Estudos no futebol demonstram que o machine learning pode identificar posições de jogadores por dados técnicos e físicos. Esse paralelo aplica-se ao mercado de trabalho, onde a alocação deve considerar competências específicas e o contexto do projeto, superando a simples análise de cargos ou títulos genéricos.
A inteligência artificial auxilia na formação de squads ao conectar necessidades técnicas a experiências individuais detalhadas. Embora a tecnologia otimize o mapeamento de talentos, a decisão final permanece humana, focando na complementariedade da equipe para resolver problemas complexos e reduzir lacunas de produtividade em ambientes dinâmicos.
Você colocaria seu melhor atacante no gol? O que o futebol ensina sobre alocação de profissionais com IA
Um bom jogador de futebol não é simplesmente “bom”. Seu desempenho depende da posição, do sistema de jogo, dos colegas ao redor e das responsabilidades que recebe. Um atleta pode ter excelente domínio de bola e finalização, mas essas características terão valores diferentes dependendo de ele atuar como atacante, meio-campista ou defensor.
Nas empresas acontece algo semelhante. Um profissional pode ter excelente formação técnica e ainda assim apresentar desempenho abaixo do esperado quando é colocado em um projeto incompatível com suas características. Experiência, tecnologia conhecida e tempo de carreira ajudam na seleção, mas dizem pouco quando analisados fora do contexto do trabalho que será realizado.
Esse problema ganhou um exemplo interessante no futebol em 2026. Um estudo publicado na Scientific Reports utilizou dados técnicos e físicos de jovens jogadores para verificar se algoritmos de machine learning conseguiam identificar suas posições em campo. O resultado não sugere que treinadores devam entregar a escalação a um algoritmo, mas ajuda a compreender como dados podem complementar a avaliação de talentos — e por que o mesmo raciocínio é útil na alocação de profissionais.
1. O experimento: dá para prever a posição de um jogador pelos seus atributos?
O estudo “Position prediction from performance and anthropometric indicators in young footballers”, publicado em janeiro de 2026, analisou 200 jogadores do sexo masculino com idades entre 15 e 17 anos. Eles atuavam como defensores, meio-campistas ou atacantes, de acordo com a posição principal definida por seus treinadores.
Os pesquisadores mediram características físicas, como altura, peso e índice de massa corporal, e realizaram testes de domínio da bola, chute e drible. Depois, compararam diferentes algoritmos para verificar se essas informações eram suficientes para distinguir as três posições.
O melhor resultado veio de um modelo SVM com kernel RBF, que atingiu 86% de acurácia geral. Os atacantes foram corretamente identificados em 100% dos casos do conjunto avaliado, enquanto a taxa foi de 85% para meio-campistas e 75% para defensores. Entre as variáveis que mais ajudaram o modelo estavam o drible de 20 metros, o desempenho no chute, o peso e outros indicadores ligados ao drible.
Esses números precisam ser interpretados dentro das limitações do experimento. A amostra era pequena, formada apenas por jovens homens de clubes do Cazaquistão, e não foram avaliadas características importantes como leitura de jogo, tomada de decisão, posicionamento, aceleração ou capacidade aeróbica. Os próprios autores observam que a proximidade entre os perfis de defensores e meio-campistas dificultou a classificação.
Essa limitação, na verdade, torna o paralelo com o mercado de trabalho mais interessante.
2. O problema não é encontrar o melhor jogador, mas entender para qual função ele é adequado
O estudo não tentou determinar quem era o melhor atleta do grupo. Ele tentou descobrir quais características ajudavam a distinguir os jogadores de acordo com a função exercida.
Esse é um princípio simples, mas frequentemente ignorado na contratação de profissionais. Processos seletivos costumam começar por uma descrição de cargo e um conjunto de filtros: tecnologias conhecidas, quantidade de anos de experiência, empresas anteriores, certificações e formação acadêmica. Esses dados são úteis, mas não necessariamente descrevem as condições que determinam o sucesso de alguém em um projeto específico.
Dois profissionais classificados como “desenvolvedor sênior”, por exemplo, podem ter capacidades muito diferentes. Um pode trabalhar melhor em sistemas novos, com autonomia para decidir arquitetura e poucas dependências. Outro pode ser especialmente competente em ambientes legados, análise de código existente e evolução incremental. Os dois podem conhecer as mesmas linguagens e ter o mesmo tempo de experiência, mas não são necessariamente intercambiáveis.
A diferença é semelhante à encontrada entre as posições do futebol. O rótulo geral — jogador de futebol ou engenheiro de software — informa muito pouco sobre a função na qual aquela pessoa tende a gerar mais valor.
Por isso, modelos mais precisos de seleção e alocação de talentos de IA começam pela necessidade do projeto e pelas competências associadas a ela, e não apenas pelo título do profissional.
