Marcio Tamer
Em 2026, falar em Data Scouting deixou de significar apenas consultar estatísticas antes de contratar um jogador. Dados posicionais, vídeo, modelos estatísticos, machine learning e inteligência artificial estão formando uma nova camada de inteligência dentro dos departamentos de futebol — capaz de reduzir milhares de atletas a uma lista muito menor de nomes que realmente merecem observação.
A própria FIFA trata os dados como parte consolidada do futebol e mantém um ecossistema destinado a padronizar informações de eventos e posicionamento. O sistema usa o chamado FIFA Football Language para estabelecer definições comuns sobre as ações que acontecem em campo.
É a evolução futebolística de uma ideia popularizada pelo Moneyball: encontrar vantagens que o mercado ainda não precificou corretamente.
Mas existe uma diferença importante. No futebol, o algoritmo não precisa substituir o olheiro. A vantagem competitiva pode estar justamente na combinação entre os dois.
+ Siga o Giro no Facebook
+ Siga o Giro no Instagram
O que é Data Scouting no futebol?
O Data Scouting utiliza dados quantitativos para identificar, filtrar e comparar jogadores de acordo com necessidades esportivas específicas.
Em vez de começar o processo perguntando simplesmente “quem é um bom lateral?”, um departamento moderno pode formular uma questão muito mais precisa:
Quais laterais de até 23 anos apresentam características compatíveis com nosso modelo de jogo, atuam em mercados financeiramente acessíveis e demonstram indicadores que podem ser transferíveis para nossa competição?
A partir daí, entram variáveis como progressão de bola, criação de oportunidades, ações defensivas, intensidade, ocupação de espaços e desempenho físico.
O processo não termina no ranking produzido pelo computador.
O resultado funciona como filtro para que analistas, scouts e dirigentes investiguem os candidatos com maior profundidade.
Esse modelo já aparece de maneira bastante concreta no futebol profissional. Em uma descrição de cargo publicada em 2025, por exemplo, o Liverpool feminino definiu sua estratégia de recrutamento como “data-informed” e citou a integração de métricas como xG, xA e modelos de valor da posse às avaliações dos jogadores.
Do Moneyball ao futebol orientado por dados
A associação com Moneyball é inevitável.
O princípio não consiste simplesmente em “contratar jogadores pelas estatísticas”. O raciocínio mais interessante é procurar características relevantes que estejam sendo avaliadas de maneira inadequada pelo mercado.
No futebol, porém, reproduzir a lógica do beisebol não é simples.
Um atacante depende do comportamento dos companheiros, do sistema tático, da qualidade da liga, do adversário e até das funções determinadas pelo treinador. Dez gols em dois contextos diferentes não representam necessariamente a mesma coisa.
É justamente aí que a evolução dos modelos se torna importante.
A análise contemporânea tenta avançar da contagem de eventos para a interpretação do contexto em que esses eventos aconteceram.
A FIFA já reconhecia esse movimento ao discutir como quantificar o futebol: o crescimento de vídeo, processamento automatizado e análise pós-jogo multiplicou a quantidade de informações disponíveis, mas também tornou necessária uma avaliação cuidadosa sobre a validade dessas métricas.
Liverpool mostrou como ciência de dados entra no scouting
Um dos casos mais conhecidos dessa transformação aconteceu no Liverpool F.C..
Ian Graham, doutor em física teórica pela Universidade de Cambridge, chegou ao clube em 2012 e posteriormente comandou seu departamento de pesquisa. Segundo relato publicado pelo próprio Liverpool em 2020, a equipe chegou a contar com seis profissionais e tinha o recrutamento entre suas principais atribuições.
O detalhe interessante está nas formações profissionais.
O departamento reuniu especialistas provenientes de áreas como física, astrofísica e tecnologia. Will Spearman, que se tornaria cientista de dados do clube, trabalhou inclusive em modelos relacionados ao controle dos espaços do campo.
Isso ajuda a entender a mudança estrutural.
O scout tradicional pergunta o que determinado jogador fez.
A ciência de dados tenta acrescentar outras perguntas: em que contexto ele fez, quais espaços estavam disponíveis, quanto aquela ação contribuiu para a jogada e qual a probabilidade de o desempenho se repetir em outro ambiente?
Data Scouting e IA: o salto de escala
É aqui que a inteligência artificial amplia radicalmente o alcance do modelo.
Imagine um clube procurando um volante.
O scouting convencional possui um limite físico: pessoas precisam assistir às partidas.
Um sistema orientado por dados pode inicialmente analisar grandes bases e aplicar filtros relacionados a idade, minutos disputados, intensidade defensiva, progressão, retenção da posse e características posicionais.
A IA pode acrescentar recursos de classificação, reconhecimento de padrões, processamento de vídeo e geração de análises.
O universo observado deixa de ser limitado apenas ao número de partidas que uma equipe humana consegue assistir.
A escala passa a ser computacional.
