A IA não vai substituir os scouts de futebol — mas vai mudar quem os clubes contratam

O debate sobre inteligência artificial no scouting de futebol costuma girar em torno de uma única pergunta: a IA vai acabar substituindo os scouts?

É uma pergunta compreensível. Mas talvez também seja a pergunta errada.

Até agora, a mudança mais importante dentro dos departamentos de recruitment não foi o desaparecimento dos scouts, mas a transformação do ambiente em que eles trabalham. Os clubes têm hoje acesso a mais jogadores, mais vídeos e mais dados do que nunca. Um scout pode comparar dezenas de jogadores de outro país em uma única tarde, construir uma primeira leitura de uma liga que nunca acompanhou presencialmente e reduzir uma longlist em uma fração do tempo que o mesmo processo exigia no passado.

A IA está começando a entrar nesse fluxo de trabalho. Não como substituta do julgamento futebolístico, mas como uma nova camada entre o scout e a enorme quantidade de informação disponível.

A pergunta mais útil, então, talvez seja outra: que tipo de scout os clubes vão querer contratar em um ambiente de recruitment assistido por IA?

O scouting já não é apenas observar jogadores

Em agosto de 2026, a Hudl Statsbomb apresentou o AI Player Summaries, uma funcionalidade que transforma os dados de um jogador em um perfil curto e fácil de ler. O sistema pode descrever sua função, destacar características relevantes e resumir padrões sustentados pelos dados sem que um analista precise percorrer cada métrica antes de escrever uma primeira avaliação.

Não é um sistema que diz a um clube quem deve contratar. A Hudl também não o apresenta dessa forma. O objetivo é reduzir parte do trabalho preliminar antes que uma shortlist seja discutida. A diferença é importante: a ferramenta não toma a decisão de recruitment; ela encurta o caminho até o ponto em que começa a decisão humana.

Outras empresas estão avançando na mesma direção, embora não necessariamente com a mesma tecnologia. Em julho de 2026, a Soccerment lançou o SICS Atlas, uma plataforma descrita como AI-native que reúne vídeo, event data e tracking data em um mesmo ambiente. Os usuários podem pesquisar em linguagem natural, comparar jogadores, encontrar clipes relevantes e avançar por partes do processo de scouting sem precisar montar cada consulta manualmente.

À primeira vista, isso pode parecer apenas uma mudança de interface. Na prática, aponta para algo maior. Os departamentos de recruitment podem passar a descrever um problema de futebol em linguagem de futebol e deixar que o sistema cuide de uma parte maior da busca técnica por trás dele.

“Mostre meio-campistas centrais com menos de 23 anos, capazes de progredir com a bola sob pressão e de se adaptar a um jogo de posse em alta intensidade” ainda é apenas o início de um bom scouting brief. Mas a distância entre essa frase e uma lista de jogadores realmente utilizável está ficando menor.

Isso não torna o conhecimento do jogo menos importante. Torna a qualidade da pergunta mais importante.

Mais dados não significam decisões melhores

A transformação não se limita à IA generativa. Alguns dos avanços mais importantes no recruitment estão acontecendo por meio de computer vision, tracking data e modelos desenvolvidos para entender o que os jogadores fazem quando estão longe da bola.

O event data tradicional é muito bom em nos dizer que houve um passe, um chute, uma condução ou um desarme. Ele é menos completo quando queremos entender o posicionamento ao redor daquela ação, as opções que o jogador não escolheu, a corrida que abriu o espaço ou o movimento defensivo que impediu um passe de acontecer.

Empresas como SkillCorner e Stats Perform estão tentando preencher essa lacuna. A SkillCorner combina tracking e event data para produzir métricas relacionadas a movimentos sem bola, pressão, tomada de decisão e estrutura coletiva. Em abril de 2026, o Everton ampliou sua parceria com a SkillCorner e incorporou os dados de Game Intelligence aos seus modelos de recruitment e análise do time principal. Charlie Reeves, Head of Performance Insights do clube, explicou que o objetivo era construir uma visão mais completa de como um jogador se encaixa no estilo da equipe, em vez de depender apenas do event data.

Dois meses depois, o Bayer 04 Leverkusen ampliou sua parceria com a Stats Perform para integrar o Opta Vision aos processos de recruitment e análise de partidas. O Opta Vision combina event e tracking data com métricas enriquecidas por IA, incluindo corridas sem bola, intensidade de pressão, estrutura da equipe e passes que quebram linhas.

