Das System kann seine Rolle beschreiben, auffällige Merkmale hervorheben und datenbasierte Muster zusammenfassen, ohne dass ein Analyst zunächst jede einzelne Kennzahl durcharbeiten muss.

Es handelt sich nicht um ein System, das einem Club sagt, wen er verpflichten soll. Hudl beschreibt es selbst nicht so. Vielmehr soll ein Teil der Vorarbeit reduziert werden, bevor über eine Shortlist diskutiert wird. Dieser Unterschied ist entscheidend: Das Tool trifft nicht die Recruitment-Entscheidung. Es verkürzt lediglich den Weg bis zu dem Punkt, an dem die menschliche Entscheidung beginnt.

Andere Unternehmen bewegen sich in eine ähnliche Richtung, allerdings nicht zwingend mit derselben Technologie. Im Juli 2026 brachte Soccerment SICS Atlas auf den Markt, eine als AI-native bezeichnete Plattform, die Video-, Event- und Tracking-Daten in einer Umgebung zusammenführt. Nutzer können in natürlicher Sprache suchen, Spieler vergleichen, relevante Videosequenzen abrufen und einzelne Schritte des Scouting-Prozesses durchlaufen, ohne jede Abfrage manuell erstellen zu müssen.

Auf den ersten Blick wirkt das wie eine Veränderung der Benutzeroberfläche. Tatsächlich deutet es auf etwas Größeres hin. Recruitment-Abteilungen könnten zunehmend in der Lage sein, ein Fußballproblem in Fußballsprache zu beschreiben und einen größeren Teil der technischen Suche dem System zu überlassen.

„Zeig mir zentrale Mittelfeldspieler unter 23, die unter Druck den Ball nach vorn tragen können und in ein intensives Ballbesitzspiel passen könnten“ ist noch immer nur der Anfang eines guten Scouting-Briefings. Doch der Abstand zwischen diesem Satz und einer tatsächlich nutzbaren Spielerliste wird kleiner.

Das macht Fußballwissen nicht weniger wichtig. Es macht die Qualität der Frage wichtiger.

Mehr Daten bedeuten nicht automatisch bessere Entscheidungen

Die Entwicklung beschränkt sich nicht auf generative KI. Einige der wichtigsten Fortschritte im Recruitment entstehen durch Computer Vision, Tracking-Daten und Modelle, die versuchen zu erfassen, was Spieler tun, wenn sie sich weit entfernt vom Ball befinden.

Klassische Event-Daten zeigen sehr gut, dass ein Pass, ein Schuss, ein Dribbling oder ein Tackling stattgefunden hat. Weniger vollständig sind sie, wenn wir verstehen wollen, wie die Positionen rund um diese Aktion aussahen, welche Optionen ein Spieler nicht gewählt hat, welcher Lauf den Raum geöffnet hat oder welche defensive Bewegung verhindert hat, dass ein Pass überhaupt gespielt wurde.

Unternehmen wie SkillCorner und Stats Perform versuchen, diese Lücke zu schließen. SkillCorner kombiniert Tracking- und Event-Daten, um Kennzahlen rund um Bewegungen ohne Ball, Pressing, Entscheidungsfindung und Teamstruktur zu erzeugen. Im April 2026 verlängerte Everton die Zusammenarbeit mit SkillCorner und integrierte Game-Intelligence-Daten in seine Recruitment- und First-Team-Analysemodelle. Charlie Reeves, Head of Performance Insights des Clubs, erklärte, das Ziel sei ein vollständigeres Bild davon, wie ein Spieler zum Spielstil der Mannschaft passt, anstatt sich allein auf Event-Daten zu verlassen.

Zwei Monate später erweiterte Bayer 04 Leverkusen seine Partnerschaft mit Stats Perform, um Opta Vision in Recruitment und Matchanalyse zu integrieren. Opta Vision kombiniert Event- und Tracking-Daten mit KI-gestützten Kennzahlen wie Läufen ohne Ball, Pressingintensität, Teamstruktur und linienbrechenden Pässen.

Diese Systeme sind nicht identisch, und jede Entwicklung in der Fußballanalyse unter dem Begriff „KI“ zusammenzufassen, kann schnell irreführend werden. Generative KI, Computer Vision, Machine Learning und automatisiertes Tracking lösen unterschiedliche Probleme.

