Une vidéo de match, quelques données physiques et un algorithme peuvent désormais aider à examiner des profils de jeunes joueurs. Pour un footballeur belge qui cherche un essai, la promesse est séduisante : être vu sans dépendre uniquement du bon recruteur au bon bord de terrain. Mais un score ne mesure que ce qu'on lui donne à voir. Les travaux disponibles étudient l'estimation du potentiel, la performance ou le recrutement ; ils ne permettent pas d'en déduire qu'un outil peut, seul et de façon fiable, comprendre un rôle tactique ou décider qu'un adolescent mérite sa chance. Le progrès commence lorsque l'outil ouvre une observation humaine supplémentaire. Il devient un nouveau filtre lorsqu'il ferme la porte sans explication.
Un modèle prédit une cible, pas le talent en général
À partir d'une vidéo ou d'une base de tests, un système peut suivre des déplacements, classer des actions et rapprocher un profil de joueurs déjà observés. Les modèles étudiés utilisent notamment des données physiques, techniques, psychologiques ou multidimensionnelles. Selon le dispositif, ces traitements peuvent servir à préparer des séquences, comparer des évaluations ou élargir un premier tri. Leur efficacité doit toutefois être vérifiée dans le contexte où ils sont utilisés.
La limite se trouve dans le mot mesurer. Une accélération, un changement de direction ou un taux de passes réussies décrivent une performance dans des conditions précises. Ils ne racontent pas automatiquement la qualité d'une décision, l'adaptation à un nouveau poste, la marge de progression ou la réaction à une consigne. Une revue systématique publiée en 2026 a recensé 27 études de machine learning appliquées à l'identification des jeunes talents dans les sports collectifs, dont 13 sur le football. Ses auteurs concluent que ces modèles peuvent compléter la détection traditionnelle, mais pas la remplacer.
Cette nuance change la bonne question. Il ne s'agit pas de savoir si l'IA « reconnaît le talent », comme s'il existait une étiquette cachée dans chaque vidéo. Il faut demander quel résultat le modèle prédit, à partir de quelles données et pour quel groupe de joueurs. Un outil entraîné pour retrouver les choix d'une académie reproduit d'abord les choix passés de cette académie. Il n'établit pas une définition universelle du potentiel.
Avant le score, la sélection commence dans la base de données
Un joueur doit d'abord entrer dans le champ de la caméra, disposer d'images exploitables ou participer aux tests retenus. La qualité des données d'entrée, leur représentativité et le contexte de validation conditionnent la portée du modèle. L'équipement, l'angle de prise de vue, le niveau de l'opposition et le protocole d'évaluation sont donc des points à documenter pour chaque dispositif, sans leur attribuer un effet chiffré que les études disponibles n'ont pas établi. Les jeunes moins filmés, engagés dans des compétitions moins documentées ou évalués avec un autre protocole risquent d'être comparés sur une base plus pauvre.
Le corpus scientifique invite aussi à la prudence. Dans la revue de 2026, les échantillons allaient de 21 à 13 876 athlètes et restaient majoritairement masculins. Les validations externes étaient rares et 59 % des études présentaient un risque de biais élevé, principalement en raison de l'analyse ou d'une généralisation limitée. Une bonne performance dans le groupe qui a servi à construire le modèle ne garantit donc pas la même fiabilité dans un autre club, une autre catégorie d'âge ou le football féminin.
Les critères présentés ici reposent sur des travaux internationaux et sur les principes généraux de l'Autorité belge de protection des données, pas sur l'évaluation d'un outil précis déployé auprès de jeunes en Belgique. La FIFA recommande d'éviter qu'un talent échappe à la détection en raison de sa date de naissance ou de son âge, tout en utilisant la technologie comme soutien à la décision. La maturation biologique constitue un sujet distinct : une revue systématique de Han et ses collègues publiée en 2026 sur le bio-banding, approche étudiée pour limiter le biais de maturation dans la sélection, juge ses effets dépendants du contexte et ne démontre pas d'amélioration durable de l'exactitude de l'identification. Un adolescent plus avancé physiquement peut dominer certains tests aujourd'hui sans posséder une meilleure trajectoire à long terme.