Esses sistemas não são iguais, e colocar todos os avanços da análise de futebol sob o rótulo de “IA” pode rapidamente se tornar enganoso. IA generativa, computer vision, machine learning e tracking automatizado resolvem problemas diferentes.

Para um scout, porém, a direção é parecida: uma parte cada vez maior do jogo pode ser medida, pesquisada e comparada.

A parte difícil é decidir o que realmente importa.

Um meio-campista pode estar entre os melhores em passes progressivos, mas quanto desse número é produzido pela estrutura ao seu redor? Um ponta pode apresentar números excelentes em transição, mas o que acontece quando ele vai para uma equipe que passa a maior parte das partidas atacando contra blocos baixos? Um modelo pode indicar que um jogador rende bem sob pressão, mas a pressão medida é realmente comparável ao ambiente para o qual ele está sendo recrutado?

A tecnologia pode tornar mais informações visíveis. Não pode tornar essas informações automaticamente significativas.

O bom scouting nunca foi apenas acumular o máximo possível de evidências. Sempre foi colocar essas evidências no contexto certo.

Os 300 mil relatórios do Sevilla contam outra história sobre IA

Um dos exemplos mais interessantes de IA aplicada ao recruitment não começa com um novo conjunto de dados. Começa com antigos relatórios de scouting.

O Sevilla FC havia acumulado mais de 300 mil. Nesse arquivo estavam avaliações técnicas, opiniões sobre pontos fortes e fracos e observações sobre qualidades difíceis de reduzir a uma única métrica: atitude, competitividade, liderança, comportamento e personalidade.

O problema não era falta de conhecimento. Era conseguir usar esse conhecimento.

Em parceria com a IBM, o Sevilla desenvolveu o Scout Advisor, uma ferramenta de IA generativa construída sobre o watsonx e que também utiliza o modelo Llama da Meta. Os responsáveis pelo recruitment podem descrever em linguagem natural o tipo de jogador que estão buscando, e o sistema consulta os relatórios existentes do clube para identificar perfis relevantes e resumir o que o departamento de scouting já havia escrito sobre esses jogadores.

Segundo o estudo de caso publicado pela Meta, revisar manualmente uma shortlist podia exigir centenas de horas. O Scout Advisor foi desenvolvido para tornar esse conhecimento acumulado muito mais acessível.

O ponto mais importante dessa história não é que a IA tenha tornado os scouts do Sevilla desnecessários. É quase o contrário.

O sistema é útil porque os scouts passaram anos produzindo informação útil.

A IA não substitui a memória de scouting do clube. Ela torna essa memória pesquisável.

Essa diferença pode se tornar cada vez mais importante. Os clubes costumam pensar em vantagem de dados como acesso a melhores fontes externas. No futuro, uma vantagem igualmente relevante pode vir da capacidade de usar melhor o próprio conhecimento interno. Um relatório escrito cinco anos atrás não precisa necessariamente desaparecer em um arquivo quando o jogador ou o scout já não estão mais no clube.

Para os departamentos de recruitment, a IA pode transformar a memória institucional em uma ferramenta muito mais ativa.

Encontrar o jogador pode deixar de ser a parte mais difícil

Durante décadas, uma das grandes vantagens de um scout foi o acesso: conhecer um jogador antes dos outros, entender um mercado ignorado por outros clubes ou ter a rede local necessária para identificar talento cedo.

Essas vantagens não estão desaparecendo. Conhecimento local, observação ao vivo, relações pessoais e uma compreensão real de mercados menos visíveis continuam extremamente importantes.

Mas a descoberta de jogadores está se tornando cada vez mais escalável.

Plataformas como a SciSports já permitem que equipes de recruitment comparem grandes grupos de jogadores por meio de modelos de performance, estilo de jogo, potencial e valor de mercado. Em fevereiro de 2026, o modelo Estimated Transfer Value da SciSports foi integrado ao FotMob, mais um sinal de que ferramentas antes associadas principalmente a ambientes especializados de recruitment estão chegando a um uso muito mais amplo.

À medida que esses sistemas evoluem, a primeira fase do recruitment pode começar cada vez mais com um grupo de jogadores já reduzido por algoritmos. Em vez de pedir a um scout que comece com 1.000 candidatos possíveis, o sistema pode ajudar a chegar a 50 que atendam aos requisitos gerais do clube.

Isso pode economizar uma enorme quantidade de tempo. Também pode mudar onde nasce a vantagem competitiva.

