Le fonds souverain Saoudien (PIF) a acheté EA Sport “It's in the (new) game». Cela à fait grand bruit surtout dans le monde du Jeu Vidéo. Par contre, plus discrètement, l’empire saoudien a mis la main sur la startup ai.io en 2026. Celle-ci est spécialisée dans le scouting, soit la détection et le recrutement des joueurs de football. Basiquement, il modélise à partir d'exercices physiques, une capacité de détection et de projection de joueur qui permettra aux grands clubs de dénicher la perle rare.
Au-delà, des jeux de données sensibles qui passent sous le contrôle d'acteurs étatiques non démocratiques, je me pose la question de l’impact de l’IA, et surtout du modèle de données utilisé sur le football en général et peut-être sur la fin du sport champagne (Brésil 1982).
Le pitch de la start-up est que tout footballeur du monde utilise l’application et se filme en train d'exécuter 75 exercices physiques précis. Un modèle de vision par ordinateur note la performance sur des centaines de métriques. Les clubs filtrent ensuite par âge, poste, sexe, et calibrent leurs propres seuils en faisant passer les mêmes exercices à leurs joueurs d'académie (100 000 en base en 2026). A travers tout ça, je me pose des questions/
Est-ce que le système peut mesurer ses propres erreurs ?
Par exemple, le modèle va recommander les joueurs A,B,C et pas D. A, B deviennent pros mais pas C. Les résultats A et B sont considérés comme “Vrai positif” et C comme “faux positif” et sont pris pour continuer à entraîner le système. Le problème des labels sélectifs porte les profils similaires à D : les joueurs que le modèle n'a pas recommandés, qui n'ont donc jamais eu d'essai, et dont on ne saura jamais s'ils auraient réussi. Ce sont des faux négatifs inobservables.
La précision du modèle se calcule uniquement sur la population qu'il a lui-même sélectionnée et sera incapable de savoir s’ils sont passés à côté d’un joueur excellent similaire au profil de D.
Le second, c’est la prédiction performative et le principe de la donnée de notation qui est corrompue. On a un test standardisé qui devient une porte d'entrée, (un concours) et l'écosystème qui s'organise pour le passer. Ainsi, le déploiement du modèle modifie la distribution des données sur lesquelles il prédit. Il ne se contente plus d'observer le monde, il le déforme, et donc il se retrouve à prédire sur une distribution qu'il a lui-même créée.
Dans notre cas, on entraîne tous les jeunes sur ces 75 exercices précisément en oubliant les autres activités qui font que l’on peut devenir un footballeur et au bout de trois ou quatre ans, le score ne mesure plus le talent. Il mesure l'accès à un entraînement calibré sur le test. Et si on a un élève qui a un rendement inférieur mais qui a d’autres qualités, il ne sera pas pris.
Je sais ce que l’on va me dire: “Damien, aujourd'hui, tout le monde va aux mêmes tournois, écoute les mêmes agents, surpondère le même gabarit et beaucoup de joueurs talentueux sont ignorés faute d'accès et d'exposition à ce système. Grâce à cette application, beaucoup de joueurs au dehors des circuits vont pouvoir être découverts”. C’est vrai ! Dans le cas de Football 1.0 “on rate beaucoup de monde mais pas les mêmes types de joueurs” mais avec le biais algorithmique. “On rate moins de monde, mais toujours exactement les mêmes”.
C'est-à-dire, que l’on va recruter, des joueurs qui ont les mêmes standards et qui ont quasiment les mêmes techniques de jeu donc, que l’on va placer dans la même stratégie d’équipe. Imaginez-vous, toutes les nations vont ressembler au Paraguay ! Le terrain sera un Octogone.
Allez, on reprend, je n’ai pas fini ! J’ajoute à cela, la dérive temporelle. Prenons un modèle entraîné sur une zone géographique distincte à un instant T. Par exemple, la Premier League des années 2010, celle de l'intensité et du duel. Donc, l'algorithme aurait sous-noté Pedri et on ne connaîtrait pas Lamine Yamal. Un modèle calé sur le Barça 2011, sous-noterait Bellingham et Maguire (peut-être pas une grosse perte). Le problème est que dans le foot, le paradigme tactique dominant change tous les huit à dix ans alors que le cycle de ré-entraînement d'un modèle industriel est beaucoup plus lent que ça.
Ce qu’il faudrait, c’est un modèle polyculturel pour un périmètre ou pour chaque coach. Ce qui veut dire, des micro-modèles différents, non standards et c'est frontalement contre l'intérêt commercial de l’éditeur qui a besoin d’un modèle standard à vendre pour maximiser sa rentabilité. Et suite à un rachat (comme celui-ci), la start-up est rapidement contrainte à suivre une performance financière dictée par ses actionnaires. L’économie du produit entre en jeu alors pour s’assurer un maximum de rentabilité.
Allez, en attendant mes prévisions, faites des passes à vos voisins, marquez des buts avec vos amis et aimez le vrai sport : la cohésion et le social. Vive le football !
PS : je rajoute cette note : je viens de lire un article sur les méfaits de l’argent et d’Infantino. Ca casse un peu ma phrase de fin.
Ressources :
Loi de Campbell :
Donald Campbell, 1976. “plus un indicateur quantitatif est utilisé pour prendre des décisions sociales, plus il est soumis à des pressions de corruption, et plus il tend à distordre et corrompre les processus sociaux qu'il était censé mesurer.”
Performative prediction (Perdomo et al., ICML 2020) : le déploiement d'un modèle modifie la distribution des données sur lesquelles il prédit.
