Football : l’IA veut aider les clubs à repérer les futures stars

Le recrutement dans le football repose depuis longtemps sur une combinaison d’expérience, de réseau et d’intuition. Un recruteur observe un match, détecte un geste, une intelligence de placement ou un tempérament, puis tente d’imaginer ce que ce jeune joueur deviendra dans quelques années. L’intelligence artificielle ne fait pas disparaître cette part de jugement. Elle apporte toutefois aux clubs une capacité nouvelle : regarder, comparer et classer à grande échelle des performances qui seraient autrement restées hors de leur champ de vision.

En ce début janvier 2025, des entreprises spécialisées proposent ainsi d’analyser des vidéos de matches amateurs et de compétitions de jeunes afin de faire remonter des profils compatibles avec les besoins d’un club. L’ambition est séduisante : trouver plus tôt le joueur qui possède les qualités d’un futur grand professionnel, y compris loin des circuits de détection habituels. Mais entre l’identification d’un profil prometteur et l’émergence d’une superstar, l’écart reste considérable.

Du carnet de notes à l’analyse de centaines de milliers de joueurs

Le scouting, ou détection de talents, a toujours été une activité très humaine. Les clubs emploient des observateurs pour assister aux rencontres, rédiger des rapports et échanger avec des entraîneurs locaux. Cette méthode permet de percevoir des éléments difficiles à chiffrer, comme l’attitude face à la pression, la communication avec les coéquipiers ou la capacité à progresser dans un nouvel environnement.

Son principal défaut est son échelle. Aucun réseau de scouts, aussi dense soit-il, ne peut suivre personnellement tous les jeunes qui évoluent dans les championnats amateurs et les académies à travers le monde. Les outils d’IA cherchent précisément à élargir ce périmètre. Ils transforment les séquences vidéo en données exploitables, puis comparent les performances observées à des critères définis par les clubs.

La société Eyeball illustre cette évolution. Sa plateforme analyse les performances d’environ 180 000 footballeurs dans 28 pays, à partir de vidéos et d’un suivi automatisé. Elle se concentre surtout sur des joueurs âgés de 12 à 23 ans. Ces âges correspondent à une période cruciale : certains jeunes sont déjà visibles dans des filières structurées, tandis que d’autres jouent encore dans des environnements moins exposés aux recruteurs professionnels.

Les données sont donc un point de départ, pas un verdict. Courir vite ou beaucoup ne suffit pas à faire un bon footballeur. Tout dépend de la position, du plan de jeu, du niveau de l’adversaire et du rôle confié au joueur. Un défenseur central, un ailier et un milieu récupérateur ne peuvent pas être lus avec les mêmes indicateurs.

Comment une vidéo devient-elle un outil de recrutement ?

Le principe général est de confier à un système automatisé une partie du travail d’observation répétitif. À partir des images d’un match, la technologie suit les joueurs et relève des informations sur leurs déplacements et leurs actions. Elle peut ainsi restituer des mesures telles que la distance parcourue, la vitesse, le nombre de sprints ou la précision des changements de direction.

Pour un club, l’intérêt n’est pas seulement de disposer de statistiques supplémentaires. Il est de pouvoir formuler une recherche précise au sein d’une base vidéo très vaste. Au lieu de recevoir des dizaines de rapports difficilement comparables, les recruteurs peuvent filtrer les joueurs selon leur poste, leurs caractéristiques ou le type de jeu recherché.

Eyeball organise notamment les profils autour de huit archétypes, parmi lesquels le milieu de terrain « box-to-box » et l’attaquant moderne. Le milieu box-to-box est généralement attendu dans les deux surfaces : il participe à la récupération, accompagne les attaques et couvre beaucoup de terrain. L’attaquant moderne, lui, ne se limite pas à conclure les actions. Il peut décrocher, participer à la construction et créer des espaces.

Ces catégories cherchent à rendre une demande sportive plus concrète. Un club ne recrute pas simplement « un bon joueur » : il cherche parfois un avant-centre mobile, un milieu capable de se projeter, ou un joueur agressif dans le pressing. Les modèles peuvent rapprocher ces besoins de caractéristiques observées chez des jeunes joueurs.

Dans cette logique, la plateforme permettrait par exemple de demander un joueur présentant l’agressivité d’Erling Haaland ou la maîtrise de Jude Bellingham, puis de proposer des prospects correspondants. Le profil d’attaquant moderne s’inspire aussi de qualités associées à Robert Lewandowski et Harry Kane. Il ne s’agit évidemment pas d’affirmer qu’un adolescent deviendra l’égal de ces vedettes. La comparaison sert à décrire un style et un ensemble de traits mesurables, pas à garantir un destin.

Des clubs déjà utilisateurs, mais une adoption à interpréter avec prudence

Selon les informations disponibles au 5 janvier 2025, Eyeball collabore avec treize équipes de Premier League. L’entreprise travaille également avec des clubs en Espagne, en Allemagne et en Italie, ainsi qu’avec des institutions de football universitaire aux États-Unis. Cette présence montre que l’analyse algorithmique a franchi le stade de la démonstration technologique pour entrer dans les processus de recrutement de structures établies.

Pour autant, utiliser une plateforme ne signifie pas confier les décisions de recrutement à un algorithme. Dans un club, la détection comporte plusieurs étapes : repérage initial, visionnage approfondi, évaluation du niveau de compétition, examen médical, discussion sur le projet sportif et appréciation de la personnalité. L’IA peut accélérer le premier tri et apporter des comparaisons cohérentes, mais elle ne voit pas tout.