3. O futebol também está tentando medir contribuição de maneira menos genérica
Durante a Copa do Mundo de 2026, a FIFA introduziu um sistema de Power Rankings baseado em seus dados oficiais de partidas. Jogadores de linha passaram a receber avaliações separadas em três dimensões: ataque, criatividade e defesa. Goleiros são avaliados em posse de bola e defesa do gol. As classificações são atualizadas após as partidas com base em dados de desempenho coletados durante o torneio.
O sistema não é uma ferramenta de seleção de jogadores e não deve ser confundido com uma. O que ele ilustra é outra mudança relevante: medir um atleta por diferentes formas de contribuição é mais informativo do que reduzi-lo a uma nota geral.
Um atacante pode produzir valor principalmente por finalização e movimentação ofensiva. Um meio-campista pode influenciar a partida pela criação e circulação de bola. Um defensor pode ter pouca participação nas estatísticas mais visíveis e ainda ser decisivo para o funcionamento do time.
Nas empresas, avaliações simplificadas sofrem do mesmo problema. Quantidade de tarefas concluídas, linhas de código, horas trabalhadas ou número de projetos anteriores não representam necessariamente a contribuição de um profissional.
Um Tech Lead pode escrever menos código que os demais e melhorar significativamente a qualidade das decisões da equipe. Um especialista pode resolver em poucos dias um problema que consumiria semanas de um time menos experiente. Um Product Owner pode produzir poucos artefatos diretamente, mas reduzir retrabalho ao tornar decisões mais claras.
Esse tipo de contribuição é particularmente importante no modelo de High-Impact Individual Contributor, em que parte relevante do valor de um especialista está no efeito que ele produz sobre o restante do sistema, e não apenas na sua produção individual.
4. O matching melhora quando a empresa descreve competências, não apenas cargos
A discussão sobre seleção orientada por competências já ultrapassa o futebol. O Future of Jobs Report 2025, do World Economic Forum, estima que 39% das competências utilizadas atualmente pelos trabalhadores serão transformadas ou se tornarão menos relevantes até 2030. Ao mesmo tempo, capacidades tecnológicas crescem em importância ao lado de competências como pensamento analítico, flexibilidade, liderança e colaboração.
Em outro relatório, “Matching Talent to the Jobs of Tomorrow”, o Fórum discute como dados mais estruturados e tecnologias de IA podem melhorar a conexão entre pessoas e oportunidades de trabalho. Entre os problemas identificados estão justamente a inconsistência na descrição de cargos e competências e a fragmentação das informações utilizadas para fazer o matching.
Para uma empresa que precisa montar uma squad, a lógica pode ser aplicada de maneira bastante concreta. Em vez de buscar simplesmente “um arquiteto”, “dois desenvolvedores seniores” e “um profissional de dados”, é possível descrever as capacidades necessárias para aquele projeto.
Um projeto de integração de sistemas legados, por exemplo, pode exigir experiência comprovada em investigação de APIs existentes, desenho de contratos de integração, tratamento de falhas, segurança e capacidade de trabalhar com documentação incompleta. Outro projeto com a mesma composição nominal de cargos pode exigir experiência em aplicações cloud-native, eventos, processamento em tempo real e alta escalabilidade.
O nome das posições pode ser igual, mas o perfil adequado é diferente.
5. Como a IA pode ajudar na alocação de profissionais
Uma aplicação de IA para alocação não precisa tentar decidir automaticamente quem deve ser contratado. Ela pode ser mais útil organizando informações que hoje estão dispersas entre currículos, entrevistas, avaliações técnicas, histórico de projetos e conhecimento informal dos gestores.
Um sistema desse tipo pode relacionar três conjuntos de informações.
O primeiro descreve o projeto: tecnologias, domínio de negócio, estágio de desenvolvimento, problemas esperados, autonomia necessária, duração e composição atual do time.
O segundo descreve o profissional: experiências anteriores, competências demonstradas, profundidade técnica, contextos em que trabalhou, funções exercidas e resultados obtidos.
O terceiro descreve o time: competências já disponíveis, lacunas, senioridade, necessidade de liderança e distribuição de responsabilidades.
A partir dessas informações, a IA pode ajudar a encontrar combinações que não seriam evidentes em uma busca por palavras-chave. Um profissional que nunca recebeu o título de “arquiteto”, por exemplo, pode ter acumulado experiências de desenho técnico, integração e tomada de decisão que o tornam adequado para determinada função. Da mesma forma, alguém com o título correto pode apresentar pouca experiência no contexto específico daquele projeto.
O objetivo não é eliminar a avaliação humana, mas reduzir o volume de informação que precisa ser interpretado manualmente e tornar os critérios de comparação mais explícitos.
