L’IA ne remplacera pas les scouts de football — mais elle changera les profils que les clubs recrutent

Le débat sur l’intelligence artificielle dans le scouting de football tourne souvent autour d’une seule question : l’IA finira-t-elle par remplacer les scouts ?

La question est compréhensible. Mais ce n’est peut-être pas la bonne.

Jusqu’ici, le changement le plus important au sein des départements de recrutement n’a pas été la disparition des scouts, mais la transformation de leur environnement de travail. Les clubs ont aujourd’hui accès à davantage de joueurs, de vidéos et de données que jamais. En un après-midi, un scout peut comparer des dizaines de joueurs évoluant dans un autre pays, se faire une première idée d’un championnat qu’il n’a jamais suivi sur place et réduire une longue liste beaucoup plus rapidement qu’auparavant.

L’IA commence désormais à s’intégrer à ce processus. Non pas pour remplacer le jugement footballistique, mais comme une couche supplémentaire entre le scout et la quantité immense d’informations disponibles.

La question la plus utile est donc peut-être la suivante : quel type de scout les clubs voudront-ils recruter dans un environnement où le recrutement est assisté par l’IA ?

Le scouting ne consiste plus seulement à regarder des joueurs

En août 2026, Hudl Statsbomb a lancé AI Player Summaries, une fonctionnalité capable de transformer les données d’un joueur en un profil court et lisible. Le système peut décrire son rôle, mettre en avant certaines caractéristiques et résumer des tendances soutenues par les données, sans qu’un analyste ait besoin de parcourir chaque métrique avant de rédiger une première évaluation.

Ce n’est pas un outil qui dit à un club quel joueur recruter. Hudl ne le présente d’ailleurs pas de cette manière. L’objectif est de réduire une partie du travail préparatoire avant qu’une shortlist ne soit discutée. La distinction est importante : l’outil ne prend pas la décision de recrutement, il raccourcit le chemin jusqu’au moment où commence la décision humaine.

D’autres entreprises avancent dans la même direction, sans nécessairement utiliser la même technologie. En juillet 2026, Soccerment a lancé SICS Atlas, une plateforme présentée comme AI-native, réunissant vidéo, event data et tracking data dans un même environnement. Les utilisateurs peuvent effectuer des recherches en langage naturel, comparer des joueurs, retrouver des séquences vidéo pertinentes et avancer dans certaines étapes du scouting sans construire chaque requête manuellement.

Cela peut sembler être une simple évolution d’interface. En réalité, cela annonce quelque chose de plus large. Les départements de recrutement pourront de plus en plus décrire un problème de football avec des termes de football et laisser le système gérer une plus grande partie de la recherche technique sous-jacente.

« Montre-moi des milieux de terrain de moins de 23 ans capables de faire progresser le ballon sous pression et de s’adapter à un jeu de possession à haute intensité » n’est encore que le début d’un bon scouting brief. Mais la distance entre cette phrase et une liste de joueurs réellement exploitable devient de plus en plus courte.

Cela ne rend pas la connaissance du football moins importante. Cela rend la qualité de la question plus importante.

Plus de données ne signifie pas de meilleures décisions

La transformation ne se limite pas à l’IA générative. Certains des développements les plus importants dans le recrutement passent par la computer vision, le tracking data et des modèles conçus pour comprendre ce que font les joueurs lorsqu’ils sont loin du ballon.

L’event data traditionnel nous indique très bien qu’une passe, un tir, une conduite de balle ou un tacle a eu lieu. Il est moins complet lorsqu’il s’agit de comprendre le positionnement autour de cette action, les options ignorées par le joueur, la course qui a créé l’espace ou encore le déplacement défensif qui a empêché une passe d’être jouée.

Des entreprises comme SkillCorner et Stats Perform cherchent à combler cet écart. SkillCorner combine tracking et event data pour produire des métriques autour des déplacements sans ballon, de la pression, de la prise de décision et de la structure collective. En avril 2026, Everton a prolongé son partenariat avec SkillCorner et intégré les données Game Intelligence à ses modèles de recrutement et d’analyse de l’équipe première. Charlie Reeves, Head of Performance Insights du club, a expliqué que l’objectif était de construire une vision plus complète de la manière dont un joueur s’intègre au style d’une équipe, plutôt que de se fier uniquement à l’event data.

Deux mois plus tard, Bayer 04 Leverkusen a élargi son partenariat avec Stats Perform afin d’intégrer Opta Vision à ses processus de recrutement et d’analyse de match. Opta Vision combine event et tracking data avec des métriques enrichies par l’IA, notamment les courses sans ballon, l’intensité du pressing, la structure de l’équipe et les passes cassant les lignes.

