L’IA non sostituirà gli scout di calcio — ma cambierà chi viene assunto dai club

Il dibattito sull’intelligenza artificiale nello scouting calcistico ruota spesso attorno a una sola domanda: l’IA finirà per sostituire gli scout?

È una domanda comprensibile. Ma potrebbe anche essere la domanda sbagliata.

Finora, il cambiamento più importante nei dipartimenti di recruitment non è stato la scomparsa degli scout, ma la trasformazione dell’ambiente in cui lavorano. I club hanno oggi accesso a più giocatori, più video e più dati che mai. Uno scout può confrontare in un solo pomeriggio decine di calciatori che giocano in un altro Paese, costruire una prima valutazione di un campionato che non ha mai seguito dal vivo e ridurre una longlist in una frazione del tempo che lo stesso processo avrebbe richiesto in passato.

L’IA sta iniziando a entrare in questo flusso di lavoro. Non come sostituto del giudizio calcistico, ma come un nuovo livello tra lo scout e l’enorme quantità di informazioni a sua disposizione.

La domanda più utile, quindi, potrebbe essere un’altra: che tipo di scout vorranno assumere i club in un ambiente di recruitment assistito dall’IA?

Lo scouting non significa più soltanto guardare i giocatori

Nell’agosto 2026, Hudl Statsbomb ha presentato AI Player Summaries, una funzione che trasforma i dati di un giocatore in un profilo breve e leggibile. Il sistema può descriverne il ruolo, mettere in evidenza caratteristiche rilevanti e riassumere tendenze supportate dai dati senza che un analista debba passare attraverso ogni singola metrica prima di scrivere una prima valutazione.

Non è un sistema che dice a un club chi deve acquistare. Hudl non lo presenta neppure in questo modo. L’obiettivo è ridurre una parte del lavoro preparatorio prima che inizi la discussione sulla shortlist. La distinzione è importante: lo strumento non prende la decisione di recruitment, ma accorcia il percorso fino al punto in cui inizia la decisione umana.

Altre aziende si stanno muovendo nella stessa direzione, anche se non necessariamente con la stessa tecnologia. Nel luglio 2026, Soccerment ha lanciato SICS Atlas, una piattaforma definita AI-native che riunisce video, event data e tracking data nello stesso ambiente. Gli utenti possono effettuare ricerche in linguaggio naturale, confrontare giocatori, recuperare clip pertinenti e svolgere alcune fasi del processo di scouting senza dover costruire manualmente ogni query.

Può sembrare un semplice cambiamento di interfaccia, ma indica qualcosa di più ampio. I dipartimenti di recruitment potrebbero essere sempre più in grado di descrivere un problema calcistico con il linguaggio del calcio e lasciare al sistema una parte maggiore della ricerca tecnica.

“Mostrami centrocampisti centrali sotto i 23 anni capaci di far progredire il pallone sotto pressione e di adattarsi a un gioco di possesso ad alta intensità” resta solo l’inizio di un buon scouting brief. Ma la distanza tra quella frase e una lista di giocatori realmente utilizzabile si sta riducendo.

Questo non rende la conoscenza del calcio meno importante. Rende più importante la qualità della domanda.

Più dati non significano decisioni migliori

La trasformazione non riguarda soltanto l’IA generativa. Alcuni degli sviluppi più importanti nel recruitment stanno arrivando dalla computer vision, dai tracking data e da modelli progettati per comprendere ciò che fanno i giocatori quando sono lontani dal pallone.

L’event data tradizionale ci dice molto bene che si è verificato un passaggio, un tiro, una conduzione o un tackle. È meno completo quando vogliamo capire il posizionamento attorno a quell’azione, le opzioni che un giocatore non ha scelto, la corsa che ha creato lo spazio o il movimento difensivo che ha impedito a un passaggio di essere effettuato.

Aziende come SkillCorner e Stats Perform stanno cercando di colmare questo vuoto. SkillCorner combina tracking ed event data per produrre metriche relative ai movimenti senza palla, alla pressione, al processo decisionale e alla struttura della squadra. Nell’aprile 2026, l’Everton ha esteso la propria partnership con SkillCorner e ha integrato i dati Game Intelligence nei propri modelli di recruitment e di analisi della prima squadra. Charlie Reeves, Head of Performance Insights del club, ha spiegato che l’obiettivo era costruire una visione più completa di come un giocatore si adatta allo stile della squadra, invece di affidarsi esclusivamente all’event data.

Due mesi dopo, il Bayer 04 Leverkusen ha ampliato la partnership con Stats Perform per integrare Opta Vision nei processi di recruitment e match analysis. Opta Vision combina event e tracking data con metriche arricchite dall’IA, tra cui corse senza palla, intensità della pressione, struttura della squadra e passaggi che superano linee di pressione.