Le score doit déclencher une observation, pas prononcer un verdict
L'étude d'Altmann et ses collègues, mise en ligne en décembre deux mille vingt-quatre, a suivi pendant sept saisons une académie allemande : 980 observations concernant 409 joueurs masculins de U12 à U19. Son modèle XGBoost obtenait une aire sous la courbe ROC de 0,69 et un score F1 de 0,84 pour prédire la sélection dans la catégorie suivante. Le premier indicateur évalue la capacité du modèle à distinguer les deux classes à partir de ses scores ; le second combine la précision et le rappel des décisions classées. Ce dernier score ne représente donc pas un pourcentage de fiabilité. La revue systématique de Zhou et ses collègues publiée en 2026 sur l'IA dans l'identification des talents en football classe cette étude parmi les cohortes d'une seule académie, avec validation interne et sans validation externe rapportée. Cette évaluation méthodologique vient de la revue, tandis que les nombres et les scores viennent du résumé de l'étude originale.
Un club peut employer l'IA avec une chaîne de contrôle simple :
| Étape | Ce que l'outil peut apporter | Ce que l'humain doit encore vérifier |
|---|---|---|
| Vidéo ou tests | Extraire des actions et rendre les observations comparables | Qualité des images, données manquantes et conditions du match |
| Score ou classement | Faire ressortir des profils selon un objectif défini | Pertinence de cet objectif pour l'âge, le poste et le niveau visés |
| Observation terrain | Préparer des séquences ou des points d'attention | Compréhension du jeu, attitude, progression et réponse aux consignes |
| Suivi | Comparer plusieurs moments avec le même protocole | Évolution réelle du joueur, changement de contexte et décision finale |
Dans ce schéma, le recruteur conserve l'autorité et doit pouvoir contredire le classement. Il documente aussi les profils que le système manque. Ces erreurs peuvent alerter sur un problème de données ou de protocole à examiner ; elles ne suffisent pas, à elles seules, à prouver qu'une catégorie, un poste ou un type de parcours est sous-représenté.
L'outil ne remplace pas non plus les occasions de jouer devant un encadrement. Un Detect Day ou un essai classique permet d'observer des interactions, des consignes et des ajustements que la compilation de clips montre mal. La technologie peut aider à choisir qui revoir ; elle ne transforme pas une courte vidéo en carrière prédite.
Avant d'envoyer une vidéo, clarifier l'usage et la conservation des données
Une vidéo identifiable, un profil physique, des résultats de tests ou des informations de santé peuvent être des données personnelles. Dans sa brochure d'avril 2026, l'Autorité belge de protection des données rappelle que les inférences d'une IA sont probabilistes et peuvent être inexactes ou trompeuses. Elle insiste aussi sur la finalité précise, la minimisation, l'exactitude, la durée de conservation, la sécurité et la transparence.
Le RGPD prévoit par ailleurs un droit à ne pas faire l'objet d'une décision fondée uniquement sur un traitement automatisé lorsqu'elle produit un effet juridique ou affecte la personne de manière similaire et significative. Lorsque cette règle s'applique, une intervention humaine doit être réelle : la personne qui examine le dossier doit comprendre le résultat et avoir l'autorité nécessaire pour le modifier. Dans les cas où une décision automatisée est permise, notamment par un contrat, un consentement explicite ou une autorisation légale, l'APD rappelle aussi le droit d'exprimer son point de vue et de contester la décision. Une sélection sportive ne relève pas automatiquement de cet article ; ses conditions doivent être examinées au cas par cas. Pour un mineur, la clarté sur l'usage des images et des mesures mérite une attention renforcée.
Avant d'envoyer une vidéo ou d'accepter une évaluation, le joueur et ses parents peuvent demander :
- quelles données sont collectées et quel résultat le système cherche à prédire ;
- qui reçoit la vidéo, le score et les éventuelles informations physiques ;
- combien de temps ces éléments sont conservés et comment demander leur suppression ;
- quel recruteur revoit le résultat et comment signaler une erreur ;
- si un refus automatisé peut être réexaminé sur le terrain.
Une réponse vague sur le « potentiel » ou une garantie de visibilité ne suffit pas. Un outil sérieux décrit son périmètre, ses limites et la place de la décision humaine.
Pour une famille, le critère le plus concret n'est pas la sophistication du score, mais la possibilité d'identifier la personne qui le relit, d'obtenir une explication et de signaler une erreur. Pour un recruteur, l'outil garde sa valeur tant qu'il élargit l'observation et que ses échecs nourrissent un contrôle du protocole. Un score peut orienter le regard ; il ne dispense jamais d'argumenter la décision.