Ces systèmes ne sont pas identiques, et regrouper toutes les évolutions de l’analyse footballistique sous le terme « IA » peut vite devenir trompeur. L’IA générative, la computer vision, le machine learning et le tracking automatisé répondent à des problèmes différents.

Pour un scout, toutefois, la direction générale est similaire : une part toujours plus grande du jeu peut être mesurée, recherchée et comparée.

La difficulté consiste à décider ce qui compte vraiment.

Un milieu peut figurer parmi les meilleurs en passes progressives, mais dans quelle mesure ce chiffre dépend-il de la structure qui l’entoure ? Un ailier peut produire d’excellents chiffres en transition, mais que se passe-t-il s’il rejoint une équipe qui passe la majorité de ses matches à attaquer un bloc bas ? Un modèle peut indiquer qu’un joueur est performant sous pression, mais la pression mesurée est-elle vraiment comparable à celle qu’il rencontrera dans son nouvel environnement ?

La technologie peut rendre davantage d’informations visibles. Elle ne peut pas automatiquement les rendre pertinentes.

Le bon scouting n’a jamais consisté à accumuler le maximum d’éléments possibles. Il consiste à remettre ces éléments dans leur contexte.

Les 300 000 rapports du Sevilla racontent une autre histoire de l’IA

L’un des exemples les plus intéressants d’utilisation de l’IA dans le recrutement ne commence pas par une nouvelle base de données. Il commence par d’anciens rapports de scouting.

Le Sevilla FC en avait accumulé plus de 300 000. Cet ensemble contenait des évaluations techniques, des avis sur les forces et faiblesses des joueurs ainsi que des observations sur des qualités difficiles à réduire à une seule métrique : l’attitude, la ténacité, le leadership, le comportement ou la personnalité.

Le problème n’était pas le manque de connaissance. Le problème était de pouvoir l’utiliser.

Avec IBM, Sevilla a développé Scout Advisor, un outil d’IA générative basé sur watsonx et utilisant également le modèle Llama de Meta. Les responsables du recrutement peuvent décrire en langage naturel le type de joueur recherché, et le système consulte les rapports existants du club afin d’identifier des profils pertinents et de résumer ce que le département scouting avait déjà écrit à leur sujet.

Selon l’étude de cas publiée par Meta, l’analyse manuelle d’une shortlist pouvait auparavant demander des centaines d’heures. Scout Advisor a été conçu pour rendre cette masse de connaissances beaucoup plus accessible.

L’élément le plus important n’est pas que l’IA ait rendu les scouts de Sevilla inutiles. C’est presque l’inverse.

Le système est utile parce que des scouts ont passé des années à produire des informations utiles.

L’IA ne remplace pas la mémoire scouting du club. Elle la rend consultable.

Cette distinction pourrait devenir de plus en plus importante. Les clubs pensent souvent à l’avantage lié aux données en termes d’accès à de meilleures sources externes. À l’avenir, un avantage tout aussi important pourrait venir de la capacité à mieux exploiter leur propre connaissance interne. Un rapport rédigé cinq ans plus tôt n’a pas nécessairement besoin de disparaître dans une archive une fois que le joueur ou le scout a quitté le club.

Pour les départements de recrutement, l’IA peut transformer la mémoire institutionnelle en un outil beaucoup plus actif.

Trouver le joueur pourrait ne plus être la partie la plus difficile

Pendant des décennies, l’un des grands atouts d’un scout était l’accès : connaître un joueur avant les autres, comprendre un marché ignoré par d’autres clubs ou disposer du réseau local nécessaire pour détecter un talent très tôt.

Ces avantages ne disparaissent pas. La connaissance locale, l’observation en direct, les relations personnelles et la compréhension réelle des marchés moins visibles restent extrêmement importantes.

Mais la détection de joueurs devient de plus en plus facile à mettre à l’échelle.

Des plateformes comme SciSports permettent déjà aux équipes de recrutement de comparer de très grands groupes de joueurs à partir de modèles de performance, de style de jeu, de potentiel et de valeur de marché. En février 2026, le modèle Estimated Transfer Value de SciSports a été intégré à FotMob, autre signe que des outils autrefois surtout associés aux environnements spécialisés de recrutement commencent à être utilisés beaucoup plus largement.

À mesure que ces systèmes progresseront, la première étape du recrutement pourrait de plus en plus commencer avec une liste déjà réduite par des algorithmes. Au lieu de demander à un scout de partir de 1 000 joueurs possibles, le système pourrait en proposer 50 correspondant aux critères généraux du club.

Le gain de temps peut être considérable. Mais cela peut également déplacer l’avantage concurrentiel.