Questi sistemi non sono identici e raggruppare ogni innovazione nell’analisi calcistica sotto l’etichetta “IA” può diventare rapidamente fuorviante. IA generativa, computer vision, machine learning e tracking automatizzato affrontano problemi diversi.

Per uno scout, però, la direzione è simile: una parte sempre più ampia del gioco può essere misurata, ricercata e confrontata.

La parte difficile è decidere cosa conta davvero.

Un centrocampista può essere tra i migliori per passaggi progressivi, ma quanto di quel dato dipende dalla struttura che lo circonda? Un esterno può produrre numeri eccellenti in transizione, ma cosa succede se si trasferisce in una squadra che passa gran parte delle partite ad attaccare contro un blocco basso? Un modello può indicare che un giocatore rende bene sotto pressione, ma la pressione misurata è realmente paragonabile all’ambiente in cui verrà inserito?

La tecnologia può rendere visibili più informazioni. Non può renderle automaticamente significative.

Il buon scouting non è mai consistito nell’accumulare il maggior numero possibile di elementi. Consiste nel collocarli nel giusto contesto.

I 300.000 report del Siviglia raccontano un’altra storia sull’IA

Uno degli esempi più interessanti di IA nel recruitment non parte da un nuovo dataset. Parte da vecchi report di scouting.

Il Sevilla FC ne aveva accumulati più di 300.000. All’interno di quell’archivio c’erano valutazioni tecniche, opinioni su punti di forza e debolezza e osservazioni su qualità difficili da ridurre a una singola metrica: atteggiamento, tenacia, leadership, comportamento e personalità.

Il problema non era la mancanza di conoscenza. Era riuscire a utilizzarla.

In collaborazione con IBM, il Siviglia ha sviluppato Scout Advisor, uno strumento di IA generativa costruito su watsonx e basato anche sul modello Llama di Meta. I responsabili del recruitment possono descrivere in linguaggio naturale il tipo di giocatore che stanno cercando e il sistema consulta i report esistenti del club per individuare profili pertinenti e riassumere ciò che il dipartimento scouting aveva scritto in precedenza su di loro.

Secondo il case study pubblicato da Meta, analizzare manualmente una shortlist poteva richiedere centinaia di ore. Scout Advisor è stato progettato per rendere molto più accessibile quella conoscenza accumulata.

La parte più importante della storia non è che l’IA abbia reso inutili gli scout del Siviglia. È quasi il contrario.

Il sistema è utile perché gli scout hanno trascorso anni a produrre informazioni utili.

L’IA non sostituisce la memoria scouting del club. La rende consultabile.

Questa distinzione potrebbe diventare sempre più importante. I club pensano spesso al vantaggio legato ai dati come alla possibilità di acquistare l’accesso a migliori fonti esterne. In futuro, un vantaggio altrettanto significativo potrebbe derivare dall’uso più efficace delle proprie conoscenze interne. Un report scritto cinque anni prima non deve necessariamente perdersi in un archivio quando il giocatore o lo scout non fanno più parte del club.

Per i dipartimenti di recruitment, l’IA può trasformare la memoria istituzionale in uno strumento molto più attivo.

Trovare il giocatore potrebbe non essere più la parte più difficile

Per decenni, uno dei grandi vantaggi di uno scout è stato l’accesso: conoscere un giocatore prima degli altri, capire un mercato ignorato da altri club o avere la rete locale necessaria per individuare il talento in anticipo.

Questi vantaggi non stanno scomparendo. Conoscenza locale, osservazione dal vivo, relazioni personali e comprensione reale dei mercati meno visibili restano estremamente importanti.

Ma la scoperta dei giocatori sta diventando sempre più scalabile.

Piattaforme come SciSports permettono già ai team di recruitment di confrontare grandi gruppi di giocatori utilizzando modelli di performance, stile di gioco, potenziale e valore di mercato. Nel febbraio 2026, il modello Estimated Transfer Value di SciSports è stato integrato in FotMob, un altro segnale di come strumenti un tempo associati soprattutto ad ambienti specialistici di recruitment stiano diventando molto più diffusi.

Con il miglioramento di questi sistemi, la prima fase del recruitment potrebbe iniziare sempre più spesso con un gruppo di giocatori già ridotto dagli algoritmi. Invece di chiedere a uno scout di partire da 1.000 possibili candidati, il sistema potrebbe aiutare a selezionarne 50 che soddisfano i requisiti generali del club.

Questo può far risparmiare una quantità enorme di tempo. Può anche cambiare il punto in cui nasce il vantaggio competitivo.

