A Copa do Mundo chega em 2026 com mais inteligência artificial do que qualquer edição anterior: câmeras de rastreamento, sistemas de semiautomação de impedimento, plataformas de análise de desempenho em tempo real e algoritmos de scouting que determinam quais jogadores sequer aparecem no radar dos principais clubes. A tecnologia prometeu tornar o futebol mais justo, mais preciso e menos dependente de julgamentos subjetivos e o que as pesquisas vêm mostrando é que, sem governança dos dados que alimentam esses sistemas, a promessa de objetividade pode estar reproduzindo, em escala e em código, os mesmos vieses estruturais que existiam antes. O viés algorítmico ocorre quando um sistema de inteligência artificial produz resultados sistematicamente desfavoráveis para determinados grupos, não por intenção, mas porque os dados com que foram treinados já carregavam desigualdades históricas. O modelo aprende padrões do passado e os replica no futuro, amplificando disparidades que existiam muito antes de qualquer linha de código ser escrita.
No futebol, os dados de scouting e avaliação de desempenho são coletados principalmente das ligas europeias de elite, onde a concentração de jogadores brancos em posições de liderança e a sub-representação histórica de jogadores negros e latinos em certas funções táticas criaram um corpus de dados estruturalmente enviesado. Quando um algoritmo aprende o que é um meia criativo ou um zagueiro ideal a partir desses dados, ele aprende também quem historicamente ocupou essas posições, e essa informação contamina as previsões que faz sobre novos jogadores. Um artigo publicado em março de 2026 no The Football Week, com base em análise acadêmica detalhada, identificou quatro mecanismos concretos pelos quais a exclusão algorítmica opera no scouting: sub-representação nos dados de treinamento, viés por proxy em variáveis aparentemente neutras, modelagem de atributos dominantes que favorece perfis históricos e filtragem automatizada que elimina jogadores antes que qualquer humano os avalie. O estudo conclui que o momento decisivo no scouting moderno já não é quando um técnico assiste a uma partida, mas no estágio de pré-visibilidade, quando o algoritmo decide quais atletas sequer aparecem na lista de recomendados.
Pesquisa publicada pelo Harvard Science Review em setembro de 2025 estimou que 42% dos dados de scouting contêm viés racial mensurável. Em suma, sistemas treinados sobre históricos de contratações passadas aprendem as preferências implícitas de quem contratou no passado, não as capacidades objetivas dos atletas avaliados. O Milwaukee Brewers, no beisebol norte-americano, enfrentou exatamente esse problema: seu modelo de avaliação de receptores apresentava 92% de acurácia nos testes, mas análise via SHAP values revelou que o sistema favorecia jogadores de universidades de prestígio, penalizando injustamente prospects latinos, independentemente de sua performance real. No futebol europeu, a literatura acadêmica documentou viés racial em avaliações subjetivas de jogadores com consistência ao longo de mais de uma década. Estudo publicado no Journal of Economic Behavior & Organization e referenciado pelo CEPR analisou ratings de jogadores em jornais italianos e encontrou que, controlando por indicadores objetivos de desempenho, jogadores negros recebiam avaliações sistematicamente inferiores às de jogadores não negros com a mesma performance. O efeito era mais pronunciado na parte inferior da distribuição de ratings, exatamente onde carreiras de jogadores jovens são decididas.
Uma pesquisa anterior sobre árbitros da Premier League identificou que árbitros brancos aplicavam mais cartões amarelos contra jogadores não brancos de times adversários, com o efeito aumentando proporcionalmente ao nível de pressão e ambiguidade da decisão. O ponto crítico é que sistemas de IA treinados sobre esses dados históricos não neutralizam esses padrões, os replicam automaticamente e em escala, sem que qualquer agente humano precise tomar uma decisão concisamente discriminatória. Segundo uma publicação da Toronto Metropolitan University, divulgada em maio de 2025 e apresentada como um dos primeiros estudos de grande escala sobre viés em scouting esportivo, foi testada uma abordagem chamada blind scouting: olheiros assistiram a imagens de jogo anonimizadas, com identidade visual dos jogadores removida digitalmente, e foram solicitados a verbalizar suas avaliações em tempo real. O resultado foi uma mudança clara no foco das análises: de características físicas para inteligência tática e tomada de decisão em jogo.
