Les outils d’intelligence artificielle peuvent rapprocher, classer et ordonner des profils à partir des données disponibles. Ils ne suffisent pourtant pas à expliquer pourquoi un joueur produit un indicateur donné ni comment ce résultat dépend de son rôle. Dans le recrutement, leur intérêt se situe d’abord dans le tri et la présélection. La décision sportive exige encore une interprétation humaine du contexte tactique.
Cette limite compte particulièrement en Suisse. L’organisation du football en plusieurs bassins régionaux justifie de vérifier ce que les données couvrent réellement avant de comparer des joueurs. Une base incomplète ou déséquilibrée peut rendre certains profils moins visibles sans permettre de conclure sur leur potentiel.
L’algorithme réduit la liste, il ne choisit pas le joueur
L’IA peut rapprocher des profils à partir de tests, d’évaluations de coachs, de données techniques et tactiques, de tracking ou de vidéo. Elle peut aider à classer des joueurs, à identifier des rôles et à sélectionner des candidats selon des critères définis.
Son résultat dépend toutefois de la question posée. Chercher un arrière droit qui centre souvent n’équivaut pas à chercher un joueur capable d’occuper tout le couloir dans une autre organisation. Le classement décrit une proximité avec des critères ; il ne prédit pas automatiquement l’adaptation à un projet sportif. Une short-list devient donc un point de départ pour les recruteurs, pas une sélection prête à signer.
Une revue systématique publiée en 2026 recense des usages prometteurs pour identifier le potentiel, le rôle ou la valeur de recrutement. Elle relève aussi des limites récurrentes : qualité inégale des données, manque d’interprétabilité, faible validation externe et échantillons parfois trop restreints. Autrement dit, une bonne performance dans l’étude d’un championnat ou d’une catégorie ne garantit pas la même fiabilité dans un autre environnement.
Treize associations régionales : vérifier ce que couvre la base
Le football suisse s’organise autour de compétitions nationales et régionales ; l’ASF répertorie treize associations régionales. Ce découpage ne prouve pas que les données diffèrent d’une région à l’autre. Il pose en revanche une question concrète avant toute comparaison automatique : quelles régions, compétitions et catégories figurent réellement dans la base utilisée ?
Un manque de données ne signifie pas un manque de talent. Il indique d’abord qu’un joueur ou une compétition est peu documenté dans le système. La revue scientifique citée plus haut ne retient que des études portant sur des joueurs masculins et souligne le déficit structurel de données dans le football féminin. Les profils absents ou peu représentés dans une base risquent aussi de l’être dans les résultats.
L’âge relatif et la maturation ajoutent une autre difficulté. Dans une même catégorie, l’écart de naissance ou de développement peut influencer l’identification et la sélection des jeunes. Si les anciennes décisions favorisent déjà certains profils, un modèle entraîné sur ces décisions peut apprendre ce biais au lieu de le corriger. Pour la détection des jeunes, l’âge précis, la maturation et le contexte de compétition doivent donc être pris en compte avec les performances, sans qu’aucun de ces éléments ne devienne à lui seul un verdict.
Les chiffres doivent rester dans leur contexte tactique
Un indicateur isolé ne dit pas toujours ce que le joueur devait accomplir. Une consigne tactique peut limiter une action visible tout en masquant une qualité utile dans un autre rôle. Le chiffre décrit alors ce qui a été enregistré, pas à lui seul la raison ni la contrainte qui l’explique.
| Ce que l’outil peut exploiter | Ce que l’interprétation humaine doit préciser |
|---|---|
| Données techniques et tactiques des matchs disponibles | Rôle et consignes dans l’organisation de l’équipe |
| Tests et évaluations enregistrés | Conditions de mesure et informations absentes |
| Similarité avec un profil de référence | Adaptation recherchée par le club |
| Classement d’une liste de candidats | Sens sportif à donner au résultat |
La vidéo peut aider à retrouver le contexte d’une action lorsqu’elle est disponible. Elle ne dispense pas le recruteur d’interpréter les données et d’identifier ce que le système n’a pas pris en compte. Les données peuvent alors préparer l’examen : replacer une séquence disponible dans son contexte, formuler une question précise ou confronter le score à l’analyse du recruteur.
Produire un score peut impliquer un traitement de données personnelles
Dès qu’un système associe des vidéos, des mesures ou des évaluations à une personne identifiable, il faut préciser quelles données sont utilisées, dans quel but et avec quels destinataires. Selon le traitement, la durée de conservation doit aussi être indiquée. Le Préposé fédéral à la protection des données et à la transparence rappelle que la loi suisse sur la protection des données s’applique aux traitements fondés sur l’IA et insiste sur la transparence de leur finalité, de leur fonctionnement et de leurs sources.
Avec des mineurs, il est particulièrement prudent de poser ces questions avant d’utiliser un outil : quelles informations alimentent le dossier, d’où viennent-elles, qui reçoit le résultat et combien de temps sont-elles conservées lorsque cette indication est requise ? Le fait qu’une donnée soit disponible ne dispense pas de préciser la finalité du traitement, ses destinataires et, lorsque cela est requis, sa durée de conservation. Ce passage propose une synthèse éditoriale, pas un avis juridique.
Le périmètre juridique est plus étroit qu’un simple score assisté. Lorsqu’un traitement sans intervention humaine aboutit à une décision ou à un jugement sur une personne, la loi prévoit, sous certaines exceptions, qu’elle puisse faire valoir son point de vue et demander qu’une personne revoie la décision. Cela ne signifie pas que chaque classement ou short-list produit par un outil relève automatiquement de ce régime.
Indépendamment de cette qualification juridique, un club peut choisir de ne pas écarter un jeune uniquement parce qu’un score reste sous un seuil. Faire réexaminer un cas par une personne permet de confronter le résultat aux informations que le système n’a pas prises en compte. Le club peut ainsi expliquer ses critères, repérer les données manquantes et documenter la décision sportive.
L’IA reste une étape avant la décision sportive
Une méthode prudente commence par une question sportive précise, puis vérifie si les données couvrent les postes, catégories et régions concernés. Les résultats peuvent ensuite servir à ordonner une liste. Leur interprétation doit tenir compte du contexte tactique et des besoins du club avant qu’une décision soit prise.
Trois contrôles peuvent guider le recruteur : examiner quels profils le système fait remonter ou laisse de côté ; vérifier si la couverture varie entre régions, catégories d’âge ou football féminin et masculin ; documenter le motif qui conduit le recruteur à observer, retenir ou écarter un joueur. Un désaccord répété entre le modèle et les recruteurs peut signaler un critère mal défini ou une base trop étroite.
Pour un joueur ou un parent, le score n’est pas un diagnostic de potentiel. Il est utile de demander quelles données ont été utilisées, qui voit le dossier et si une personne intervient dans la décision. La réponse reste aussi sportive : poursuivre sa progression, chercher des contextes où ses qualités peuvent être observées et préparer une détection sans essayer de jouer pour un indicateur isolé.
L’outil peut accélérer le tri et la classification des profils, mais le recruteur garde la décision. La valeur du résultat dépend de la couverture des données, de critères compréhensibles et d’une interprétation humaine capable de replacer chaque performance dans son contexte. Un système utile n’éteint pas le doute : il indique où regarder de plus près.