Se vários clubes utilizarem datasets semelhantes e ferramentas de discovery cada vez mais sofisticadas, o mesmo jogador emergente pode aparecer em várias telas praticamente ao mesmo tempo. Ser o primeiro a encontrar o nome pode se tornar menos valioso do que ser a organização que melhor entende aquele jogador.

A pergunta difícil deixa de ser “quem está disponível?” e passa a ser “quem é certo para nós?”.

E essa é uma pergunta muito mais difícil de automatizar.

O recruitment não é simplesmente um exercício de ranking. Um jogador precisa se encaixar em uma função tática, em um modelo econômico, em um plano de elenco, em um treinador e, muitas vezes, em um país ou uma cultura completamente novos. O desempenho atual precisa ser separado do ambiente que o produz. As limitações precisam ser avaliadas ao lado daquilo que pode realisticamente melhorar. O valor do jogador sempre precisa ser considerado junto com o risco.

O scouting sempre envolveu incerteza. Uma tecnologia melhor pode reduzir parte dela, mas não pode eliminá-la.

O que podemos esperar nos próximos anos?

Tentar descrever exatamente como funcionará um departamento de recruitment daqui a três ou cinco anos seria um erro. O futebol tem uma longa história de adotar tecnologia de forma desigual, e as ferramentas disponíveis para um clube de Champions League não serão necessariamente as mesmas que estarão ao alcance de uma equipe de divisões inferiores.

Ainda assim, algumas direções já são visíveis.

A primeira é a passagem dos filtros tradicionais para sistemas conversacionais e agentic. Hoje, um scout normalmente decide quais variáveis quer pesquisar e depois constrói os filtros. Amanhã, uma parte maior do processo pode começar com uma pergunta de futebol. O sistema pode interpretar o brief, pesquisar vários datasets, montar uma primeira shortlist, preparar vídeos, comparar candidatos e recuperar relatórios internos anteriores sem obrigar o usuário a passar por várias plataformas.

O SICS Atlas da Soccerment é um exemplo inicial dessa direção. Ainda é cedo para saber se esses sistemas se tornarão confiáveis o suficiente para lidar com workflows complexos de recruitment profissional, mas a ideia é clara: o software de futebol está começando a passar de mostrar informação para trabalhar ativamente com ela.

Uma segunda mudança provavelmente virá de uma análise mais rica do jogo sem bola. O event data nos diz muito sobre aquilo que um jogador faz com a bola. O tracking data permite que os clubes façam perguntas mais difíceis sobre o que acontece antes de o jogador receber, quando a equipe perde a posse ou quando uma ação simplesmente não acontece. Novas métricas de pressão, modelos de corridas sem bola e análises de estrutura coletiva estão tentando tornar essas partes menos visíveis do jogo mais mensuráveis.

A terceira mudança pode ser a mais ambiciosa: passar de descrever a performance para prever o encaixe.

A maior parte dos dados de recruitment ainda nos diz aquilo que um jogador já fez. A pergunta que todos os clubes realmente querem responder é o que ele fará em seguida e, mais especificamente, o que fará no nosso time.

Como vai render um lateral que sai de uma equipe voltada para transições e entra em outra que domina a posse? Um meio-campista conseguirá manter o mesmo nível quando a velocidade da liga aumentar? Os movimentos de um atacante continuarão criando valor contra blocos defensivos mais baixos? Quanto do perfil atual de um jovem representa potencial real e quanto depende simplesmente do contexto em que joga?

Modelos preditivos de recruitment já estão tentando abordar partes desse problema. O futebol, porém, continua complexo demais para oferecer respostas seguras. Isso provavelmente não vai impedir os clubes de continuar tentando.

Um workflow de recruitment no futuro pode começar com um sporting director descrevendo o estilo do clube, o orçamento, a faixa etária e a necessidade posicional. O sistema pode pesquisar centenas de competições, gerar candidatos, preparar playlists de vídeo, comparar perfis físicos e táticos, estimar parâmetros financeiros e recuperar tudo o que os scouts do clube já escreveram sobre aqueles jogadores.

Nesse ponto, o trabalho do scout não terá terminado.

Talvez seja justamente aí que comece a parte mais importante.

A tecnologia pode ampliar o scouting — e criar novos pontos cegos

Há outro lado nessa evolução. Se o recruitment puder ser conduzido com mais facilidade à distância, o scouting pode se tornar geograficamente mais amplo.