6. O estudo do futebol também mostra onde esse tipo de modelo pode falhar
A diferença de desempenho do modelo entre atacantes, meio-campistas e defensores é uma advertência útil. Os atacantes possuíam características mais facilmente distinguíveis pelas variáveis disponíveis no estudo, enquanto defensores e meio-campistas apresentavam maior sobreposição.
Algoritmos de seleção de pessoas enfrentam o mesmo problema. Algumas competências são relativamente fáceis de registrar: conhecimento de uma linguagem, certificações, tempo de experiência ou participação em determinados projetos. Outras são muito mais difíceis de transformar em dados estruturados, como capacidade de diagnóstico, julgamento técnico, comunicação com negócio, influência sobre o time ou comportamento diante de situações ambíguas.
Se um modelo receber apenas informações fáceis de medir, tenderá a favorecer justamente aquilo que está melhor representado nos dados.
Esse é um dos motivos pelos quais a FIFA, em seu programa de desenvolvimento de talentos, não apresenta tecnologia como substituta do scouting humano. Entre as 20 associações de maior referência analisadas pela entidade, 85% possuem profissionais qualificados de scouting e identificação de talentos e 65% utilizam sistemas de TI ou bancos de dados para apoiar esse processo. A recomendação é utilizar tecnologia e dados para oferecer informações adicionais à decisão.
O desenho é bastante sensato para empresas: dados ampliam a capacidade de análise, enquanto profissionais experientes continuam responsáveis pela interpretação e pela decisão.
7. De preencher uma vaga para montar um time
O paralelo mais útil entre futebol e alocação de profissionais não está em tentar criar uma escalação automática. Está em abandonar a ideia de que talento pode ser avaliado isoladamente do contexto.
Uma equipe não melhora necessariamente ao reunir as pessoas com os melhores currículos individuais. Ela melhora quando possui as competências necessárias para resolver determinado problema e quando essas competências se complementam.
Esse princípio ganha importância no outsourcing na era da IA, porque a própria inteligência artificial está modificando a quantidade e o tipo de trabalho executado pelas equipes. Algumas tarefas passam a ser automatizadas, enquanto cresce a importância de profissionais capazes de tomar decisões, integrar sistemas, revisar resultados e atuar sobre problemas menos padronizados.
Nesse cenário, simplesmente reproduzir uma estrutura fixa de cargos pode gerar times maiores do que o necessário ou deixar lacunas justamente nas competências mais importantes.
Um processo mais cuidadoso começa pelo projeto, identifica as capacidades necessárias e só então procura as pessoas adequadas. Dados e IA podem tornar esse matching mais rápido e consistente, desde que o modelo não seja tratado como uma autoridade que conhece aspectos que nunca foram registrados.
Conclusão
O estudo com jovens jogadores mostra que características técnicas e físicas contêm informação suficiente para ajudar a identificar posições em campo, mas também demonstra os limites dessa abordagem quando diferentes funções compartilham atributos semelhantes ou quando aspectos importantes não foram medidos.
A mesma lógica se aplica à alocação de profissionais. Currículos, títulos e testes fornecem sinais úteis, mas representam apenas uma parte daquilo que determina o desempenho de alguém dentro de um projeto.
A contribuição mais promissora da IA não está em produzir uma nota definitiva para cada candidato. Está em reunir evidências, estruturar competências, comparar contextos e ajudar gestores a enxergar combinações que seriam difíceis de analisar manualmente.
No futebol, dados ajudam o treinador a entender melhor seus jogadores. Nas empresas, podem cumprir a mesma função ao ajudar a colocar bons profissionais nos problemas em que suas características realmente fazem diferença.
Perguntas frequentes
Como a IA pode ajudar na alocação de profissionais?
A IA pode relacionar competências, experiências e características de um projeto para identificar profissionais potencialmente adequados. Também pode encontrar lacunas de competências dentro de uma equipe e ampliar a busca para além de títulos de cargos e palavras-chave.
A IA pode escolher automaticamente quem deve ser contratado?
Tecnicamente, modelos podem produzir rankings e recomendações, mas decisões de contratação e alocação envolvem aspectos difíceis de representar integralmente em dados. A aplicação mais prudente é utilizar IA como apoio à análise, mantendo avaliação técnica e decisão humana.
Qual é a diferença entre contratação por cargo e por competências?
A contratação por cargo parte de um título e de requisitos associados a ele. A abordagem por competências começa pelas capacidades necessárias para executar determinado trabalho e procura profissionais que demonstrem essas capacidades, mesmo quando sua experiência anterior utiliza títulos diferentes.
O que o futebol ensina sobre formação de equipes?
O principal paralelo é que desempenho depende de contexto. Um jogador pode ser excelente em uma função e inadequado para outra. Em equipes de tecnologia, profissionais com formação semelhante também podem apresentar desempenhos muito diferentes conforme o projeto, o nível de autonomia e a composição do time.