Se più club utilizzano dataset simili e strumenti di discovery sempre più potenti, lo stesso giocatore emergente può apparire su più schermi quasi nello stesso momento. Essere i primi a trovare il nome potrebbe diventare meno importante rispetto a essere l’organizzazione che comprende meglio quel giocatore.

La domanda difficile passa da “chi c’è sul mercato?” a “chi è davvero adatto a noi?”.

Ed è una domanda molto più difficile da automatizzare.

Il recruitment non è semplicemente un esercizio di ranking. Un giocatore deve adattarsi a un ruolo tattico, a un modello economico, a un piano di rosa, a un allenatore e spesso anche a un Paese o a una cultura completamente nuovi. La sua prestazione attuale deve essere separata dall’ambiente che la produce. I suoi limiti devono essere valutati insieme a ciò che può realisticamente migliorare. Il suo valore deve essere sempre considerato insieme al rischio.

Lo scouting ha sempre comportato incertezza. Una tecnologia migliore può ridurne una parte, ma non può eliminarla.

Cosa possiamo aspettarci nei prossimi anni?

Provare a descrivere con precisione come funzionerà un dipartimento di recruitment tra tre o cinque anni sarebbe un errore. Il calcio ha una lunga storia di adozione disomogenea della tecnologia, e gli strumenti utilizzati da un club di Champions League non saranno necessariamente gli stessi a disposizione di una squadra delle categorie inferiori.

Alcune direzioni, però, sono già visibili.

La prima è il passaggio dai filtri tradizionali a sistemi conversazionali e agentic. Oggi uno scout decide spesso quali variabili cercare e poi costruisce i filtri. Domani una parte maggiore del processo potrebbe iniziare da una domanda calcistica. Il sistema potrebbe interpretare il brief, interrogare più dataset, costruire una prima shortlist, preparare i video, confrontare i candidati e recuperare report interni precedenti senza costringere l’utente a passare continuamente da una piattaforma all’altra.

SICS Atlas di Soccerment è un primo esempio di questa direzione. Resta da vedere se questi sistemi diventeranno abbastanza affidabili da gestire workflow complessi di recruitment professionale, ma l’idea è chiara: i software calcistici stanno iniziando a passare dal mostrare informazioni al lavorare attivamente con le informazioni.

Un secondo cambiamento probabilmente arriverà da un’analisi più ricca del gioco senza palla. L’event data ci dice molto su ciò che un giocatore fa con il pallone. Il tracking data permette ai club di porre domande più difficili su ciò che accade prima che il giocatore riceva palla, quando la squadra perde il possesso o quando un’azione non si verifica affatto. Nuove metriche di pressione, modelli di corse senza palla e analisi della struttura di squadra stanno cercando di rendere più misurabili queste parti meno visibili del gioco.

Il terzo cambiamento potrebbe essere il più ambizioso: passare dalla descrizione della performance alla previsione dell’adattamento.

La maggior parte dei dati di recruitment continua a dirci ciò che un giocatore ha già fatto. La domanda a cui ogni club vuole davvero rispondere riguarda ciò che farà dopo e, più precisamente, ciò che farà nella nostra squadra.

Come renderà un terzino passando da una squadra orientata alle transizioni a una che domina il possesso? Un centrocampista riuscirà a mantenere lo stesso livello quando aumenterà la velocità del campionato? I movimenti di un attaccante continueranno a creare valore contro blocchi difensivi più bassi? Quanto del profilo attuale di un giovane riflette un potenziale reale e quanto dipende semplicemente dall’ambiente in cui gioca?

I modelli predittivi di recruitment stanno già cercando di affrontare parti di questo problema. Il calcio, tuttavia, resta troppo complesso per offrire risposte certe. Questo probabilmente non impedirà ai club di continuare a provarci.

Un futuro workflow di recruitment potrebbe iniziare con uno sporting director che descrive lo stile del club, il budget, la fascia d’età e la necessità in una determinata posizione. Il sistema potrebbe analizzare centinaia di competizioni, generare candidati, preparare playlist video, confrontare profili fisici e tattici, stimare parametri finanziari e recuperare tutto ciò che gli scout del club hanno scritto in precedenza su quei giocatori.

A quel punto, il lavoro dello scout non sarebbe finito.

Potrebbe essere proprio lì che inizierebbe la parte più importante.

La tecnologia può ampliare lo scouting — e creare nuovi punti ciechi

C’è un altro lato di questa evoluzione. Se il recruitment può essere svolto più facilmente a distanza, lo scouting può diventare geograficamente più ampio.

I sistemi di computer vision possono ricavare informazioni di tracking dalle immagini delle partite, le piattaforme video continuano ad aggiungere competizioni e i grandi dataset coprono mercati che in passato molti club faticavano a monitorare con continuità. Un dipartimento di recruitment non ha più bisogno di avere uno scout fisicamente presente in ogni prima fase della scoperta.