Si plusieurs clubs utilisent des datasets similaires et des outils de découverte de plus en plus performants, le même joueur émergent peut apparaître sur plusieurs écrans presque au même moment. Être la première personne à trouver son nom peut devenir moins précieux qu’être l’organisation qui le comprend le mieux.

La question difficile passe de « qui existe sur le marché ? » à « qui est réellement adapté à notre club ? ».

Et cette question est beaucoup plus difficile à automatiser.

Le recrutement n’est pas simplement un exercice de classement. Un joueur doit correspondre à un rôle tactique, un modèle économique, une planification d’effectif, un entraîneur et, souvent, un pays ou une culture qui lui sont totalement nouveaux. Il faut distinguer sa performance actuelle de l’environnement qui la produit. Ses faiblesses doivent être mises en balance avec ce qu’il peut réellement améliorer. Sa valeur doit toujours être évaluée avec le risque.

Le scouting a toujours impliqué de l’incertitude. Une meilleure technologie peut en réduire une partie, mais elle ne peut pas l’éliminer.

À quoi pourraient ressembler les prochaines années ?

Prétendre décrire exactement à quoi ressemblera un département de recrutement dans trois ou cinq ans serait une erreur. Le football adopte depuis longtemps les technologies à des rythmes très différents, et les outils utilisés par un club de Champions League ne seront pas nécessairement les mêmes que ceux d’une équipe de division inférieure.

Certaines directions sont néanmoins déjà visibles.

La première est le passage des filtres traditionnels vers des systèmes conversationnels et agentic. Aujourd’hui, un scout décide généralement quelles variables rechercher, puis construit les filtres correspondants. Demain, une plus grande partie du processus pourrait commencer par une question de football. Le système pourrait interpréter le brief, interroger plusieurs datasets, construire une première shortlist, préparer les vidéos, comparer les candidats et retrouver les anciens rapports internes sans que l’utilisateur ait besoin de passer d’une plateforme à l’autre.

SICS Atlas de Soccerment constitue un exemple précoce de cette direction. Il reste à voir si ces systèmes deviendront suffisamment fiables pour gérer des workflows complexes de recrutement professionnel, mais l’idée est claire : les logiciels de football commencent à passer de l’affichage d’informations au traitement actif de ces informations.

Un deuxième changement devrait venir d’une analyse plus riche du jeu sans ballon. L’event data nous renseigne largement sur ce qu’un joueur fait avec le ballon. Le tracking data permet aux clubs de poser des questions plus difficiles sur ce qui se passe avant que le joueur ne le reçoive, lorsque l’équipe perd la possession ou même lorsqu’une action n’a jamais lieu. Les nouvelles métriques de pression, les modèles de courses sans ballon et les analyses de structure collective sont autant de tentatives visant à rendre plus mesurables ces dimensions moins visibles du jeu.

Le troisième changement pourrait être le plus ambitieux : passer de la description de la performance à la prédiction de l’adéquation.

La majorité des données de recrutement nous indique encore ce qu’un joueur a déjà fait. La question que tous les clubs veulent réellement résoudre concerne ce qu’il fera ensuite et, plus précisément, ce qu’il fera dans notre équipe.

Comment un latéral évoluant dans une équipe de transition se comportera-t-il dans une formation qui domine la possession ? Un milieu pourra-t-il maintenir son niveau lorsque le rythme du championnat augmentera ? Les déplacements d’un attaquant continueront-ils à créer de la valeur face à des blocs défensifs plus bas ? Quelle part du profil actuel d’un jeune joueur reflète son véritable potentiel, et quelle part dépend simplement de son environnement ?

Les modèles prédictifs de recrutement tentent déjà d’aborder certaines parties de ce problème. Mais le football reste trop complexe pour produire des réponses certaines. Cela n’empêchera probablement pas les clubs de continuer à essayer.

Un futur workflow de recrutement pourrait commencer par un sporting director décrivant le style du club, son budget, la tranche d’âge recherchée et le besoin à un poste précis. Le système pourrait analyser des centaines de compétitions, générer des candidats, préparer des playlists vidéo, comparer les profils physiques et tactiques, estimer les paramètres financiers et retrouver tout ce que les scouts du club ont déjà écrit sur ces joueurs.

À ce moment-là, le travail du scout ne serait pas terminé.

C’est peut-être là que commencerait la partie la plus importante.

La technologie peut élargir le scouting — et créer de nouveaux angles morts

Cette évolution possède une autre dimension. Si le recrutement devient plus facile à mener à distance, le scouting peut s’élargir géographiquement.

Les systèmes de computer vision peuvent extraire des informations de tracking à partir d’images de diffusion, les plateformes vidéo continuent d’ajouter des compétitions et les grands datasets couvrent des marchés que de nombreux clubs avaient auparavant du mal à suivre régulièrement. Un département de recrutement n’a plus besoin d’avoir un scout physiquement présent à chaque première étape de la détection.

