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 gira muitas vezes em torno de uma única pergunta: a IA acabará por substituir os scouts?

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

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

A IA está agora a começar a fazer parte desse fluxo de trabalho. Não como substituto do julgamento futebolístico, mas como uma nova camada entre o scout e a enorme quantidade de informação disponível.

A pergunta mais útil, então, poderá ser outra: que tipo de scout vão os clubes querer contratar num 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 num perfil curto e legível. O sistema pode descrever o seu papel, destacar características relevantes e resumir padrões sustentados pelos dados, sem que um analista tenha de 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 de uma shortlist ser discutida. A distinção é importante: a ferramenta não toma a decisão de recruitment; encurta o caminho até ao ponto em que começa a decisão humana.

Outras empresas estão a avançar numa direção semelhante, embora não necessariamente com a mesma tecnologia. Em julho de 2026, a Soccerment lançou o SICS Atlas, uma plataforma apresentada como AI-native que reúne vídeo, event data e tracking data no mesmo ambiente. Os utilizadores podem pesquisar em linguagem natural, comparar jogadores, encontrar clips relevantes e avançar por partes do processo de scouting sem construir manualmente cada consulta.

À primeira vista, isto pode parecer apenas uma mudança de interface. Na realidade, aponta para algo maior. Os departamentos de recruitment poderão cada vez mais descrever um problema de futebol em linguagem de futebol e deixar que o sistema trate de uma parte maior da pesquisa técnica.

“Mostra-me médios-centro com menos de 23 anos, capazes de progredir com bola sob pressão e de se adaptar a um jogo de posse de alta intensidade” continua a ser apenas o início de um bom scouting brief. Mas a distância entre essa frase e uma lista de jogadores realmente utilizável está a diminuir.

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

Mais dados não significam melhores decisões

A transformação não se limita à IA generativa. Alguns dos desenvolvimentos mais importantes no recruitment estão a acontecer através de computer vision, tracking data e modelos concebidos para captar aquilo que os jogadores fazem quando estão longe da bola.

O event data tradicional é muito bom a dizer-nos que aconteceu um passe, um remate, uma condução ou um desarme. É menos completo quando queremos compreender o posicionamento à volta dessa ação, as opções que o jogador não escolheu, a corrida que criou o espaço ou o movimento defensivo que impediu um passe de acontecer.

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

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

Estes sistemas não são iguais, e agrupar todos os desenvolvimentos da análise de futebol sob o rótulo de “IA” pode rapidamente tornar-se enganador. IA generativa, computer vision, machine learning e tracking automatizado resolvem problemas diferentes.

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

A parte difícil é decidir o que realmente importa.

Um médio pode estar entre os melhores em passes progressivos, mas quanto desse valor é produzido pela estrutura à sua volta? Um extremo pode apresentar números excelentes em transição, mas o que acontece se entrar numa equipa que passa grande parte dos jogos a atacar um bloco baixo? Um modelo pode indicar que um jogador rende bem sob pressão, mas será que a pressão medida é realmente comparável ao ambiente para o qual está a ser recrutado?

A tecnologia pode tornar mais informação visível. Não pode tornar essa informação automaticamente significativa.

O bom scouting nunca foi apenas acumular a maior quantidade possível de evidência. Sempre foi colocar essa evidência no contexto certo.

Os 300 mil relatórios do Sevilla contam outra história sobre a 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 tinha 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, tenacidade, liderança, comportamento e personalidade.

O problema não era falta de conhecimento. Era conseguir utilizá-lo.

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

Segundo o estudo de caso publicado pela Meta, rever 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 desta 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 a produzir informação útil.

A IA não substitui a memória de scouting do clube. Torna-a pesquisável.

Esta distinção poderá tornar-se cada vez mais importante. Os clubes pensam muitas vezes numa vantagem de dados como a possibilidade de comprar acesso a melhores fontes externas. No futuro, uma vantagem igualmente relevante poderá vir da capacidade de utilizar melhor o próprio conhecimento interno. Um relatório escrito há cinco anos não tem necessariamente de desaparecer num arquivo quando o jogador ou o scout já não estão no clube.

Para os departamentos de recruitment, a IA pode transformar a memória institucional numa 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, compreender um mercado ignorado por outros clubes ou ter a rede local necessária para identificar talento cedo.

Essas vantagens não estão a desaparecer. Conhecimento local, observação ao vivo, relações pessoais e uma verdadeira compreensão de mercados menos visíveis continuam a ser extremamente importantes.

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

Plataformas como a SciSports já permitem às equipas de recruitment comparar grandes grupos de jogadores através 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 no FotMob, mais um sinal de que ferramentas anteriormente associadas sobretudo a ambientes especializados de recruitment estão a chegar a uma utilização muito mais ampla.

À medida que estes sistemas evoluem, a primeira fase do recruitment poderá 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 poderá ajudar a produzir 50 que correspondam aos requisitos gerais do clube.

Isso pode poupar uma enorme quantidade de tempo. Também pode alterar o local onde nasce a vantagem competitiva.

Se vários clubes utilizarem datasets semelhantes e ferramentas de discovery cada vez mais sofisticadas, o mesmo jogador emergente poderá aparecer em vários ecrãs praticamente ao mesmo tempo. Ser a primeira pessoa a descobrir o nome pode tornar-se menos valioso do que ser a organização que melhor compreende o jogador.