Für einen Scout zeigt die Entwicklung dennoch in dieselbe Richtung: Immer größere Teile des Spiels lassen sich messen, durchsuchen und vergleichen.

Schwierig bleibt die Frage, was davon wirklich relevant ist.

Ein Mittelfeldspieler kann bei progressiven Pässen weit oben liegen. Aber wie stark wird dieser Wert von der Struktur um ihn herum beeinflusst? Ein Flügelspieler kann im Umschaltspiel hervorragende Zahlen liefern. Was passiert jedoch, wenn er zu einem Team wechselt, das den Großteil seiner Spiele gegen einen tiefen Block bestreitet? Ein Modell kann zeigen, dass ein Spieler unter Druck gute Leistungen bringt. Aber ist der gemessene Druck wirklich mit dem Umfeld vergleichbar, in das er wechseln soll?

Technologie kann mehr Informationen sichtbar machen. Sie kann diese Informationen nicht automatisch sinnvoll machen.

Gutes Scouting bestand nie darin, möglichst viele Belege zu sammeln. Es besteht darin, diese Belege in den richtigen Kontext zu setzen.

Sevillas 300.000 Berichte erzählen eine andere KI-Geschichte

Eines der interessantesten Beispiele für KI im Recruitment beginnt nicht mit einem neuen Datensatz. Es beginnt mit alten Scouting-Berichten.

Sevilla FC hatte mehr als 300.000 davon gesammelt. In diesem Archiv befanden sich technische Bewertungen, Einschätzungen zu Stärken und Schwächen sowie Beobachtungen zu Eigenschaften, die sich nur schwer auf eine einzelne Kennzahl reduzieren lassen: Einstellung, Durchsetzungsvermögen, Führungsqualitäten, Verhalten und Persönlichkeit.

Das Problem war nicht fehlendes Wissen. Das Problem war, dieses Wissen nutzen zu können.

Gemeinsam mit IBM entwickelte Sevilla Scout Advisor, ein generatives KI-Tool auf Basis von watsonx, das auch Metas Llama-Modell nutzt. Recruitment-Verantwortliche können in natürlicher Sprache beschreiben, welchen Spielertyp sie suchen. Das System durchsucht anschließend die vorhandenen Berichte des Clubs, identifiziert relevante Profile und fasst zusammen, was die Scouting-Abteilung zuvor über diese Spieler geschrieben hat.

Laut Metas Fallstudie zu dem Projekt konnte die manuelle Prüfung einer Shortlist zuvor Hunderte Arbeitsstunden erfordern. Scout Advisor wurde entwickelt, um dieses angesammelte Wissen deutlich leichter zugänglich zu machen.

Der entscheidende Punkt ist nicht, dass KI Sevillas Scouts überflüssig gemacht hätte. Fast das Gegenteil ist der Fall.

Das System ist nützlich, weil Scouts über Jahre hinweg nützliche Informationen produziert haben.

KI ersetzt nicht das Scouting-Gedächtnis des Clubs. Sie macht es durchsuchbar.

Diese Unterscheidung könnte künftig noch wichtiger werden. Clubs denken bei einem Datenvorsprung häufig daran, Zugang zu besseren externen Informationen zu kaufen. In Zukunft könnte ein ebenso großer Vorteil darin liegen, internes Wissen besser zu nutzen. Ein Bericht, der vor fünf Jahren geschrieben wurde, muss nicht zwangsläufig in einem Archiv verschwinden, nur weil der Spieler oder der Scout den Club inzwischen verlassen hat.

Für Recruitment-Abteilungen kann KI institutionelles Wissen in ein wesentlich aktiveres Werkzeug verwandeln.

Den Spieler zu finden könnte bald nicht mehr der schwierigste Teil sein

Über Jahrzehnte hinweg war Zugang eine der großen Stärken eines Scouts: einen Spieler früher zu kennen als andere, einen Markt zu verstehen, den andere Clubs ignorieren, oder über das lokale Netzwerk zu verfügen, das nötig ist, um Talent frühzeitig zu entdecken.