Un jeune joueur peut afficher d’excellents chiffres dans un match sans que ceux-ci reflètent son potentiel réel. Son équipe a peut-être subi la rencontre, l’obligeant à courir davantage. Son rôle tactique peut avoir limité ses prises de risque. À l’inverse, une qualité décisive, comme une passe qui casse les lignes ou le bon choix fait sous pression, demande souvent une interprétation footballistique fine.

L’IA peut-elle démocratiser la détection de talents ?

Le principal argument en faveur de ces outils est l’ouverture du recrutement à des joueurs moins visibles. Les grands clubs disposent de réseaux importants, mais ils ne couvrent pas uniformément tous les territoires ni toutes les compétitions. Une plateforme qui peut analyser des matches amateurs offre, en théorie, une occasion supplémentaire à un jeune évoluant loin des centres de formation les plus réputés.

C’est aussi l’objectif affiché par Talnets, une initiative portée par l’ancien international anglais Sol Campbell. Le projet utilise l’IA pour identifier des talents en Afrique, notamment en Afrique du Sud et en Côte d’Ivoire. Son fondateur, Darko Stanoevski, présente cette approche comme un moyen de démocratiser un processus parfois traversé par des intérêts politiques ou particuliers.

La question de l’influence des intermédiaires est centrale. Dans le football des jeunes, l’accès à une opportunité peut dépendre de la personne qui connaît le bon club, le bon agent ou le bon tournoi. Une analyse fondée sur des séquences de jeu peut offrir un autre canal de visibilité. Elle ne résout cependant pas à elle seule les inégalités : il faut encore avoir des matches filmés, des conditions de captation suffisantes et une possibilité concrète pour les clubs de suivre le joueur repéré.

Pourquoi les entraîneurs garderont le dernier mot

L’entraîneur ne choisit pas un joueur uniquement pour ses qualités isolées. Il choisit aussi une complémentarité. Un même milieu de terrain peut sembler idéal dans une équipe qui presse haut et moins adapté à une formation qui défend bas. Un joueur très performant dans une catégorie de jeunes peut également avoir besoin de temps pour s’habituer à l’intensité, à la tactique et à la pression du football professionnel.

C’est pourquoi les scouts principaux et les entraîneurs restent indispensables. Leur rôle consiste à remettre les données dans leur contexte et à vérifier si un prospect correspond à la philosophie du club. Les chiffres donnent une indication sur ce qui a été observé. Ils ne peuvent pas, à eux seuls, saisir l’ensemble du rapport d’un joueur au jeu ni prédire sa progression physique et mentale.

David Hicks, cofondateur d’Eyeball, imagine toutefois une étape supplémentaire : une recherche de joueurs activée par la voix. Un scout pourrait demander à son outil de lui montrer un joueur du type de Steven Gerrard. Cette perspective illustre une évolution de l’interface plus qu’un changement de responsabilité. Même si la requête devient aussi simple qu’une phrase prononcée à voix haute, il restera aux professionnels à définir ce qu’ils entendent par ce profil, à évaluer les résultats et à prendre la décision.

Une promesse qui devra être jugée sur plusieurs saisons

Le succès réel de ces technologies ne pourra pas être mesuré immédiatement. La plupart des joueurs analysés par Eyeball ont entre 12 et 23 ans. Or le passage vers le très haut niveau est long et incertain. Il faut attendre qu’ils aient obtenu du temps de jeu professionnel, qu’ils aient changé de catégorie ou de championnat, et qu’ils aient confirmé leurs qualités face à des adversaires plus exigeants.

Évaluer l’efficacité de l’IA exigera donc de comparer, sur plusieurs années, les trajectoires de joueurs identifiés par ces systèmes avec celles détectées par les méthodes habituelles. Il faudra également distinguer la qualité du logiciel de celle des clubs qui l’emploient : un outil peut signaler un profil intéressant, mais un recrutement réussi dépend aussi de l’accompagnement, de l’entraînement et des occasions données au joueur.

L’enjeu dépasse la seule recherche de pépites. Si de nombreux clubs commencent à privilégier les mêmes paramètres, ils pourraient progressivement valoriser certains types de joueurs et certaines qualités athlétiques. Cette tendance pourrait influencer les profils recrutés, puis, indirectement, les styles de jeu dominants.

Ce qu’il faut surveiller dans les prochaines années

La première question sera celle de la preuve. Les plateformes devront montrer que leurs recommandations permettent réellement de découvrir des joueurs performants que les clubs n’auraient pas repérés autrement. La seconde portera sur le bon usage des données, particulièrement lorsqu’il s’agit de mineurs. Filmer et analyser de jeunes footballeurs impose une attention renforcée à la protection des informations personnelles et au cadre dans lequel les images sont exploitées.

Enfin, le football devra éviter de confondre objectivité et automatisation. Les données peuvent réduire certains angles morts du scouting, mais elles reflètent toujours les choix des personnes qui conçoivent les catégories, sélectionnent les métriques et fixent les seuils de recherche. Bien employée, l’IA peut devenir un outil puissant pour élargir la détection. Mal employée, elle risque de reproduire les préférences existantes sous une apparence scientifique.

Pour les entraîneurs et les recruteurs, la transformation qui se dessine n’est donc pas celle d’un robot décidant du prochain transfert. C’est celle d’un travail de détection plus documenté, plus rapide et potentiellement plus ouvert, où la technologie aide à trouver des noms, tandis que l’expertise humaine continue de décider de leur avenir.