Ce que l’IA fait réellement dans le scouting
Le mot « IA » recouvre plusieurs outils. Certains classent des joueurs à partir de statistiques de match. D’autres repèrent des séquences vidéo, rapprochent des profils ou estiment une probabilité : progression vers un niveau supérieur, adéquation à un poste, valeur future ou réussite d’un transfert. Aucun ne découvre spontanément ce dont un club a besoin. Le staff choisit d’abord le problème, les données et le résultat que le modèle doit apprendre à reconnaître.
Une recherche peut partir d’un cahier des charges précis : un latéral capable de répéter les courses, de défendre loin de son but et de progresser sous pression. Le système parcourt alors un volume de matchs qu’une cellule de recrutement ne pourrait pas regarder intégralement. Il produit une liste courte, signale des joueurs comparables ou attire l’attention sur un championnat peu suivi.
Cette capacité de tri explique l’intérêt opérationnel. Lors du programme Elite Scout de l’UEFA en 2025, des professionnels ont décrit l’IA comme un moyen d’accélérer l’analyse vidéo, la modélisation et la collecte d’informations. La présentation publiée par l’UEFA insiste aussi sur la limite centrale : prévoir l’intégration d’un joueur dans l’identité et la culture d’une équipe ne se réduit pas à ses mesures actuelles.
L’IA change donc l’ordre du travail. Le recruteur n’attend plus forcément qu’un nom arrive par son réseau avant de chercher des images. Il peut commencer par une population large, filtrer selon le projet de jeu, puis consacrer davantage de temps aux profils qui résistent aux premiers contrôles.
Un classement répond à la question qu’on lui a posée
Un score de compatibilité semble objectif parce qu’il tient dans une colonne. Sa signification dépend pourtant de choix humains. Quelle période a été observée ? Les joueurs évoluent-ils dans des championnats comparables ? Le modèle valorise-t-il les actions avec ballon, alors que le rôle demandé repose aussi sur le placement et les courses sans ballon ? Comment traite-t-il un joueur blessé, remplaçant ou récemment repositionné ?
La revue systématique publiée dans Frontiers in Sports and Active Living a retenu 20 études sur l’identification des talents dans le football. Les applications portent notamment sur le potentiel de développement, le rôle et la performance, ainsi que la valeur ou l’aide au recrutement. Les auteurs relèvent toutefois des faiblesses récurrentes : petits échantillons, populations très sélectionnées, données virtuelles, transparence insuffisante et validation externe limitée. Une bonne performance sur les données d’un projet ne garantit donc pas la même fiabilité dans un autre club, un autre pays ou une autre catégorie d’âge.
Le football complique encore la comparaison. Une passe risquée peut être une erreur dans une équipe qui sécurise la possession et une consigne dans une équipe qui attaque vite. Un ailier peu servi affiche moins d’actions décisives sans que son appel perde sa valeur. Un défenseur rarement sollicité ne devient pas automatiquement meilleur qu’un joueur exposé à davantage de duels. Le modèle voit ce que les données rendent observable ; le scout doit retrouver les raisons tactiques derrière le chiffre.
Les outils d’analyse déjà utilisés pendant les matchs montrent cette même frontière. Ils peuvent accélérer la lecture d’événements et de trajectoires, comme l’explique notre article sur l’infrastructure technologique du Mondial 2026. Recruter ajoute une difficulté : il faut projeter ces observations dans une équipe qui ne joue pas encore avec le joueur.
Les biais changent de forme, ils ne disparaissent pas
Le recrutement traditionnel possède ses angles morts : réputation d’un centre de formation, apparence physique, effet d’un match exceptionnel, préférence pour un profil déjà connu. Un modèle peut réduire certains de ces biais s’il organise l’observation autrement. Il peut aussi reproduire les sélections passées lorsqu’il apprend sur des données déjà déséquilibrées.
L’âge relatif et la maturation biologique l’illustrent chez les jeunes. Un joueur momentanément plus puissant ou plus rapide peut être mieux noté, davantage sélectionné et donc davantage présent dans les données. Si l’algorithme apprend que ce parcours représente le talent, il risque de favoriser à son tour les profils déjà avantagés. La revue systématique souligne également le poids des échantillons masculins et européens dans les recherches disponibles. Un modèle entraîné sur cette base ne peut pas être supposé valable pour le football féminin ou pour tous les contextes de formation.