Diese Vorteile verschwinden nicht. Lokales Wissen, Live-Beobachtung, persönliche Beziehungen und ein echtes Verständnis weniger sichtbarer Fußballmärkte bleiben enorm wichtig.

Doch Spielersuche lässt sich immer stärker skalieren.

Plattformen wie SciSports ermöglichen Recruitment-Teams bereits heute, sehr große Spielerpools anhand von Leistungs-, Spielstil-, Potenzial- und Marktwertmodellen zu vergleichen. Im Februar 2026 wurde das Estimated-Transfer-Value-Modell von SciSports in FotMob integriert. Das ist ein weiteres Zeichen dafür, dass Modelle, die früher vor allem mit spezialisierten Recruitment-Umfeldern verbunden waren, deutlich breiter verfügbar werden.

Mit der Weiterentwicklung dieser Systeme könnte die erste Phase des Recruitments immer häufiger mit einem bereits algorithmisch verkleinerten Spielerpool beginnen. Statt einen Scout mit 1.000 möglichen Kandidaten starten zu lassen, könnte das System 50 Spieler liefern, die die grundlegenden Anforderungen des Clubs erfüllen.

Das kann enorm viel Zeit sparen. Gleichzeitig kann es verändern, wo der Wettbewerbsvorteil entsteht.

Wenn mehrere Clubs ähnliche Datensätze und zunehmend leistungsfähige Discovery-Tools nutzen, kann derselbe aufstrebende Spieler nahezu gleichzeitig auf mehreren Bildschirmen erscheinen. Den Namen als Erster gefunden zu haben, könnte weniger wertvoll werden als die Fähigkeit einer Organisation, den Spieler besser zu verstehen.

Die schwierige Frage verschiebt sich von „Wer ist überhaupt verfügbar?“ zu „Wer passt wirklich zu uns?“.

Und diese Frage lässt sich wesentlich schwerer automatisieren.

Recruitment ist kein reines Ranking. Ein Spieler muss zu einer taktischen Rolle, einem wirtschaftlichen Modell, einer Kaderplanung, einem Trainer und häufig auch zu einem für ihn völlig neuen Land oder einer neuen Kultur passen. Seine aktuelle Leistung muss von dem Umfeld getrennt werden, das sie produziert. Schwächen müssen gegen das abgewogen werden, was sich realistisch entwickeln lässt. Sein Wert muss immer gemeinsam mit dem Risiko betrachtet werden.

Scouting war schon immer mit Unsicherheit verbunden. Bessere Technologie kann einen Teil davon reduzieren, aber sie kann sie nicht beseitigen.

Was könnte uns in den nächsten Jahren erwarten?

Genau vorherzusagen, wie eine Recruitment-Abteilung in drei oder fünf Jahren arbeiten wird, wäre ein Fehler. Fußball hat Technologie schon immer sehr unterschiedlich schnell übernommen. Die Werkzeuge eines Champions-League-Clubs werden nicht zwangsläufig denen eines Recruitment-Teams in einer unteren Liga entsprechen.

Einige Richtungen sind dennoch bereits erkennbar.

Die erste ist die Bewegung von klassischen Filtern hin zu konversationellen und agentenbasierten Systemen. Heute entscheidet ein Scout meist selbst, nach welchen Variablen er suchen möchte, und baut anschließend die entsprechenden Filter. Morgen könnte ein größerer Teil des Prozesses mit einer Fußballfrage beginnen. Das System könnte das Briefing interpretieren, mehrere Datensätze durchsuchen, eine erste Shortlist erstellen, Videos vorbereiten, Kandidaten vergleichen und frühere interne Berichte hervorholen, ohne dass der Nutzer zwischen mehreren Plattformen wechseln muss.

Soccerments SICS Atlas ist ein frühes Beispiel für diese Richtung. Ob solche Systeme eines Tages zuverlässig genug sein werden, komplexe professionelle Recruitment-Workflows zu bewältigen, bleibt abzuwarten. Die Idee dahinter ist jedoch klar: Fußballsoftware beginnt sich von der reinen Darstellung von Informationen hin zur aktiven Arbeit mit Informationen zu entwickeln.