A pergunta difícil passa de “quem está disponível?” para “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 tem de encaixar num papel tático, num modelo económico, num plano de plantel, num treinador e, muitas vezes, num país ou numa cultura completamente novos. O seu rendimento atual tem de ser separado do ambiente que o produz. As suas limitações têm de ser avaliadas em conjunto com aquilo que pode realisticamente melhorar. O seu valor tem sempre de ser considerado ao lado do risco.

O scouting sempre envolveu incerteza. Melhor tecnologia pode reduzir parte dela, mas não a pode eliminar.

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 adoção desigual da tecnologia, e as ferramentas disponíveis para um clube de Champions League não serão necessariamente as mesmas que uma equipa de escalões inferiores terá ao seu alcance.

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 as variáveis que quer pesquisar e depois constrói os filtros. Amanhã, uma parte maior do processo poderá começar com uma pergunta de futebol. O sistema poderá interpretar o brief, pesquisar vários datasets, construir uma primeira shortlist, preparar vídeo, comparar candidatos e recuperar relatórios internos anteriores sem obrigar o utilizador a passar por várias plataformas.

O SICS Atlas da Soccerment é um exemplo inicial dessa direção. Resta perceber se estes sistemas se tornarão suficientemente fiáveis para gerir workflows complexos de recruitment profissional, mas a ideia é clara: o software de futebol está a começar a passar de mostrar informação para trabalhar ativamente com ela.

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

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

A maior parte dos dados de recruitment continua a dizer-nos aquilo que um jogador já fez. A pergunta a que todos os clubes querem realmente responder é o que ele fará a seguir e, mais especificamente, o que fará na nossa equipa.

Como vai render um lateral que passa de uma equipa orientada para transições para outra que domina a posse? Um médio conseguirá manter o mesmo nível quando a velocidade do campeonato aumentar? Os movimentos de um avançado continuarão a criar valor frente a blocos defensivos mais baixos? Quanto do perfil atual de um jovem representa verdadeiro potencial e quanto depende simplesmente do contexto em que joga?

Os modelos preditivos de recruitment já estão a tentar abordar partes deste problema. No entanto, o futebol continua a ser demasiado complexo para oferecer respostas seguras. Isso provavelmente não impedirá os clubes de continuar a tentar.

Um futuro workflow de recruitment poderá começar com um sporting director a descrever o estilo do clube, o orçamento, a faixa etária e a necessidade posicional. O sistema poderá 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 esses jogadores.

Nesse momento, o trabalho do scout não estará terminado.

Talvez seja precisamente aí que comece a parte mais importante.

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

Há outro lado nesta evolução. Se o recruitment se tornar mais fácil de realizar à distância, o scouting poderá tornar-se geograficamente mais amplo.

Os sistemas de computer vision conseguem extrair informação de tracking a partir de imagens de transmissão, as plataformas de vídeo continuam a acrescentar competições e os grandes datasets cobrem mercados que anteriormente muitos clubes tinham dificuldade em acompanhar de forma consistente. Um departamento de recruitment já não precisa de ter um scout fisicamente presente em todas as primeiras fases da descoberta.

Isso poderá dar a mais jogadores de ligas menores uma porta de entrada para as bases de dados de recruitment de clubes maiores.

Mas também poderá criar novos pontos cegos.

Um mercado com fraca cobertura de vídeo ou dados pouco fiáveis continuará a ser mais difícil de compreender para estes sistemas. Ligas com melhor infraestrutura digital poderão tornar-se desproporcionalmente visíveis. Modelos treinados com decisões históricas do futebol podem também reforçar os perfis que a indústria já sabe valorizar, em vez de identificar algo genuinamente diferente.

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

É aqui que a curiosidade humana continua a ser 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 disto significa que o scout do futuro tenha de se tornar um data scientist.

A ideia de que todos os scouts terão de programar, construir modelos de machine learning ou passar o dia inteiro dentro de um dashboard é apenas outra versão do mesmo exagero que prevê o desaparecimento completo do scouting.

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

O que está a mudar é o ambiente em que essas competências são utilizadas.

A próxima geração de scouts irá provavelmente trabalhar com mais vídeo, mais dados de performance, mais informação de tracking e mais material gerado por IA. Precisará de literacia de dados suficiente para compreender 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 a perder 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 no papel tático. Uma shortlist pode ser calculada na perfeição a partir de um recruitment brief mal definido.

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

Talvez seja 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 aquilo que ela produz.

A verdadeira mudança pode estar no valor do julgamento

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

A mudança será provavelmente muito mais silenciosa.

Uma pesquisa que antes demorava três horas poderá ser concluída em trinta minutos. Um universo de mil jogadores poderá ser reduzido antes de o scout começar a ver vídeo. Os 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 já existir antes 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 aos scouts poderá aumentar à medida que melhora a qualidade das ferramentas à sua volta. Os clubes continuarão a precisar de pessoas capazes de observar e compreender o futebol, mas poderão valorizar cada vez mais quem consegue filtrar evidência, questionar dados, comunicar entre as equipas de análise e recruitment e explicar não apenas que jogador recomenda, mas porquê.

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.