Une expérimentation publiée en 2025 propose un usage plus ciblé de la technologie. Des chercheurs ont travaillé avec une équipe professionnelle nord-américaine sur des vidéos rendues anonymes par IA. Selon l’étude « Blind scouting », les scouts se sont davantage concentrés sur les capacités tactiques et moins sur des considérations physiologiques susceptibles d’introduire des biais. L’outil ne notait pas les joueurs à leur place : il modifiait les conditions dans lesquelles les experts exerçaient leur jugement.
Cet exemple invite à poser une question concrète avant chaque déploiement : quel biais précis cherche-t-on à réduire ? Masquer une identité, homogénéiser une grille d’observation ou comparer plusieurs évaluations peut améliorer le processus. Ajouter un score opaque à une décision déjà fragile ne suffit pas.
Le recruteur augmenté travaille en boucle
Un processus solide ne suit pas une ligne droite allant de la donnée à la signature. Il alterne recherche, observation et contradiction.
1. Définir le besoin avant de lancer le filtre
Le club traduit son projet de jeu en critères observables, précise le niveau de tolérance et distingue l’indispensable du souhaitable. Le rôle doit inclure les tâches sans ballon, les situations de match et l’horizon du recrutement. Sans ce cadre, l’outil remonte les joueurs les plus visibles, pas forcément les plus adaptés.
2. Utiliser le modèle pour élargir puis réduire le terrain
La donnée sert à explorer plusieurs ligues, comparer des profils et repérer des écarts. Chaque résultat doit rester accompagné de sa période, de sa source et de ses données manquantes. Le staff peut alors comprendre pourquoi un nom apparaît et identifier les variables qui ont pesé dans le classement.
3. Revenir au match entier
Les compilations et les métriques isolées retirent une partie du contexte. Le recruteur regarde des matchs complets, idéalement dans différentes configurations : titulaire et remplaçant, équipe dominante et dominée, adversaire haut et bloc bas. Il vérifie les déplacements, la réaction après une erreur, la communication et les choix quand l’action ne passe pas par le joueur.
4. Croiser les regards et chercher le désaccord
Le rapport du scout, l’analyse vidéo, les données physiques et l’avis du staff ne doivent pas être fusionnés trop tôt. Un désaccord révèle parfois une information absente : rôle tactique contraignant, échantillon trop court, blessure ou progression récente. La cellule documente alors ce qu’elle sait, ce qu’elle suppose et ce qu’elle doit encore vérifier.
5. Assumer une décision qui dépasse le terrain
La visite médicale, la situation contractuelle, l’environnement familial, la langue, la personnalité et le plan d’intégration n’entrent pas proprement dans un score unique. Les données du joueur exigent en outre des règles claires d’accès, d’usage et de conservation. La Charte des droits sur les données des joueurs portée par la FIFPRO rappelle notamment les besoins d’information et de contrôle autour de ces traitements. La direction sportive signe parce qu’elle accepte un risque documenté, pas parce qu’un logiciel a donné son accord.
Six questions à poser avant de suivre la recommandation
Un club n’a pas besoin de connaître chaque détail du modèle pour exercer un contrôle utile. Il doit obtenir des réponses compréhensibles à six questions :
- Quel objectif le score mesure-t-il ? Une performance actuelle, un potentiel de progression et une adaptation tactique sont trois problèmes différents.
- Sur quelles compétitions et quelles saisons repose-t-il ? Un résultat ancien ou produit dans une ligue peu comparable doit être pondéré.
- Quels joueurs sont mal représentés ? Les jeunes, les joueuses, certains postes ou certains championnats peuvent manquer dans l’échantillon.
- Quelles informations le modèle ne voit-il pas ? Les consignes, les blessures, le rôle dans le vestiaire et les actions sans ballon sont parfois absents ou incomplets.
- Peut-on expliquer la présence d’un joueur dans la liste ? Une recommandation impossible à relier à des critères contrôlables est difficile à contester.
- Qui peut arrêter ou renverser le processus ? Une validation humaine explicite doit rester prévue, avec les motifs du désaccord consignés.
Cette grille ne ralentit pas l’innovation. Elle évite que la vitesse de calcul soit confondue avec la qualité d’une décision.