Eine zweite Veränderung dürfte aus einer detaillierteren Analyse des Spiels ohne Ball entstehen. Event-Daten sagen uns viel darüber, was ein Spieler mit dem Ball macht. Tracking-Daten erlauben Clubs schwierigere Fragen darüber zu stellen, was geschieht, bevor der Spieler den Ball erhält, wenn das Team den Ball verliert oder wenn eine Aktion gar nicht erst stattfindet. Neue Pressing-Metriken, Modelle für Läufe ohne Ball und Analysen der Teamstruktur versuchen, diese weniger sichtbaren Teile des Spiels messbarer zu machen.

Die dritte Veränderung könnte die ambitionierteste sein: von der Beschreibung der Leistung hin zur Vorhersage der Passung.

Der Großteil der Recruitment-Daten zeigt uns weiterhin, was ein Spieler bereits getan hat. Die Frage, die jeder Club tatsächlich beantworten möchte, lautet jedoch, was er als Nächstes tun wird — und noch genauer: was er in unserem Team tun wird.

Wie wird ein Außenverteidiger performen, der von einem umschaltorientierten Team zu einer Mannschaft wechselt, die den Ballbesitz dominiert? Kann ein Mittelfeldspieler sein Niveau halten, wenn das Spieltempo in einer stärkeren Liga steigt? Werden die Bewegungen eines Stürmers auch gegen tiefere Defensivblöcke denselben Wert erzeugen? Wie viel vom aktuellen Profil eines jungen Spielers zeigt echtes Potenzial und wie viel ist lediglich ein Produkt seines derzeitigen Umfelds?

Prädiktive Recruitment-Modelle versuchen bereits, sich Teilen dieses Problems zu nähern. Fußball bleibt jedoch zu komplex für wirklich sichere Antworten. Das wird Clubs wahrscheinlich nicht davon abhalten, es weiter zu versuchen.

Ein künftiger Recruitment-Workflow könnte damit beginnen, dass ein Sporting Director Spielstil, Budget, Altersprofil und Positionsbedarf des Clubs beschreibt. Das System könnte Hunderte Wettbewerbe durchsuchen, Kandidaten generieren, Video-Playlists vorbereiten, physische und taktische Profile vergleichen, finanzielle Parameter schätzen und alles abrufen, was die eigenen Scouts des Clubs zuvor über diese Spieler geschrieben haben.

An diesem Punkt wäre die Arbeit des Scouts nicht beendet.

Vielleicht würde dort der wichtigste Teil erst beginnen.

Technologie kann Scouting erweitern — und neue blinde Flecken schaffen

Diese Entwicklung hat noch eine andere Seite. Wenn Recruitment leichter aus der Distanz durchgeführt werden kann, könnte Scouting geografisch breiter werden.

Computer-Vision-Systeme können Tracking-Informationen aus Broadcast-Bildern ableiten, Video-Plattformen nehmen immer mehr Wettbewerbe auf und große Datensätze decken Märkte ab, die viele Clubs früher nur schwer kontinuierlich beobachten konnten. Eine Recruitment-Abteilung muss nicht mehr in jeder frühen Phase der Spielersuche einen Scout physisch vor Ort haben.

Das könnte mehr Spielern aus kleineren Ligen einen Weg in die Recruitment-Datenbanken größerer Clubs eröffnen.

Es kann aber auch neue blinde Flecken erzeugen.

Ein Markt mit schlechter Videoabdeckung oder unzuverlässigen Daten bleibt für solche Systeme schwieriger zu verstehen. Ligen mit stärkerer digitaler Infrastruktur könnten überproportional sichtbar werden. Modelle, die auf historischen Fußballentscheidungen trainiert werden, könnten außerdem genau jene Spielertypen immer wieder bevorzugen, die die Branche bereits zu bewerten weiß, statt wirklich neue Profile zu erkennen.

Die Gefahr besteht nicht nur darin, dass ein KI-System eine schlechte Empfehlung abgibt. Die größere Gefahr wäre, dass eine Recruitment-Abteilung schrittweise nur noch innerhalb der Grenzen dessen denkt, was ihre Systeme messen können.

Genau hier bleibt menschliche Neugier schwer zu ersetzen.

Ein guter Scout sollte nicht nur wissen, wie man die Plattform benutzt. Er sollte auch wissen, wann er sie verlassen muss.

Wie wird der Scout der Zukunft aussehen?