A FIFA está levando esse conceito para outro patamar. Em janeiro de 2026, anunciou o Football AI Pro, ferramenta de IA generativa preparada para as 48 seleções participantes da Copa do Mundo de 2026.
Segundo a entidade, o sistema trabalha sobre centenas de milhões de pontos de dados e pode produzir informações em texto, vídeo, gráficos e visualizações 3D para análises antes e depois das partidas.
Isso não significa que a ferramenta esteja escolhendo contratações. Mostra, porém, a dimensão que a análise automatizada alcançou no futebol de elite.
O novo ativo não é o dado, mas a interpretação
Aqui surge um paradoxo.
Se todos os clubes tiverem acesso aos mesmos dados, onde estará a vantagem competitiva?
Provavelmente não no banco de dados isoladamente.
Ela estará na capacidade de fazer perguntas melhores.
Dois clubes podem observar exatamente os mesmos números e chegar a conclusões distintas porque utilizam modelos, critérios esportivos e avaliações de risco diferentes.
É semelhante ao mercado financeiro: possuir os preços históricos não garante uma estratégia superior.
No futebol, isso significa que departamentos eficientes precisam conectar quatro elementos: dados, modelo de jogo, contexto e observação humana.
Essa combinação talvez seja mais importante do que qualquer algoritmo isolado.
IA não elimina o olheiro
A própria UEFA vem reforçando esse ponto.
Em dezembro de 2025, durante seu Elite Scout Programme, a entidade discutiu diretamente o papel da IA na identificação de talentos.
Marco Otero, consultor técnico da FIFA, destacou que tarefas mensuráveis podem ser aceleradas pela inteligência artificial, mas ressaltou os limites da tecnologia diante das nuances do futebol. Luís Campos, então consultor de futebol do Paris Saint-Germain, apontou outro problema fundamental: projetar se determinado jogador conseguirá se adaptar à identidade e ao ambiente de um clube.
Esse é precisamente o ponto que números isolados dificilmente resolvem.
Um algoritmo pode identificar um lateral que progride a bola com eficiência.
O scout precisa investigar por que isso acontece.
Talvez o sistema tático ofereça constantemente superioridade naquele corredor. Talvez o atleta tome excelentes decisões sob pressão. Talvez suas limitações estejam mascaradas pelo comportamento dos companheiros.
O dado encontra a anomalia.
O ser humano procura explicá-la.
O scouting está virando uma operação multidisciplinar
Outra transformação menos visível acontece fora do campo.
O departamento de recrutamento deixa de ser composto exclusivamente por observadores e passa a incorporar engenheiros de dados, estatísticos, cientistas de dados, analistas de vídeo e especialistas em desempenho.
Uma vaga recente para Lead Data Scientist do Liverpool, por exemplo, pede conhecimentos de Python ou R, modelagem estatística, análise preditiva, machine learning, deep learning, bancos de dados e tecnologias de Big Data.
É quase a descrição de uma vaga em uma empresa de tecnologia.
Só que o produto analisado é futebol.
Data Scouting pode diminuir a vantagem dos clubes ricos?
Existe ainda uma consequência particularmente interessante.
Tecnologia sofisticada custa dinheiro, mas software e automação também podem reduzir o custo marginal de analisar mercados distantes.
Um clube não precisa necessariamente manter dezenas de scouts viajando pelo mundo para realizar a primeira etapa de prospecção.
Pode utilizar dados para descobrir jogadores fora de seu radar tradicional e concentrar recursos humanos nos candidatos mais promissores.
A própria FIFA apresentou o Football AI Pro sob a lógica de ampliar o acesso à análise avançada, oferecendo a mesma ferramenta às 48 seleções da Copa de 2026.
Isso não elimina desigualdades financeiras.
Clubes maiores continuam capazes de contratar mais profissionais, comprar bases proprietárias e desenvolver modelos exclusivos.
Mas muda a natureza da competição.
Uma organização menor, com boa estrutura analítica, pode procurar informação melhor antes de procurar jogadores mais caros.
O próximo Moneyball será encontrar o que os modelos ainda não enxergam
O Data Scouting está entrando em uma fase curiosa.
Quando poucos clubes utilizavam estatística avançada, possuir um departamento de dados já representava diferenciação. À medida que essas ferramentas se disseminam, simplesmente “usar IA” deixa de ser vantagem.
A próxima fronteira será descobrir variáveis que os concorrentes ainda interpretam mal.
Pode ser adaptação tática.
Pode ser tomada de decisão sem bola.
Pode ser projeção de desenvolvimento.
Pode ser combinação entre características psicológicas, contexto competitivo, vídeo e dados posicionais.
E é justamente por isso que o futuro provavelmente não será uma disputa entre algoritmo versus olheiro.
Será entre organizações capazes — ou incapazes — de fazer os dois trabalharem juntos.
O Moneyball do futebol não significa transformar jogadores em números.
Significa utilizar números para enxergar jogadores que o mercado ainda não aprendeu a enxergar.
Leia Mais:
