O Scout Advisor do Sevilla FC coloca uma caixa de busca na frente de 300 mil relatórios de scouting

A interface é uma pergunta, o produto é o que acontece antes do modelo ver ela

O problema de scouting do Sevilla FC era, na verdade, um problema de busca. O clube tem mais de 300 mil relatórios de scouting, e avaliar uma única shortlist de jogadores costumava levar de 200 a 300 horas de leitura manual dos recrutadores. O Scout Advisor, desenvolvido pelo departamento de dados do clube em parceria com a IBM no watsonx e usando o Llama 3.1 70B Instruct, da Meta, substitui isso por uma caixa de texto: o recrutador faz uma pergunta e recebe de volta uma lista de jogadores compatíveis, além de resumos gerados por IA.

Do ponto de vista de frontend, a superfície é deliberadamente simples — entra linguagem natural, saem resultados ranqueados. Mas o anúncio é incomumente honesto ao admitir que a pergunta bruta digitada pelo recrutador não é o que chega ao modelo. Existe uma etapa de tradução no meio do caminho, e é aí que o sistema realmente prova seu valor.

Enriquecimento de prompt como camada de vocabulário de domínio

A Meta chama esse mecanismo de enriquecimento de prompt: o sistema reescreve automaticamente a pergunta do usuário para adicionar contexto específico do futebol antes de ela chegar à análise. O exemplo dado é concreto. O recrutador digita "me mostra pontas talentosos" e o sistema expande isso internamente para "um ponta talentoso enfrenta defensores no drible, cria espaço e penetra a defesa adversária".

O caso de falha citado pela Meta é revelador — sem esse enriquecimento, um modelo genérico poderia devolver uma receita de asinha de frango. É esse o argumento todo para construir essa camada: um termo do futebol como "ponta" é ambíguo para um modelo genérico, e o clube não pode treinar os recrutadores para escrever prompts sem ambiguidade. Então a desambiguação vive na aplicação, não na cabeça do usuário. O frontend permanece tão simples quanto uma barra de busca justamente porque a camada de enriquecimento absorve o conhecimento de domínio.

Por que a escolha do modelo foi sobre português... na verdade, espanhol e sumarização, não capacidade bruta

O Chief Data Officer Elias Zamora é bem específico sobre por que escolheram esse modelo em vez de simplesmente optar pela opção maior disponível.

Selecionamos o Llama 3.1 70B pelo desempenho em enriquecimento de texto e sumarização, especialmente em espanhol.Montana Labs

Esse enquadramento importa. Os relatórios de scouting carregam julgamentos qualitativos — atitude, tenacidade, liderança — escritos na linguagem dos próprios recrutadores. O trabalho do modelo é comprimir isso em resumos que um tomador de decisão consiga ler rápido, em espanhol. O diretor esportivo Victor Orta descreve o ganho na prática: em vez de revisar 45 relatórios sobre um jogador, ele diz que consegue chegar ao que precisa para decidir em cerca de dois minutos. O valor aparece como tempo de leitura reduzido, não como uma capacidade inédita.

O que a construção do Sevilla mostra sobre encapsular um modelo para usuários não técnicos

A implicação específica aqui é que a parte difícil de uma interface em linguagem natural sobre dados proprietários não é a caixa de chat — é a reescrita invisível que faz perguntas casuais se conectarem a um corpus especializado. O Sevilla FC não pediu para os recrutadores aprenderem engenharia de prompt; eles moveram o vocabulário de domínio para uma etapa de enriquecimento, para que a entrada pudesse continuar sendo conversacional.

O próprio conselho de Zamora deixa claro os pré-requisitos: uma base de dados sólida, entendimento profundo do negócio e uma equipe bem preparada. Aqueles 300 mil relatórios eram o ativo; a interface só funcionou porque alguém codificou o que significa "um ponta talentoso" antes de a pergunta chegar ao modelo. Times construindo ferramentas parecidas deveriam orçar essa camada de tradução como uma peça central do produto, não como um detalhe encaixado depois em cima de um prompt.