Nichts davon bedeutet, dass der Scout der Zukunft zum Data Scientist werden muss.

Die Vorstellung, jeder Scout müsse programmieren, Machine-Learning-Modelle bauen oder den gesamten Arbeitstag in einem Dashboard verbringen, ist lediglich eine andere Form derselben Übertreibung, die das vollständige Verschwinden des Scoutings vorhersagt.

Die grundlegenden Fähigkeiten bleiben erstaunlich vertraut: das Spiel verstehen, einen Spieler innerhalb seiner Rolle beurteilen, Entwicklungspotenzial erkennen, klar kommunizieren, gute Fragen stellen und bereit sein, für eine Empfehlung einzustehen.

Was sich verändert, ist die Umgebung, in der diese Fähigkeiten eingesetzt werden.

Die nächste Generation von Scouts wird wahrscheinlich mit mehr Video, mehr Leistungsdaten, mehr Tracking-Informationen und mehr KI-generiertem Material arbeiten. Sie braucht genügend Datenkompetenz, um zu verstehen, was eine Kennzahl tatsächlich aussagt, genügend technische Sicherheit im Umgang mit modernen Recruitment-Plattformen und genügend Skepsis, um zu erkennen, wann ein überzeugendes Modellergebnis wichtigen Kontext auslässt.

KI zu nutzen und KI zu vertrauen sind zwei unterschiedliche Dinge.

Eine automatisch erstellte Spielerzusammenfassung kann hilfreich und trotzdem unvollständig sein. Ein Similarity-Modell kann statistisch eine sehr starke Übereinstimmung finden und dabei einen entscheidenden Aspekt der taktischen Rolle übersehen. Eine Shortlist kann mathematisch perfekt aus einem schlecht definierten Recruitment-Briefing berechnet worden sein.

Technologie kann eine Frage schneller beantworten. Sie kann nicht garantieren, dass die Frage gut war.

Vielleicht wird fußballerisches Urteilsvermögen gerade deshalb wertvoller und nicht weniger wichtig.

Wenn mehr Clubs auf ähnliche Videos, ähnliche Daten und mit der Zeit ähnliche KI-Tools zugreifen können, ist das Werkzeug selbst nicht länger der Vorteil. Der Vorteil verlagert sich auf die Person, die das Ergebnis richtig interpretieren kann.

Die eigentliche Veränderung könnte im Wert des Urteilsvermögens liegen

Es ist unwahrscheinlich, dass KI das Scouting in einem einzigen dramatischen Moment verändert. Clubs werden nicht eines Morgens aufwachen, ihre Scouting-Abteilungen schließen und jede Transferentscheidung einem Algorithmus überlassen.

Die Veränderung wird vermutlich leiser verlaufen.

Eine Recherche, die früher drei Stunden dauerte, könnte in dreißig Minuten erledigt sein. Ein Pool von tausend Spielern könnte reduziert werden, bevor ein Scout mit dem Anschauen beginnt. Bewegungen ohne Ball könnten neben klassischen Event-Daten verfügbar sein. Ein Bericht von vor mehreren Jahren könnte innerhalb von Sekunden gefunden werden. Ein erstes Spielerprofil könnte bereits existieren, bevor der Scout überhaupt mit dem Schreiben beginnt.

Wenn das passiert, wird allein die Fähigkeit, Informationen über einen Spieler zu finden, weniger wertvoll.

Zu wissen, was man mit diesen Informationen macht, wird wertvoller.

Der Anspruch an Scouts könnte mit der Qualität der Werkzeuge steigen, die ihnen zur Verfügung stehen. Clubs werden weiterhin Menschen brauchen, die Fußball beobachten und verstehen können. Zunehmend könnten sie jedoch diejenigen bevorzugen, die Informationen filtern, Daten hinterfragen, zwischen Analyse- und Recruitment-Teams kommunizieren und nicht nur erklären können, welchen Spieler sie empfehlen, sondern auch warum.

Vielleicht ist das die realistischere Art, über KI und Scouting nachzudenken.

Künstliche Intelligenz wird Fußballscouts möglicherweise nicht ersetzen.

Aber sie könnte den Unterschied zwischen einem durchschnittlichen und einem sehr guten Scout vergrößern.