Sistemas de computer vision conseguem extrair informações de tracking a partir de imagens de transmissão, plataformas de vídeo continuam adicionando competições e grandes datasets cobrem mercados que antes muitos clubes tinham dificuldade para acompanhar de forma consistente. Um departamento de recruitment já não precisa ter um scout fisicamente presente em todas as primeiras etapas da descoberta.

Isso pode abrir caminho para que mais jogadores de ligas menores entrem nas bases de dados de recruitment de clubes maiores.

Mas também pode criar novos pontos cegos.

Um mercado com cobertura de vídeo fraca ou dados pouco confiáveis continuará sendo mais difícil para esses sistemas entenderem. Ligas com infraestrutura digital melhor podem ganhar uma visibilidade desproporcional. Modelos treinados com decisões históricas do futebol também podem reforçar os perfis que a indústria já sabe valorizar, em vez de identificar algo realmente diferente.

O risco não é apenas um sistema de IA fazer uma recomendação ruim. O risco mais profundo é um departamento de recruitment começar, aos poucos, a pensar apenas dentro dos limites daquilo que seus sistemas conseguem medir.

É aí que a curiosidade humana continua difícil de substituir.

Um bom scout não deve apenas saber usar a plataforma. Deve também saber quando sair dela.

Como será o scout do futuro?

Nada disso significa que o scout do futuro precisa se tornar um data scientist.

A ideia de que todo scout terá de programar, construir modelos de machine learning ou passar o dia inteiro diante de um dashboard é apenas outra versão do mesmo exagero que prevê o desaparecimento completo do scouting.

As competências fundamentais continuam surpreendentemente familiares: entender o jogo, avaliar um jogador dentro de sua função, reconhecer potencial de desenvolvimento, se comunicar com clareza, fazer boas perguntas e estar disposto a sustentar uma recomendação.

O que está mudando é o ambiente em que essas competências são usadas.

A próxima geração de scouts provavelmente vai trabalhar com mais vídeo, mais dados de performance, mais informações de tracking e mais material gerado por IA. Vai precisar de alfabetização de dados suficiente para entender o que uma métrica realmente diz, confiança técnica suficiente para trabalhar com plataformas modernas de recruitment e ceticismo suficiente para perceber quando um resultado convincente está deixando de lado um contexto importante.

Usar IA e confiar na IA não são a mesma coisa.

Um resumo de jogador gerado automaticamente pode ser útil e ainda assim estar incompleto. Um modelo de similaridade pode encontrar uma correspondência estatisticamente muito forte e deixar escapar algo fundamental da função tática. Uma shortlist pode ser calculada perfeitamente a partir de um recruitment brief mal definido.

A tecnologia pode responder uma pergunta mais rápido. Não pode garantir que a pergunta era boa.

Talvez seja justamente por isso que o julgamento futebolístico se torne mais valioso, e não menos.

Quando mais clubes tiverem acesso a vídeos semelhantes, dados semelhantes e, com o tempo, ferramentas de IA semelhantes, a própria ferramenta deixa de ser a vantagem. A vantagem passa para a pessoa que sabe interpretar corretamente aquilo que ela produz.

A verdadeira mudança pode estar no valor do julgamento

É pouco provável que a IA transforme o scouting em um único momento dramático. Os clubes não vão acordar uma manhã, fechar seus departamentos de scouting e entregar todas as decisões de transferência a um algoritmo.

A mudança provavelmente será muito mais silenciosa.

Uma pesquisa que antes levava três horas poderá ser concluída em trinta minutos. Um grupo de mil jogadores poderá ser reduzido antes de o scout começar a assistir aos vídeos. Movimentos sem bola poderão aparecer ao lado do event data tradicional. Um relatório escrito anos antes poderá ser recuperado em segundos. Um primeiro perfil do jogador poderá estar pronto antes mesmo de o scout começar a escrever.

Quando isso acontecer, simplesmente encontrar informação sobre um jogador terá menos valor.

Saber o que fazer com essa informação terá mais.

O nível exigido dos scouts pode aumentar junto com a qualidade das ferramentas ao redor deles. Os clubes continuarão precisando de pessoas capazes de observar e entender o futebol, mas podem valorizar cada vez mais quem consegue filtrar evidências, questionar dados, se comunicar entre equipes de análise e recruitment e explicar não apenas qual jogador recomenda, mas por quê.

Talvez essa seja a forma mais realista de pensar a relação entre IA e scouting.

A inteligência artificial pode não substituir os scouts de futebol.

Mas pode aumentar a diferença entre um scout mediano e um scout realmente bom.