Questo potrebbe offrire a più giocatori dei campionati minori una strada verso i database di recruitment dei club più grandi.

Ma potrebbe anche creare nuovi punti ciechi.

Un mercato con copertura video scarsa o dati poco affidabili sarà ancora più difficile da comprendere per questi sistemi. I campionati con infrastrutture digitali migliori potrebbero diventare sproporzionatamente visibili. I modelli addestrati sulle decisioni storiche del calcio potrebbero inoltre rafforzare i profili che l’industria sa già come valutare, invece di identificare qualcosa di realmente diverso.

Il pericolo non è soltanto che un sistema di IA dia una raccomandazione sbagliata. Il rischio più profondo è che un dipartimento di recruitment inizi gradualmente a pensare soltanto entro i confini di ciò che i suoi sistemi riescono a misurare.

È qui che la curiosità umana resta difficile da sostituire.

Un buon scout non dovrebbe sapere soltanto come utilizzare la piattaforma. Dovrebbe anche sapere quando uscirne.

Come sarà lo scout del futuro?

Nulla di tutto questo significa che lo scout del futuro dovrà diventare un data scientist.

L’idea che ogni scout debba programmare, costruire modelli di machine learning o trascorrere l’intera giornata davanti a una dashboard è semplicemente un’altra versione della stessa esagerazione che prevede la scomparsa completa dello scouting.

Le competenze fondamentali restano sorprendentemente familiari: capire il gioco, valutare un calciatore all’interno del suo ruolo, riconoscere il potenziale di sviluppo, comunicare con chiarezza, fare le domande giuste ed essere disposto a sostenere una raccomandazione.

Ciò che sta cambiando è l’ambiente in cui queste competenze vengono utilizzate.

La prossima generazione di scout lavorerà probabilmente con più video, più dati di performance, più informazioni di tracking e più contenuti generati dall’IA. Avrà bisogno di una sufficiente alfabetizzazione dei dati per capire cosa stia davvero dicendo una metrica, abbastanza sicurezza tecnica per lavorare con le moderne piattaforme di recruitment e sufficiente scetticismo per riconoscere quando un output convincente sta perdendo un contesto importante.

Usare l’IA e fidarsi dell’IA non sono la stessa cosa.

Un profilo di giocatore generato automaticamente può essere utile e comunque incompleto. Un modello di similarità può trovare una corrispondenza statisticamente molto forte ma non cogliere un elemento fondamentale del ruolo tattico. Una shortlist può essere calcolata perfettamente partendo da un recruitment brief definito male.

La tecnologia può rispondere più rapidamente a una domanda. Non può garantire che la domanda fosse quella giusta.

Forse è proprio per questo che il giudizio calcistico può diventare più prezioso, non meno.

Quando più club avranno accesso a video simili, dati simili e, nel tempo, strumenti di IA simili, lo strumento stesso smetterà di essere il vantaggio. Il vantaggio passerà alla persona capace di interpretare correttamente ciò che produce.

Il vero cambiamento potrebbe essere nel valore del giudizio

È improbabile che l’IA trasformi lo scouting in un unico momento spettacolare. I club non si sveglieranno una mattina, chiuderanno i loro dipartimenti scouting e affideranno ogni decisione di mercato a un algoritmo.

Il cambiamento sarà probabilmente molto più silenzioso.

Una ricerca che una volta richiedeva tre ore potrà essere completata in trenta minuti. Un gruppo di mille giocatori potrà essere ridotto prima che lo scout inizi a guardare i video. I movimenti senza palla potranno essere disponibili insieme al tradizionale event data. Un report scritto anni prima potrà essere recuperato in pochi secondi. Un primo profilo del giocatore potrebbe essere già pronto prima che lo scout inizi a scrivere.

Quando questo accadrà, il semplice fatto di trovare informazioni su un giocatore avrà meno valore.

Sapere cosa fare con quelle informazioni ne avrà di più.

Lo standard richiesto agli scout potrebbe crescere insieme alla qualità degli strumenti che li circondano. I club continueranno ad avere bisogno di persone capaci di guardare e capire il calcio, ma potrebbero valorizzare sempre di più chi sa filtrare le informazioni, mettere in discussione i dati, comunicare tra i team di analisi e recruitment e spiegare non solo quale giocatore consiglia, ma anche perché.

Forse questo è il modo più realistico di pensare al rapporto tra IA e scouting.

L’intelligenza artificiale potrebbe non sostituire gli scout di calcio.

Ma potrebbe ampliare la distanza tra uno scout medio e uno davvero bravo.