Scouting com dados e IA no futebol: métricas, vieses e limites

O que mudou no scouting com dados e IA

Durante décadas, o scouting foi feito com olhos, cadernos e contactos. Os dados acrescentaram duas coisas: escala (ver muitos jogadores sem viajar, filtrar por perfil) e comparabilidade (critérios iguais para todos). A IA acrescenta uma terceira: modelos que estimam o valor de uma ação ou a probabilidade de um jogador se adaptar a um contexto.

No futebol profissional, isto funciona sobre grandes bases de eventos e tracking. No futebol amador e de formação, os dados são escassos, os jogos raramente são filmados de forma completa e as amostras são pequenas. Isso muda o que é razoável esperar.

• Hoje, de facto: filtros por perfil em bases de dados de ligas profissionais e de alguns escalões de topo; marcação automática de eventos em vídeo; relatórios estruturados que juntam observação humana e números.
• Ainda promessa: prever o futuro de um jogador de 12 anos. A variabilidade do desenvolvimento nessa idade é enorme e nenhum modelo a resolve com dados de jogo.
• Acessível a um clube pequeno: vídeo dos jogos, uma grelha de observação comum, uma folha de cálculo bem desenhada e disciplina no registo.

Métricas úteis e como lê-las com contexto

As métricas mais úteis são as que respondem a uma pergunta do modelo de jogo. Para um extremo num clube que ataca por fora com cruzamentos rasteiros, interessa saber quantas vezes recebe em zona de 1x1, quantas vezes ganha a linha e o que faz depois. Para um médio num clube de jogo posicional, interessam receções entre linhas e passes que ultrapassam linhas.

Três regras para ler qualquer número: normalizar por tempo de jogo (por 90 minutos ou por jogo completo de formação), comparar dentro do contexto (mesma liga, mesma posição, equipas de nível semelhante) e olhar para a amostra (cinco jogos não chegam para conclusões fortes).

Modelos de IA no recrutamento: o que fazem e onde falham

Os modelos usados no recrutamento fazem, em geral, uma de três coisas: valorizar ações (quanto uma ação aumenta a probabilidade de marcar ou sofrer), encontrar semelhantes (jogadores com perfil estatístico parecido com um de referência) e prever (desempenho futuro, adaptação a outra liga, risco de lesão).

Os dois primeiros são úteis como filtro: reduzem uma lista de centenas para uma dúzia que os observadores vão ver ao vivo ou em vídeo completo. O terceiro é onde os erros custam mais. Um modelo aprende com dados do passado; se o passado tem um viés, o modelo reproduz-o com aparência de objetividade.

• Dados de treino de outra realidade. Um modelo de valorização de ações treinado em ligas profissionais não sabe como se joga num campeonato distrital de sub-15.
• Variáveis que funcionam como atalho. Se o modelo usa altura, peso ou velocidade máxima numa idade de crescimento, está a medir maturação, não talento.
• Ausência de dados. Jogadores de clubes que não filmam jogos simplesmente não aparecem. A ferramenta que "vê tudo" vê apenas o que foi registado.

Vieses na formação: idade relativa e maturação

O efeito da idade relativa é a sobrerrepresentação, em equipas selecionadas, de jogadores nascidos nos primeiros meses do ano de corte. Está documentado em muitos países e desportos. Um estudo nacional suíço com jogadores de formação concluiu que o efeito era pequeno no conjunto, mais visível nos escalões mais novos e nas equipas de topo, e apontou as primeiras seleções feitas pelos treinadores como origem provável.

A maturação biológica é um problema relacionado mas distinto: dois jogadores nascidos no mesmo mês podem estar anos afastados em desenvolvimento físico entre os 11 e os 15 anos. O jogador mais maturo ganha duelos e corre mais rápido, e os dados registam isso como "rendimento".

Um modelo treinado com as seleções do passado aprende estes vieses. Algumas medidas práticas para os contrariar:

• Registar o trimestre de nascimento de todos os observados e verificar a distribuição dos selecionados. Se 60% nasceram no primeiro trimestre, há um problema de processo.
• Ajustar as métricas físicas à idade e, quando possível, a uma estimativa de maturação. A Premier League usa o bio-banding, que agrupa jogadores pela percentagem estimada da altura adulta (método de Khamis-Roche), em alguns jogos e torneios de formação.
• Valorizar indicadores menos dependentes do físico: orientação corporal, perceção antes de receber, qualidade de decisão.
• Rever os "não selecionados" um ano depois. Muitos jogadores de maturação tardia sobem de nível de forma rápida.

Antes de pensar em IA, vale a pena automatizar o que é repetitivo e não envolve dados sensíveis, como o calendário de um torneio. O gerador de calendário de torneio da DorsalCUP é gratuito, não pede registo e não guarda dados em servidores.

Como montar um processo de scouting com dados num clube pequeno

1. Defina perfis por posição a partir do modelo de jogo: 4–6 comportamentos observáveis por posição. Exemplo para lateral: largura em posse, profundidade com timing, defesa do 1x1, reação à perda.
2. Crie uma grelha comum com escala simples (1–4) e um campo de texto obrigatório para justificar cada nota.
3. Junte dados objetivos simples: minutos jogados, jogos observados, data de nascimento, posição, pé dominante.
4. Use IA para organizar, não para decidir. Um assistente de IA pode resumir relatórios, detetar contradições entre observadores ou agrupar perfis semelhantes. A decisão é da coordenação técnica.
5. Exija pelo menos dois observadores e três jogos antes de uma decisão de recrutamento.
6. Reveja o processo no fim da época: distribuição por trimestre de nascimento, taxa de sucesso dos recrutados, jogadores que falhámos.

O custo é sobretudo tempo. Uma grelha bem feita e um registo disciplinado valem mais do que uma plataforma cara alimentada com dados incompletos. Para o trabalho de vídeo que sustenta este processo, veja IA na análise de jogo.

Limites e ética: menores, transparência e decisões automáticas

• Menores. Observar e registar dados de jogadores de outros clubes, sobretudo menores, é tratamento de dados pessoais. Recolha o mínimo, guarde-o com acesso restrito e apague o que não for usado. Contactos com jogadores menores fazem-se através dos encarregados de educação e de acordo com as regras da federação.
• Decisões automatizadas. O RGPD dá às pessoas o direito de não ficarem sujeitas a decisões baseadas exclusivamente em tratamento automatizado que as afetem de forma significativa. Excluir um jogador de uma captação só porque um modelo lhe deu uma nota baixa é exatamente o que deve ser evitado.
• AI Act. O Regulamento Europeu de IA classifica como de risco elevado os sistemas usados no recrutamento e seleção de pessoas em contexto de emprego. Se isso abrange o recrutamento de jogadores profissionais é uma questão a confirmar com apoio jurídico; após a revisão de 2026, essas obrigações aplicam-se a partir de dezembro de 2027.
• Transparência. Jogadores e famílias devem saber que critérios são usados numa captação. Critérios claros também protegem o clube de acusações de favorecimento.

Perguntas frequentes