A mesma performance, avaliada sem os marcadores visuais de raça, gênero e altura, produzia julgamentos qualitativamente diferentes. Então, os pesquisadores concluíram que a integração de ferramentas de IA, ao anonimizar dados e focar em métricas de performance em vez de atributos físicos, pode ampliar o acesso de talentos que seriam descartados por não corresponder a perfis históricos convencionais. Entretanto, a conclusão tem um pressuposto que frequentemente é ignorado: a ferramenta precisa ter sido desenvolvida e auditada para não reproduzir esses vieses em outras camadas, como nos pesos que atribui a diferentes métricas ou nas populações usadas para calibrar seus benchmarks.
VAR
O VAR foi introduzido com a promessa de eliminar o erro humano em decisões críticas. Na prática, ele reduziu erros factuais verificáveis, como posição em relação à linha de impedimento, mas não eliminou a subjetividade em decisões que dependem de interpretação, como contato físico em disputa de bola ou intenção em jogadas de mão. A tecnologia resolveu o problema que conseguia medir e preservou o espaço onde o julgamento humano ainda opera, com todos os vieses que esse julgamento carrega. Os sistemas de IA em scouting e avaliação de desempenho enfrentam a mesma limitação estrutural, são precisos naquilo que conseguem medir, mas as decisões sobre o que medir, com quais dados calibrar os modelos e o que fazer quando um algoritmo recomenda sistematicamente menos jogadores de determinadas origens são decisões humanas que precisam de supervisão explícita. Sem auditoria de viés, rastreabilidade das decisões automatizadas e sem mecanismos de contestação, a tecnologia torna a injustiça mais difícil de ver e de questionar.
Referências
The Football Week. [Algorithmic Scouting and AI Regulation in Football, mar. 2026](https://thefootballweek.com/2026/03/01/algorithmic-scouting-ai-regulation-football/).
MDPI Big Data and Cognitive Computing. [Talent Identification and AI-Driven Decision Tools in Sport: Algorithmic Bias, Data Privacy, and Digital Determinism in Player Evaluation, mai. 2026](https://doi.org/10.3390/bdcc10050146).
Toronto Metropolitan University. [Researchers Use AI to Tackle Bias in Sports Scouting, jun. 2025](https://www.torontomu.ca/news-events/news/2025/06/researchers-use-ai-to-tackle-bias-in-sports-scouting/).
Techxplore. [Researchers Pioneer Use of AI to Reduce Bias in Sports Scouting, mai. 2025](https://techxplore.com/news/2025-05-ai-bias-sports-scouting.html).
Harvard Science Review. [Avoiding Bias in Sports AI: Fairness, Transparency, and Results, nov. 2025](https://harvardsciencereview.org/2025/11/06/avoiding-bias-in-sports-ai-fairness-transparency-and-results/).
Harvard Science Review. [Machine Learning in Sports: From Data Collection to Actionable Insights, set. 2025](https://harvardsciencereview.org/2025/09/04/machine-learning-in-sports-from-data-collection-to-actionable-insights/).
CEPR / Vox EU. [Racial Bias in Newspaper Ratings of Professional Football Players](https://cepr.org/voxeu/columns/racial-bias-newspaper-ratings-professional-football-players).
ScienceDirect / Journal of Economic Behavior & Organization. [Racial Bias in Newspaper Ratings of Professional Football Players, dez. 2021](https://www.sciencedirect.com/science/article/pii/S0014292121002622).
FC Business. [How AI and Machine Learning Are Revolutionising Football Scouting in 2025, ago. 2025](https://fcbusiness.co.uk/news/how-ai-and-machine-learning-are-revolutionising-football-scouting-in-2025/).
Wiley / Bulletin of Economic Research. [Racial Disparities in Soccer Player Share Prices, jan. 2025](https://onlinelibrary.wiley.com/doi/full/10.1111/boer.12489).
NCBI / NIH. [Racial Bias in National Football League Officiating](https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8022699/).
Acessar o blog da Jump