Cela pourrait offrir à davantage de joueurs évoluant dans des ligues plus petites un accès aux bases de données de recrutement de clubs plus importants.

Mais cela peut aussi créer de nouveaux angles morts.

Un marché disposant d’une mauvaise couverture vidéo ou de données peu fiables restera plus difficile à comprendre pour ces systèmes. Les championnats dotés d’une meilleure infrastructure numérique pourraient devenir disproportionnellement visibles. Des modèles entraînés sur des décisions historiques du football pourraient également renforcer les profils que l’industrie sait déjà valoriser, au lieu d’identifier quelque chose de réellement différent.

Le danger n’est pas simplement qu’un système d’IA fasse une mauvaise recommandation. Il est qu’un département de recrutement commence progressivement à réfléchir uniquement dans les limites de ce que ses systèmes savent mesurer.

C’est là que la curiosité humaine reste difficile à remplacer.

Un bon scout ne devrait pas seulement savoir utiliser la plateforme. Il devrait aussi savoir quand en sortir.

À quoi ressemblera le scout de demain ?

Rien de tout cela ne signifie que le scout du futur devra devenir data scientist.

L’idée selon laquelle chaque scout devra coder, construire des modèles de machine learning ou passer toute sa journée devant un dashboard n’est qu’une autre forme de l’exagération qui annonce la disparition totale du scouting.

Les compétences fondamentales restent étonnamment familières : comprendre le jeu, évaluer un joueur dans son rôle, reconnaître son potentiel de développement, communiquer clairement, poser de bonnes questions et être capable d’assumer une recommandation.

Ce qui change, c’est l’environnement dans lequel ces compétences sont utilisées.

La prochaine génération de scouts travaillera probablement avec davantage de vidéo, de données de performance, d’informations de tracking et de contenus générés par l’IA. Elle devra posséder suffisamment de culture de la donnée pour comprendre ce qu’une métrique indique, suffisamment d’aisance technique pour travailler avec les plateformes modernes de recrutement et suffisamment de scepticisme pour reconnaître lorsqu’un résultat convaincant manque d’un contexte essentiel.

Utiliser l’IA et faire confiance à l’IA ne sont pas la même chose.

Un résumé de joueur généré automatiquement peut être utile tout en restant incomplet. Un modèle de similarité peut trouver une correspondance statistiquement forte tout en passant à côté d’un élément fondamental du rôle tactique. Une shortlist peut être calculée à la perfection à partir d’un recruitment brief mal défini.

La technologie peut répondre plus rapidement à une question. Elle ne peut pas garantir que la question était bonne.

C’est peut-être précisément pour cette raison que le jugement footballistique peut devenir plus précieux, et non moins.

Lorsque davantage de clubs ont accès à des vidéos similaires, à des données similaires et, avec le temps, à des outils d’IA similaires, l’outil lui-même cesse d’être l’avantage. L’avantage se déplace vers la personne capable d’interpréter correctement ce qu’il produit.

Le vrai changement pourrait concerner la valeur du jugement

Il est peu probable que l’IA transforme le scouting en un seul moment spectaculaire. Les clubs ne vont pas se réveiller un matin, fermer leur département scouting et confier toutes leurs décisions de transfert à un algorithme.

Le changement sera probablement beaucoup plus discret.

Une recherche qui prenait autrefois trois heures pourra être réalisée en trente minutes. Un groupe de mille joueurs pourra être réduit avant même que le scout ne commence à regarder les vidéos. Les déplacements sans ballon pourront être disponibles aux côtés de l’event data traditionnel. Un rapport écrit plusieurs années auparavant pourra être retrouvé en quelques secondes. Un premier profil du joueur pourra déjà exister avant même que le scout ne commence à rédiger.

Lorsque cela arrivera, le simple fait de trouver des informations sur un joueur aura moins de valeur.

Savoir quoi faire de ces informations en aura davantage.

Le niveau attendu des scouts pourrait augmenter avec la qualité des outils qui les entourent. Les clubs continueront d’avoir besoin de personnes capables de regarder et de comprendre le football, mais ils pourraient valoriser de plus en plus celles qui savent filtrer les éléments disponibles, remettre les données en question, communiquer entre les équipes d’analyse et de recrutement et expliquer non seulement quel joueur elles recommandent, mais pourquoi.

C’est peut-être la manière la plus réaliste de penser la relation entre l’IA et le scouting.

L’intelligence artificielle ne remplacera peut-être pas les scouts de football.

Mais elle pourrait accentuer l’écart entre un scout moyen et un très bon scout.